伍晖 创新与人才独立研究者、腾讯研究院AI特约研究鹅
2023年春天，一份来自OpenAI的研究论文让“暴露度”这个词进入公众视野。论文用大语言模型的能力去匹配美国劳工部近千个职业的任务描述，得出一份风险排序：数学家、报税员、量化分析师、作家、网页设计师排在前面，编程与写作技能的暴露度接近100%。此后三年，每隔几个月就有新的报告、新的预警、新的案例出现。有人在社交媒体展示自己用AI三小时完成过去一周的工作，有人发现招聘网站上自己十年前入行的岗位已消失不见，也有人在公司全公司的各个角落里听说“明年我们要用AI做到同样的事，但用更少的人”。恐惧与兴奋交替袭来。但三年过去，一个清晰的感受是：人们不再笼统地问“AI会取代我的工作吗”，而是开始拆解自己的日常——其中哪些真的被替代了，哪些只是被“增强”了，哪些似乎碰都没碰到。这种从模糊焦虑到具体审视的转变，是本文的起点。我们试图回答三个问题：第一，2023年6月到2026年6月这三年，AI到底对职场、就业和具体职业产生了什么影响？不是预测，不是想象，是可追溯的数据和真实案例。第二，有哪些产业规律、经济规律和组织规律，能帮我们理解过去三年，并推演未来？不是凭感觉判断趋势，而是回到那些被反复验证过的理论框架。第三，身处这场变革中的具体的人——写代码的、做产品的、算账的、做人力、做营销、审合同、跑销售的——他们经历了什么？我们将在第三部分呈现他们的故事。本文所有数据标注出处，所有判断基于可验证信息，所有故事来自真实访谈。我们尽可能避免给观点，只给事实和基于理论的推演。
第一部分：
三年影响——数据、时间沿革与真实案例（2023.6-2026.6）
2023到2026这三年，关于AI与职业的认知经历了一次明显的校准。第一步是识别：哪些任务暴露于AI的能力范围？第二步是观察：哪些真正被替代了？协作模式如何演变？第三步是探因：为什么理论暴露和实际替代之间存在时差？第四步是深挖：替代打击谁、保护谁？资本流向何方？
以下七节，是对这四步的具体展开。1.1 2023：理论预警与“暴露度”叙事 2023年3月，OpenAI发布论文，将大语言模型的能力与美国劳工部O*NET数据库中1016个职业的19265项任务进行匹配。结论：约80%的美国劳动者至少10%的工作任务受到GPT影响；约19%的劳动者超过50%的任务暴露于AI。编程与写作技能的暴露度接近100%，法律、会计等紧随其后。暴露度的定义是“任务可通过大语言模型显著减少完成时间”，不等于“岗位会被替代”。这是一张技术可行性的热力图，不是就业变化的时间表。同月，高盛估算全球约3亿个全职岗位可能暴露于自动化，法律行业44%的任务可自动化，行政支持领域为46%。6月，麦肯锡全球研究院认为生成式AI每年可为全球经济增加2.6万亿至4.4万亿美元产值。销售、营销、软件工程和客户运营是价值增量最大的四个职能。两份报告代表了2023年舆论场的两极：替代叙事和增量叙事。此后三年，我们反复在这两极之间摆动。1.2 2024-2025：增强效应主导，实际落地加速 到2024年，GitHub公开调查显示92%的美国开发者在工作中使用AI编码工具。Stack Overflow 2024年开发者调查中，81%的受访者认同AI工具提高了生产力，前端、全栈、后端开发者使用率最高。使用率上升的同时，担忧并未同步扩散——72%的专业开发者不认为AI是对他们工作的威胁。2025年2月，Anthropic经济指数报告显示：软件工程任务占AI使用的37.2%，创意写作与文案占10.3%。在所有使用场景中，57%属于增强，43%属于直接自动化。2023年9月，BCG与哈佛商学院的实验揭示了“锯齿状技术前沿”：使用GPT-4的顾问完成任务数多12.2%、速度快25.1%，但在超出AI能力边界的复杂任务中表现反而下降。人机协作的核心能力不是“会用AI”，而是“知道AI什么时候会出错”。就业市场端，Freelancer.com季度报告显示“AI内容编辑”“提示工程”等新技能岗位需求猛增，传统翻译、基础设计、数据标注订单量显著下降。Upwork 2024年报告指出40%的企业高管计划因AI减少固定人力、增加自由职业者比例。1.3 2026：现实校准——理论覆盖度 vs 实 际覆盖度 2026年3月，Anthropic发布《Labor market impacts of AI: A new measure and early evidence》，首次将“理论AI覆盖度”与“实际AI覆盖度”分离。雷达图显示：法律、艺术与媒体、教育等领域理论覆盖度接近或超过80%，但实际应用高度集中在计算机与数学、商业与金融、管理、办公与行政四个领域。从技术可行到组织部署之间的距离，是过去三年最被低估的变量。受AI影响最深的10个职业中，程序员排第一。这个排序与2023年OpenAI理论暴露排序高度重合于一个特征：高结构化、输入输出明确的任务，最先被穿透。不一致之处同样重要：法律行业理论覆盖度超80%，实际覆盖度有限——原因在制度而非技术。教育领域也类似，AI主要停留在课件生成和辅助练习，核心教学互动未被替代。
