来源：HRflag

　　2026年的科技劳动力市场，正在上演一幅看似矛盾的画面。截至7月初，多家裁员追踪机构估算，全球科技行业年内受影响岗位已超过16.5万个；与此同时，美国科技职业失业率降至2.9%，软件工程岗位发布量同比回升，要求AI技能的岗位增速更远远跑赢整体市场。企业并没有简单停止招聘，而是在减少一类工作、重组一批岗位，同时为另一类能力支付更高价格。

　　如果只看裁员数字，容易得出“AI正在大规模取代科技员工”的结论；如果只看AI岗位增长，又可能认为劳动力市场已经迅速复苏。两种判断都只触及了现实的一部分。 2026年真正发生的变化，并不是工作机会单向减少，而是企业对人才价值的定价标准正在快速改变。

　　这场变化对企业高管和HR负责人的意义，远不止招聘一些AI工程师或安排几轮工具培训。它正在迫使企业重新回答几个基础问题：一个岗位究竟由哪些任务组成，哪些工作适合交给AI，哪些判断必须由人承担，AI带来的效率应当如何进入绩效体系，现有员工能否转向新的价值区间。传统以岗位数量为核心的劳动力规划，正在越来越难以解释现实。

　　2026科技人才市场的四组信号

　　约16.5万： 截至7月初，全球科技行业年内裁员追踪规模

　　2.9%： 美国科技职业失业率，低于整体市场水平

　　接近8倍： AI技能岗位相对于整体岗位市场的增速

　　62%： 明确要求AI技能岗位的平均薪资溢价

　　01

　　先看最受关注的裁员数据。参考链接所汇总的口径显示，截至2026年7月初，全球科技行业裁员规模约为16.5万人；更新较快的行业追踪器则将受影响人数估算在17万人左右。由于不同统计平台对公告时间、跨年度计划、自然减员和过去12个月数据的处理方式不同，这一数字更适合作为市场温度计，而不是到个位数的官方统计。

　　同样需要区分的，是“AI导致裁员”与“企业在裁员公告中提及AI”。美国再就业服务机构Challenger， Gray & Christmas的统计显示，2026年前几个月，AI已经成为企业公告中最常被提及的裁员原因之一；截至5月，约23%的美国裁员计划被归因于AI。科技行业追踪平台采用“是否在裁员事件中提及AI、自动化或机器学习”的口径后，这一比例可能上升至54%左右，但它统计的是事件占比，并不等于超过一半被裁员工都被AI直接替代。

　　这个区别并非文字游戏。企业进行组织调整时，通常同时受到增长预期、成本结构、业务优先级、过去扩张节奏、管理层级和技术投资方向等因素影响，AI往往是其中一个重要变量，却很少是变量。它既可能直接自动化部分任务，也可能让企业更有信心压缩层级、合并团队或重新分配预算。

　　更准确的理解是：AI正在加速原本已经存在的组织重构，而不是独立制造全部裁员。

　　Adecco Group首席执行官Denis Machuel在谈及相关研究时也提醒，部分企业可能将AI作为解释组织调整的醒目标签，但实际原因还包括业务表现、结构优化和资源重新配置。这个判断并没有否认AI对就业的影响，而是要求管理者把“技术可行性”与“组织真实产能”分开评估。对HR而言，最危险的做法，是看到同行减少某类岗位，便默认自己的组织也已经具备同样的自动化条件。

　　科技行业之所以更早感受到冲击，是因为软件、数据、产品、运营和后台职能中存在大量数字化程度较高的任务。这些工作更容易被记录、标准化、调用数据并嵌入模型，因此也更适合成为AI试验的起点。但容易被AI介入，并不意味着整个岗位可以被完整移除，很多企业正在为过早做出这一推断付出返工成本。

　　02

　　如果市场真的进入了单向收缩阶段，科技职业失业率、岗位发布量和技能薪资应当同时恶化，但2026年的数据并不支持这一判断。CompTIA基于美国劳工统计数据的分析显示，6月科技职业就业人数增加约4.7万人，失业率降至2.9%，低于美国整体4.2%的失业率。市场并不宽松，只是企业需要的人与求职者原有的能力组合越来越难以匹配。

