来源：HRflag

　　企业并没有停止招聘，但收入增长开始不再依赖员工数量同步增长。比公开裁员更深刻的变化，是岗位在离职之后悄悄消失，工作在组织内部重新分配，而一批拥有2—10年经验的员工被推到了职业转型的前线。

　　核心判断： AI对工作的影响，正在从“某个工具能不能替代某个岗位”，转向“企业还需不需要按照过去的速度补充员工”。

　　2026年7月19日，一份围绕摩根士丹利《AI采用与工作的未来：行业深度研究》的报道，把企业正在发生的用工变化重新推到聚光灯下。基于AlphaWise对美国、英国、德国、日本和澳大利亚808家公司的调查，研究覆盖银行、软件服务、科技硬件与半导体、专业服务等五个高度暴露于AI的行业。过去12个月，受访企业有12%的岗位被取消，15%的岗位在员工离职后不再补招，同时新增了22%的岗位，最终形成约5%的净岗位减少。

　　这组数字最容易被理解成又一份“AI导致裁员”的报告，但真正值得企业高管和HR负责人关注的，并不是那个净减少5%的结果，而是它背后的计算方式。 企业并不是简单地把一批员工交给AI替代，而是在通过减少补招、重新配置岗位、加快内部调动和扩大新能力招聘，逐步改变组织的人力密度。 这是一场比公开裁员更安静、更分散，也更难被传统人力资源指标捕捉的组织调整。

　　与此同时，受访企业报告的AI平均生产率提升达到9.6%，IT与软件开发、客户服务、财务运营等流程密集型职能收益最为明显。英国企业报告的生产率提升甚至达到10.3%，但其净岗位减少也高于整体水平，这说明效率提升与员工规模之间已经出现明显分离。企业可以在收入继续增长、业务规模继续扩大的情况下，保持员工总数稳定，甚至让员工数量缓慢下降。

　　12%

　　岗位取消

　　15%

　　不再补招

　　22%

　　新增岗位

　　-5%

　　净岗位变化

　　01

　　岗位并不是突然消失，而是在离职后不再回来

　　过去讨论AI与就业，公众最熟悉的场景是企业宣布裁员，媒体统计人数，员工感受到明确冲击。这种变化虽然剧烈，却相对容易识别，因为它会出现在公告、新闻和劳动力统计之中。但摩根士丹利的调查揭示了另一条更隐蔽的路径：一个员工正常离职、退休或者内部流动之后，企业没有立即招聘替代者，而是先观察AI能否承担其中一部分工作，再把剩余任务分配给团队、共享服务中心或者新设岗位。

　　在摩根士丹利的调查中，不再补招的岗位比例达到15%，甚至高于被直接取消的12%。这意味着，假设一家企业原来有1000个相关岗位，过去一年可能有120个岗位被明确取消，同时有150个岗位随着人员流出而不再填补，企业又围绕AI、数据、产品和新业务招聘了220人。最终的员工数量只是减少50人，但组织内部已经有近三成岗位发生了取消、冻结或者新生。

　　如果只看员工总数，这家企业似乎没有发生剧烈变化；如果看工作结构，它实际上已经完成了一轮相当大规模的重组。老岗位留下来的任务被拆分，新岗位吸收了一部分价值链，高频重复工作被自动化，剩余员工开始承担更复杂的判断、协调和责任。 员工数减少5%，不等于只有5%的组织受到影响，真正发生变化的可能是数倍于此的岗位、任务和协作关系。

　　摩根士丹利2月公开的第一轮调查也呈现了相近轨迹。该轮调查覆盖四个、五个行业的935名企业高管，结果显示11%的岗位被取消、12%不再补招、18%为AI创造的新岗位，净岗位减少约4%；与此同时，受访企业报告平均生产率提升11.5%，27%的员工在过去一年接受了再培训。两轮调查的样本行业有所不同，不能简单合并计算，但“岗位减少与新岗位创造同时发生”的方向高度一致。

　　这也能解释为什么2026年的劳动力市场出现了一种看似矛盾的局面。一边是企业不断宣布AI投资、招聘数据工程师、AI产品经理、模型风险专家和业务转型人才，另一边却是整体招聘趋于谨慎，部分传统岗位的职位空缺持续减少。岗位不是因为“没有工作”而消失，而是因为原本构成岗位的任务被重新组合之后，企业不再认为必须按照过去的一人一岗方式配置人力。

