别吃掉公司的种子：负责任的 AI 降本

企业用 AI 降本，第一眼看到的永远是工资单。一个客服岗、一个初级分析师、一个 HR 事务岗，成本清清楚楚写在损益表上，砍掉它，季度利润立刻好看。真正的麻烦在于，同一批人还在做另一件不进账本的事：把经验传给新人、在处理疑难个案时积累判断、维系客户对这家公司的信任。这部分产出没有会计科目，衡量不了，砍人的时候也就顺手一起砍掉了——就像农户在青黄不接时，把来年要下地的种子提前吃进了肚子，账面上似乎熬过了这一季，代价要等到下一季才显形。

这是有数据支撑的判断，不是道德感慨。一项覆盖 114 篇研究、19,952 家公司、905 个效应值的元分析给出的结论并不含糊：裁员在长期几乎不带来财务收益。裁员公告当天，市场确实有负面反应，但两天之内就会消失；而公司内部的会计绩效，在裁员两年之后反而更差。研究者进一步区分了动机：为止损而做的防御式裁员，市场反应最负面。他们直接写道，裁员的所谓好处在绝对意义上通常算不上长期财务收益，更像是在下行周期里勉强止损。换句话说，把降本简单等同于减人，多数时候连它自己承诺的那笔账都算不平。

过去两年最诚实的样本，来自那些在自动化上走得最远的公司。金融科技公司 Klarna 在 2022 到 2024 年间削减了约 700 个客服岗位，用 OpenAI 驱动的助手接管了三分之二到四分之三的对话，员工总数一度从 3,800 降到约 2,000。但数字很快回摆：CEO Siemiatkowski 公开承认公司『走得太远』，过于看重效率和成本，结果是服务质量下降、并且不可持续；2025 年在美国上市后，公司重新招人，转向人机混合，并强调必须让客户随时能找到真人。IBM 的 AskHR 机器人能处理约 94% 的人力资源事务——查询、文档、休假审批——可剩下约 6% 需要判断和共情的个案留下了服务缺口，最终只能重新补人。

有两处细节值得管理层记在心里。第一，AI 稳稳接住的是高频、标准化的工作量，接不住的，恰恰是复杂度最高、最需要人来处理的那一小部分——而这一小部分，正是新人从生手成长为熟手的训练场。把它整块交给机器，等于把练兵场拆了。第二，一份面向企业管理者的调查显示，55% 的人后悔为了上 AI 而裁员，40% 的高管确实这么做过。后悔比例过半本身就说明，很多减人不是想清楚的结构调整，而是被季度压力推着走的条件反射。Klarna 和 IBM 撞上的是同一堵墙：机器能吃掉工作量的大头，却吃不掉最后那一小段需要人来判断、承担和安抚的部分，而正是这一小段决定了客户是留下还是离开。把它交出去的公司，往往几个月后就要花更高的价钱把人请回来。

纯减人真正的代价，在于它同时切断了三条很难重新接上的线。

第一条是训练管道。高级人才靠低风险的真实任务一点点喂出来：初级程序员改 bug、初级律师查判例、初级分析师跑数据，在犯错和反馈中长出判断力。如果把这些任务全部交给 AI，新人失去了练手的台阶，几年后公司会发现没有足够的熟手可用，而熟手无法用一轮招聘一次性买回来——他们需要时间、真实场景和一连串允许犯错的机会。

第二条是知识传承。一批老员工离开，带走的往往是写在文档里学不到的隐性经验：『这个客户为什么难搞』『这类合同哪里有坑』『上次那个事故是怎么绕过去的』。关于人员流动导致知识流失的研究反复指出，组织记忆一旦断裂，公司会陷入重复解决老问题、重复踩老坑的循环，表面省下的人力成本，会以返工、事故和客户流失的形式加倍付回去。

第三条是信任。裁员之后留下来的人不会更卖力，他们往往变得更谨慎、更保守、更愿意骑驴找马。士气和敬业度的下滑不进报表，却直接侵蚀交付质量和响应速度。这三条线的共同特点是：削掉它们几乎不花时间，重建它们却要好几年，成本也远高于当初省下的那一点。

区分负责任的降本和短视的减人，标准其实只有一个：省下来的钱，最后去了哪里。

世界经济论坛 2025 年的调查覆盖 1,000 多家雇主、代表 1,400 多万名员工，给出一组值得管理层反复看的数字：到 2030 年，劳动者约 39% 的核心技能会被改变或淘汰；85% 的雇主说要给员工再培训，但多数缺少可落地的路径；63% 的雇主把技能缺口列为业务转型的最大障碍。更细的分项里，73% 的雇主计划扩大流程自动化，80% 计划为员工提供 AI 相关培训，40% 打算缩减部分岗位——这三件事被同一批公司同时列进计划，说明在多数管理者眼里，降本和再培训本就是同一套动作里的两个环节。同一份调查还估计，到 2030 年全球会新增约 1.7 亿个岗位、消失约 9,200 万个，净增约 7,800 万；岗位的总盘子在变大，只是位置在迁移。真正卡住企业的，从来不是买不到 AI，而是没人能把 AI 用出价值。在这种约束下，把 AI 省下的钱原封不动变成利润，等于放着最大的瓶颈不去管它。

IBM 的另一面提供了正面样本。AskHR 替掉了一部分事务性岗位，但其 CEO 公开表示，公司总雇佣人数反而上升了，因为自动化释放出来的资源被投回到程序员、销售等更高价值的岗位。这才是可持续的顺序：用 AI 抵消掉低价值任务，再把腾出的预算明确投进再培训、质量控制和新业务试验。负责任的降本不靠善意维持，它靠一条纪律——每一笔 AI 节省，都要事先在预算里指定一部分回流到组织能力上；留到『等有余力时再说』，往往就没有了下文。

这套逻辑在新加坡被写进了制度。它的做法是把『业务重设计』和『员工兜底』绑在一起：全国职工总会的企业培训委员会机制，让资方、工会和员工坐到一起制定转型路线图，截至 2025 年底约有 1,360 万新元投入 100 多个 AI 相关项目，同时为参与培训的员工配上工资和技能津贴。调查显示，47% 的新加坡员工已经意识到必须学新技能，另有近 30% 担心被 AI 取代——制度设计要做的，正是把后一种焦虑及时转化成前一种行动，以免它沉淀为离职和观望。对人力成本高企的新加坡、以及资源有限的东南亚中小企业来说，AI 的现实价值在于补偿竞争力：让小团队做出接近大组织的产出。把这样的工具仅仅当成裁员按钮，是把最大的杠杆用在了最小的地方。

回到最初那笔账。负责任的降本说到底是商业理性问题：砍掉训练管道、知识传承和员工信任，省下的是这个季度的钱，赔上的是未来几年的能力。值得管理层盯住的触发条件很具体——把 AI 省下的钱明确切出一部分，投回再培训、质量控制和新业务试验；需要警惕的反面信号同样具体——只见人头减少，随后是能力和士气一起滑坡。农户可以精打细算，但不会连留种的那一把也吃掉，因为下一季的收成，只能从今天留在地里的种子长出来。