在裁掉岗位之前，AI 先分拣任务

关于 AI 裁员的争论，大多卡在一个错误的计量单位上：把「岗位」当成一个整体，追问它会不会消失。真正在承压的从来不是岗位这个名称，而是名称底下那一串具体任务。一个数据录入员的一天，既有把纸质表格转成结构化字段的机械录入，也有核对异常、追问缺失信息、判断哪张单据可疑的环节。前者几乎可以被现有模型整段接手，后者仍然要人来兜底。把这两类任务混在一个职位名里一起算，得到的只能是「会消失还是不会消失」这种没有操作价值的答案。

国际劳工组织 2025 年与波兰 NASK 的联合研究给出的口径正是任务级的：全球约四分之一的就业处于生成式 AI 的暴露范围内，在高收入国家这一比例升到 34%，低收入国家只有 11%。但研究者反复强调的一句话是「很少有岗位由完全可自动化的任务构成」，因此「岗位的转型，而不是消失，才是最可能的结果」。世界经济论坛的《2025 未来就业报告》用另一组数字指向同一件事：到 2030 年预计 22% 的岗位会被扰动，其中约 9200 万个被取代，同时新增约 1.7 亿个，净增约 7800 万，全球核心技能约有 39% 需要更新。裁员与新增在同一张表里并存，说明发生的是任务在岗位之间的重新分拣与重新组合，而不是就业总量的整段蒸发；被扰动的岗位里，多数是任务构成被改写，而非整体归零。

把任务当成计量单位之后，第二个容易混淆的地方是：一项任务「暴露」在 AI 面前，不等于它明天就会被替代。伦敦大学学院的 Henseke 在《从暴露到采用》里用欧洲工作条件调查数据说明，暴露、采用和岗位后果是三件需要分开测量的事——技术上能做、企业愿不愿意上、上了之后是补人还是减人，是三道独立的门；任务的重新组织本身就是一条重要的调整边际，而不是简单的「替换」。暴露度衡量的是技术潜力，不是已经落地的替代率，两者之间隔着采用成本、监管顾虑和质量责任。

国际劳工组织自己的修订就是证据。相比两年前，这次不少文书类任务的暴露分数反而下调了：像会议纪要、日程安排这类工作，早期评估高估了「完全自动化」的潜力；真正用过两年工具之后，研究者把「理论上可自动化」和「实践中值得交给它」区分开来，把很多任务从「机器独立完成」重新归到「机器辅助、人来把关」。Klarna 是最直白的教训。这家瑞典金融科技公司把员工从 5500 人压到 3400 人，起初省下约一千万美元，但客服质量随之下滑、投诉累积，2025 年年中管理层开始回聘，CEO Siemiatkowski 承认公司「在自动化压倒客户体验这件事上走得太远」。把暴露度高的任务整段外包给模型，并没有省下钱，只是把质量风险搬到了客户那一侧。

要判断一份工作会怎样承压，可以把它拆成四类任务来称量：重复生产、信息整理、判断负责、客户信任。这四类离 AI 的距离不一样，承压方式也不一样。

重复生产——格式转换、初稿撰写、标准应答——暴露度最高，也最先被压缩；劳工组织的研究里，文书和行政岗位正是因为这类任务占比高而排在暴露度前列，数据录入、文档格式化、日程安排这些工作模型已经能高效接手。信息整理——把分散资料汇总、检索、比对——大多会被「重组」，而不是被删掉：AI 做初筛，人做终审。IBM 的客服平台可以自动处理约 94% 的常规咨询，但需要判断的复杂个案仍然回到人手上；把这看成「岗位消失」是误读，它更像是同一个岗位里，机械问答被抽走，判断和兜底被留下并放大。判断负责和客户信任这两类，短期内很难外包：由谁签字、由谁担责、客户愿不愿意把敏感问题交出来，这些不是模型能替企业承担的。