　　软件工程招聘也出现了局部回升。相关岗位数据分析显示，软件工程职位发布量同比增长约11%；与此同时，企业对AI工程、数据基础设施、模型评估、AI安全、产品集成和行业应用能力的需求上升得更快。这意味着软件岗位没有消失，但企业正在改变对软件人才的定义。

　　更具冲击力的数据来自PwC《2026全球AI就业晴雨表》。该报告分析了六大洲超过10亿条招聘广告，发现明确要求AI技能的岗位增长69%，而整体岗位市场增长9%，前者增速接近后者的8倍；AI技能的平均薪资溢价也由此前约56%进一步上升至62%。企业削减的不是所有科技岗位，而是对旧技能组合的支付意愿。

　　PwC还发现，AI使用能力较强的企业，员工数量增长速度达到52%，高于AI暴露程度较低企业的36%；其工资增长也达到24%，高于对照企业的17%。这一结果推翻了一个常见假设：AI使用越深入，员工数量就一定越少。现实更接近另一种情况——能够把AI转化为业务增长的企业，往往同时需要更多能够设计流程、判断结果和承担责任的人。

　　因此，16.5万人的裁员数字和AI岗位8倍增长并不互相否定。它们共同说明，劳动力市场已经从普遍扩张或普遍收缩，转入更加剧烈的结构性分化。 真正的分水岭，不是“有工作”与“没工作”，而是一个人的能力能否进入AI重构后的价值链。

　　03

　　长期以来，企业以岗位作为劳动力管理的最小单位。岗位有名称、职级、编制、薪酬区间和任职资格，招聘、绩效、晋升与培训都围绕这套体系运转。AI进入工作流程后，这种管理方式开始暴露出明显局限，因为AI首先改变的通常不是整个岗位，而是岗位内部的部分任务。

　　一个软件工程师的工作，可能同时包含需求澄清、代码编写、测试、文档整理、架构判断、跨团队沟通和上线责任。AI可以快速生成基础代码、测试用例和说明文档，却未必能够独立理解复杂业务约束，更无法自然承担系统失效后的责任。企业若仅根据代码生成速度推算编制需求，容易低估需求判断、系统集成、质量控制和风险治理的工作量。

　　HR岗位也存在相同结构。AI可以生成职位描述、整理访谈纪要、汇总员工反馈、初步识别离职风险或回答政策问题，但组织诊断、人才取舍、敏感沟通和劳动关系处理依然需要经验、情境理解与责任承担。岗位名称没有变化，内部任务的价值排序却已经改变。

　　这也是为什么“哪些岗位会被AI取代”越来越像一个错误问题。同一岗位中，标准化、重复性强、规则明确的任务可能迅速减少；需要跨部门协调、处理例外、解释复杂信息和承担结果责任的任务反而会增加。如果企业不拆解任务，只讨论岗位存废，就会把可以释放的工作时间误认为可以直接消失的人员数量。

　　更准确的管理单位应当从岗位下沉到任务，再从任务延伸到工作流。企业需要看清一项工作从需求提出、信息收集、分析生成、决策确认到结果交付的完整链条，判断AI究竟替代了哪一步，又新增了哪些审核、治理和协同成本。很多所谓“AI节省了70%时间”的案例，描述的只是其中一个制作环节，并不等于整个流程成本下降70%。

　　当任务结构被重新计算，岗位设计自然会发生变化。过去负责制作初稿的人，可能转向质量评估和业务解释；过去负责数据汇总的人，可能转向异常识别和方案建议；过去靠流程熟练度建立优势的人，需要进一步拥有领域判断力。岗位并未原样保留，但员工也不必被迫在“留下”与“离开”之间二选一。

　　04

　　参考链接中最值得管理者关注的，并不是“AI裁员”本身，而是部分企业随后重新补充相关岗位。Robert Half针对2000多名招聘经理的研究显示，30%的雇主曾在实施AI后取消部分职位，随后又重新增加这些岗位。这并不意味着AI没有价值，而是说明部分组织把任务自动化过早等同于岗位完全消失。

