AI三年职场实录：从暴露度到制度消化期

作者：伍晖，腾讯研究院

一、三年影响：数据、时间沿革与真实案例（2023.6–2026.6）

2023年春天，“暴露度”一词因OpenAI一篇研究论文进入公众视野。该论文将大语言模型能力与美国劳工部O*NET数据库中近千个职业的上万项任务逐一对标，发现编程与写作类任务的暴露度接近100%——即AI可显著缩短完成时间。但“暴露”不等于“替代”，它只是一张技术可行性的热力图，而非就业变化的时间表。 此后三年，认知持续校准：从识别哪些任务暴露于AI，到观察哪些真正被替代、哪些被增强，再到追问为何理论可行与实际落地之间存在时差，最终深入探查替代打击谁、保护谁、资本流向何方。 2024年起，增强效应成为主流。GitHub调查显示92%的美国开发者已在工作中使用AI编码工具；Stack Overflow报告中81%的开发者确认AI提升了生产力，而72%并不视其为威胁。Anthropic 2025年数据显示，软件工程占AI使用场景的37.2%，其中57%属于增强型应用，仅43%为直接自动化。 一个关键发现来自BCG与哈佛商学院的实验：“锯齿状技术前沿”表明，AI在结构化任务中表现优异，但在超出其能力边界的复杂任务中反而拖累整体效率。人机协作的核心能力，已从“会用AI”转向“知道AI何时会出错”。 就业市场同步分化。Freelancer.com报告指出，“AI内容编辑”“提示工程”等新技能岗位需求激增，而基础翻译、初级设计、数据标注订单量大幅下滑。Upwork 2024年报告揭示：40%的企业高管计划减少固定人力、增加自由职业者比例。 2026年，Anthropic首次提出“理论AI覆盖度”与“实际AI覆盖度”的分离概念。雷达图显示：法律、教育、艺术与媒体等领域理论覆盖度超80%，但实际应用高度集中于计算机与数学、商业与金融、管理、办公与行政四大领域。技术可行与组织部署之间的距离，是过去三年最被低估的变量。 程序员仍居受冲击首位，印证了同一规律：高结构化、输入输出明确的任务最先被穿透。法律行业理论覆盖度高但实际渗透有限，症结不在技术，而在制度惯性；教育领域AI多停留于课件生成与习题辅助，核心教学互动仍未被替代。

智能体军团：从副驾驶到Agent集群

2026年初，“副驾驶”叙事正在让位于“智能体军团”。多个自主Agent可并行执行复杂任务、相互协调，人工只需设定目标与审查结果。技术骨干的角色，正从“亲手构建”转向“定义目标、设定约束、验证输出”；管理者则需从“管人”转向“管AI集群与异常处理”。 渗透路径清晰：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“人在环内”，正演变为2026年的“人在环外”。

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2025年研究引入“学习曲线”变量：在陡峭曲线上，资深员工效率远超初级员工，而初级工作多由显性、可编程任务构成——这恰恰是AI最易替代的部分。AI截断了新人“边做边学”的成长路径。 在平缓曲线上，经验溢价低，AI赋能新手快速产出接近熟手的成果，反而扩大就业准入。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。 这解释了一个矛盾观感：资深程序员普遍感到生产力倍增，而应届生却面临更严峻的求职环境。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。

钱的去向：当“养机器”比“养人”更划算

2026年6月，《晚点LatePost》分析中美头部科技公司财务数据发现：资本开支已普遍超过研发费用。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。业务增长不再靠扩招，而靠加算力。Token消耗成为新的运营成本，这笔钱过去付给写报表、写文案的员工，如今流向芯片厂商与云厂商。

微观显影：四个人的2025–2026

吴琼曾是一家公司的AI数据分析师，工作是统计Token消耗、测算模型成本。系统建成后，她的岗位被裁撤，转行进入传统制造业，薪资降约30%。身处AI行业内部，并未赋予她免疫力。 杨茹在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，工作却并未消失，而是转嫁给了留下的正式员工。反馈周期拉长，客户不满加剧，她夹在中间，难言究竟发生了什么。 夏雪在真人短剧公司做运营。公司全面转向AI短剧，北京运营团队整体裁撤。不是她做得不好，而是她所依附的业务前提已被技术直接抹去。 李梦做了八年视觉设计师，哺乳期结束后被裁。再求职时，招聘要求变成一人掌握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。他们并非能力不足，而是所处任务组合恰好处于AI穿透最深的区域：结构化、可标准化、低人际带宽、低模糊判断。

