AI时代的劳动力转型：从替代到赋能

本文来自微信公众号： 清华管理评论 ，编辑：排版|尚慧林，作者：李宁

过去两年，生成式AI正在悄然重塑知识工作的“价值地形”，稀缺环节、低价环节乃至整体的价值分布都发生了深刻变化。最引人注目的变化不是谁被AI取代了，而是职业阶梯的底层台阶被移除了，组织创造价值的方式整个改变了。本文基于最新研究证据和企业实践，结合可操作的方法与案例脉络，试图回答三个问题：现实图景是什么？组织面临怎样的选择？如何在保持和谐劳动关系的前提下，使AI转型从试点走向规模化？

现实图景

要理解AI对劳动力市场的影响时，最重要的是摒弃猜测和恐慌，转而依赖严谨的数据分析，通过审视三个维度的证据来构建一个基于事实的认知框架：一是大规模就业数据揭示的结构性变化，二是个体与组织层面的生产力差异，三是技能需求的根本性重构。

断裂的阶梯

2025年8月发布的一篇来自哈佛大学的经济学工作论文，基于2015—2025年覆盖约6200万名员工、28.5万家企业的履历数据与招聘数据，识别出采用生成式AI后的“资历偏向”效应：自2023年一季度起，相较于未采用AI的企业，采用企业的初级岗位人数显著下滑，高级岗位人数则继续上升。这种变化主要源于招聘放缓而非裁员。从行业来看，“资历偏向”效应对批发与零售等行业冲击较大；从教育背景看，中段院校毕业生受影响最大，呈现“U型”模式。媒体对该研究数据进一步汇总与量化后发现，自2023年一季度起的六个季度内，采用AI技术的企业，其初级岗位人数累计下降约7.7%；在批发/零售行业，相对于未采用AI技术的企业，这类企业的初级岗位人数每季度约减少40%，且主要由减招而非裁员导致。该报道还援引斯坦福团队对年轻从业者岗位数量相对降幅的估计，进一步印证了“底部台阶收窄”的趋势。

把镜头拉远，宏观层面的预期同样呈现出结构性重排的趋势。麦肯锡估算，生成式AI每年可新增2.6万亿—4.4万亿美元的经济价值，多集中在客户运营、市场与销售、软件工程与研发等环节。新价值产生的节奏及分配并不平均。世界经济论坛《未来就业报告2023》预计，到2027年，全球将新增约6900万个岗位，同时有约8300万个岗位会消失，净减少约1400万个岗位（占当前就业的2%）。这意味着“任务结构重构”和“岗位再分配”将同时发生。

生成式AI的扩散，正在压缩初级岗位的规模，同时对高级岗位的需求形成支撑，这一影响的作用机制以“放缓招聘”而非“大裁员”为主；此外，在不同行业与教育层级间，这种影响异质性特征十分明显。对组织与高校而言，真正的挑战不是“保住旧台阶”，而是为新生代设计一条能让其成长的“新阶梯”。

生产力悖论

在应用AI技术的过程中，存在一个有趣的悖论：个体用户往往能通过使用AI工具显著提升工作效率，但组织层面却难以兑现价值。这背后的原因是我们理解AI转型复杂性的重要线索。

在个体层面，受控实验和真实使用数据已反复显示出提效效应。波士顿咨询公司（BCG）与学术团队的现场实验结果显示，当任务处于所谓“AI前沿”时，使用GPT-4的咨询顾问完成任务的速度提升25%以上，质量评分提升40%以上，完成率提升12%左右；然而，对于“AI前沿”之外的任务，使用AI反而可能会降低工作表现。也就是说，对于同一流程中的不同环节，AI的“可替代性/可增强性”差异极大。

GitHub与学界的随机对照试验发现，在软件开发任务中，使用Copilot的开发者在一项JavaScript任务上用时缩短55.8%。这解释了为何“新手越级完成复杂任务”是可能的，但也提出了“组织如何重构流程以及衡量口径/指标体系（即度量标准）”的新问题。