　　企业在试点阶段看到的，通常是AI最理想的一面：生成速度快、边际成本低、可以持续运行，而且演示效果直观。当技术进入真实业务流程后，数据质量、权限边界、系统兼容、例外处理、事实核验、客户沟通和合规责任才会逐步显现。节省下来的制作时间，可能被新的验证、修正和协调工作部分抵消。

　　Robert Half将这部分新增投入称为“AI税”。员工需要学习工具，团队需要重新设计流程，管理者需要建立审核机制，技术部门需要解决系统和数据问题，法务与风险团队还要明确使用边界。企业购买了一项AI能力，并不等于组织已经获得了可持续产能。

　　一些岗位重新出现，往往不是简单恢复原样，而是增加了新的责任。过去的客服岗位可能更强调复杂问题处理和情绪沟通，过去的内容岗位可能更强调事实核验和品牌一致性，过去的分析岗位可能更强调模型输出解释和经营建议。企业重新招聘的，表面上是原岗位，实际购买的已经是另一组能力。

　　这轮回补现象提醒管理者，劳动力调整不能只根据工具演示或短期使用率决定。至少需要经过完整业务周期，才能判断AI在高峰期、异常场景和复杂协作中的稳定性。没有经过工作流验证便提前减少人员，很容易把技术试验变成组织产能风险。

　　更深层的问题在于，很多企业只计算了AI替代的显性劳动，却没有计算人类员工长期承担的隐性工作。组织记忆、跨部门关系、客户信任、经验判断和非正式协作，通常不会出现在岗位说明书里，却支撑着流程在复杂环境中正常运行。当这些能力随人员一起离开，企业才会发现系统中缺少了真正的“人类接口”。

　　05

　　传统年度人力规划通常从业务目标出发，估算需要多少岗位、增加多少编制、控制多少成本。这种方法适合业务模式相对稳定、岗位结构变化缓慢的阶段，却难以应对AI带来的任务快速迁移。企业可能在同一个财年里减少某类岗位，同时又以更高成本招聘拥有AI与领域复合能力的人才。

　　如果HR仍然只追踪总人数、人工成本和招聘完成率，就很难解释为什么组织一边裁员，一边出现关键岗位长期空缺。问题并不一定是人才总量不足，而是能力供给与新工作结构之间存在错位。减少十个旧岗位，也未必能够自然转化为三个新岗位，因为两类岗位需要的知识、经验和责任层级可能完全不同。

　　技能重构的起点，是建立比岗位目录更细的能力地图。企业需要识别哪些能力正在快速折旧，哪些能力可以通过短周期训练迁移，哪些能力需要长期经验积累，哪些能力必须从外部引入。只有把技能与任务、流程和业务结果连接起来，人才盘点才不会停留在员工是否掌握某个工具。

　　企业AI能力地图至少应覆盖三层：

　　基础层： 提出清晰任务、识别错误、保护敏感信息并验证输出。

　　专业层： 将AI嵌入财务、销售、人力资源、研发、供应链等业务场景。

　　治理层： 模型评估、数据安全、流程控制、风险管理和结果问责。

　　企业还需要重新评估“内部培养”与“外部招聘”的边界。通用工具使用、提示设计和基础流程自动化，通常适合通过内部训练完成；涉及核心模型、复杂数据工程和高风险系统治理的能力，可能需要外部引进；而能够把AI与公司独有业务知识结合起来的人才，更适合从内部员工中培养。把所有能力缺口都交给招聘，只会进一步推高AI人才溢价。

　　AI技能平均薪资溢价达到62%，正说明外部市场正在为稀缺能力重新定价。如果企业没有内部迁移机制，就只能在高价市场持续购买已经成熟的人才，同时让熟悉业务的员工逐渐失去发展通道。 真正可持续的AI人才战略，不是不断替换人员，而是提高组织把既有人才迁移到新价值区间的能力。

　　06

　　许多AI转型项目在进入人力讨论时，会迅速变成一张节省编制的测算表。业务部门估算某项任务可以节省多少工时，财务部门把工时折算成人数，HR再根据人数设计调整方案。这个过程看似理性，却跳过了最重要的一步：节省下来的时间能否转化为更高价值的工作。

