欧盟把AI素养写进法律：员工不会用，企业要担责

本文来自微信公众号： 数字经济发展评论 ，作者：数字经济发展评论

导语

没有大规模失业，却有一场静默的大改版。欧盟这份简报把AI对四分之一岗位的影响，拆成任务、技能、法律、流程几层来讲：重复执行被接走得越多，判断、把关、担责越值钱；去技能化与技能提升同时发生，不是谁淘汰谁。让欧洲着急的是节奏——数字化旧课没补完，AI新课已开讲，2030年八成基础数字技能的目标，现在刚过六成。于是AI素养被写进法案，培训从企业福利变成法定责任。对国内正热的AI课，它给的提醒不在课程本身：转型要的是培训、流程、职业路径一起改，再让每位劳动者看得见下一步。

原文标题：When GenAI changes the task,what happens to the worker?(deep-dive)

原文来源：欧盟数字技能与就业平台（EU Digital Skills and Jobs Platform）

编译解读：数字经济发展评论

2026年8月，欧盟数字技能与就业平台更新了一份深度简报《当生成式AI改变任务，劳动者会怎样？》，作者约瑟夫·安图恩（Joseph Antoun）以欧洲为主要观察对象，系统梳理了生成式AI进入职场后对任务结构、技能需求和劳动者转型路径的影响。

简报的核心判断一反常见的“AI取代人类”叙事：生成式AI进入职场的方式不是先消减岗位，而是先改写任务，即撰写材料、编写代码、生成摘要、检索信息、分类数据、辅助决策。全球约四分之一的岗位正因此发生改变。而去技能化与技能提升常被当作非此即彼的两极，实际上二者同时发生：自动化简化了执行，同时抬高了判断、适应与工作再设计的价值。

一、任务先变，岗位后变

国际劳工组织与波兰国家信息处理研究所（NASK）2025年的全球指数显示，全球每四个岗位中就有一个暴露在生成式AI的影响之下。这里的关键词是“转型”，而非“消失”。工具承接一部分任务之后，人的价值随之位移：用于产出第一稿的投入减少，更多精力转向界定问题、判断结果、理解语境与承担责任。

对欧洲而言，这一转型的紧迫性因其数字基础现状而进一步放大。2025年，16至74岁欧盟公民中具备基础数字技能的比例为60%，而“数字十年”计划的目标是2030年达到80%；其中65至74岁人群仅为33%，高学历与低学历人群之间的差距依然显著。

欧盟委员会2026年《数字十年状况报告》认为，当前的技能提升与再培训速度不足以支撑目标实现：2025年欧盟信息和通信技术（ICT）专家就业人数为1050万，刚过2000万目标的一半；基础数字技能预计到2030年达到68%，到2036年才能达到80%。

换言之，欧洲是在上一轮数字化转型的基础尚未夯实之际，又迎来新一轮转型。这一缺口并非边缘问题，它直接决定了谁能受益、谁能适应、谁会停滞不前。

任务级转型对培训设计的直接含义是：培训单元应该按任务划分，而不是按岗位打包。国内企业的内训大多按职级或岗位成批采购课程，调整起来成本不低；若先做任务级拆解，识别哪些任务正在被工具吸收、哪些判断随之升值，同样的预算便可以配置得更精准。

二、门槛消失之后的价值位移

要理解转型真正在何处发力，需要先看生成式AI能做什么、不能做什么。它的强项在于有模式可循的任务：处理语言、结构化信息、生成初稿、编写代码、分析文本、产出摘要。前述ILO-NASK指数同时发现，受影响的岗位多数是被转型而非被裁撤，因为人的投入仍然必要。

一个任务能被自动化，不等于执行该任务的人可以被取代。一个人承担的上百项任务中，能被自动化的可能只有少数几项，腾出来的是承担新职责的空间。问题也就从“这个人是否仍被需要”，转向“这个人现在能把什么做得更好”。

编程语言的演化史为理解这一价值位移提供了一个清晰的参照。从COBOL、Pascal、Perl到Java、Python、JavaScript，软件开发一步步远离机器语法、靠近人类思维，每一代语言都让编程更易上手，价值也从机械指令转向设计、结构与问题解决。

如今这一进程迈入新阶段——“氛围编程”（vibe coding），自然语言成为软件生产的界面，任何人都可以通过提示词得到一段能跑的代码。但这不等于任何人都能产出结构清晰、安全、可维护的软件。生成代码的门槛在下降，写错的代价并未随之下降。开发者的价值因此再次位移：从编写语法，转向确立结构、定义标准，并为代码实际产生的结果负责。

