【NACSHR论坛回顾】AI 时代的组织正在被重新定义：当中层被砍掉、面试被作弊、白领被取代
NACSHR 观察｜AI 正在把企业组织从“人力规模竞争”推向“人机协同效率竞争”
过去几年，企业谈 AI，更多是在谈工具、系统和效率提升。员工用 ChatGPT 写邮件，工程师用 AI 辅助写代码，HR 用 AI 生成 JD、筛选简历、制作培训材料，这些变化已经足够明显。但如果只把 AI 理解为一种新的办公工具，就会低估它对企业组织的真正影响。
AI 正在改变的不是某一个岗位的工作方式，而是企业配置劳动力、设计组织结构、评估人才价值和管理协作关系的基本逻辑。它把企业从过去的“人力规模竞争”，推向一种新的“人机协同效率竞争”。在这个新阶段，真正重要的问题不再是企业有多少人，而是每一个核心员工背后能调动多少 AI 能力；不再是组织层级是否完整，而是决策链路是否足够短、工作流是否足够智能、顶尖人才是否能够被最大化放大。
这也是 NACSHR 2026 夏季论坛中，关于 Organizational and Collaboration Model in AI 讨论最值得关注的地方。来自 AI 原生创业公司、大型科技企业、投资领域和 HR 管理实践的一线观察共同指向同一个结论：AI 时代的组织变革已经不再是未来趋势，而是正在发生的现实。
AI 正在重构白领劳动力市场，企业不再按传统 Headcount 思维设计组织
长期以来，企业增长与人员规模高度绑定。收入增长通常意味着团队扩张，团队扩张意味着更多岗位、更多中层、更多流程和更多管理节点。传统组织设计的底层逻辑，是通过层级分工和管理体系，把大量不同能力水平的人组织起来，形成稳定产出。
但 AI 正在打破这个假设。
在 AI 原生公司中，一个顶尖人才的产出能力，已经不再只是个人能力本身，而是“个人能力 × AI 工具 × Agent 工作流”的综合结果。当一个懂业务、懂技术、懂 AI 的核心人才，能够通过 AI 把自己的工作效率放大 10 倍、20 倍，甚至更高时，企业对团队规模的依赖就会明显下降。
Jobright.ai 的案例很典型。作为一家 AI 招聘相关公司，其全职员工不到 10 人，但已经实现约 700 万美元 ARR。这样的组织并不是简单意义上的“小团队”，而是每位核心员工背后都有一组 AI Agent 在持续工作。过去需要更多人完成的信息收集、匹配、沟通、分析和执行任务，正在被人机协作系统重新承接。
这意味着，未来企业的组织能力不能再简单用员工数量衡量。一个 10 人团队，如果每个人都能高效调用 Agent、自动化工作流和 AI 决策辅助系统，其实际组织产能可能远高于一个传统意义上的百人团队。未来 HR 做组织规划时，必须从 Headcount Planning 进入 Capacity Planning，即不仅要看有多少人，还要看每个人能够调动多少 AI 能力、管理多少自动化流程、完成多少过去需要团队协作才能完成的任务。
这也是为什么“10 人公司做到 1 亿美元 ARR”在未来可能不再是极端案例，而会成为 AI 原生组织的重要样本。AI 正在让公司规模与收入规模之间的关系发生松动，企业增长不再必然对应人员线性扩张。
中层管理的价值正在被重新审视，组织扁平化将成为更强趋势
AI 对组织结构最直接的冲击之一，是对中层管理价值的重新评估。
在传统企业中，中层管理者承担着非常重要的角色：上传下达、协调资源、推进项目、监督执行、整合信息、跨部门沟通。这些角色过去是必要的，因为组织越大，信息越容易断裂，部门越多，协作成本越高。中层管理者的存在，本质上是在帮助组织降低复杂性。
但问题在于，中层管理本身也会制造新的复杂性。更多层级意味着更长的汇报链条、更慢的决策速度、更高的会议成本和更强的组织惯性。当 AI 可以承担大量信息整理、任务拆解、项目跟踪、数据分析和沟通辅助工作时，企业自然会重新计算中层管理的投入产出比。
AI 时代的高效组织，往往不再依赖厚重的中间管理层来维持运转，而更倾向于让顶尖个体直接面对问题、客户和结果。组织结构会变得更扁平，决策链条会变短，管理者的角色也会从“信息中转站”转向“判断力提供者”和“组织能力设计者”。