　　以销售团队为例，AI可以整理通话记录、生成跟进邮件、更新客户信息并识别潜在线索。如果企业只是据此减少销售支持岗位，却没有重新设计客户分层、商机判断和关系经营流程，节省出来的时间很可能被更多低价值沟通填满。工具提高了局部效率，业务结果却未必同步改善。

　　岗位重构更适合从四个问题展开：哪些任务可以由AI独立完成，哪些任务需要人机协作，哪些任务必须由人作出最终判断，哪些新任务会因为AI的使用而出现。这里的重点不是制作一张机械的任务清单，而是理解责任如何沿着工作流流动。AI可以执行，却不能天然承担商业、法律和声誉后果。

　　对可自动化任务，企业可以追求速度、标准化和规模；对人机协作任务，需要明确输入质量、审核节点和异常升级机制；对高判断任务，应当保护专业人员的决策空间；对新增治理任务，则要明确由谁维护数据、评估模型和记录决策。没有这套设计，AI最终只会叠加在旧流程上，让员工同时承担原有工作和新的验证工作。

　　岗位说明书也需要随之更新。过去常见的“负责报告撰写、数据整理和流程跟进”，应当进一步转化为“利用AI完成基础分析，验证关键数据，识别异常并形成业务建议”。这种变化看似只是措辞调整，实际改变了招聘标准、绩效指标、培训内容和职级价值。

　　岗位重构的完成标志，并不是某个部门减少了多少人，而是工作结果能否以更低风险、更高质量和更快速度交付。如果组织只获得了更少的人，却没有获得更好的工作流，所谓AI转型只是一次成本动作。真正成熟的企业会同时衡量效率释放、业务增长、客户体验、风险事件和人才迁移率。

　　广告

　　07

　　AI更先改变的绩效问题，是产出数量不再能够稳定代表员工贡献。一个过去需要两天完成的分析初稿，现在可能在半小时内生成；一名员工制作十份材料，也不再天然比制作三份材料的人更有价值。如果绩效体系仍然奖励文档数量、代码行数、工单处理量或报告完成速度，员工就会被激励去制造更多AI产出，而不是更好的业务结果。

　　这会带来新的“高产低效”问题。AI可以快速生成大量看似完整的内容，但其中可能包含事实错误、逻辑重复、情境误判或无法落地的建议。员工如果只对提交负责，不对判断和结果负责，组织获得的只是更快的信息堆积。

　　新的绩效体系应当更加关注结果质量、判断价值、AI杠杆、风险控制和协作贡献。员工是否利用AI缩短了客户响应时间，是否提高了问题解决率，是否发现模型遗漏的重要异常，是否把可复用方法沉淀给团队，这些指标比简单统计工具调用次数更有意义。AI使用量可以作为观察信号，却不适合独立成为绩效结论。

　　这一点尤其值得正在设置“每周AI使用目标”的企业注意。推动使用能够降低员工尝试门槛，也能帮助组织积累场景，但使用频率无法直接证明价值。有人每天调用数十次AI，可能仍然停留在低价值内容生成；有人只在关键分析中使用几次，却显著提高了决策质量。

　　绩效评价还需要区分个人贡献和系统贡献。一名员工不仅可以借助AI提高自己的效率，还可能搭建模板、优化流程、训练同事或建立风险检查清单，让整个团队获得收益。过去容易被忽略的知识共享和流程改进，在AI时代会成为更重要的绩效来源。

　　管理者也不能简单用AI节省的时间上调所有目标。员工如果刚刚提高20%的效率，组织便把工作量提高20%，很快会形成新的负荷膨胀，员工也会失去主动改进流程的动力。更合理的做法，是将释放的时间按业务需要分配给客户、创新、学习和复杂问题处理，而不是全部重新填回任务清单。

　　08

　　62%的AI技能薪资溢价很容易引发另一种误判：企业似乎只需要大规模训练员工使用生成式AI工具。实际上，基础工具使用门槛正在快速下降，单纯会写提示词很难长期维持高溢价。市场真正稀缺的是能够把AI、专业知识和结果责任结合起来的人。