　　2026年上半年，美国科技企业宣布的岗位削减达到139156个，同比增长83%，约占美国全部已宣布岗位削减的三分之一。AI被列为连续四个月最主要的岗位调整原因之一，但宏观经济、成本优化和业务重组也同时发挥作用，因此不能把所有变化简单归因于AI。真正值得警惕的不是某一个惊人的总数，而是企业的用工逻辑已经从“业务增长就增加编制”，转向“先验证现有人力与AI能否吸收增量，再决定是否招聘”。

　　02

　　“不补招”为什么比公开裁员影响更深

　　公开裁员通常是一项具有明确开始和结束时间的管理动作，企业需要确定对象、计算成本、完成沟通并进行组织修复。不补招则没有清晰边界，它可能藏在年度预算、岗位审批、招聘冻结、人员流动和团队合并之中，也可能持续一年甚至更长时间。每一次单独决定看上去都很小，累积起来却会改变组织的年龄结构、人才梯队和知识传承方式。

　　过去，一名员工离职后，管理者通常会获得一个相同职级、相近薪酬的替代编制。现在，管理者首先需要回答的是：这个岗位的工作有多少可以由AI承担，有多少可以通过流程重构消除，有多少能够交由其他成员完成，还有多少必须重新招聘。如果剩余任务不足以支持一个完整岗位，原编制就会被取消，或者被换成一个能力结构完全不同的新岗位。

　　这使自然减员从一种被动的人事现象，变成了主动的组织设计工具。员工离职不再只是人才流失，也成为企业重新评估工作价值的触发点；岗位空缺不再自动意味着招聘需求，而是一次重新计算人机分工的机会。 过去的组织优化往往从“要减少多少人”开始，AI时代的组织优化越来越可能从“哪些岗位不必原样补回来”开始。

　　这种方式对企业具有明显吸引力。它减少了集中调整带来的组织震荡，也让成本释放更平滑，还可以根据技术成熟度逐步验证效果。对员工而言，它却可能带来更持久的不确定性，因为团队人数在缓慢减少，工作边界不断扩张，而岗位安全感并不会随着一轮调整结束而恢复。

　　更重要的是，自然减员会逐渐改变晋升通道。许多基层岗位过去不仅承担具体工作，也为新人提供训练场，为中层岗位输送候选人。当这些岗位不再补招，企业短期看减少了成本，几年后却可能发现人才梯队出现断层。没有足够多的初级员工经历真实业务、接受反馈和积累判断力，未来的专家和管理者也就缺少稳定来源。

　　因此，高管在看到“不补招”带来的财务收益时，还需要同时追问三个问题：原岗位承担的隐性工作流向了哪里，团队是否因为人员减少而把风险转移给少数骨干，未来需要的专业人才将从哪里产生。员工数量可以通过预算控制迅速下降，但经验、判断和组织记忆并不会自动由AI补上。

　　03

　　收入增长与员工数脱钩，正在改变管理层的经营预期

　　传统企业的增长通常伴随着员工数量增长。订单增加意味着销售、交付、运营、财务和客服同步扩张，收入曲线与人员曲线大体保持一致。即使企业不断实施数字化，管理层仍习惯按照业务增量估算编制，再通过人均产出判断效率。

　　AI正在松动这一关系。当软件开发、客户服务、财务处理、知识检索、营销内容和运营分析的边际成本下降，企业可以在不同比例增加员工的情况下承接更多业务。收入继续增长，但员工总数保持稳定；业务复杂度上升，但部分支持职能不再同步扩大，这将逐渐形成“收入增长、利润改善、员工数低增长甚至负增长”的新经营组合。

　　这并不意味着所有企业都会变成所谓的“极小团队”。规模仍然重要，客户关系、线下服务、复杂工程、风险管理和组织协作依然需要大量人力。变化在于，管理层不再把员工增长视为业务增长的必然结果，而会要求每一个新增编制证明其价值无法通过AI、流程改造、共享能力或者内部调动实现。

　　摩根士丹利自己的实践提供了一个颇有意味的案例。其财富管理业务把AI嵌入知识检索、研究摘要和客户会议整理等流程，目前超过98%的顾问团队使用内部AI助手，员工可访问的文档范围从约20%提升至80%，过去需要数天完成的部分跟进工作缩短到数小时。关键并不是用系统直接替代顾问，而是让顾问减少搜索、整理和记录，把时间转向客户关系、判断与服务。

　　这类案例揭示了生产率提升的两种去向。一种是把节省下来的时间折算为人员减少，在既有业务规模下压缩成本；另一种是把同样的时间投入更多客户、更快产品迭代和更高质量服务，从而扩大收入。前者形成效率收益，后者形成增长收益，企业的战略选择决定了AI最终表现为“岗位替代”还是“价值扩张”。