来源：Anthropic 2026年3月报告。1.4 智能体军团：从副驾驶到Agent集群 2026年初，Anthropic和爱分析分别在报告中指出同一趋势：AI正从“副驾驶”转向“智能体军团”。多个自主Agent可并行执行复杂任务，相互协调，人工只需设定目标和审查结果。科技商业公众号“蜗牛成长季”在一篇分析中指出，当智能体成为军团，技术骨干需要从“亲手构建”转向“定义目标、设定约束、审查AI输出”，管理者需要从“管理人”转向“管理AI集群与异常处理”。爱分析报告指出了渗透路径：先吞噬企业IT中的开发、测试、运维等任务集群，再外溢至业务流程外包、客服等职能。2023-2024年的叙事是“人机协作、人在环内”，2026年的新叙事是“人在环外”。1.5 学习曲线的断裂：当AI堵死新人的练习场 哈佛商学院富勒等人在2025年的研究中，基于数百万条美国在线招聘广告数据，引入了一个核心变量：学习曲线。在学习曲线陡峭的职业中——资深员工效率远超初级员工，薪资曲线陡峭——初级技能比高级技能更容易被AI自动化。初级工作多由显性、可编程的任务构成，AI能直接替代这些入门级练习，截断新人“边做边学”的成长路径。在学习曲线平缓的职业中，经验溢价较低，AI擅长赋能而非替代，让新手借助工具快速产出接近熟手的成果，反而扩大就业准入。简言之，AI在陡峭曲线中替代入门任务、提高准入门槛，在平缓曲线中赋能新手、扩大就业准入。替代与赋能的分界线，不在于职业高低，而在于学习曲线的形状。
这解释了2024-2025年间一个矛盾观感：大量资深程序员感到生产力倍增，而计算机专业应届生发现找工作更难。AI在同一职业内部制造了代际不对称。未来从业者结构可能不再是金字塔形，而是“葫芦形”：资深者稀缺昂贵，新人难以入门，中间层空洞化。1.6 钱的去向：当“养机器”比“养人”更划算 2026年6月，《晚点LatePost》分析了中美头部科技公司的财务数据。美国市场：自2022年底起，大型科技公司因宏观因素开启首轮裁员潮。过去半年，受AI编程能力成熟驱动，新一轮裁员潮影响超10万人。中国市场：超过一半的科技公司从2021年就开始减员。截至2026年6月，员工数仍多于2021年水平的仅有美团、京东、拼多多、腾讯，其中仅拼多多和腾讯实现了员工数与人均利润同步增长。年龄焦虑门槛从35岁提前至25岁。一个关键指标：中美头部软件和互联网公司的资本开支已大多超过研发费用。投入算力基建的钱，超过了养研发团队的钱。市值排名更直观——近五年，中美市值前20公司明显向AI和芯片硬件厂商倾斜。互联网大厂内部出现剪刀差：人均产出上升，员工总数下降或停滞。以前业务增长靠扩招，现在靠加算力。Token消耗成为新的运营成本，这笔钱过去可能是付给做报表、写文案的员工的工资，现在流向了芯片厂商和云厂商。
来源：《晚点LatePost》2026年6月报道。1.7 微观显影：四个人的2025-2026 宏观数据落到个体身上，是具体的生活选择。《财新周刊》2026年6月的封面报道中，记录了四个人的经历。与第三部分我们将看到的“主动重塑者”不同，这四个故事都带着某种被动承受的底色——部分原因在于，他们大多来自创意行业，而这个领域恰恰是AI挤压最强烈的区域。吴琼在一家公司做AI数据分析师，工作是统计Token消耗、测算模型成本。公司项目不赚钱，老板让她搭建自动化系统，系统完成后，她的岗位被裁撤。她转行进了传统制造业，薪资降了约30%。身处AI行业内部，并没有给她免疫力。杨茹在一家音乐发行公司做宣传。平台以“AI可以做”为由裁掉大量外包人员，但工作并未消失，转嫁给了留下的正式员工。反馈周期从几分钟拉长到半天，客户开始不满。她夹在中间，很难解释到底发生了什么。夏雪在一家真人短剧公司做运营。公司全面转向AI短剧——没有真人演员。北京运营团队整体裁撤。不是她做得不好，是她所依附的业务前提被技术直接抹去了。李梦做了近八年视觉设计师，哺乳期结束后被裁。重新找工作时发现，招聘要求变成了一个人同时掌握AI生图、修图、视觉设计、视频剪辑、社交媒体运营——过去一个团队的活，现在要一个人全包。这四个故事是“被替代者”的视角。在第三部分，我们将看到另外七个人——他们同样身处被AI冲击的岗位，但选择了不同的应对路径。这两种样本的差异，本身就是AI时代职业分化的注脚。
第一部分小结
到2026年，一个更精细的框架浮现：不是职业被替代，而是任务被重新分配；不是技术不行，是组织的消化速度和资本的投资偏好决定了落地的节奏；不是大家都危险，是从事结构化、可标准化任务的新手和初级员工承受了最大冲击。四组微观故事表明，这些判断落在个体身上，就是降薪转行、再也打不开的招聘页面、突然消失的岗位、一个人扛起一个团队的日常。趋势是理性的，代价是具体的。这些事实基础，将在第二部分被纳入更长周期的理论框架中审视——技术革命总是消灭一些，创造更多。但创造的前提、条件和具体机制是什么？
第二部分：
用规律预测未来——三个视角
为什么需要理论 第一部分呈现了过去三年的数据、趋势和个体经历。信息密集，但有一个风险：读者容易被现象淹没，把短期的波动当成长期的命运。预测未来不是猜谜，是假设条件下的推演。以下三个理论视角——任务模型、技能偏向性技术变革、创造性破坏与补偿机制——从微观到宏观，构成一个递进的分析框架：先拆解AI到底替代了什么，再解释为什么同一职业内部有人更安全、有人更危险，最后推演新岗位从哪里来、经济增量在哪儿。
三个视角的共同价值在于：帮你从“这周又有什么新消息”的焦虑中抽身，看到更长的周期和更底层的规律。2.1 任务模型：从“岗位会不会消失”到“哪个任务先被替代”核心问题 预测AI对某个职业的影响，为什么不能看职业名称，而必须拆成任务？理论来源与内容 任务模型源自劳动经济学中Autor、Levy和Murnane在2003年提出的经典框架，后由Acemoglu和Restrepo等人持续扩展。其核心主张是：技术不是替代职业，而是替代任务。一个职业由若干任务组成，有些任务可被自动化，有些不能。劳动者在不同任务之间重新分配时间，而非整个职业被抹去。Autor等人将任务分为五类：常规认知任务（如 记账、数 据录入）、常规体力任务（如流水线操作）、非常规分析任务（如编程、设计）、非常规互动任务（如谈判、管 理）和非常规体力任务（如护理、维修）。AI和此前的自动化技术主要冲击前两类。