在办公场景中，微软Work Trend Index的追踪与专项报告显示，早期Copilot用户普遍感觉能更快完成任务、更易产出首稿，会议纪要撰写和检索时间明显缩短；英国政府对2万名公务员进行了为期三个月的Copilot试点测试，结果显示，参与者日均节省约26分钟，但节省时间的幅度存在个体差异。也就是说，AI工具对个体工作效率的提升作用已得到证实，但提升幅度有明显的上限，且效果因人而异，具有显著的异质性。

组织层面的现实挑战同样被大量研究与调查警示。《麻省理工斯隆管理评论》和波士顿咨询集团多年的跟踪报告显示，只有约一成企业从AI应用中获得显著财务收益；多数企业应用AI的主要瓶颈不是算法，而是组织学习、流程重构与人机协作能力不足。即便是在2024—2025年生成式AI爆发的背景下，“从试点到规模化”仍是多数企业面临的难题。与此同时，麦肯锡最新一轮全球调查显示，使用AI的企业占比升至78%，有71%的企业至少在一个业务环节经常使用生成式AI。

企业AI采用率虽高，但价值兑现参差不齐，这正是“生产力悖论”的表现。症结不在工具，而在组织化能力，即把个体效率沉淀为可复制、可衡量、可治理的流程能力。具体而言，组织需要将复杂任务拆解为处于AI能力边界以内（AI可以完成）的子任务，为关键环节建立可重复的评测基线与回归测试，把人机分工、交接与例外处理固化进标准作业流程（SOP）与考核口径。唯有如此，个体层面的提效才会持续折算为组织层面的绩效。

技能金字塔的重构

生产力悖论本质上反映了劳动力市场技能需求的深层变化。当AI能够处理越来越多的标准化任务时，人类的价值重心必然会发生转移。这不仅仅是工具使用方式的调整，更是整个技能体系的重新定义。

生成式AI正在快速降低某些工作的成本：凡是步骤明确、范例丰富且可以通过统计模型模拟执行的任务，都能被生成式AI模型高效完成，边际成本几乎接近零。这些工作依然必要，但已不具备独特价值。真正有助于提升组织竞争力的能力，主要体现在以下四类更高层次的工作中。第一，定义问题与评价标准。能清楚回答“何为好、何为不可接受、如何权衡”等问题，并将其转译为机器可执行的规范（提示、模板、约束、数据结构）。第二，捕获知识与指导AI。例如，可通过上下文工程/模型微调等方法，把隐性手艺沉淀为语料、范例、检查单与回归测试集，使“个别高手的技能”变成“可复制的组织能力”。第三，验证与质量保证。建立事实核查、偏差监测、对抗性测试与可追溯机制，明确“何时不该信任模型”。第四，系统编排与优化。不是单点熟练，而是把多模型/多工具/多角色串成端到端流程，并用统一的衡量口径与指标体系驱动持续优化。

技能需求的根本性重构正在发生。传统以“会做”为核心的单一技能金字塔，正在向以“会定义、会验证、会编排、会指导AI”为核心的多层次能力体系转变（见图1）。新的能力体系能够避免因应用AI导致的“能力退化”。过去关于自动化偏误及自动化导致技能衰退的研究已有不少，医疗、航空等高风险行业是这方面研究的前沿与焦点，因为在这些行业中，失误带来的后果尤为严重。近期有学者专门讨论了生成式AI可能带来的“去技能化/再技能化”张力。这提醒我们把例外处置、边界判断与因果解释保留在人类闭环中，并通过制度化演练与回归测试对抗退化。

组织如何选择

面对AI对劳动力市场的影响，组织管理者的选择不仅关乎短期的效率提升，更关系到组织的长期竞争力和可持续发展。

两种增长逻辑：降本驱动与增值驱动

组织存在两种增长逻辑（见图2）。逻辑A寻求效率优化，即用更少的人力完成同样的产出。例如，在联络中心，把大量标准咨询交由智能代理处理，人工只处理复杂的长尾场景。咨询的响应时间从分钟降到秒级，多语种7×24小时服务成为常态。供应商侧与行业媒体的案例显示，自动解答率与运营成本下降的收益可观，但这类收益主要体现在“成本侧”。