这并不意味着所有中层管理者都会消失，但意味着传统中层的价值基础正在发生变化。过去依赖协调、汇报、跟进和流程推动形成的管理价值，会被 AI 快速压缩；而真正能够理解业务、做出判断、设计机制、发展人才、推动组织转型的管理者，价值会进一步上升。
对 HR 来说，这将是一个非常现实的挑战。未来企业做组织重组时，不能只从成本控制角度看中层，而要重新定义中层岗位的价值模型：哪些管理工作可以被 AI 替代？哪些管理能力必须保留在人身上？哪些中层管理者可以升级为 AI 工作流 Owner？哪些岗位其实只是传统流程下的协调冗余？
中层不会简单消失，但“只做沟通协调”的中层会越来越难以证明自身价值。
大企业 AI 转型不能停留在工具采用，真正的转型发生在工作流层面
很多企业今天已经开始推广 AI，但大多数还停留在工具采用阶段。公司给员工开通 ChatGPT、Copilot 或其他 AI 工具账号，组织 AI 培训，鼓励员工用 AI 提高效率。这些动作有价值，但它们并不等于真正的 AI 转型。
真正的 AI 转型，发生在工作流层面。
大型科技企业的实践已经显示，AI 转型至少可以分为几个阶段。第一阶段是个人效率提升，员工把 AI 当作辅助工具，用来写邮件、总结材料、生成代码草稿、制作文档。这是最容易启动的一步，但它对组织结构的改变有限。第二阶段是确定性工作流自动化，即企业开始把 AI 嵌入重复、可预测、规则清晰的流程，例如简历初筛、合规审查、员工问答、数据整理和报告生成。第三阶段则是 Native AI Workflow，也就是从一开始就围绕 AI 重新设计流程，让 AI 成为工作系统中的基础组成部分，而不是外接工具。
这里的差别非常关键。一个 HR 团队使用 AI 写 JD，只是效率提升；但如果企业重新设计招聘流程，让 AI 负责市场人才地图扫描、候选人初步匹配、沟通节奏管理、面试反馈汇总、Offer 风险分析，而 HR 负责判断、关系建立和关键决策，这才是真正的工作流重构。
同样，一个工程师使用 AI 生成代码，只是工具采用；但如果企业重新设计软件开发流程，让 AI 参与需求拆解、测试生成、代码审查、部署检查和文档维护，人类工程师主要负责架构判断和复杂问题解决，这才是组织能力升级。
这也是大型企业 AI 转型最容易误判的地方。工具使用率不等于转型成熟度，员工活跃度不等于组织生产力跃迁。企业真正需要衡量的是：有多少核心流程被 AI 重构？有多少岗位职责已经被重新定义？有多少绩效指标已经从“完成任务”转向“管理人机协作结果”？有多少管理者真正理解 AI 原生工作流？
如果 HR 仍然把 AI 转型理解为培训项目或工具推广项目，就会错过这场变革的核心。AI Workforce Transformation 的关键，不是让员工都会用 AI，而是让组织重新设计工作。
AI 原生公司与传统企业的效率差距，正在成为新的竞争分水岭
AI 对企业的影响速度，并不是平均发生的。它取决于两个因素：行业属性和企业基因。
从行业看，软件、SaaS、知识服务、内容生产、客户支持、数据分析等领域，最容易被现有大模型重构。这些行业的核心产出本身就是代码、文本、流程、分析和知识交付，与 AI 能力高度匹配，因此变化速度最快。相比之下，制造业、物流、硬件和线下服务行业涉及大量物理世界数据、现场执行和设备协同，短期内转型速度相对较慢。但随着机器人、传感器、工业数据系统和物理 AI 的发展，这些行业未来 3 到 5 年也可能迎来更深层变化。
从企业基因看，AI 原生公司和传统企业之间的差距会更加明显。AI 原生公司没有旧系统、旧流程和复杂层级包袱，从第一天开始就把 AI 当作核心生产力，因此可以直接设计小团队、高自动化、高人均产出的组织模型。传统企业则往往要面对历史流程、既有组织结构、人员惯性、系统集成和合规约束，转型路径更长，也更容易停留在工具采用阶段。
Cursor 与 Google 这类对比之所以引发关注，并不是因为大公司没有技术能力，而是因为组织模型不同。AI 原生公司可以用极少的人创造巨大的市场影响力，而传统大公司即使拥有大量人才和资源，也可能因为层级、流程和历史系统，导致人均产出效率被明显拉开。