Acemoglu和Restrepo进一步提出了“任务内容变化”的动态视角：技术不断改变一个职业内部的任务组合。当某些任务被自动化后，剩余任务的重要性上升，同时可能出现全新任务。应用与预测 用任务模型评估财务分析岗时，不问“财务分析师会不会消失”，而看具体任务的自动化前景：凭证生成、对账、标准报告生成等常规认知任务高度可自动化；异常交易调查、业务决策支持、税务筹划中的判断任务保留在人类一侧。对研发岗同样适用：生成样板代码、写单元测试等任务AI已覆盖；系统架构设计、技术选型中的trade-off判断、生产环境故障排查仍需人类。用这一模型预测未来三年，可靠性较高。因为AI对常规认知任务的覆盖已明确——写代码、草拟合同、生成报表、筛选简历——这些任务不是“将来可能被替代”，而是“已经在被替代的路上”。剩余不可替代的，是高触及度、非结构化、需跨域判断的任务。第一部分的数据在此获得理论解释。Anthropic 2026年报告显示的“理论覆盖度与实际覆盖度的差距”，本质上是任务层面的差距：不是整个法律职业被覆盖80%，而是其中合同审查、法规检索等具体任务被覆盖。职业标签是粗糙的，任务才是分析的正确粒度。在后续的职业族群观察中，我们会看到有研发从业者花了三个月把自己的工作拆解成若干Skill，逐一判断哪些交给AI、哪些自己来——这正是任务模型从理论落到日常的缩影。假设与边界 理论假设技术能力可通过任务描述进行匹配，且劳动者可以重新组合不同职业中的任务。其边界在于：不涵盖因制度、工会、法规阻挡而延缓的替代；不包含尚未被创造的新任务；也没有充分考虑同一任务在不同组织语境中的差异化执行方式。2.2 技能偏向性技术变革：为什么资深者更安全 核心问题 AI到底是缩小还是拉大了职场中的能力差距？为什么1.5节中看到新人更难入门、资深者反而溢价更高？理论来源与内容 技能偏向性技术变革理论由Acemoglu和Autor等人系统阐述。其核心洞察：新技术通常不是中性的，它会偏向某一类劳动者——通常是高技能劳动者——从而提高他们的生产力和工资，同时压低低技能劳动者的需求和工资。这就是过去几十年美国制造业“中间层空洞化”的底层机制。但AI的特殊性在于：它可能同时冲击部分高认知任务，形成“任务偏向性”而非纯粹的技能偏向性。初级的编程、法律、设计任务虽然是高技能工作，但因为结构化和标准化程度高，反而比水管工或护工这类高触及度的中等技能工作更容易被AI覆盖。应用与预测 这个理论的预测价值在于：未来的职业安全，不取决于你站在技能阶梯的哪一级，而取决于你的任务组合中有多少“不可预测性”和“人际带宽”的成分。一个经验丰富的后端架构师，其价值不在于写代码更快，而在于做出正确的技术取舍判断、在处理线上故障时保持冷静、在跨团队协作中化解冲突——这些任务AI覆盖不了。同样，一个资深的HRBP，其价值不在于筛简历和排面试，而在于处理复杂的员工关系、进行组织诊断、在灰色地带做出判断。1.5节中富勒等人的研究——学习曲线陡峭职业中初级任务更易被自动化——正是技能偏向性技术变革在AI时代的具体表现。AI拉大了同一职业内部的代际差距：资深者的“判断溢价”上升，新人的“执行价值”下降。未来三年，同一岗位名称下，会用AI与不会用AI、能与Agent集群协作与不能的从业者之间，生产力差距将持续拉大。“超级明星效应”增强——最优秀的5%可能拿走不成比例的回报。这个理论也解释了组织层面的资源配置逻辑。企业理性地把更多算力资源投向高产出节点——2.4节中腾讯Token额度分配的差异，正是SBTC在组织内部的精确显影。交易成本理论的核心洞察——企业边界在收缩、Token本质是认知任务外包的费用——也在此找到位置：当外部协作成本低于内部协调成本，组织更倾向用灵活用工替代全职岗位。1.7节中李梦观察到的“组织像搭乐高”，正是这种变化的个体感知。假设与边界 上述推论依赖一个重要前提：市场价格能有效反映技能的真实生产力。但现实中，SBTC理论预测的“超级明星效应”会受到组织内部薪酬带宽、晋升节奏和绩效评估周期的人为压制。这导致两种错配——某些新出现的高价值技能（如智能体编排、AI输出验证）尚未被薪酬体系正式定价，掌握这些技能的人可能被低估；某些即将被自动化但仍在习惯中保留的传统技能（如纯手动编码速度、格式排版熟练度），可能因为惯性被高估一段时间。未来三年，个人收入与真实生产力之间的匹配度可能出现短暂紊乱。敏锐的组织会更早调整定价体系，迟钝的组织会流失被低估的人才。部分HR从业者已在实践中观察到，组织形态的调整速度远落后于个体提效的速度——火花乱冒，但烧不成一片。这也印证了SBTC的边界：个体层面的分化已经发生，但组织的薪酬和晋升制度还没有追上。2.3 创造性破坏与补偿机制：新岗位从哪里来 核心问题 如果AI消灭了大量任务，新任务从哪里来？历史上的技术革命是怎么实现“消灭一批、创造更多”的？AI实现净经济增长需要什么条件？理论来源与内容 约瑟夫·熊彼特在1942年提出“创造性破坏”：资本主义的本质是不断从内部革新经济结构，新技术不断摧毁旧产业，同时创造新产业。岗位不是静态存量，而是技术结构的函数。马车被汽车替代时，马车夫的岗位消失了，但汽车司机、加油站工人、4S店技师等新岗位大量涌现——总数远超消失的岗位，只是当事人很难在转型当下看到全景。Acemoglu和Restrepo的就业补偿框架将这一直觉系统化。技术对就业产生两种效应：替代效应直接减少某些劳动任务的需求；补偿效应通过多条路径反向创造新需求——
生产力效应：效率提升降低产品价格，扩大市场需求，增加总产出和劳动需求。纺织机械使布匹价格暴跌，反而创造了更多纺织工人岗位。
新任务创造：新技术创造新的高复杂度任务，例如AI时代产生的提示工程、模型精调、AI安全红队、智能体编排等。
资本积累：技术带来的利润再投资，在产业链上下游产生新岗位。