　　普华永道2026年全球AI就业晴雨表分析了六大洲超过10亿条招聘信息，发现AI暴露程度更高的企业，生产率增长比暴露程度更低的企业高40%，而且这些企业的员工数量增长也更快。其结论并不是AI天然创造或者天然消灭岗位，而是企业如何使用生产率红利，会把劳动力市场带向两条不同路径：只追求成本削减的企业倾向于减少人员，用AI开拓新价值的企业则可能同时提高收入、工资和员工数量。

　　所以，未来衡量AI价值不能只看“节省了多少工时”。如果节省出来的时间被更多会议、重复审批和低价值汇报重新填满，所谓生产率提升只存在于工具使用层面；如果企业同步改变流程、决策权和价值交付方式，同样的工时节省才可能转化为客户增长、产品创新或者利润改善。 AI让收入与员工数脱钩的前提，不是员工用上了工具，而是组织能够把释放出来的能力重新配置到价值链上。

　　04

　　真正承压的为什么可能是2—10年经验员工

　　围绕AI就业影响，过去最常见的判断是新人最危险。新人通常承担资料搜集、基础分析、内容整理、代码测试、流程跟进等标准化任务，这些工作也是生成式AI最容易介入的领域。摩根士丹利第一轮公开调查确实发现，没有工作经验的早期职业岗位在取消和不补招方面受到的影响更明显。

　　但第二轮行业研究进一步显示，员工面临的变化不能只用“新人或者员工”来划分。2—10年经验员工在岗位取消、不补招、再培训和重新部署等多个维度上，都处于变化最密集的区域。报道还指出，企业未来一年仍然青睐2—10年经验的候选人，因为这部分人既理解业务，又较容易适应AI协作，这意味着他们不是简单地“不再需要”，而是同时成为组织最希望保留、也最需要重塑的一群人。

　　这看似矛盾，实际上符合企业的用工逻辑。拥有2—10年经验的员工已经积累了一定的业务知识和组织经验，但其中相当一部分人的价值仍建立在熟练执行、信息处理、跨部门跟进和流程协调之上。过去，这些能力足以支撑稳定晋升；现在，AI正在降低熟练执行的稀缺性，企业开始要求他们更快进入判断、设计、监督和结果负责的位置。

　　职业中段员工的另一个压力来自薪酬与岗位价值的重新比较。新人薪酬较低，专家拥有稀缺判断和客户关系，而中段岗位往往人数最多、成本已经明显上升，同时工作内容仍包含大量可标准化任务。当企业重新计算岗位投入产出时，这部分岗位自然会成为工作重构的重点。

　　但把这一现象概括为“中年员工被AI淘汰”并不准确。2—10年经验并不等同于年龄意义上的中年，报告反映的也不是这部分员工被集中裁撤，而是他们更频繁地进入再培训、调岗和岗位重组。 真正的风险不是经验年限本身，而是一个人积累了多年经验，却仍然主要依靠AI已经能够快速复制的执行能力创造价值。

　　过去，员工可以通过提高同一类工作的熟练度获得职业回报。做报表更快、写材料更稳、处理流程更熟、记住更多制度，通常意味着更高绩效和更大责任。AI进入之后，熟练度仍然重要，但企业更看重一个人能否定义问题、选择工具、验证结果、连接业务并承担最终责任。

　　这也是为什么一些职业中段员工会产生强烈落差。他们刚刚完成从新人到熟手的积累，组织却突然改变了对“熟手”的定义；过去需要五年形成的信息优势，可能被知识库和智能助手迅速压缩。员工并非没有能力，而是原有能力的市场价格发生了变化。

　　普华永道2026年的研究把这种分化称为AI带来的“双轨劳动力市场”。一类岗位因为AI而“专业化”，需要更多判断、领导力、创造力和专业责任；另一类岗位则因为AI降低门槛，使更多非专家能够完成过去由专业人员执行的工作。前一类岗位数量增长更快，工资增幅也更高，而后一类岗位的议价能力面临压力。

　　因此，职业中段员工未来最重要的跃迁，不是学会更多提示词，而是从“完成任务的人”转向“设计任务、审核结果并对业务结果负责的人”。只有会使用AI，可能很快成为基本要求；知道在什么场景使用、如何识别错误、怎样把输出嵌入业务，以及出现问题时如何承担责任，才会形成新的专业壁垒。

　　05

　　职业阶梯正在压缩，新人培养也必须重做

　　当基础工作被AI吸收，企业会自然地提高初级岗位的能力门槛。过去，新人可以从整理会议纪要、收集行业资料、制作基础报表和执行标准流程开始，在重复工作中理解业务。现在，AI可以在几分钟内完成这些任务，组织因而希望新人更早参与分析、沟通和判断。