未来企业竞争会越来越像一场“组织效率密度”的竞争。过去企业比拼的是人才总量、资金规模、品牌资源和市场渠道；未来还要比拼单位人员能够创造多少产出、组织能以多快速度完成试错、团队能否围绕 AI 重构流程、管理层能否接受更小但更强的组织形态。
这对 HR 的影响非常深远。HR 不仅要招聘人才，还要判断人才是否适合 AI 原生工作方式；不仅要设计组织架构，还要设计人机协作架构；不仅要管理绩效，还要衡量 AI 放大后的真实产出。
远程面试正在被 AI 击穿，招聘评估必须从“回答能力”回到“真实产出”
AI 对招聘的冲击，已经不只是简历筛选自动化或面试效率提升。更现实的问题是：AI 正在让传统面试的可信度下降。
候选人可以用 AI 优化简历，让经历看起来更完整、更专业、更匹配岗位要求；也可以在远程面试中借助 AI 实时生成答案。面试官看到的是流畅的表达、清晰的逻辑和标准化的回答，但很难判断这些内容究竟来自候选人的真实能力，还是来自 AI 的即时辅助。
这让传统招聘流程面临一个根本性问题：过去企业通过简历和面试来判断候选人能力，但现在这两个环节都可以被 AI 显著“美化”。简历越来越完美，回答越来越标准，候选人的真实能力却不一定同步提升。
因此，一些硅谷初创公司已经开始减少传统面试轮次，转向更接近真实工作的评估方式。例如，在基础筛选之后，企业邀请候选人与团队进行一到两天的付费协作，按照一天 500 到 1000 美元的标准支付费用，让候选人在真实任务中展示能力。相比反复进行电话面试和行为面试，这种方式更能观察候选人的问题拆解能力、沟通方式、交付质量、协作习惯和学习速度。
这代表招聘逻辑的一次重要转向：从评估“候选人如何回答问题”，转向评估“候选人如何解决问题”。从相信简历和面试表现，转向相信真实场景中的产出。对高价值岗位、核心岗位和 AI 原生岗位来说，这种变化会越来越重要。
HR 和 Talent Acquisition 团队需要重新设计评估体系。未来的面试不应只是问答环节，而应包含工作样本测试、真实任务模拟、协作型评估、试点项目和可验证的产出结果。尤其是在远程招聘环境下，企业必须重新建立 Hiring Authenticity，即招聘真实性。否则，AI 会让企业在错误候选人身上付出更高代价。
白领岗位不会平均消失，而会出现更剧烈的 K 型分化
AI 对劳动力市场的影响，不是简单地让所有白领岗位同时贬值。更准确地说，它会带来结构性分化。
一方面，大量中等水平、重复执行型、标准化交付型白领岗位，会面临更大压力。只要一个岗位的主要价值来自信息整理、基础分析、文档生成、流程跟进或标准化判断，就很容易被 AI 部分替代，或者被少数更强的人才借助 AI 工具覆盖。
另一方面，真正具备专业深度、判断力、创造力和跨领域能力的人才，价值会被进一步放大。AI 并没有降低顶尖专家的重要性，反而让他们变得更加稀缺。因为大模型能力的提升，越来越依赖高质量专业数据、复杂判断和专家反馈。顶级医生、资深律师、奥数竞赛选手、行业专家正在参与 AI 模型训练、测试和评估。在某些高端数据标注和专业反馈场景中，专家时薪可以达到 300 到 500 美元，甚至更高。
这是一种典型的 K 型分化：顶尖人才价值继续上升，普通执行型岗位价值承压。AI 并不是让专业能力变得不重要，而是让“真正高质量的专业能力”变得更重要。过去一些中等能力岗位还能依靠流程、经验和组织惯性维持价值，未来这些岗位会不断被 AI 和更强的人才挤压。
这对 HR 的薪酬体系和人才策略提出了新要求。企业不能再用过于平均化的薪酬带宽对待关键人才，也不能再用传统职级体系理解专家价值。未来组织中，少数真正能够定义问题、训练 AI、判断结果、解决复杂问题的人，可能需要被给予更高的薪酬弹性、更大的项目空间和更直接的组织影响力。
同时，HR 也需要帮助组织重新识别哪些岗位正在被 AI 压缩，哪些岗位正在被 AI 放大，哪些人才应该被重新培养，哪些能力已经不再具有长期竞争力。人才管理的重点，将从岗位管理转向能力组合管理。