深化间接效应：技术进步衍生新的互补行业。互联网的底层是TCP/IP协议，但衍生了电商、在线广告、云服务、内容平台等巨型产业。AI的底层是大模型和算力，Token管理和AI审计可能成为类似的衍生行业。
这个框架的关键边界是：补偿效应不是自动发生的。它取决于市场结构调整速度、劳动者技能转化速度和制度（教育、社保、劳动力市场政策）的适配能力。如果替代快于补偿，短期内出现技术性失业和结构性错配。这正是2023-2026年我们看到的情况：大量新岗位仍在早期形成阶段，需求规模尚无法抵消被替代的岗位。历史镜鉴 理解AI对就业的影响，最好的参照系不是上一年的数据，而是此前技术革命的经验。
两次转型的共同规律：消灭效应先显性，创造效应后显性。消灭发生在明确的已有任务上，容易被看见和报道。创造的新岗位在初期边界模糊，未形成正式职业名称，容易被忽视。“网站开发工程师”在1995年没人听说过，到2005年已成为庞大职业群体。“提示工程师”在2022年不存在，现在已是增长最快的自由职业类别之一。S曲线的核心洞察——技术渗透有自己的节奏，理论暴露与实际替代之间的距离不是意外——也在此找到位置。当前AI正处于从“早期采用者”跨入“早期大众”的阶段，这意味着渗透速度将加快，但组织制度和个体技能的调整速度未必能同步跟上。
Token即“新电力”1.6节展示了当前阶段资本从人力向算力流动的证据。但长期来看，仅靠削减成本的自动化无法带来宏观经济净增长——历史上每一次技术革命最终创造增量，都是因为催生了新的消费需求和新产业，而非仅仅“省钱”。Token消耗的持续性正在创造“运转岗位”。传统软件一次性交付，成本主要在研发。AI应用持续消耗推理算力，模型托管、推理服务、监控、成本优化等成为持续付费的运营环节。这种持续性消耗需要人力去管理、优化、审计，从而创造新的运营技术岗位——AI运维工程师、MLOps工程师、AI FinOps分析师。这些岗位在2023年几乎不存在，到2026年已成为技术招聘市场增长最快的类别之一。正如电力计量成为工业经济的血液，Token正在成为认知经济的计量单位。过去由人脑“免费”执行的认知工作，被显性化为可计费、可优化的资源消耗。AI实现净经济增长的三个条件 回顾工业革命和互联网革命的历史，AI要带来净经济增长而非仅仅替代存量劳动，需要三个条件——第一，Token成本持续下降到低于等效人类时间成本。当AI完成某项任务的Token费用低于雇人的等效时薪时，替代会发生；但只有当成本足够低时，才会催生以前不存在的新服务。如同手机流量资费下降到一定程度，才出现了短视频直播的全民消费。第二，AI能力嵌入全新服务，创造增量需求。互联网的成功不在“更便宜地打广告”，而在于创造了“搜索”这种以前不可能存在的日常消费行为。AI需要做到类似的事：将专家级服务规模化，创造以前不存在的大众消费。潜在领域包括——个性化教育辅导、实时多语言全球协作、自动化科学研究。第三，社会制度和培训体系帮助劳动者转向“AI互补”领域。这是历史经验中最容易被忽视但最关键的一条。工业革命时期的英国经历了近两代人的剧烈阵痛，因为社会制度远远滞后于技术变革。互联网革命时制度调整更快，但依然出现了“数字鸿沟”和中年白领的结构性失业。AI革命面临同样的挑战——1.7节中吴琼降薪30%转行、李梦一人扛起一个团队，都是转型阵痛的个体显影。当前阶段判断 截至2026年，第一个条件（Token成本下降）正在快速发生，模型推理成本在过去18个月下降了一个数量级以上。第二个条件（新服务创造增量需求）处于早期萌芽阶段——代码生成、AI搜索、AI短剧、AI教育等方向出现，但尚未形成足够大的经济增量来对冲替代效应。第三个条件（制度和培训）整体滞后，教育体系仍以旧职业结构为蓝本培养人才，社会保障制度仍以“稳定全职雇佣”为默认前提。未来三年的核心变量是第二个条件——是否有足够多的新服务和新需求被创造出来。如果创造加速超过替代速度，将重演互联网转型的净增岗位效应；如果替代持续快于创造，结构性失业压力将继续上升。市场上已出现从AI搜索入口切入的创业尝试——不是做更便宜的投放工具，而是在一个全新的入口上搭建增长基础设施。这正是“创造增量”的微小注脚。2.4 理论与现实交汇：从“随便用”到“省着用”2026年中，全球科技巨头不约而同调整了内部AI使用政策：从鼓励多用、不限额度，转向差异化分配、核算ROI。Meta向核心员工发出Token配额限制备忘录，微软停止部分员工的第三方AI工具授权，腾讯将全员统一额度改为按任务动态调配。调整背后是同一个现实：大量Token消耗属于无效消耗，AI支出对利润的贡献远低于预期。麦肯锡《2025年AI现状》显示，全球近2000家企业中仅39%表示AI对息税前利润有明确贡献。这一转变对技术采纳节奏的影响是双重的。短期来看，预算约束会抑制部分“为用而用”的消耗，让采纳速度从狂热回归理性。但中长期来看，区分有效与无效消耗、按任务定价、资源向高产出倾斜，正是S曲线跨越鸿沟进入主流部署的必要条件——电力革命和互联网革命都经历过从“公共品”到“计量付费”的类似转折。对创造性破坏理论的预测而言，关键变量不是Token总量，而是有效Token的增速。如果成本约束倒逼出更高比例的“有效消耗”——即AI被嵌入全新服务、创造增量需求，而非仅替代存量劳动——那么补偿效应的节奏不会因预算收紧而放缓，反而可能因为资源聚焦而加速。反之，如果预算削减主要落在创新试错上，组织退回“省钱替代”的舒适区，新任务的创造将滞后于旧任务的消灭，结构性失业压力会持续上升。未来三年的核心观察点是：组织是否在削减无效消耗的同时，保留甚至增加了对“增量型AI应用”的投入。这是判断AI经济净增长是否成立的前置指标。AI正从“技术导入期”进入“制度消化期”。技术导入期（2023-2025）的特征是：无限供给幻觉、全员试用、资源不核算。制度消化期（2026年起）的特征是：预算约束回归、按任务计价、区分有效与无效消耗、资源向高产出节点倾斜。这不是开倒车。电力革命早期，工厂自建发电站、电力随便用；后来电网形成、电价机制建立，工厂开始计算哪条产线值得配电机。互联网早期，带宽是公共品；后来流量费用核算到业务线。Token经济的免费午餐结束，是AI成为真正基础设施的必经仪式。