　　普华永道发现，在AI暴露程度更高的初级岗位中，要求领导力、战略思考等传统高级技能的概率，是低AI暴露初级岗位的7倍。高度暴露行业的整体初级职位发布量趋于停滞，但那些已经被“高级化”的初级岗位自2019年以来增长了35%。这意味着企业并非完全停止招聘新人，而是在招聘“更像员工的新人”。

　　问题在于，判断力不可能仅靠课堂培训快速生成。今天的专业人员之所以能够审核AI输出，通常是因为他们过去完成过大量基础工作，见过错误、处理过例外，也承担过现实后果。如果企业删除基础任务的同时没有设计新的学习机制，新人可能会直接使用AI产出结果，却不知道结果为什么正确，也无法识别什么时候已经偏离业务现实。

　　这会造成一种新的能力悖论：组织越依赖AI提高初级员工产出，就越需要员工进行审核；但如果新人缺少形成专业判断的路径，几年后能够承担审核责任的人反而会变少。短期生产率提升可能以长期人才供给不足为代价，尤其是在金融、法律、咨询、工程、医疗和人力资源等高度依赖经验判断的领域。

　　企业需要重新设计职业起点，而不是试图恢复已经被AI吸收的低价值工作。新人仍然可以从真实业务开始，但学习单元应从“重复完成任务”改为“提出假设—调用AI—核验依据—处理异常—解释结果—接受反馈”。这样既能使用AI提高效率，又能保留形成判断力所必需的认知过程。

　　管理者也需要改变带教方式。过去，带教主要检查员工有没有完成任务；未来，管理者还要检查员工如何定义问题、用了哪些数据、为什么相信AI输出、识别了哪些风险，以及最终决策依据是什么。AI减少了部分执行性工作，却提高了指导、反馈和知识显性化的重要性。

　　06

　　离岸与外包岗位为什么会更脆弱

　　摩根士丹利的研究还提示，离岸和外包岗位面临更高暴露度。这并不是因为地域本身，而是因为过去能够被离岸或者外包的工作，往往已经完成了流程标准化、服务等级量化和知识文档化。企业能够把任务交给远程团队，通常意味着任务输入、输出、时间和质量标准已经相对清晰，而这些条件同样有利于AI接管部分工作。

　　传统外包模式的成本优势主要来自工资差异、规模效应和流程管理。AI加入之后，企业可以把一部分标准化任务交给模型或智能体，只将异常情况、质量审核和复杂沟通留给人员处理。原来需要按照交易量增加的人力团队，可能转变为少量流程负责人、领域专家和AI运营人员组成的混合团队。

　　这并不意味着外包产业会消失，而是价值结构将发生改变。单纯依赖低成本人力处理标准任务的模式会承压，能够提供行业知识、流程再造、合规控制、模型运营和端到端结果的服务商则可能获得新的空间。企业采购的不再只是“多少名员工、多少工时”，而是“能否以稳定质量交付某项业务结果”。

　　对企业内部HR而言，这意味着外部用工也必须纳入AI时代的战略人力规划。过去，正式员工编制受控后，业务部门往往通过外包、派遣或者项目制人员补充能力；如果只压缩正式员工而不分析外部工作，组织可能只是把成本从一个科目转移到另一个科目。未来的人力盘点需要同时覆盖正式员工、灵活用工、外包团队、共享服务中心以及数字劳动力。

　　对人力资源服务机构而言，挑战同样清晰。能够提供招聘人数和培训课时已经不足以形成稳定壁垒，客户会更关心岗位怎样重构、员工如何迁移、能力如何验证，以及AI介入后劳动关系和数据风险如何管理。 AI不会简单终结人力资源服务，但会压缩以信息不对称和标准化执行为核心的传统价值空间。

　　07

　　为什么银行、科技硬件和半导体可能成为净受益者

　　不同产业不会以相同方式经历AI转型。摩根士丹利的行业研究判断，银行、科技硬件和半导体更可能成为净受益行业，而软件与专业服务内部会出现明显分化。这个结论并不是说前者没有岗位调整，而是它们更有可能把AI效率转化为新的需求、收入和投资，从而抵消部分岗位减少。

　　银行拥有大量结构化数据、标准流程和高频客户交互，AI可以在知识检索、服务支持、风险识别、运营处理和个性化沟通中创造价值。同时，金融服务需要严格的合规控制、最终责任和客户信任，许多工作更可能被重构为人机协作，而不是完全无人化。效率提升释放的能力还可以用于扩大客户覆盖、改善服务响应和开发新产品。