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，是组织的消化速度与资本的投资偏好决定了落地节奏；不是大家都危险，而是从事结构化、可标准化任务的新手和初级员工承受最大冲击。 趋势是理性的，代价是具体的——降薪转行、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，就是这些判断落在个体身上的真实显影。

二、用规律预测未来：三个视角

任务模型：从“岗位会不会消失”到“哪个任务先被替代”

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，有些可被自动化，有些不能。劳动者在不同任务间重新分配时间，而非整个职业被抹去。 Autor等人将任务分为五类：常规认知（如记账）、常规体力（如流水线）、非常规分析（如编程）、非常规互动（如谈判）、非常规体力（如护理）。AI主要冲击前两类。 Acemoglu与Restrepo进一步提出“任务内容变化”：技术不断改变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。 用此模型评估财务分析岗，不问“会不会消失”，而看具体任务：凭证生成、对账、标准报告高度可自动化；异常交易调查、业务决策支持、税务筹划中的判断任务仍需人类。 研发岗同样适用：生成样板代码、写单元测试已覆盖；系统架构设计、技术选型中的权衡判断、生产环境故障排查仍需人类。 Anthropic 2026年报告中“理论覆盖度与实际覆盖度的差距”，本质是任务层面的差距——不是整个法律职业被覆盖80%，而是合同审查、法规检索等具体任务被覆盖。职业标签粗糙，任务才是分析的正确粒度。

技能偏向性技术变革：为什么资深者更安全

新技术通常偏向高技能劳动者，提高其生产力与工资，同时压低低技能劳动者的需求与工资。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”。 初级编程、法律文书、设计任务虽属高技能，但因结构化程度高，反而比水管工、护工等中等技能工作更易被覆盖。 未来的职业安全，不取决于你站在技能阶梯哪一级，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。一个资深后端架构师的价值，不在写代码更快，而在做出正确技术取舍、在线上故障中保持冷静、在跨团队协作中化解冲突——这些AI覆盖不了。 同一岗位名称下，会与不会用AI、能与不能和Agent集群协作的从业者之间，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。

创造性破坏与补偿机制：新岗位从哪里来

熊彼特提出“创造性破坏”：新技术摧毁旧产业，同时创造新产业。岗位不是静态存量，而是技术结构的函数。 Acemoglu与Restrepo将补偿效应系统化为四条路径： 生产力效应：效率提升降低价格，扩大需求，增加总产出与劳动需求； 新任务创造：如提示工程、模型精调、AI安全红队、智能体编排； 资本积累：技术利润再投资，在产业链上下游催生新岗位； 深化间接效应：技术衍生互补行业，如AI底层是大模型与算力，Token管理、AI审计可能成为类似TCP/IP之于互联网的衍生行业。 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与制度适配能力。当前阶段，替代快于补偿，新岗位尚在早期形成，需求规模暂无法抵消被替代岗位。

Token即“新电力”

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、成本优化成为持续付费环节。这种持续性消耗催生新运营岗位：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类别之一。Token正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

第一，Token成本持续下降至低于等效人类时间成本； 第二，AI能力嵌入全新服务，创造增量需求——如个性化教育辅导、实时多语言协作、自动化科学研究； 第三，社会制度与培训体系帮助劳动者转向“AI互补”领域。 截至2026年，第一个条件正在快速实现；第二个条件处于早期萌芽；第三个条件整体滞后。未来三年的核心变量，是第二个条件能否加速——是否有足够多的新服务与新需求被创造出来。

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限制核心员工Token配额，微软停止部分员工第三方AI工具授权，腾讯将全员统一额度改为按任务动态调配。 调整背后是同一现实：大量Token消耗属于无效消耗，AI支出对利润贡献远低于预期。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。 这一转变标志着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、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，而是成为真正基础设施的必经仪式。

第二部分小结

任务模型提供分析粒度，技能偏向性技术变革解释职业内部分化，创造性破坏与补偿机制提供最长周期框架。AI的影响不是单向技术决定论，而是技术能力、组织制度、成本结构与个体选择共同作用的结果。

三、职业族群：过往3年的塑造

研发：林舟，把自己当成Agent的人

2022届前端毕业生，入职大厂。2024年底Claude Opus 4.5发布后，她意识到AI已超越实习生。她花了三个月记录自身工作流，将能力拆解为Skill，建立提示词库与判断边界。原本一天的工作，两小时完成。省下的时间用于学习全栈、运营博客、观察行业。 她不再只是“写代码的人”，而是“调度AI的人”。主业与博主身份共享同一套底层能力：审美、结构化、对工具的敏感度。她认同：“项目管理能力是工程师最稀缺的能力，也最难被AI化。”