　　PwC将AI影响下的岗位分为“专业化”与“民主化”两条路径。在专业化岗位中，AI成为专家的能力放大器，自动处理部分基础工作，让人类承担更多判断、创造和领导任务；在民主化岗位中，AI降低了工作门槛，使更多非专家也能够完成过去需要专业训练的任务。两类岗位都在变化，但前者更容易获得持续的岗位和薪酬增长。

　　这意味着，培训体系不能只围绕工具菜单展开。员工需要理解什么场景适合AI，如何向模型提供足够上下文，如何验证事实和逻辑，如何处理模型不确定性，以及何时停止使用AI并转由人工判断。缺少这些能力，工具熟练度越高，反而可能越快制造错误。

　　对专业岗位而言，领域知识不仅没有贬值，反而变得更重要。AI可以快速生成法律条款，但需要专业人员判断适用范围；可以快速形成财务分析，但需要理解业务周期和会计口径；可以生成招聘建议，但无法独立理解团队关系、组织文化和岗位真实需求。AI降低了基础制作成本，却提高了高质量判断的相对价值。

　　Robert Half的研究显示，65%的招聘经理认为批判性思维是与AI互补的最重要能力，其后是适应力和创造力。超过一半的招聘经理已经在职位说明中加入AI相关要求，49%开始优先招聘更具战略性的岗位，35%更重视有经验的人才。这些变化表明，企业需要的并不是“会使用AI的普通员工”，而是能够借助AI更快作出可靠判断的人。

　　因此，企业学习项目需要从课程供给转向任务迁移。员工不应只完成若干小时的AI培训，而应当在真实工作中完成一个经过验证的流程改造，展示效率、质量和风险变化。学习成果只有进入岗位、绩效和业务结果，才算真正形成能力。

　　09

　　AI对初级岗位的影响，可能比对成熟专业岗位更快。数据录入、基础信息搜集、简单代码编写、标准客服回复和常规报告整理，既是最容易被AI介入的任务，也曾是年轻员工理解业务、积累经验的重要入口。企业如果只看到这些任务的自动化空间，容易同时削弱未来的人才供应。

　　PwC的研究发现，在受AI影响程度较高的初级岗位中，招聘要求出现领导力、判断力等传统高级能力的概率，是低AI暴露岗位的7倍。企业正在要求年轻员工更早承担复杂工作，却没有同步回答他们如何获得这些能力。过去通过整理数据、旁听会议、准备初稿逐渐形成的经验链条，正在被AI压缩。

　　这会产生一个隐蔽的人才风险。企业可以在短期内减少初级岗位，却无法绕过人才成长规律直接获得成熟专家；几年之后，组织可能拥有大量工具，却缺少理解业务历史、客户关系和复杂例外的人。今天节省的初级人才成本，可能转化为未来更高的外部招聘成本和继任风险。

　　因此，入门岗位不应简单保留原有低价值任务，也不应被整体取消。企业需要把它们重新设计为“AI增强型学徒岗位”，让新人从机械制作转向信息验证、客户观察、模型测试、流程记录和小范围决策。工作难度可以提高，但必须配套更清晰的导师机制和责任边界。

　　管理者还需要接受一个现实：AI可以缩短制作技能的学习时间，却不能同等缩短判断力的形成周期。判断力来自对错误、例外和后果的长期接触，无法完全通过课程或模型提示获得。组织如果不让年轻员工参与真实问题，就无法培养下一代管理者和专家。

　　企业的人才梯队因此需要重新规划。过去按年限自然晋升的路径，可以转向按问题复杂度、责任范围和人机协作能力升级；初级员工不必花数年重复制作基础材料，但需要更早进入业务现场。AI可以压缩低价值学习，却不应压缩成长本身。

　　10

　　企业谈AI能力建设时，通常先想到普通员工和技术团队，但真正决定转型质量的往往是中层管理者。他们最了解团队实际工作，却也承受成本、进度和绩效压力；他们需要判断哪些任务可以改变，如何重新分工，以及AI输出出现问题时由谁承担责任。没有管理者参与，AI很容易停留在个人工具使用层面。

