深度解读AI与职业三年震荡：大模型时代的职场规律与AI变现

type

status

date

slug

summary

category

icon

password

网址

伍晖创新与人才独立研究者、腾讯研究院AI特约研究鹅

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...