　　科技硬件与半导体则处在AI基础设施扩张的上游。模型训练、推理、边缘计算和智能设备会持续增加对算力、存储、网络和设备的需求，AI不仅提高这些企业内部效率，也直接扩大其市场空间。即使部分职能岗位减少，研发、工程、供应链、客户解决方案和生态建设仍可能形成新增需求。

　　软件行业的分化来自一个更复杂的关系：AI既是产品能力，也是潜在替代者。能够把AI嵌入核心产品、掌握专有数据并重构客户流程的软件企业，可以扩大使用场景；主要依赖基础编码、标准功能和按人头收费的业务，则需要重新证明价值。客户开始关注结果而不是投入工时后，收入模式也会受到影响。

　　专业服务面临类似变化。AI可以快速生成研究摘要、市场材料、合同初稿、财务分析和咨询框架，使基础交付门槛下降；但复杂问题定义、利益相关者协调、专业判断和落地实施仍然需要人。未来的分化不会简单发生在公司之间，也会发生在同一家公司的不同团队之间：依赖标准报告的业务承压，能够结合行业知识、客户关系和执行能力的业务则可能获得更高杠杆。

　　这说明企业不能照搬行业平均值制定人力策略。即使处于所谓净受益行业，内部也会同时存在增长岗位、重构岗位和收缩岗位；即使行业整体承压，某些专业能力仍可能极其稀缺。真正有效的战略人力规划必须下沉到价值链、流程和任务层，而不是停留在行业标签与岗位名称上。

　　08

　　中国企业面临的变化可能更安静，也更复杂

　　中国企业不会机械复制欧美市场的用工轨迹。行业结构、劳动力成本、监管环境、业务增速和组织文化不同，决定了AI对岗位的影响会以不同节奏发生。很多中国企业仍处于业务扩张、产业升级和国际化过程中，AI既可能减少传统支持岗位，也会创造大量围绕研发、制造、供应链、营销、跨境运营和客户服务的新需求。

　　但“自然减员优先于公开调整”的趋势，在中国企业中同样具有现实基础。年度编制冻结、空缺岗位重新审批、共享服务集中、流程自动化和内部转岗，本来就是企业控制成本的常见方式。AI只是让这些工具拥有了更强的技术支撑，也让管理层更容易接受“业务增长不必对应员工数量增长”的经营目标。

　　中国市场的另一特点，是AI正在与实体产业深度结合。制造业中的工业视觉、设备运维、质量分析和供应链优化，零售业中的需求预测与智能客服，金融业中的知识检索和风险管理，都需要业务人员、技术人员和一线团队共同参与。许多岗位不会直接消失，但工作内容、技能要求和绩效标准会快速改变。

　　2026年7月，人力资源社会保障部、发展改革委、工业和信息化部、数据局联合发布《关于加快推进“人工智能＋人社”应用发展的实施意见》，明确提出建立人工智能就业影响评估体系和调查制度，并推动“岗位需求＋技能培训＋技能评价＋就业服务”四位一体联动。文件还提出构建紧缺岗位需求图谱、核心技术人才地图和个性化终身学习体系，这说明政策关注点已经从单纯推广AI应用，进一步转向识别岗位变化和降低转型冲击。

　　地方实践也开始从通用课程转向产业场景。深圳2026年数字技能学堂计划开设60门前沿技能课程、培养超过1万名数字技能人才，其中近60%的课程聚焦AI，覆盖工业视觉、智能客服、软件编程、电商、营销和智能运维等场景。课程设计强调把企业真实生产场景转化为实训内容，这比单纯教授工具操作更接近企业真正需要的能力迁移。

　　对于中国企业而言，最值得警惕的不是短期出现多少岗位减少，而是人才结构调整速度落后于业务结构变化。企业可能已经购买了工具、启动了试点，也要求员工使用AI，却仍然沿用过去的岗位说明书、绩效指标、晋升标准和培训体系。技术已经进入工作，组织制度却没有改变，最终容易形成员工更忙、管理更乱、价值却难以衡量的局面。

　　09

　　HR不能再只管理人数，而要管理工作组合

　　传统战略人力规划以人数为核心：业务需要多少人、人员成本是多少、招聘周期多长、离职率是否稳定。这套方法在相对稳定的岗位体系中有效，但当AI可以承担部分任务、员工可以跨岗位流动、智能体成为工作流程的一部分时，只计算全职员工数量已经不足以解释组织能力。

　　企业需要建立三本相互关联的账。员工账记录人数、成本、层级和流动；能力账记录组织拥有的技能、经验和专业判断；工作账则记录任务如何完成，由人、AI、外包还是共享团队承担。只有把三本账放在一起，高管才能知道员工数量减少究竟来自真正的效率提升，还是来自工作被转移给了剩余员工和外部供应商。