　　管理者首先需要学会设计工作，而不只是分配工作。过去的管理动作是把任务交给员工、检查进度并评价结果；未来还要决定任务由人、AI还是人机组合完成，并设置验证节点和升级机制。这已经接近一种新的运营设计能力。

　　其次，管理者需要识别“表面高效”。团队提交速度变快，并不代表客户问题解决得更好；会议纪要更完整，也不代表决策更清晰；代码产量增加，更不代表系统稳定性提高。管理者必须把AI产出重新连接到业务结果，而不是被可见的数量变化吸引。

　　管理者还承担人才迁移责任。员工原有任务被自动化之后，是将其推向更复杂的工作，还是让其长期停留在AI输出审核层，直接决定员工能否形成新的竞争力。只要求员工“自己学习AI”，实际上是把组织转型成本转嫁给个人。

　　企业可以把AI时代的管理能力拆成几项可观察行为：能够完成任务拆解，能够设计人机协作流程，能够识别模型风险，能够辅导员工转向高价值工作，能够用业务指标验证AI收益。这些行为应当进入管理者选拔、培训和绩效评价，而不是停留在倡议中。

　　AI转型如果只有工具升级，没有管理能力升级，最终只会形成一个运行速度更快的旧组织。

　　11

　　在这一轮变化中，HR最容易被放到流程末端。业务和技术团队先决定引入AI，财务部门测算效率，管理层确定组织规模，随后由HR处理岗位调整、招聘和沟通。如果HR只在最后阶段进入，就只能管理结果，无法影响形成结果的逻辑。

　　HR需要更早参与AI业务案例的设计。每一个自动化项目不仅要说明节省多少时间，还要说明涉及哪些任务、影响哪些岗位、需要增加哪些审核职责、员工是否具备迁移可能，以及对人才梯队有什么长期影响。人力影响不应是技术方案上线后的附录。

　　在岗位层面，HR要推动任务化分析和动态职位说明书。岗位不能每隔数年才更新一次，而应根据工作流变化持续调整能力要求、责任边界和职级价值。只有这样，招聘标准、内部流动和薪酬体系才能跟上业务变化。

　　在绩效层面，HR要防止企业把AI使用次数变成绩效捷径。真正需要衡量的是员工如何利用AI改善结果、减少风险、服务客户和沉淀组织能力。工具使用可以进入发展对话，但不宜替代对工作价值的判断。

　　在能力层面，HR要从“培训覆盖率”转向“技能迁移率”。完成课程的人数、学习时长和证书数量，无法证明员工已经能够承担新工作；更有意义的指标，是有多少员工完成了真实流程改造，有多少人从收缩岗位迁移到增长岗位，有多少关键能力通过内部培养得到补充。

　　在组织层面，HR还需要建立更灵活的人才配置方式。面对快速变化的技能需求，企业不能只依靠岗位招聘，可以综合运用内部项目制、短期专家、跨部门人才池、外部合作和AI代理。关键不是追求某一种用工形式，而是让任务尽快匹配到合适的人与技术组合。

　　12

　　面对AI带来的效率变化，企业常常过早进入两种选择：减少岗位，或者招聘新人才。实际上，在两者之间还存在大量可用的管理动作，包括冻结自然补员、调整岗位空缺、内部转岗、短期轮岗、重新培训、工作共享和流程再设计。成熟的劳动力规划，应当比较这些方案的成本、速度和长期影响。

　　对业务需求已经明显下降、任务高度标准化且AI表现稳定的工作，企业可以减少外部招聘并通过自然流动逐步调整规模。对仍然需要专业判断、但基础制作大幅自动化的岗位，更适合重新设计职责和提高服务范围。对出现全新技术要求的岗位，则需要判断内部培养是否来得及。

　　内部迁移的价值经常被低估。熟悉企业产品、客户、流程和文化的员工，即使缺少部分AI技能，也可能比外部成熟人才更快形成实际生产力。AI工具知识可以在数月内学习，复杂业务语境却往往需要数年积累。