产品：周铮，从“帮公司投广告”到“帮品牌被AI看见”

三年商业广告PM，亲历用户注意力从搜索引擎向AI搜索迁移。Google AI Overviews月活超20亿，传统SEO/SEM地基松动。他看到客户焦虑升级：AI搜索时代，如何被推荐？如何被提及？供给侧空白明显：多数工具停留在单点内容生成，缺乏从AI平台推荐逻辑出发的全局方案。 第三年，他创业切入AI搜索增长赛道，构建Agent营销产品矩阵。起点是帮品牌在AI搜索结果中被推荐、被提及，再延展至策略生成、内容分发、效果洞察与全域转化。他的商业化背景成为核心优势——离钱近、离客户近，懂企业真实付费逻辑。

营销与BD：陈念，站在“AI能写文案、但搞不定客户”的分水岭上

四年间从互联网营销转岗芯片BD，又准备再次转岗。她亲眼见证品牌部文案、新媒体运营等岗位大规模缩编，4A创意岗需求锐减。但AI做不到客户提案、下单谈判、关系维护——这些需要面对面沟通与信任建立。 她将营销价值重分为三层：执行层（文案、素材）被AI接管；判断层（风险把控、价值观审核）正在升值；信任层（BD核心竞争力）愈发稀缺。招聘端已从“招创意人”转向“招会用AI的操盘手”——留下来的不是更会写的人，而是更懂业务、更会判断、更能搞定客户的人。

HRBP：何漫，在人心与利益之间走钢丝

两年多HRBP，经历多次裁员沟通。她发现HR工作正被AI拆成两半：可标准化部分（年假计算、绩效申诉纪要）几分钟即可完成；而员工冲突管理、优化沟通、管理者赋能等需拿捏分寸、判断软硬尺度的活，AI暂时无法替代。 但她也清醒：当组织主动模糊岗位边界，“野生PM”“野生RD”频现，连QA都不再必要，HRBP的不可替代性正被持续追问。她将新命题定为推动“组织AI化”——不是让人多用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表面。

销售：老周，稳定系统里的人，看着新世界的列车

三十八岁政企销售，产品从服务器转向Token，但工作方式几乎没有变化。公司没有统一CRM，客户管理混用飞书、企业微信、腾讯文档；总部推AI平台，响应寥寥。团队不用AI做客户开发或销售辅助，仍靠一个个客户去磕。 收入连续三年下降，公司选择降薪而非裁员。倦怠弥漫，改革迟缓。但他仍主动参加AI创新实验工坊——因为工作接触的内容与外界落差巨大，他想学习，想改变，哪怕只为应对一个可能不会如期而至的转机。

财务：宋遥，不在数字里，在业务前

合资硬件企业CFO。她观察到中外两套AI节奏：外资方两年前已用AI替代集中化数据分析工作，要求业务负责人直接触达财务数据；中方则谨慎推进，AI主要用于项目咨询、税务查询等辅助场景。 她判断：初级数据分析、数据处理岗位大概率被替代；但税务筹划、业财结合、资金架构配置等需专业判断与信任的工作，AI替代不了。AI正在把财务人往业务前端推——不能再只对着数字做账，必须了解市场、理解业务、参与决策。 财务人正分化为两类：标准化事务执行者，正被AI替换；能驾驭AI、理解业务、做出判断的专业人士，才值得留下。

法务：沈默，Token账单与模糊思路

头部茶饮品牌法务。AI进入日常工作主要在两个场景：案例与法条搜索、合同审批。免费模型幻觉严重；付费模型Token消耗不合理——简单问题七八轮问答耗资10美元以上。 但AI确有实效：框架合同拟定、日常合同审核、活动合规评估、文书起草正逐步接手，且可能比人工更细、更快、更准。案例搜索尤其高效，过去半天工作现只需几分钟。 她发现：AI能替代专员或主管级文书工作，但前提是思路必须清晰。若思路模糊，AI只会输出通稿，无法满足业务需求。纠纷解决、谈判、矛盾管理等需业务背景与谈判技巧的工作，AI仍难介入。

回到起点

AI对职业的冲击，不会有一个统一终局。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，责任不在于更快裁员或更快采购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，是必须与成本问题同时摆在桌面上的事。 对社会而言，教育体系需承认：以旧职业结构为蓝本培养人才的模式正在失效；社会保障需面对：以稳定全职雇佣为默认前提的制度设计，正被平台化、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。