HR 的角色必须升级：从流程管理者转向组织转型设计者
AI 时代对 HR 最大的挑战，不是 HR 工具是否智能，而是 HR 是否能够成为组织转型的设计者。
过去，HR 很多工作围绕制度、流程、招聘、员工关系、绩效和合规展开。这些仍然重要，但已经不够。AI 正在改变企业的岗位结构、协作方式、管理半径、能力模型和绩效定义。如果 HR 不能理解这些变化，就很容易被动执行业务部门提出的裁员、重组和效率要求，而无法真正参与组织未来的设计。
未来 HR 至少需要承担四个新角色。
第一，HR 要成为 AI 工作流重构的参与者。业务部门了解具体流程，技术团队了解工具能力，但 HR 更应该理解岗位、能力、协作和组织影响。一个流程是否适合 AI 重构，重构后岗位职责如何变化，员工能力如何补齐，绩效如何衡量，这些都需要 HR 深度参与。
第二，HR 要成为人才结构重估的推动者。AI 会让部分岗位被压缩，也会让部分岗位价值上升。HR 必须帮助企业建立新的人才地图，识别关键人才、可替代岗位、可升级岗位和需要重新培养的人群。
第三，HR 要成为招聘真实性的守门人。当 AI 让简历和面试表现越来越容易被包装，HR 必须推动更真实、更贴近工作的评估方式，确保企业看到的是候选人的真实能力，而不是 AI 优化后的表演能力。
第四，HR 要成为组织学习能力的建设者。AI 变化速度极快，企业不可能靠一次培训完成转型。组织必须形成持续学习、快速试点、不断复盘和跨团队扩散的机制。HR 应该成为这个学习循环的推动者。
真正可行的 AI 转型，不是全公司运动，而是从小团队和具体场景开始
对于多数企业而言，AI 转型最危险的做法，是一开始就把它包装成宏大的全公司战略，但缺乏具体场景和真实产出。这样的项目很容易变成口号、培训和工具采购，最后难以证明价值。
更现实的路径，是从小团队、具体场景和可衡量工作流开始。比如，HR 可以选择招聘筛选、员工问答、政策查询、绩效反馈整理、培训内容生成、合规文档初审或 People Analytics 报告生成作为试点。每个试点都应该明确三个问题：原来的流程需要多少人、多少时间、多少成本；AI 介入后哪些环节被改变；最终在效率、质量、体验或风险控制上产生了什么结果。
只有通过一个个真实的成功案例，企业才能逐步建立对 AI 的信任，也才能让管理层看到 AI 转型不是抽象概念，而是可以落地的组织能力升级。
对 HR 个人而言，最重要的是保持足够强的好奇心和行动速度。AI 时代的能力差距，不会等到十年后才体现，可能六个月就会拉开。那些主动试工具、改流程、做试点、理解业务场景的 HR，会越来越接近组织决策中心；而只把 AI 当作“技术部门的事”的 HR，则可能在组织重构中失去话语权。
写在最后：AI 时代的组织，不是人少了，而是组织能力被重新计算了
AI 对组织的影响，不应被简单理解为裁员、替代或降本。更深层的变化是，企业组织能力的计算方式变了。过去，一个组织的能力主要由人员数量、岗位体系和管理层级决定；未来，一个组织的能力将由核心人才质量、AI 工作流成熟度、Agent 协同能力、组织学习速度和管理者判断力共同决定。
中层管理会被重新定义，招聘流程会被重新设计，白领岗位会被重新定价，顶尖人才会被重新争夺，HR 的角色也会被重新定位。这不是某一个行业的局部变化，而是未来企业组织管理的底层变化。
NACSHR 关注这一议题，是因为 HR 必须站在这场变革的前面。AI 时代真正稀缺的，不只是技术能力，而是能够理解技术、组织和人的复合型管理能力。企业需要的不只是会使用 AI 工具的员工，更需要能够重新设计工作、重新配置人才、重新定义组织效率的 HR 领导者。
未来的组织不会简单变成“更少的人”，而会变成“更强的人 + 更智能的系统 + 更短的决策链路 + 更高密度的组织能力”。对于 HR 来说，真正的问题不是 AI 会不会改变组织，而是我们能否在组织被改变之前，主动参与定义新的组织形态。
这正是 NACSHR 持续推动 AI 与 HR 议题讨论的原因。面对 AI 时代的组织重构，HR 不能只做旁观者，也不能只做执行者。HR 必须成为理解趋势、连接业务、推动试点和设计未来组织能力的关键角色。