第二部分小结
三个理论视角从不同层次回应了同一个问题：如何理解这场变革的规律，而不被现象和情绪带跑。任务模型提供分析的粒度——从职业标签下沉到具体任务，这是所有后续判断的基础。技能偏向性技术变革解释职业内部的分化——资深者的判断溢价上升，新人的执行价值下降，这不公平，但符合技术变革的历史模式。创造性破坏与补偿机制提供最长周期的框架——消灭与创造是同一过程的两个侧面，净结果取决于创造速度和制度适配的节奏。2.4节的行业案例分析，将三个理论放在2026年中全球科技巨头同步调整这一真实事件上集中检验。它表明：AI的职业影响不是单向的技术决定论，而是技术能力、组织制度、成本结构和个体选择共同作用的结果。AI正从“技术导入期”进入“制度消化期”——预算约束回归、按任务计价、资源向高产出节点倾斜，这是AI成为真正基础设施的必经阶段。在第三部分，这些理论将落到具体职业族群的实地观察中。研发、产品、财务、HR、营销、法务、销售——每一族群的从业者正在经历什么？他们的故事如何印证或修正这些理论框架？
第三部分：
职业族群——过往3年的塑造
第二部分梳理了五个理论框架。框架提供坐标系，但决定职业命运的，是每天醒来、打开工具、决定今天该做什么的具体的人。以下七组故事来自2026年3月至6月的访谈。受访者分布在研发、产品、财务、HR、营销、法务和销售领域，工龄三到十五年不等。与第一部分“被替代者”的视角不同，他们大多仍坚守在原领域。共同的问题是：当AI吞噬了越来越多基础任务，一个从业者该把自己重新定位为什么？
第一个故事，从受冲击最深的研发岗开始。3.1 研发：林舟——把自己当成Agent的人 林舟是2022年毕业的，学计算机，方向前端。那年前端还是互联网的好岗位，她进了大厂。2024年底，她感到了一次质变。“Claude Opus 4.5版本之后，AI比实习生强了。”她改变了自己的工作习惯。以往是自己写代码，上线。现在是把自己当成Agent，前期花了三个月做了一件事——她自己管那叫“前期投入行为研究”。就是记录自己的工作习惯，确定大模型能干什么、不能干什么，然后把每个能力写成一个Skill。“一开始就是做提示词库。每个Skill背后是你的判断——这个任务要做到什么程度算完成，边界在哪里，什么时候该停。”三个月后，Skill跑顺了。原本一天的工作，两小时干完。她就有了大把时间，可以研究别的岗位。说这句话的时候，她语气很平常。她还说，现在做工具，都是做给Agent的，不是做给人用的。省出来的时间，她没闲着。业余运营一个博客，信息美学方向。她把自己写文章的流程也拆了，提炼出12个Skill，每次生成文章就调用这12个Skill。“主业和博主用的其实是同一套底层能力——审美、结构化、对工具的敏感度。”提到网上经常说的“前端已死”，她说：“初中级不需要了。目前是Agent工程师，更关注工程能力。未来2-3年，Skill的harness达到一定程度，就会有指数增长，变成Loop工程。”访谈最后，她认可：“项目管理能力是工程师最稀缺的能力，也最难被AI化。因为要协调不同利益、不同能力的人。”上周她参加一个职业辅导活动，从上海飞过来，三小时，遇上大雨，晚了一小时。主理人问她为什么这么执着。她说：“我感觉这个活动能让我清晰下一步要干什么，所以我要完成这个旅程。”一句话总结 2022届前端，四年间从"写代码的人"变成"调度AI的人"——原本一天的工作两小时干完，省下的时间用来学习全栈、做博主、观察行业。她没有被"前端已死"的叙事打倒，而是把自己活成了一个"AI时代的职场样本"：用AI提效，用人设增值，用调度能力准备未来。3.2 产品：周铮——从“帮公司投广告”到“帮品牌被AI看见”这位PM在互联网大厂从事商业广告工作三年，身处数字营销的最前线。这段经历让他深度参与了企业“花钱买流量”的核心决策环节，积累了三个关键认知。第一，平台规则在变。用户的注意力正在从传统搜索引擎向AI搜索入口迁移。Google AI Overviews月活超20亿——“用户开始习惯让AI直接给答案，而不是自己点链接。以前那套SEO、SEM的打法，地基在松动。”第二，客户的焦虑在变。品牌方问他：AI搜索时代，我们怎么被推荐？怎么被提及？有没有新的规则？传统的增长路径正在失效，新路径还没成型。第三，供给侧的空白。市场上大多数AI营销工具停留在“帮写内容”或“单点投放”，缺少从“AI平台如何推荐”出发的全局方案。他选择在工作第三年这个节点创业。逻辑不是“做腻了”，而是几个很具体的判断。赛道窗口期明确。Gartner预测2026年全球AI支出达2.52万亿美元，增幅44%；麦肯锡数据显示88%企业已常态化使用AI，23%已规模化部署AI Agent——“这不是未来趋势，是正在进行的基础设施重构。”切入点足够靠前。他不是做AI写作工具或投放助手，而是从AI搜索入口切入：先帮企业理解AI平台如何推荐品牌，再决定策略、内容、投放和转化。这一定位天然有从单点工具走向平台型产品的空间。团队互补。核心成员来自头部互联网与AI商业化一线，覆盖产品、搜索、技术、商业化、运营增长和企业服务。创业不是一个人的冲动，是一群人识别到了同一个机会。他做的是一套面向企业AI时代的Agent营销产品矩阵。起点是AI搜索增长——帮品牌在AI搜索结果中被推荐、被提及。