　　外部招聘仍然不可替代，但应聚焦真正稀缺的能力。AI基础设施、数据工程、模型评估、AI安全和复杂系统架构等领域，通常需要成熟专业人才；而普通员工的AI协作能力，则更适合通过广泛训练和工作重构建设。企业如果把所有AI需求都包装成高端岗位，只会制造内部能力断层。

　　劳动力规划还需要增加情景分析。企业可以分别模拟AI效果低于预期、符合预期和高于预期时的人员需求，提前设置调整触发点，而不是一次性确定未来数年的编制。这样既能保持成本纪律，也能减少因过度乐观而反复裁撤与回补。

　　这套框架最终需要回答的，不是企业能否用更少的人完成昨天的工作，而是能否用更合适的人机组合完成明天的工作。前一个问题只指向效率，后一个问题才连接增长、创新和组织韧性。

　　13

　　对于中国企业而言，AI工具普及速度可能快于组织制度调整速度。员工已经开始用AI写报告、生成方案、整理会议和处理数据，但很多企业的岗位说明书、绩效指标、晋升标准和权限制度仍然停留在原有状态。个人生产方式发生变化，组织管理系统却没有同步更新。

　　这种错位会带来两类结果。一类是员工使用AI提高效率，却因为工作量和评价方式不变，只能把节省的时间继续投入更多任务；另一类是管理者看到局部效率后，直接推算岗位缩减空间，却没有评估质量、风险和业务增长可能。两种做法都会削弱员工主动使用AI的意愿。

　　中国企业还拥有一个容易被忽略的优势，即大量员工积累了丰富的业务场景知识。制造、零售、金融、物流、互联网服务和专业服务行业中，真正难以复制的往往不是工具本身，而是对客户、流程和本地环境的理解。如果企业能够把这些知识与AI结合，内部人才可能比单纯引进技术人员更快创造价值。

　　这要求HR建立跨职能人才机制。业务专家需要与技术团队共同设计场景，年轻员工可以承担工具试验和流程记录，管理者负责结果判断与资源协调，风险团队则提供边界控制。AI能力不能被隔离在技术部门，也不应被简化成全员参加同一门课程。

　　薪酬体系同样需要调整。市场为AI人才支付高溢价，不意味着所有带有AI标签的岗位都应大幅加薪；企业应当判断技能稀缺度、业务价值和替代成本。真正值得溢价的，是能够稳定创造结果、形成组织方法并承担复杂责任的人才。

　　对于尚未出现大规模裁员压力的企业，现在反而是更好的准备窗口。等到业务下行、成本压力和技术升级同时出现，再临时决定哪些岗位需要减少，往往只能采取粗颗粒度动作。提前完成任务盘点和技能地图，才能在变化到来时拥有更多选择。

　　14

　　未来30天，企业不必立刻启动大规模组织调整，可以先选择三到五条高频工作流进行任务盘点。每条工作流都要记录参与岗位、任务耗时、输入数据、决策节点、异常情况和最终责任人，并识别AI已经被员工实际使用的环节。真实使用情况往往比管理层设想更复杂，也更有价值。

　　这轮盘点的目标不是寻找最多的可裁岗位，而是找到价值流失最明显的环节。有些流程的问题是重复劳动过多，有些是信息分散，有些是审批层级过长，还有些是缺少判断标准。AI只有解决了真实瓶颈，才可能形成组织收益。

　　随后30天，可以围绕这些工作流开展人机协作试验。试验需要同时记录速度、质量、返工、风险、员工体验和客户结果，不能只比较完成时间。涉及关键决策的流程，还应保留人工对照组，以判断AI究竟带来了增益，还是只改变了工作表面。

　　试验期间，企业要特别记录新增工作。员工是否花费更多时间验证内容，技术团队是否需要反复处理权限和数据，管理者是否增加了异常协调，客户是否需要更多解释，这些都会进入AI的真实成本。没有这部分记录，投资回报测算很容易过度乐观。

　　最后30天，企业可以根据验证结果调整岗位和绩效。被AI稳定承担的任务，可以从岗位职责中移出；需要人机协作的任务，应当补充审核责任和能力要求；仍然依赖人类判断的任务，则要提高其在职级和薪酬中的权重。培训计划也应围绕这些新职责展开。