观点
2026年06月16日
观点
美国HR转型新范式：AI驱动的四层组织架构模型核心观点：AI对HR的冲击，远不只是工具升级，而是组织架构的彻底重构。目前，约80%的企业已经引入AI，但只有20%真正改变了工作流程。这意味着，大多数企业仍停留在“旧结构+新工具”的阶段。未来HR将呈现四大变化：第一，建立人才智能中枢，实现实时数据驱动决策；第二，以跨职能小团队取代传统HR职能分工；第三，COE转型为能力平台；第四，将人类判断集中在高价值决策领域。这一趋势意味着，HRBP角色正在被重新定义，HR部门也将从支持职能，转变为企业AI转型的核心设计者。
如果一家企业从零开始设计组织，那么完全可以像 Block 在 Jack Dorsey 推动下那样，用由AI协调的智能系统替代传统层级结构。但现实情况是，大多数企业并没有重来的机会。真正困难的问题，是一家拥有数万名员工、仍在持续运转的组织，如何在不中断业务的前提下完成转型。
过去25年的实践不断重复同一个结论：技术总是先行，而组织架构往往滞后。无论是在 GE 推动数字化劳动力扩展，在 IBM 管理跨170个国家的人才体系，在 Intel 参与高管继任规划，还是在 Boston Consulting Group 构建全球人才体系，这一模式始终存在。AI并没有改变这一点，只是让这种错配变得更加明显、更加紧迫。
问题的本质：脱节发生在架构层，而不是应用层
今天，大多数企业并不缺少AI工具。根据 McKinsey & Company 的数据，接近80%的企业已经在至少一个职能中部署AI，但只有约20%的企业真正因此重构了工作流程。工具部署与组织重组之间的脱节，成为转型难以落地的根本原因。
这背后是一个结构性问题。现有的人力资源体系，是建立在信息稀缺和协同成本高昂的时代背景之上的。HRBP负责在不同层级之间传递信息，COE集中稀缺的专业能力，层级结构则用于推动决策流转。在这样的体系中，复杂性是被“管理”的对象。
但在AI时代，信息获取与处理的成本几乎被消除，协同效率大幅提升。这意味着原有结构不再只是低效，而是逐渐失去存在的必要。AI不会让旧架构运行得更快，它会让旧架构变得多余。如果继续沿用这一体系，企业所获得的将只是有限的效率提升，而不是结构性的生产力跃迁。
行业信号：HR职能正在被重写
这一趋势已经在多个维度上显现出来。Josh Bersin 的研究指出，人力资源领域将出现超过100种AI agent应用，并预测传统HR岗位可能减少约30%。与此同时，Society for Human Resource Management 的数据显示，92%的CHRO预计AI将在短期内进一步融入人力资源管理。
这意味着，人力资源职能的重构已经开始。关键差异不在于是否发生，而在于企业是否主动设计这一转型路径。
新的蓝图：以智能、成果与判断为核心的四层结构
未来的人力资源组织，不会是现有结构的扁平化版本，而是一套完全不同的体系。这一体系围绕四个层面展开。
第一层是劳动力智能核心。这是整个体系的基础，也是大多数企业目前缺失的能力。它是一个持续更新的人才数据模型，能够实时反映组织中的技能结构、能力缺口、流失风险以及潜在需求。它整合绩效、学习、流动性、招聘速度和市场数据，将这些信号转化为可执行的情报。这一层通常由一个精简的技术团队负责，由数据科学家、劳动力经济学家和AI架构师组成，直接服务于业务决策。
第二层是成果导向团队。传统按职能划分的HR结构，将责任分散在多个部门之间，而新的结构以“结果”为核心进行组织。由5到8人组成的跨职能团队，围绕具体业务问题进行端到端负责。例如，新员工生产力团队负责从录用到绩效达标的全过程，关键技能团队负责战略技能的建设与保留，领导力梯队团队负责继任体系建设，AI准备团队负责组织与AI协同能力。这种模式消除了频繁交接带来的效率损耗，也重新定义了责任归属。
在这一体系下，传统HRBP角色将被重新定义。过去由HRBP承担的信息传递与协调工作，将由数据系统和团队机制替代。该角色要么转型为真正承担业务责任的团队负责人，要么成为具备战略决策能力的高级顾问。