值得注意的是，暴露度的分布并不均匀。劳工组织发现，在高收入国家，处于最高自动化风险的岗位占女性就业的约 9.6%、男性的约 3%；放到全球，女性约 4.7%、男性约 2.4%——文书类岗位女性占比更高，使她们更多落在承压一侧。而 AI 越是压缩重复任务，判断和管理能力越显稀缺：世界经济论坛的调查里，63% 的雇主把技能缺口列为业务转型的最大障碍，85% 打算优先再培训现有员工，约九成预计对 AI 与分析类技能的需求会上升。暴露度高和被替代是两回事；真正稀缺的能力，反而在被 AI 压得最紧的岗位里更值钱。

到了真正动手裁员这一步，数字里其实藏着两种公司。一种在裁之前做过任务级的盘点，清楚哪些任务能交出去、交出去之后由谁接住；另一种只是把人力成本当成可以立刻削掉的数字，先裁了再说。

真正发生的自动化其实范围很窄——集中在客服、行政支持和数据处理这些高频、规则化、入门级的任务上；Gartner 也发现，最脆弱的岗位往往共享同样的特征：大批量、按规则、偏入门。问题在于，很多公司把这块窄窄的自动化，当成了对整支队伍动刀的理由。

两者的结果正在分叉。Gartner 对 350 家大型组织的调查发现，约 80% 在 AI 项目里削减了人手，但更大的裁员幅度和更强的财务表现之间没有可见关联，只有 8.4% 的 HR 负责人认为 AI 重组兑现了当初的承诺，约九成表示如果重来会重新考虑。回聘正在成为常态：Careerminds 对 600 位 HR 的调查里，32.7% 的公司回聘了四分之一到一半的裁撤岗位，35.6% 回聘了一半以上。福特在自动化质检系统漏检缺陷后，重新招回约 350 名有经验的工程师。Forrester 的分析师则说，两百多家客户里绝大多数至今说不清 AI 投入带来了多少可量化回报。一位分析师把这种操作直接点破：很多裁员只是「把工资单转成资本开支」，用创新叙事包装成本削减，给投资人一个好看的说法。分不清任务的裁员，省下的往往是账面数字，赔掉的是交付质量和积累多年的组织记忆。

所以诚实的答案既不是「AI 不会动你的工作」，也不是「你的岗位迟早消失」，而是一次任务级的取舍：重复生产类会被压缩，信息整理类会被重组成「AI 初筛加人工终审」，判断负责和客户信任类在可见的将来仍然握在人手里，而且因为稀缺会更值钱。

但要把这个判断用在裁员决定上，还差一个坐标。暴露度只说明模型能不能接手某项任务，它没有说这项任务一旦出错要付出多大代价、错了还能不能收回。有些任务暴露度很高、模型确实能起草，可一旦答错，代价极大甚至无法挽回——一份报价、一条合规意见、一段客户关系，交出去容易，出了错再想追回来就难。真正决定该先动哪里的，是暴露度乘以可逆性：既高度暴露、又出错成本低、随时能回退的任务，才是可以最先交给模型、相应岗位也最先能精简的部分；暴露度同样高、可一旦出错代价高、难以回退的任务，不管看起来多「可自动化」，都应该继续压在人手里。

于是值得盯住的触发条件很具体：一家公司的裁员安排，是不是按暴露度乘可逆性来排序、照这个顺序动手——先削那些既高度暴露、错了又能低成本回退的任务，把高暴露高代价的部分留住；还是先定一个总人数或成本目标，再倒推该裁谁。一个清晰的反证信号是：如果裁员公告里只有总人数和降本数字，看不到任何按暴露度和可逆性做的排序，紧接着又开始安静地回聘——那说明这轮裁员对齐的是人头指标，暴露度乘可逆性根本没进过决策；被回聘补回来的，往往正是那些高暴露却高代价、本就不该只凭「能自动化」三个字就砍掉的岗位。按暴露度乘可逆性来排裁员的先后，才是一次能力重构；按人头目标一刀切、再靠回聘找补，只是一次昂贵的返工。