AI 员工

AI与职业这三年：震荡、规律与职业群像

2026 年 7 月 14 日

OpenAI的“暴露度”报告引发职场震荡，三年后我们如何从焦虑转向理性审视？核心内容： 1. 2023-2026年AI对职场影响的真实数据与案例回溯 2. 理解产业、经济与组织规律的深层框架 3. 程序员、会计师、营销等具体职业的真实群像故事

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。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

AI与职业这三年：震荡、规律与职业群像

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单