　　岗位分析也需要从职责清单转向任务组合。同一个“财务分析师”岗位可能包含数据收集、格式整理、差异分析、业务解释、风险判断和管理沟通，AI对每一项任务的影响完全不同。直接判断整个岗位会不会消失，既容易夸大风险，也无法指导具体行动。

　　更可行的方法是把工作划分为几种去向：可以稳定自动化的任务交给系统，需要人与AI共同完成的任务重新设计流程，依赖关系、判断和责任的任务强化人的角色，已经失去业务价值的任务直接取消。岗位是否保留，应当是任务重新组合后的结果，而不是转型讨论的起点。

　　这也要求HR与业务、技术、财务和风险团队共同工作。业务负责人知道价值来自哪里，技术团队知道AI能够做到什么，风险团队知道哪些环节必须保留人工责任，HR则需要把这些变化转化为岗位、能力、绩效、薪酬和流动机制。任何一方单独推动，都可能只得到一个局部更优方案。

　　AI时代，战略人力规划需要同时管理三本账

　　员工账： 人数、成本、层级与流动

　　能力账： 技能、经验、判断与专业责任

　　工作账： 任务由人、AI、外包或共享团队如何完成

　　10

　　再培训不能停留在“人人学AI”

　　世界经济论坛《2025未来就业报告》显示，到2030年，全球22%的岗位将经历结构性变化，预计新增1.7亿个岗位、替代9200万个岗位，净增加7800万个岗位。77%的受访雇主计划提升员工技能，41%预计因AI自动化部分任务而减少员工数量，接近一半计划把受影响员工转移到企业其他岗位。

　　这些数字说明，再培训已经成为企业的主流选择，但“开展培训”与“完成岗位迁移”之间仍然有很长距离。员工参加一场AI课程、获得一张证书，并不意味着能够进入新的工作。真正有效的再培训必须以明确的目标岗位、真实任务和用人承诺为前提。

　　很多企业的问题，是先采购一套通用课程，再要求所有员工完成学习。员工知道如何使用工具，却不知道学完后能承担什么新职责；业务部门没有为学员预留岗位，也没有改变招聘要求和绩效标准。培训最终变成参与率很高、迁移率很低的活动。

　　面向职业中段员工的再培训尤其需要精准。企业应当先识别哪些人拥有可迁移的业务知识，再分析目标岗位与现有岗位之间的技能距离，最后设计项目实践、导师支持和能力认证。一个熟悉客户需求的客服主管，未必需要转型为算法工程师，但可能适合进入对话设计、服务质量审核、知识运营或AI流程管理岗位。

　　培训的成果也不能只用课时和完课率衡量。更重要的指标是，有多少员工在学习后进入新任务，有多少人在六个月后稳定胜任新岗位，有多少外部招聘被内部人才替代，以及调岗后业务绩效是否达到要求。 如果培训没有连接岗位、项目和人员流动，它更接近员工福利，而不是组织转型。

　　11

　　内部调岗需要从“机会发布”变成基础设施

　　摩根士丹利的调查把再培训与重新部署放在同一张图里，这一点非常重要。员工学会新技能之后，如果组织仍然按照原部门边界管理编制，人才就很难流向增长领域。许多企业并不真正缺人才，而是缺少发现内部人才、验证能力和完成跨部门转移的机制。

　　内部人才市场不应只是一个发布职位的网页。它需要清晰的技能标签、岗位能力模型、项目机会、短期任务、导师资源和公平的转移规则，也需要解决原部门不愿放人、新部门不敢用人的现实问题。没有这些制度，所谓内部流动只能依赖员工个人关系和管理者协商。

　　对职业中段员工而言，项目制流动可能比直接转岗更可行。员工可以先用20%或30%的时间参与新团队项目，在真实任务中验证能力，再决定是否正式转岗。企业因此降低了用人风险，员工也不必在缺乏信息的情况下完成一次高风险跳跃。

　　内部流动还需要与招聘预算联动。当增长部门申请外部编制时，系统应当同步识别内部可迁移人才，并比较培养周期、技能距离和招聘成本。如果外部招聘永远比内部转岗更容易审批，企业一边会拥有大量“需要再培训”的员工，另一边又会持续为相近能力支付更高市场价格。

　　对高管而言，内部流动率不应只是HR指标，而应成为AI转型进度的指标。技术改变越快，组织就越需要把人才从收缩任务转向增长任务。一个不能快速移动人才的企业，即使拥有先进AI工具，也很难把局部生产率转化为整体竞争力。