逻辑B寻求价值扩展，即用同样的人力更广、更深、更快地做事。例如，把客服对话转译为对“客户之声”的洞察，进而推动知识库更新、流程再设计与产品改进；把内部形成的“洞察能力”商品化为新的分析服务；在零售与供应链等场景，把算法驱动的预测补货与陈列优化转化为更高频的策略判断与新品试验。大型云厂商与独立平台正在把这些能力做成工具链，帮助企业从“降本”转向“增收与能力构建”。麦肯锡在多份零售研究中强调，自动化会先替代“低价值时间”，把人员解放到更高杠杆的决策与协作层面，前提是工作方式与度量体系同步重构。

两种增长逻辑中，逻辑B更难实现。因为人类更擅长想象“替代”而非“创造”，组织激励偏好立竿见影的降本而非需长期孕育的增收。也就是说，能力结构仍在从“会做”向“会定义/会验证/会编排”迁移的途中。英伟达CEO黄仁勋的提醒可以给我们启示：生产力提升常常让我们“更忙”，因为更高效会释放更多想法与项目。这与“价值扩展”逻辑一致：效率红利不必等于人员裁减，它也可以成为新价值的燃料。

两种增长逻辑代表组织发展的不同路径。降本驱动的效率优化路径注重成本控制，增值驱动的价值扩展路径则追求能力提升和新价值创造。选择不同的增长逻辑，组织将面临截然不同的人才挑战。降本驱动的路径可能带来短期的财务改善，但也可能造成人才断层和创新能力的削弱；增值驱动的路径虽然需要更多的前期投入，但能够为组织构建更强的长期竞争优势。这种选择的复杂性在人才培养和职业发展路径的设计上表现得尤为明显。

谁会成为下一代“高级人才”

从劳动力供给看，“从低做起”的职业阶梯底层正在收窄，因而最受影响的是初入行的年轻人和中段院校毕业生。哈佛研究报告给出的“U型冲击”提示我们：处于人才结构两端的群体，一类就职于高复杂度、高风险、需要强沟通的岗位，AI尚难替代，另一类就职于低薪、替代边际有限的岗位；而处于中间层的初级白领，他们的工作中有可被AI加速的可编码任务，且存在足够薪资差，因此在经济上最具备替代价值，也最易成为替代目标。如果实操/入门的岗位持续收紧，组织将在3～5年后遇到“无人接班”的结构性断层。

传统的“从低做起”的职业阶梯正在发生根本性变化。AI技术的普及导致入门级岗位大幅减少，形成了“断阶效应”——底部台阶被移除，但高级岗位依然存在，这给职业发展路径带来了前所未有的挑战（见图3）。

解决之道不是“复刻旧台阶”，而是建设“学徒制2.0”。让新人从第一天就跟随项目，在规则设计、数据构建、评测运营与异常闭环中成长；用标准化工件（提示库、数据集、评测基线、操作手册）替代“靠年限熬资历”；与此同时，有节奏地前移责任边界。有了AI的辅助，新人可更早承担过去需要有2～3年经验才能接触的任务，但必须以强验证与导师制配套。大型企业的系统性再培训与AI素养计划正在成为主流。例如，埃森哲披露，2024财年其员工累计训练时数达4400万小时；数据与AI团队的员工数量扩展至5.7万人，目标是到2026年让这一数字提升到8万。这类“能力工程”为学徒制2.0提供了制度支撑。

从试点走向规模化

前面的分析为我们描绘了AI时代劳动力转型的现实图景和战略选择，但最关键的问题仍然是：如何将这些理念转化为可操作的实践？如何在推进技术变革的同时，维护组织内部的稳定与和谐？这一部分将提供详细的实施路径和管理框架，帮助组织在复杂的转型过程中找到平衡点。