从那里延展到策略生成、内容与信源分发、效果洞察、全域投放和转化。本质上是从AI搜索入口出发，逐步覆盖企业增长的完整链路。他的商业化广告背景，在AI创业中反而成了核心优势。“离钱近、离客户近”，知道企业真实的付费逻辑和流量痛点。这种视角在AI落地阶段，比纯技术视角更有竞争力。“三年不是太短，是刚好。既有足够的行业手感，又没有被大厂的惯性固化。”创业公司的形态本身也在被AI重塑。他们的目标不是成为营销服务商，而是企业级增长基础设施。更扁平、更少层级、更高密度协作——一个人在高速成长期可以承担更大职责。一句话总结 三年商业广告PM，看到AI搜索重写商业入口的机会，选择用Agent营销产品矩阵而非单点工具来押注——这不是逃离大厂，是识别到结构性变化后的主动选择。3.3 营销与BD：陈念——站在“AI能写文案、但搞不定客户”的分水岭上 陈念在一家多元业务公司待了四年，先做互联网行业营销，后转去做芯片BD。眼下，她又要转岗了。她看到的第一个变化，是传统营销岗位正在被快速挤压。品牌部的文案、营销创意、规划等工作，已大规模被AI接管。她举了一组身边的数字：某咖啡品牌部运营团队从9人减至2人；新媒体运营等垂类岗位普遍缩编；传统4A广告公司的创意岗位需求锐减。营销创意，这个曾经被认为需要人类灵感的领域，正在被AI瓦解。但她同时清楚地看到了AI做不到什么。客户提案、下单、关系维护——这些需要面对面沟通、建立信任的工作，AI难以替代。B端复杂销售，比如云销售，决策链条长、涉及多方利益博弈、需要深度理解客户业务，AI很难真正介入。她举了一个例子：某手机厂商母亲节文案事件中，AI可以写出情感充沛的文案，但无法主动识别舆论风险和社会情绪。“价值观判断和危机感知，目前仍是AI的盲区。”这意味着：即便文案由AI生成，最终签发人仍然必须是人类，而且这个角色的价值反而上升了。在她眼中，AI时代正在重新定义营销和BD的价值分层。执行层——文案产出、素材生成、基础创意——在快速被AI接管。判断层——风险把控、价值观审核、策略取舍——正在升值，需要更高的行业理解力和风险意识。信任层——BD的核心竞争力从来不是“写得好”，而是“聊得来、信得过”。AI越强大，人与人之间的信任反而越稀缺。招聘端也在印证这个趋势。从“招创意人”转向“招会用AI的操盘手”。传统营销岗位缩编，但能用AI完成从策略到落地全链路的复合型人才需求上升。AI提效后，人的产出要求反而更高了——留下来的不是更会写文案的人，而是更懂业务、更会判断风险、更能搞定客户的人。四年里，她经历了营销和BD两种角色，在一个公司内完成了两次转身。业余时间在读MBA双学位。“感觉越是这个时代，越需要一些能作为凭证的依傍。”一句话总结 四年同一家公司，从营销到BD，亲历传统营销岗被AI挤压，也看清了AI的盲区——执行层在贬值，判断层和信任层在升值。两次转岗，都在往AI做不到的那一侧挪。3.4 HRBP：何漫——在人心与利益之间走钢丝 何漫做HRBP两年多，入行时正赶上人员优化。她经历过太多裁员沟通。从最初的抗拒，到后来学会温柔而坚定地帮员工接受现实。慢慢地，她意识到一个有些讽刺的事实：她在帮别人面对职业的终点，而自己所在的岗位，也正处于被AI重新定义的起点。HRBP的工作正在被AI拆成两半。一半是可以交给机器的。计算年假、评奖评优、人力预算中繁琐的LC释放计算——把公式固化成Skill后，Agent几分钟就能给出结果，省下一两个小时的手工劳动。员工绩效申诉沟通后，她用智能会议纪要生成重点和争议点，供后续参考。另一半是机器碰不了的。员工冲突管理、优化沟通、管理者赋能——这些需要面对面交锋、需要拿捏分寸、需要判断什么时候该硬什么时候该软的活，AI暂时替代不了，还得她亲自上。但她清楚，这种安全未必持久。公司内部的奖项开始出现“野生PM”“野生RD”之类的名目，鼓励员工跨界工作。有的团队连QA都不需要了，一个人用AI完成全流程，效果反而更好。这让她产生一种复杂的感受：当组织开始主动模糊岗位边界，你的不可替代在哪个环节还能站得住脚？她还没找到完整答案，但她看到了更宏观的图景。即便每个员工都在用AI提效，企业的整体效率和营收却没有显著提升。原因在于，组织形态没有跟上。单点爆发无法形成合力，重复工作依然多，熵增还在继续。知识型工作的产出已经过剩——编码、设计、文案，市场根本接不住这么大的量，但量变还没带来质变。现在的状态，她形容为“火花乱冒，但烧不成一片”。这种观察让她重新定位了HRBP当下可以做什么。推动管理者从“员工AI化”步入“组织AI化”，是她的新命题。不是让每个人多用AI，而是让整个工作流对AI友好、对Agent友好，让工具真正嵌入流程而非漂浮在表面。一句话总结 两年多HRBP，见过裁员，也见过组织在AI面前的笨拙转身。她慢慢体会到：AI能替代一切可标准化的事务，但替代不了在人心与利益之间走钢丝的判断力——只是，当组织本身仍在剧烈摇晃时，这根钢丝正在变得越来越细。3.5 销售：老周——稳定系统里的人，看着新世界的列车 老周今年三十八岁。从互联网出来创过业，三年前加入现在这家公司，做政企销售。销售方式和他二十年前入行时差别不大：靠一个个客户去磕。公司连统一的客户管理系统都没有，填表用飞书、企业微信、腾讯文档、金山文档、OA加密表混着来。总部推过AI应用平台，响应的人寥寥无几。但有意思的是，他这两年的业务却和AI直接相关。前两年卖的是部署大模型用的服务器和一体机，帮客户把模型跑起来。今年转型卖Token。客户会来问、会探索，但真正落地的少。安全级别高的企业选择私有化部署，数据不对外。剩下的客户，买Token更像是“先占个位置”，用起来的并不多。国内Token销售，同质化严重，主要拼价格。但他所在的公司因为内部利润要求，折扣拼不过互联网云厂商。