　　12

　　绩效管理必须区分“产出增加”与“价值增加”

　　AI最容易制造的管理幻觉，是每个人都能够交付更多文档、代码、分析和方案，于是组织看起来比以前更高效。问题是，产出数量增加并不等于客户价值增加，反而可能造成信息过载、重复工作和审核负担。员工使用AI生成十份材料，如果管理者需要花更多时间判断其中哪些可信，组织的净效率未必提高。

　　未来绩效管理需要从活动和产出，转向结果、质量与责任。员工是否使用AI可以作为工作方式的一部分，但不应成为独立的绩效目标；真正需要衡量的是交付速度是否改善、错误率是否下降、客户体验是否提升、收入或者成本是否发生变化，以及员工是否对最终结果保持有效控制。

　　微软2026年工作趋势指数发现，86%的AI用户把AI输出视为起点而不是最终答案，最受重视的人类能力包括AI输出质量控制和批判性思考。调查还显示，组织文化、经理支持和人才实践对员工报告的AI价值解释力达到67%，明显高于个人心态与行为的32%。

　　这意味着，把AI转型压力全部压给员工并不公平，也很难取得稳定结果。员工可以主动学习工具，但如果流程没有改变、数据无法访问、管理者不允许试验、绩效仍然奖励旧行为，个人努力很快就会触及组织天花板。AI采用表面上是员工能力问题，本质上越来越是管理系统问题。

　　管理者的责任也必须重新定义。未来优秀的管理者不只是分配任务和检查进度，还要决定哪些工作交给人、哪些交给AI，设置质量标准，组织经验复盘，并帮助员工形成新的专业能力。管理者如果自己不了解AI，却要求团队提高AI使用率，很容易把技术转型变成一场竞赛。

　　13

　　编制审批应该增加一张“工作重构说明书”

　　当业务部门提出新增岗位，过去通常需要说明业务增长、工作量和预算来源。未来还应增加一项要求：解释该岗位的核心任务、可自动化比例、人机协作方式，以及为什么现有团队、内部人才或数字工具无法承担。这不是为了机械压缩编制，而是迫使组织在招聘之前完成工作设计。

　　相应地，当员工离职后决定不补招，企业也不能只把它视为成本节省。业务负责人需要说明原有任务将如何处理，哪些任务被取消，哪些交给AI，哪些转移给团队，以及剩余员工的工作负荷是否合理。没有这一步，不补招很可能演变成隐性加班和关键人风险。

　　财务部门可以记录节省了多少人力成本，HR则需要记录释放了哪些能力、增加了哪些风险。假如一个岗位取消后，三名员工分别承担额外工作，团队短期仍能运转，但员工体验、质量和离职风险可能持续恶化。所谓效率提升，不能通过把不可见成本推迟到未来获得。

　　企业还需要给“暂不补招”和“取消”设定不同状态。部分岗位可以冻结三至六个月，观察AI与流程改造效果后再作决定；涉及关键控制、客户关系和专业传承的岗位，则不能因为短期工作量下降就直接取消。动态编制管理比一次性削减更符合AI能力持续变化的现实。

　　14

　　高管需要建立新的AI人力仪表盘

　　员工总数、人工成本和人均收入仍然重要，但它们已经不足以反映AI转型的真实状态。高管需要同时看到岗位取消率、不补招率、新岗位创造率、内部调岗率、再培训后岗位迁移率，以及AI节省时间最终流向了什么业务结果。只有这些指标放在一起，才能区分组织是在提升效率，还是单纯降低人数。

　　还需要观察团队层面的负荷与风险。关键岗位是否过度集中在少数人身上，AI生成内容的返工率是多少，管理者审核时间是否增加，客户投诉和运营错误是否发生变化，都是判断生产率是否真实的重要信号。人均产出上升，如果同时伴随质量下降和骨干流失，就不能被视为可持续改善。

　　人才结构指标同样需要进入经营讨论。初级岗位减少之后，组织的后备人才从哪里来；中段员工调岗之后，专业深度是否仍能积累；员工是否把隐性经验转化为可复用知识；新增AI岗位是否真正连接业务，而不是形成新的技术孤岛。这些问题不会立即出现在利润表上，却会决定企业三年后的组织能力。

　　高管还应当分别查看效率型AI和增长型AI。前者的价值主要体现为工时、成本和错误率下降，后者则体现在新客户、新产品、新收入和更广服务覆盖。两类项目如果混在一起，企业容易高估局部节省，低估增长机会，也可能把所有AI项目都推向人员削减。