把路走出来：从试点到规模化

真正成功的AI转型，是多线并进的组织变革，而非单点技术上线。我们可以将AI转型从试点到规模化的六个步骤改写成一条“从概念到落地”的实践叙事。

第一步：把目标从“口号”改写成“剧本”。很多项目起步时只有“提效”“降本”的粗略愿望，却没有能够指导设计与验收的细节语言。有效的目标应该像电影分镜：镜头一是业务指标，如首次呼叫解决率达到80%，处理时长从8分钟降到3分钟；镜头二是边界与切换，如在哪些情境必须转人工，触发条件是什么；镜头三是成功/退出标准，如3个月能否达到既定阈值、何时按下暂停键。只有把目标写成剧本，组织的流程、培训与评估等才能对得上台词。

第二步：让一线参与AI流程重构。任何“闭门出技术”的做法，都会在第一线受挫。更稳妥的做法是请一线员工参与共创：以“影子委员会”持续收集使用痛点，以“AI大使”带动早期采纳，用“异常样例库”训练系统边界，再配上闭环响应机制，让问题从被发现到被修复有清晰的路径。

第三步：能力先行，工具后配。组织最容易被忽略的，是在工具之前先建组织能力——提示工程、数据治理、评测基线、人机流程。对此，新加坡星展银行将能力建设制度化的做法值得借鉴。在规模化AI之前，星展银行先搭建了“PURE治理框架”（Purposeful、Unsurprising、Respectful、Explainable）来检验每个用例的目标是否清晰、结果是否可解释、数据使用是否合宜。这一框架于2018年开始实施，通过系统化的治理体系把能力建设铺到位，使得“先夯能力、再上工具”成为组织的默认节奏，而不是事后补课。

第四步：把经验沉淀成可复用的“工件”。AI带来的改进能够以提示库、案例库、评估脚本、基准数据、SOP与质检清单等形式沉淀下来，个人经验才会变成组织资产。其他员工不需要从头摸索，组织也不必在相同的错误上反复“缴学费”。

第五步：用“最小可行闭环”跑通一圈。与其一次性铺开，不如选一个代表性场景，构建从输入到输出的完整闭环，用2—4周做出“可复现实效”。星展银行的做法是逐步扩展“可复制的用例单元”。截至2025年，星展银行在370个用例中部署了逾1500个模型，仅2024年就用数据与AI创造了约7.5亿新加坡元的经济价值——这些数字的背后，是一个个以A/B测试、显性里程碑与退出条件驱动的小闭环。

第六步：将人机分工与治理写入“准则”。技术不是替代人，而是重构分工。AI擅长规模化处理、模式识别与即时响应，人类擅长价值判断、异常处置与对复杂局面的解释。在星展银行，这一点被写进治理规则——所有用例都要过“PURE”这一关，确保既追求效益，也守住可解释、公平与尊重的底线。“原则—流程—工具”一体化的设计，让规模化与合规、效率与信任不再是二选一。

星展银行的一线实践呈现了“能力先行—规模化复制”的具体路径。星展银行之所以能够把AI从“点”拓成“面”，不是依靠单个模型的性能优势，而是让用例工厂化。针对每个场景，先定目标/评估口径，再通过A/B测试验证，验证通过后才复制到相近环节——这正是“最小可行闭环”的组织化版本。哈佛商学院以此为素材撰写了教学案例，指出其“先治理、后规模”的路径是东亚银行业内少见的系统做法。能力先行不是口号。星展银行在2018年就启动了“PURE”的框架化建设，并持续提升员工的AI素养，这使得它在2024年实现了7.5亿新加坡元的经济收益，较2023年翻倍增长，且有望继续扩大规模。