这一转变提出了三个尚未有答案的问题：初级开发者的角色今后将如何演变；企业如何重构培训体系，让初级开发者真正掌握这些新能力，而不是在试错中自行摸索；院校如何调整课程——孤立地教授语法正变得越来越不重要，架构思维、安全意识、性能考量和问责精神则越来越关键。

同样的逻辑在其他职能中同样适用：财务领域，自动化可以承担对账、报告初稿和异常检测，将专业人员释放到解读与决策支持中；人力资源领域，生成式AI可以起草岗位说明与政策文本，而文化塑造、公平判断与敏感的人事决定仍依赖人的判断。

对照国内正在铺开的各类AI应用培训，这份简报提示的方向是：教操作不如教验收。当语法门槛消失，真正稀缺的是“知道什么算好”——也就是标准、边界与评审能力。将培训预算从工具操作课转向标准与验收训练，方能将门槛下降转化为质量提升。

三、越易用的工具，越需要判断力

一种常见假设认为，工具变简单了，学习的必要性就降低了。生成式AI呈现的图景恰好相反：工具越易获取，使用者越多；使用者越多，需要具备善用工具能力的人也就越多。操作层面的简单，并不意味着实践层面的简单。

这一判断有欧洲调研数据支撑。欧洲职业培训发展中心（Cedefop）2024年开展的AI技能调查（2025年发布）显示，AI已经在重塑职场能力需求，而培训模式与支持结构仍在追赶，许多劳动者靠日常工作中的摸索来学习。这带来了快速普及，也造成了质量参差不齐、责任界定不清、组织之间实践不一致的问题。

因此，AI素养正成为一项基线职场能力，远不止“知道该打开哪个工具”：劳动者要理解系统能做什么、在何种情况下产出薄弱或带偏见的结果、数据与提示词如何影响输出、何时必须引入人工复核；同样重要的是领域判断，因为AI输出只有与决策所处的业务、法律、运营或人文语境连接起来，才真正产生价值。

在监管层，欧盟《人工智能法案》第四条要求AI系统的提供者与部署者采取措施，确保员工及相关人员具备足够的AI素养；欧盟数字能力框架DigComp 3.0则没有将AI素养单列出来，而是横向嵌入整个框架。

这一规定把监管与能力建设衔接起来：对雇主而言，AI素养不再是可选项，而是负责任部署的组成部分；对劳动者而言，就业能力越来越取决于能否将工具熟练度、批判性思维与职业责任结合起来。

综合来看，价值上升的技能可以归为五类：数字信心、AI素养、领域专长、人际与组织能力、问责能力。价值的重心从执行常规事务，转向知道如何使用、质疑并改进自动化的结果。

把AI素养写进法定义务，等于把企业内训从“员工福利”转变为“合规责任”。这一思路对国内具有参照价值：与其倡导企业自觉投入，不如在行业指引或合规要求中明确人员能力和义务，培训的投入便有了刚性来源。

四、流程不改，技能落不了地

生成式AI改变了单个任务，但也改变了围绕这些任务组织工作的方式。当工具能够完成起草、摘要、分类、检索、比较或推荐等任务之后，问题就从“这项任务能否自动化”转向“工作现在应当如何重新设计”。

这一转变之所以关键，是因为技能并非孤立存在，它嵌在运营模式之中：流程、角色、决策权、治理、绩效与学习机制，共同决定它能否转化为实际价值。

劳动者可以学会使用工具，但只有周围流程同步调整时，价值才会真正显现：谁来复核输出、谁拥有决策权、哪些环节必须保留人工判断、异常情况如何升级处理。OECD指出，AI应用正在造成新的分化，分野主要不在技术获取，而在运营模式的准备度。

除了运营模式的调整，还有一层压力很少写进政策文件，却是劳动者每天都在承受的：每周都有新模型发布、新功能上线、新主张涌现，劳动者被要求同时学会新工具、跟进产品更新、理解变化中的风险、维护自身就业能力，还要继续完成工作任务。这种认知负荷分布并不均匀，数字信心较强的人能过滤噪音，而已被常规工作占满精力的人更容易在重压之下掉队。

还有一个更隐蔽的问题是注意力失焦：一部分人追逐每一个新工具，另一部分人则彻底置身事外，两种反应都无法积累出持久的能力。劳动者最需要的是清晰的方向，而给出方向是管理层的责任，否则变化的速度制造的是焦虑而非能力。承受不了压力并非个人能力不足，而是一个规模化存在的结构性问题。