第三层是平台化的COE。COE不会消失，但其角色将发生根本变化。在过去，COE集中专业能力并直接参与执行，而在AI环境下，这些能力可以被系统化。COE将转型为能力平台，负责制定标准、构建工具、控制质量，并赋能各个团队执行，而不是亲自执行。这一转变的关键，在于从“服务提供者”转向“平台构建者”。
第四层是人类判断。AI可以承担协调、分析和流程自动化，但无法替代人类在伦理判断、高风险决策、文化塑造以及复杂情境中的作用。未来的HR领导者，将从行政协调中解放出来，专注于这些关键领域。
未来的CHRO需要具备新的能力结构，包括对劳动力智能的战略设计能力，对AI治理的边界把控能力，对组织文化与信任机制的构建能力，以及对企业整体AI转型的领导能力。
如何开始：从架构入手，而不是工具
没有企业能够在短时间内彻底重构人力资源体系，但转型的起点至关重要。应优先构建劳动力智能核心，围绕三到五个最关键的业务问题建立数据能力。在此基础上，选择一个结果最明确、跨部门阻力最大的场景，试点成果导向团队，通过实际业务结果验证新模式，并逐步扩展。
真正的转型，从来不是从工具开始，而是从架构设计开始。
现实的提醒：AI会放大一切
Gartner 的研究显示，仅有47%的HR负责人认为企业文化能够有效驱动绩效。这意味着，大多数组织在引入AI之前，其基础已经存在问题。在这种情况下，AI不会成为修复工具，而会成为放大器。
那些仅仅为员工提供AI工具，却不改变组织方式的企业，可能只会经历短暂的效率提升，然后迅速停滞。而那些重新设计协同机制、决策流程以及人机分工边界的企业，才可能实现持续增长。
结语：在运行中重建，而不是等待重来
层级结构本质上是为信息传递而存在，而AI已经改变了信息流动的方式。但企业无法停下来重新设计一切，只能在既有体系中逐步构建新的结构。这需要清晰的方向，也需要拆除旧结构的决心，更需要时间去建立信任。
这一次的变化不同于以往，但前提是，组织必须明确自己要走向何处。
美国1.43亿岗位AI暴露度图谱曝光,AI冲击白领经济：342种职业数据揭示3.7万亿美元工资面临自动化风险核心摘要：Karpathy 使用美国劳工统计局（BLS）的职业数据，对 342 种职业进行评估，并给每个职业一个 AI Exposure Score（AI 暴露度），范围是 0–10。0 表示 AI 几乎无法替代，10 表示 AI 很容易替代或高度自动化。然后他把这些职业按就业人数加权，得出一个结论：美国 1.43 亿个工作岗位的平均 AI 暴露度是 4.9。表面看起来，这个数字很“温和”。似乎意味着 AI 的影响是中性的。但真正重要的是 分布（distribution），而不是平均值。大量白领工作集中在 7–10 的高暴露区间。详细我们一起来看：
近日，一张由前 OpenAI 研究负责人、特斯拉前 AI 总监 Andrej Karpathy 发布的“美国职业 AI 暴露度地图”（AI Exposure of the US Job Market）在互联网再次流传。该项目最初发布于个人网站 karpathy.ai/jobs，但上线不久后即被撤下，目前仍可通过互联网档案（Web Archive）访问。
这项研究基于美国劳工统计局（Bureau of Labor Statistics, BLS）的职业分类数据，对 342种职业按照“AI 暴露度”（AI Exposure）进行评分，并以可视化方式呈现美国就业结构与 AI 自动化潜力之间的关系。评分范围为 0到10，数值越高，表示该职业的任务越容易受到生成式 AI 与自动化技术的影响。
143百万岗位的AI平均暴露度为4.9
根据该项目的数据，美国约 1.43亿个就业岗位的加权平均 AI 暴露度为 4.9。这一数字处于中间水平，表面上似乎意味着 AI 对整体就业结构的冲击相对温和。然而，研究的关键并不在平均值，而在职业之间高度不均衡的分布。