当我们把上面六步串联，会发现决定项目生死的往往不是模型指标，而是三个组织变量：领导层能否给出持续承诺（不仅是预算，还有容错与节奏）；文化能否从“追求一次到位”转为“容忍试错、快速迭代”；人才结构能否“前置重塑”，把会与AI协作的人放到关键岗位，并与外部生态（技术、咨询、培训、审计）形成稳定的“协作肌肉”。这三点到位，六步才走得稳。

更进一步，成功的规模化还需要领导力要素的配套。CEO必须将AI转型作为“一把手工程”，设立专门的变革管理部门，建立AI与业务深度融合的跨职能团队。在组织能力上，则要求人才结构从“金字塔型”向“松树型”演进，培养既懂技术又懂业务的复合型人才，建立“液态组织”支持自主创新。

和谐劳动关系的新框架：透明、参与与安全感

组织快速推进AI不等于能够快速积累信任。我们可以用一个简洁的“管理等式”来关注和考量节奏与边界的问题：信任≈（透明度+参与度+安全感）÷变化速度。这不是数学，而是一组需要落实到机制的约束：当技术推进的速度超过组织吸收与沟通的能力，信任会透支，绩效随之滑坡。

透明度：让过程“可见、可理解、可预期”

组织提高透明度的关键，不在于“多发通知”，而在于把影响讲清楚。宜家家居（IKEA）在引入AI客服聊天机器人“Billie”的同时，公开了变革的时间线与影响范围，并同步发布岗位转型安排：自2021年起，约8,500名呼叫中心员工被系统化培训为远程室内设计顾问；而“Billie”承担约47%的客户咨询工作。这一转型使得远程设计服务在2022年创造了13亿欧元收入，占公司总收入的3.3%。这种把技术路径与职业路径同时讲清楚的做法，显著降低了员工的不确定感，也让客户体验不因自动化而打折。

提高透明度的另一个方法是公开监测AI使用情况。微软建立了员工AI使用跟踪系统，公开监测员工是否在工作中使用生成式AI工具。这种做法虽然会引发争议，但确保了变革预期的一致性——员工明确知道公司对AI使用的期望和评估标准，避免“暗中观察”带来的不信任。

参与度：让员工从“被变革对象”变为“共同设计者”

提升参与度不是征求意见，而是把实质性权力交给一线。让一线定义需求、共建流程原型、参与灰度测试，并在部署AI系统后共同治理。一个行之有效的机制是“双轨评议”：由业务代表和技术团队共同对AI系统打分，并保留员工的“紧急叫停权”。在我们观察的项目里，一旦拥有“叫停权”，员工反而更愿意在日常工作中大胆使用AI，因为这让他们认识到自己不是被替代，而是被赋权。

美国Salesforce公司将这种参与式设计推向了更深层次。该公司推出内部AI职业教练服务，让员工参与设计自己的转型路径。该AI平台通过分析员工的工作历史来推断技能，并协助制定个性化的职业轨迹。在试点中，28%的参与者通过该平台申请了新职位，员工从“被动接受变革”转为“主动设计未来”。

安全感：用制度提供安全感，而不是口头承诺

安全感来自制度化的保障，例如，“不因自动化裁撤现有正式岗位”的承诺，内部转岗优先与带薪学习期，把AI协作能力写入职业发展与激励体系，建立心理支持与申诉通道等。宜家之所以能在客服自动化的同时维持良好劳动关系，就在于其同步给出“再培训—转岗—新角色”的完整路径，打破了“效率收益等于就业风险”的零和叙事。

更进一步的制度创新是建立AI协作技能的正式认证通道，让员工的AI使用能力成为可衡量、可晋升的职业资产。例如，设置“AI协作专家”“AI应用架构师”等新职级，让掌握AI工具的员工获得明确的职业发展空间。这不仅是技能认证，更是对员工价值的制度性确认。

变化速度：把正反馈做成“循环”，而非一次性项目

员工在AI协作中体验到“增值”的现实好处（如更少的机械性工时、更快的交付、更清晰的成长路径），组织就会出现一个自我强化的循环：价值体验—能力提升—角色升级—收益分享。这个循环不断重复，员工参与就会由“合规动作”转为“内生动力”。