　　完成这三轮验证后，企业才适合讨论更大范围的编制、招聘和组织结构。这样形成的劳动力决策，基于真实工作流和业务结果，而不是媒体情绪、工具演示或同行动作。组织调整可能仍然必要，但它会更加准确，也更不容易在数月后重新回补。

　　结语

　　2026年的科技劳动力市场已经给出了清晰信号：AI确实在减少部分任务和岗位需求，但它同时创造了新的能力缺口，并提高了判断力、专业知识和结果责任的价值。裁员与扩招同时发生，不是市场数据互相矛盾，而是旧技能供给与新工作需求正在快速分离。

　　约16.5万人的裁员数字说明组织结构调整已经进入现实阶段，2.9%的科技职业失业率说明技术人才需求并未整体消失，AI岗位接近8倍的增长速度和62%的薪资溢价则说明价值正在向新的能力组合迁移。任何只选择其中一个数字的管理判断，都可能把企业带向错误方向。

　　对企业高管而言，AI转型的核心任务不是批准更多工具，也不是提前宣布更精简的组织，而是重新设计工作、责任和价值创造方式。对HR负责人而言，真正重要的能力也不再只是控制编制、完成招聘和组织培训，而是帮助企业识别任务变化、迁移人才、重建绩效并保护未来的人才梯队。

　　下一阶段的竞争，不会发生在“裁得更多”与“招得更多”之间，而会发生在“谁能更快重构技能、岗位和工作流”之间。

　　有些企业会把AI当作一次人员成本调整，得到一张更小的组织架构图；另一些企业则会借此重新配置人力，让机器承担规模化执行，让人进入判断、创新、关系和责任更集中的位置。当AI工具差距逐渐缩小时，组织能力的差距会变得更加醒目。

　　真正领先的企业，不一定拥有最多AI人才，也不一定最早减少岗位，而是能够在技术变化与人才成长之间建立稳定的转换机制。它们不会只问“还能减少多少人”，而会持续追问：现有员工能否被重新部署，新的能力能否被规模化复制，释放出来的产能能否转化为客户价值和业务增长。

　　这才是16.5万科技裁员背后，最值得企业高管和HR负责人看到的部分。AI没有让人才战略失去意义，反而让粗放的人力管理越来越难以维持。 劳动力规划的真正对象，正在从人数变成技能，从岗位变成任务，从成本控制变成组织重新配置能力。

　　参考资料

　　1. ValueAddVC， Tech Layoffs 2026: Which Companies Are Still Cutting and Who’s Hiring Again https://valueaddvc.com/blog/tech-layoffs-2026-which-companies-are-still-cutting-and-whos-hiring-again

　　2. AgenticCareers， AI Was Blamed for 23% of 2026 Layoffs， Yet Companies Are Rehiring https://agenticcareers.co/blog/ai-layoffs-rehiring-2026

　　3. PwC， 2026 Global AI Jobs Barometer https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html

　　4. PwC， AI Reshapes Global Labour Market into Two Distinct Paths， Rewarding Human Skills https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html

　　5. Robert Half， The AI Hiring Paradox: Why Demand for Talent Remains Strong https://www.roberthalf.com/us/en/insights/research/ai-impact-on-hiring-demand

　　6. CompTIA， Tech Hiring Momentum Continues as Tech Occupations and New Job Postings Increase https://www.prnewswire.com/news-releases/tech-hiring-momentum-continues-as-tech-occupations-and-new-job-postings-increase-comptia-analysis-reveals-302816985.html

　　7. SkillSyncer， 2026 Tech Layoffs Tracker https://skillsyncer.com/layoffs-tracker

　　8. Reuters， AI Will Not Trigger Employment Collapse， Staffing Company Adecco Group Says https://www.reuters.com/business/ai-will-not-trigger-employment-collapse-staffing-company-adecco-group-says-2026-07-23/

　　原文链接：https://mp.weixin.qq.com/s/_31Lg-td4fpHiXzhk_RSyg