这事儿能否持续，还是一个问号。AI改变了他的产品，却没怎么改变他的工作方式。团队没有用AI做客户开发，没有用AI辅助销售。主要是维护客户为主，没有什么拓新，AI这种新的方式很难介入。公司和外界的落差巨大——外面AI一天一个样，他所在的组织几乎感受不到变化。更直接的冲击来自工资。公司没有裁员，选择了降薪。过去三年，收入像下了几级台阶。降薪带来的不是精干高效，而是普遍的倦怠——员工动力不足，公司改革更加迟缓。即便如此，他还是自己主动去参加AI创新实验工坊，因为工作接触的内容与外界差异太大了。他想学习，想改变，万一变化明天就真的来了呢。一句话总结 三十八岁，卖过服务器也卖过Token。AI重塑了他的产品货架，却绕过了他的工作方式。降薪让组织更加倦怠，而他在等待一个可能不会如期而至的转机——旧系统的齿轮卡住了，新世界的列车正在加速离开。3.6 财务：宋遥——不在数字里，在业务前 宋遥是一家合资硬件企业的CFO。在这个位置上看AI，视角和一线员工完全不同——她看到的不是某个岗位被替代，而是整个财务职能的底层逻辑正在被重写。公司有两套AI节奏，她夹在中间，成了最直接的观察者。外资方五六年前就开始做财务数据流整合。把非本土必需的财务数据处理、分析等工作上收，按地区集中，每个国家只保留最核心的CFO等岗位。大约两年前，这些集中化的数据分析工作已经用AI替代了——报表、分析报告、预测全部自动化，人员大幅精简。而且要求各部门CEO和业务负责人自己具备用AI获取一线财务数据的能力。这套逻辑是：财务数据不应该被财务部门垄断，让每个业务负责人直接触达。中方这边则是另一套节奏。公司也在用AI——处理减资这类复杂流程时，用大模型获得行业最佳实践方案，节省了成本和时间。CEO有技术信仰，鼓励员工用大模型获取行业示范，还搭建了Agent用于对比报价。但由于信息安全问题，在数据分析等核心环节对AI的应用非常谨慎，远没有达到外资方那种替代式的推进。员工主要把AI用在项目流程咨询、税务条款查询等辅助层面——有用，但离“重构”还很远。AI对财务职业的冲击，在她眼中分层清晰。初级的数据分析、数据处理岗位，未来大概率会被AI取代。法务、IT的初级岗也一样——前端工程师如果不能成为全栈，就面临转型。但深层专业领域仍然需要人：税务筹划、业财结合、资金架构配置——这些需要专业判断和信任的工作，AI替代不了。她由此得出一个判断：AI正在把财务人员往业务前端推。不能再只对着数字做账，必须了解市场、理解业务、参与决策。财务人正在变成两种人：一种是标准化事务的执行者，正在被AI替换；另一种是能驾驭AI、理解业务、做出判断的专业人士——后者才值得留下。一句话总结 CFO视角，在中外两套AI节奏之间看财务职能被重写。初级岗正在被替代，但深层专业反而更值钱——AI生成的东西越多，能判断对错的人就越稀缺。财务人的未来，不在数字里，在业务前。3.7 法务：沈默——Token账单与模糊思路 沈默在一家头部茶饮品牌做法务。从2026年开始，AI进入她的日常工作，主要两个场景：搜索案例和法条、审批合同。公司为总监级引进了付费AI工具，但实际用下来，问题不少。免费模型的专业度不够。国内几款主流免费工具，在法律场景下AI幻觉明显，常常给出错误答案，还会和用户争论一番才承认自己错了。付费模型有所改善，但Token消耗不合理。她举了个例子：询问法律和税务交叉的问题，背景和输出文件的数据量都不大，七八轮问答下来消耗了1700个Credit，折算下来至少10美元。简单任务一样烧钱，计费逻辑不透明，让她很难向团队推广。但AI确实有用。框架合同拟定、日常合同审核、活动审核、案例评估、文书起草——这些标准化模块，AI正在逐渐接手，而且可能比人工更细、更快、更准。案例搜索尤其好用，以前人工翻案例可能要半天，现在AI能快速找到近三年特定类型的判例。对她个人而言，一个能用上AI的case可以节省50%的时间；从日常工作整体来看，能节省20%到30%。但对于团队里专门撰写文书的伙伴，替代性更强——前提是这些人会用AI。而她发现很多同事不擅长使用AI，容易被误导。她的建议是：应该先自己思考摸索，再借助AI，而不是直接把问题扔给机器。AI也在重新划分法务工作的边界。纠纷解决、谈判、矛盾管理——这些需要更多业务背景和谈判技巧的工作，AI很难替代。而框架合同拟定、日常审核这类标准化事务，AI正一步步接手。她所在的公司法务团队本来就不大，合同审核量也不大，目前受到影响较小。但她也观察到，对于合同审核量大的公司，引入AI后精简人员几乎是必然的。她所在的行业整体AI应用还不算多，本质上是服务业，产品研发、广告设计等方面仍较多依赖人工。供应链方面的AI技术应用也不深入，主要还是依靠原有的数字化程序和电子提醒。她有一个观察：AI能替代专员或主管级别书写文书的工作，但前提是必须明确思路。如果思路模糊，AI只会写出一篇通稿，根本满足不了业务需求。一句话总结 法务，在付费模型的Token账单和免费模型的幻觉之间反复测试AI的边界。标准化合同审核正在被替代，纠纷与谈判仍需人的判断——而AI能写文书的前提是，你自己先想清楚。回到引言提出的三个问题：这三年AI对职场产生了什么影响？有哪些规律可以帮助我们理解未来？身处其中的人正在经历什么？第一部分的回答是：影响真实存在，但粒度在任务而非岗位。编程、写作、法律文书、数据分析率先被穿透，实际落地集中于计算机、金融、管理和行政领域。理论覆盖度与实际覆盖度之间的鸿沟，提醒我们技术可行不等于组织可行。第二部分的回答是：规律反复应验。技术渗透遵循S曲线，交易成本下降改变组织边界，技能偏向性技术变革拉大内部差距，创造性破坏总是消灭一批、创造更多。当前正从技术导入期进入制度消化期——预算约束回归、资源按任务计价、无效消耗被识别和剔除，这是技术成为基础设施的必经阶段。