Salesforce的实践提供了一个生动的例子。CEO马克·贝尼奥夫（Marc Benioff）透露，AI已承担公司50%的工作量。Salesforce建立了“AI效率红利”机制——员工借助AI工具提高了效率，这不仅不会成为裁员的理由，还会转化为额外奖励。这种做法让员工愿意拥抱AI，因为效率提升直接带来个人收益。

真正的和谐劳动关系需要解决一个根本问题：当员工创造出有价值的AI工具时，如何确保他们从自己的创新中获益，并避免他们在贡献知识后被工具替代？企业可以通过多种货币化模式来保障员工的利益。一是使用量分成：员工开发的AI工具在组织内部被广泛使用时，按使用频次或节约成本给予创造者一定比例的奖励。二是外部授权收益共享：当内部开发的AI工具具有商业价值可对外授权时，创造者可获得授权收入的一定份额。三是专利奖励升级：将传统的专利奖励机制扩展至AI算法和数据模型，确保员工的智力贡献得到认可和回报。

内部创业孵化项目为员工开发AI工具提供了更大的想象空间。企业可以借鉴谷歌“20%项目时间”的思路，建立专门针对AI应用的内部孵化机制：让员工将10%～15%的工作时间用于开发AI工具和应用，设立专项资金支持员工的AI创新项目，为有潜力的员工AI项目提供内部商业化路径，创造者可成为项目负责人并享受业绩分红。

知识AI化的价值确认机制更是触及核心。企业可建立价值评估和补偿体系，在员工的专业知识纳入AI系统后，不是一次性买断，而是在AI系统产生价值的生命周期内持续给予知识贡献者回报。研究显示，当专利为公司创造价值时，员工平均能获得每美元专利收益中的30美分。在AI时代，这一机制可扩展至AI算法、数据模型和自动化流程创新，让员工的智力贡献获得持续回报。

通过这些机制，组织可以实现真正的“人机协同增值”——不是AI替代人，而是通过人与AI的结合创造更大的价值，并将价值公平地在人和组织之间进行分享，从而将AI转型从零和博弈转变为“正和增长”，为可持续的和谐劳动关系奠定基础。

把“和谐”写进治理

要让上述机制长期有效，需要配套的制度作保障：设立包含员工代表的AI治理委员会及定期的对话机制；把AI伦理与可解释性要求写入内部标准与合同条款；建立跨岗位、跨部门的人才流动机制，形成“学习—认证—晋升”的完整通道；通过透明的贡献核算与收益分配，让人和AI的“联合产出”公平地反映在绩效之中。换言之，和谐劳动关系不是“氛围营造”，而是“制度工程”。

和谐劳动关系的构建需要在多个维度上保持平衡。管理等式揭示了透明度、参与度、安全感与变化速度之间的动态关系，这是AI转型成功的关键平衡点（见图4）。

以人为本的终局

AI的意义不在于“替代人”，而在于把人放回价值中心。当例行性劳动被压缩，时间被释放出来，人们可以把更多精力用于提出更好的问题，形成更深入的洞见，做出更有价值的选择。黄仁勋所说的“生产率提高常会让我们更忙”并不全然是悲观的，关键在于如何使用效率红利：不是简单地把写进成本报表当成节省的开支，而是把释放出来的资源投入到更有价值的事情上。比如，用来探索更有意义的问题（提出更具前瞻性的问题）、提高质量标准（让产品和服务更精益求精）以及培育新业务或新模式（将效率转化为增长动力）。

关键不是AI能替代什么，而是我们如何重构目标、流程与人机分工，使能力得到累积而非流失；不是找回“旧台阶”，而是搭起新的学徒制与成长路径；不是把员工当“成本项”，而是把他们变成系统的共同设计者。这正是“和谐劳动关系”的现代内涵，也是组织在未来十年持续创新的根基。