数据印证了这一分化格局：2025年，欧盟大型企业的AI使用率达到55%，小企业仅为17%。这道差距反映的不只是技术获取的差异，更是咨询能力、培训能力、治理能力和管理带宽的差异。

大小企业之间的AI落差，通常被解读为能否负担起工具成本的问题，实际上更多是有没有人做流程改造和培训组织的问题。国内面向中小企业的数字化公共服务，如果只补贴软件采购而不同时补贴咨询与培训，差距将以同样的逻辑固化下来。

五、从用工具到监督系统

尽管简报聚焦于生成式AI，但它同时指出，随着AI系统变得更具智能体特性，同样的转型将会加剧。生成式AI主要改变劳动者生成、解读和优化输出的方式，智能体AI则更进一步，它以一定程度的自主性去支持、协调或执行工作流。

OECD把AI智能体描述为能够感知环境并采取行动、使用工具达成目标、随输入与情境变化而调整的系统。这并非遥远的前景：已有组织开始将智能体视为可调度产能，像部署一个承包商或一支团队那样，把智能体分配到具体的任务或工作流中。

其意义在于，工作的焦点从“使用工具”转向“监督行动系统”：当AI建议一段文本时，人复核输出；AI执行一条工作流时，人需要界定边界、监控过程、验证异常、明确责任归属。能力要求随之从提示词使用，转向监督、流程理解、升级机制设计与问责。

围绕智能体编排、工作流监督、质量控制与治理，将涌现一批新职责，这些岗位所需的不仅是技术熟练度，更包括判断力、语境理解与责任担当。而核心能力是稳定的：AI素养、判断力、领域理解、流程意识、沟通与问责。这些技能不会随每一次模型发布而过期，它们构成的是长期有效的职业价值。

在这一背景下，劳动者通往更有韧性岗位的路径，通常不是跨行跳跃，而是相邻迁移：在既有经验之上，叠加与新兴需求契合的新能力。欧盟数字技能与就业平台给出的“实践过渡地图”按职业之间的相邻关系标注可行的迁移方向。

这类路径既需要培训，也需要可见性：劳动者需要先看到下一步可以走向哪里，压力真正形成时才不至于陷入被动。最抗风险的岗位通常兼具三个要素：人文语境、领域知识、对技术的负责任使用。目标是在自动化移走常规工作、使人失去立足之基之前，先将劳动者从常规执行推向判断密集型的贡献。

包容性因此不可回避：基础数字技能在年龄、学历和成员国之间差异显著，若不加以干预，AI的收益会自然流向本就最有条件使用它的人群。三方各有职责。

雇主应当将AI采用视为劳动力转型计划而非技术部署，梳理任务、定义新职责、识别相邻岗位并给劳动者练习的时间，同时诚实说明哪些岗位正在发生变化；教育者需要围绕应用型AI素养、数据信心和问题解决更新课程，更长远的责任是培养持续适应的习惯；政策制定者应当把支持投向转型能力最弱的环节，中小企业在其中最为薄弱。

过渡路径的可见性常被低估。劳动者不是不愿意转型，而是看不到下一步在哪里；企业把岗位变化说清楚，本身就是一种成本最低的转型支持。

简报的结论落在“简化任务，强化人”上：去技能化与技能提升属于同一场进程，因为它们同时发生。自动化简化任务、减少摩擦、让工作更轻松，同时也提升了判断力、适应力和工作重构的价值。真正的挑战在于过渡：如何帮助劳动者走向人的优势更具价值的岗位，同时让雇主、教育者和政策制定者在准备度差距固化之前将其补齐。

简报也承认，有一层人的维度是政策框架难以覆盖的，许多劳动者是在已经疲于应付、充满不确定的状态下经历这场变化的，看着身边的工具迭代比自己能跟上的速度更快，这种处境值得被承认，而不只是被“激活”。

对国内而言，这份简报最有价值的不是欧洲数据，而是它给出的顺序。

一是培训的层次：当写代码的语言门槛消失，稀缺能力转向标准、架构、安全与验收，国内的AI培训若停留在工具操作层面，等于把人留在被替代的一侧。

二是转型的先后：先搭建过渡路径，再部署工具，否则自动化移走常规任务之后，留给劳动者的没有台阶。

三是支持的落点：中小企业与中年劳动者是转型能力最弱的环节，公共资源若继续向头部企业和年轻高学历群体集中，AI的收益分布会比上一轮数字化更为陡峭。欧洲把AI素养写成法定义务的做法也提示我们，能力建设要有刚性承载，不能只靠倡导。