第三部分的回答是：个体的应对方式正在分化。有人把自己当成Agent重新组装能力，有人在旧系统里等待转机，有人往AI做不到的那一侧挪移，有人在钢丝上练习平衡。他们未必有共同答案，但有共同特征：在困惑中持续行动，在被塑造的过程中试图理解自己正在被塑造成什么。至此，一个基本判断浮现：AI对职业的冲击，不会有一个统一的终局。它在任务层面是明确的替代与增强，在组织层面是边界收缩与形态重构，在社会层面是资本流向与制度适配的较量。三者节奏不同，步调不一，个体的安全感就来自对这种落差的清醒认知。对个体而言，最重要的不是预测哪个岗位安全，而是建立一套可迁移的能力组合：拆解任务的能力、判断AI输出质量的能力、在模糊地带做取舍的能力、协调不同利益与不同能力者的能力。这些能力的共同特征，是AI暂时够不到。对组织而言，责任不在于更快地裁员和更快地采购AI，而在于识别无效消耗之前不先消耗信任，在调整岗位边界之前不先模糊责任边界。成本可以核算，Token账单需要精打细算，但人的成长同样需要阶梯——当AI截断了新人的练习场，组织是否愿意用新的方式重建那条通往资深的路，是需要和成本问题同时摆在桌面上的事。对社会而言，教育体系需要承认一个事实：以旧职业结构为蓝本培养人才的模式正在失效。社会保障需要面对另一个事实：以稳定全职雇佣为默认前提的制度设计，正在被平台化、原子化的用工现实松动。技术可以等，被替代的人不能等太久。从2023到2026，恐慌被数据校准，规律被案例验证，勇气在个体身上持续生长。在技术与社会变迁的洪流中，人既是渺小的，也是强大的——渺小在于无法阻挡潮水的方向，强大在于可以自我塑造。下个三年，塑造仍在继续。
*本文为腾讯研究院「写作者的夏天」活动征文
参考资料：
第一部分 1.OpenAI, "GPTs are GPTs: An early look at the labor market impact potential of large language models", 2023.3 2.高盛, "Generative AI could raise global GDP by 7%", 2023.3 3.麦肯锡全球研究院, "The economic potential of generative AI", 2023.6 4.GitHub, "Survey reveals AI's impact on the developer experience", 2024 5.Stack Overflow, "2024 Developer Survey"6.Anthropic, "The Anthropic Economic Index", 2025.2 7.BCG/哈佛商学院, Dell'Acqua et al., "Navigating the Jagged Technological Frontier", 2023.9 8.Freelancer.com, Fast 50季度报告, 2023-2025 9.Upwork, "Future Workforce Report", 2024 10.Anthropic, "Labor market impacts of AI: A new measure and early evidence", 2026.3 11.蜗牛成长季, "当智能体成为军团，技术骨干与管理者的新战场在哪里？", 2026 12.爱分析, "智能体将大规模吞噬劳动力市场", 2026 13.约瑟夫·富勒、马特·西格尔曼、迈克尔·芬隆 (哈佛商学院), "生成式AI如何改变专业技能的价值", 2025 14.晚点LatePost, "AI导致裁员的现实与前景｜晚点小数据", 2026.6 15.财新周刊, 封面报道（吴琼、杨茹、夏雪、李梦四则故事）, 2026.6.15 第二部分 16.Autor, Levy, Murnane, "The Skill Content of Recent Technological Change", 2003 17.Acemoglu & Restrepo, "The Race between Man and Machine", 2018 18.Everett M. Rogers, "Diffusion of Innovations", 1962 19.Geoffrey A. Moore, "Crossing the Chasm", 1991 20.Ronald Coase, "The Nature of the Firm", 1937 21.Oliver Williamson, "The Economic Institutions of Capitalism", 1985 22.Acemoglu & Autor, "Skills, Tasks and Technologies: Implications for Employment and Earnings", 2011 23.约瑟夫·熊彼特, "Capitalism, Socialism and Democracy", 1942 24.麦肯锡, "The State of AI 2025", 2025 25.Gartner, 2026年全球AI支出预测, 2026 26.《财经》, Agent上下文管理相关论文总结报道 第三部分 27.Andreessen Horowitz, "The Rise of the AI Engineer", 2024 28.第三部分人物故事来自作者对林舟、周铮、陈念、何漫、老周、宋遥、沈默的深度访谈，2026年3月至6月推荐阅读
孙明春、程琬清：《OpenAI最终能否盈利？》
👇 点个“在看”分享洞见