在可视化图中，每个矩形代表一个职业，面积表示就业人数，颜色从绿色到红色表示 AI 暴露程度从低到高。结果显示，大量高薪白领职业集中在橙色和红色区域，而许多需要现实环境操作的职业则位于绿色区域。
换句话说，AI 的影响并不是均匀扩散，而是呈现明显的结构性特征。
“屏幕经济”成为AI冲击最集中的领域
研究结果显示，大量以信息处理为核心的职业处于高暴露区间。例如：
会计与审计人员（Accountants and Auditors）人力资源专员（Human Resources Specialists）市场研究分析师（Market Research Analysts）软件开发工程师（Software Developers）项目经理（Project Managers）客服人员（Customer Service Representatives）行政文员（Secretaries and Administrative Assistants）
这些岗位的 AI 暴露度普遍在 7到9之间。
其共同特征在于，工作内容主要依赖信息处理、文档生成、数据分析和在线沟通，而这些任务正是当前大语言模型与生成式 AI 技术最擅长的领域。
例如，在招聘、客服、财务分析、软件开发等场景中，AI 已经能够承担部分原本由人类完成的任务，包括文档撰写、数据整理、代码生成、客户沟通和流程自动化等。
因此，该研究所揭示的并非单一职业风险，而是所谓 “屏幕经济”（screen-based economy） 的整体暴露度问题。
体力劳动与现实环境工作反而更具“AI护城河”
与之形成鲜明对比的是，一些传统体力劳动或需要现实环境操作的职业在该模型中表现出较低的 AI 暴露度。例如：
建筑工人（Construction Laborers）屋顶工（Roofers）电工（Electricians）家庭护理人员（Home Health Aides）清洁与维护人员（Janitors and Building Cleaners）
这些岗位普遍位于绿色区域，AI 暴露度通常在 1到3之间。
原因在于，虽然生成式 AI 在信息处理领域取得显著进展，但在现实世界复杂环境中的感知、移动和操作能力仍然有限。机器人技术在建筑、护理和维护等场景的普及仍面临成本与技术挑战。
因此，在当前阶段，“身体在场”（physical presence）正在成为新的职业护城河。
3.7万亿美元年薪集中在高暴露岗位
该研究中另一个引发关注的指标是工资结构。
根据估算，美国约有 3.7万亿美元的年薪集中在 AI 暴露度 7分以上的岗位中。这意味着生成式 AI 潜在影响的不仅是少数职业，而是美国经济中相当规模的知识工作群体。
其中包括金融、法律、软件开发、行政管理、人力资源、市场分析等多个关键行业。
这也解释了为何该研究在发布后迅速引发广泛讨论。一些观察人士认为，该项目被撤下可能与数据容易被过度解读有关。AI 暴露度并不等同于岗位消失，而更可能意味着 岗位任务结构的变化。
高暴露与高增长并存的职业悖论
值得注意的是，一些职业在 AI 暴露度评分中虽然较高，但同时仍然属于增长型职业。例如软件开发工程师在该模型中的 AI 暴露度达到 9分，但根据美国劳工统计局预测，该职业未来十年仍将保持较高增长率。
这反映出 AI 技术对就业结构的复杂影响：一方面，AI 可以自动化部分任务；另一方面，AI 也可能创造新的需求，从而扩大整个行业规模。
因此，AI 更可能改变职业内部的任务分配，而非简单地消灭职业本身。
职业结构正在进入重构阶段
从更宏观的角度看，这项研究揭示了一个重要趋势：AI 对就业市场的冲击并非传统意义上的“蓝领替代”，而是首先作用于知识工作体系。
随着生成式 AI 在写作、编程、分析和决策支持领域持续发展，未来许多职业的工作方式可能发生深刻变化。
对于企业而言，这意味着需要重新设计岗位结构与技能体系；对于个人而言，则意味着职业竞争力将越来越依赖于创造力、判断力和复杂沟通能力，而非单纯的信息处理能力。
尽管该项目已经从原始网站撤下，但通过互联网档案保存的数据仍然为观察 AI 与就业结构之间的关系提供了一个重要窗口。
观点
观点
观点
观点
观点
观点
观点
观点
观点
观点
扫一扫
添加客服