　　15

　　一场真正有效的转型，可以从90天开始

　　企业不需要等到AI能力完全成熟才开始行动，但也不应在缺乏工作分析的情况下制定大规模人员目标。前30天可以选择两到三个高暴露职能，梳理岗位、任务、流程、数据和外部用工，建立当前工作基线。重点不是预测多少岗位会消失，而是识别哪些任务重复度高、规则清晰、数据可用，以及哪些任务必须保留人工判断。

　　接下来的30天，应当由业务、技术、HR和风险团队共同设计新流程。团队需要明确人和AI各自承担什么、交接点在哪里、最终责任属于谁，并用真实业务数据测试速度、质量和风险变化。只有验证了端到端结果，才有依据讨论编制和岗位调整。

　　最后30天则把流程变化转化为人才动作。企业需要确定哪些岗位扩张、哪些岗位重构、哪些员工需要培训、哪些人才可以内部流动，并同步调整绩效、激励和管理责任。所有不补招决定都应附带工作承接方案，所有再培训项目都应连接明确岗位或项目。

　　这90天不是为了完成整个AI转型，而是建立一种新的管理循环。技术能力会持续变化，岗位设计也不可能一次完成；企业需要定期回看任务分配、人员负荷和业务结果，把AI转型变成持续的组织学习过程。能够快速学习和重新配置工作的企业，才更可能把生产率红利变成长期优势。

　　麦肯锡2026年对750名员工和管理者的调查发现，70%的受访者认为自己已经准备好采用AI，但只有27%的管理者认为组织已经做好相应转型准备；组织准备度对AI价值差异的解释力接近个人准备度的两倍。真正领先的企业并不是拥有最多AI试点，而是能够重新设计流程、岗位、决策和管理方式。

　　结语

　　AI淘汰的不是所有岗位，而是旧的用工假设

　　摩根士丹利调查中的净岗位减少5%，不是一个可以直接套用到所有企业的预测。样本集中在AI暴露度较高的五个行业，数据来自企业自报，而且不同、行业和公司规模之间存在明显差异。它更适合作为早期信号，而不是确定性的裁员比例。

　　但这份报告揭示的用工逻辑已经足够清晰。岗位取消只是变化的一部分，不补招、再培训、内部调岗和新增岗位共同构成了真实图景。企业不是简单从“需要人”走向“不需要人”，而是从按照岗位配置人力，逐渐转向按照任务、能力和结果配置人机组合。

　　对员工而言，最危险的也不是某一个年龄或者职级，而是长期停留在已经高度标准化、能够被迅速复制的价值区间。新人需要更早形成判断力，职业中段员工需要把经验转化为问题定义和结果责任，员工则需要把隐性知识沉淀为组织能力。每一个职业阶段都在变化，只是变化方式不同。

　　对HR而言，这场转型远远超过一次技能培训或者编制优化。岗位体系、绩效标准、人才盘点、学习发展、内部流动、管理者责任和外部用工都需要重新连接。 如果HR仍然只统计人数，AI带来的工作重构就会发生在视野之外；如果HR开始管理任务、能力和流动，就有机会成为组织转型的核心设计者。

　　对企业高管而言，最值得追问的也不再是“AI能减少多少人”。更重要的问题是，生产率提高之后，组织准备把释放出来的能力用到哪里；如果只是把它转化为更少的人，企业可能得到一轮成本改善，如果把它转化为更好的产品、更广的客户覆盖和更快的创新，才可能建立新的增长曲线。

　　AI时代真正的分界线，不会简单出现在采用技术与拒绝技术的企业之间，而会出现在两类组织之间：一类把AI当作压缩人力的工具，另一类借此重新设计工作、培养人才并扩大价值。前者可能更快看到数字变化，后者更有机会把效率变成持续竞争力。

　　未来几年，企业不会因为少招聘了多少人而领先，而会因为更早回答了一个更难的问题而领先：当收入增长不再要求员工数同步增长，组织究竟应该怎样配置工作、培养人才，并让每一个留下来的人创造更高价值。

　　参考资料

　　1. Morgan Stanley， AI’s Impact Accelerates

　　2. AlphaWise Wave 2 Survey：银行、软件、科技硬件与半导体、专业服务行业调查

　　3. PwC， 2026 Global AI Jobs Barometer

　　4. World Economic Forum， Future of Jobs Report 2025

　　5. Microsoft， 2026 Work Trend Index

　　6. McKinsey， From Adoption to Impact: Three Horizons of AI Transformation

　　7. 《关于加快推进“人工智能＋人社”应用发展的实施意见》

　　原文链接：https://mp.weixin.qq.com/s/3ZzToysmY7z5mxRz1NQzXQ