AI 进入职场三年半以后，最直觉的叙事是“机器替代人”。这个叙事并不完全错，很多岗位确实正在被自动化压缩，尤其是金融后台、客服、基础代码和重复性数据处理。但如果只看替代，就会漏掉另一半现实：AI 也在创造新的岗位，而且在亚洲早期样本里，新创造的岗位数量已经超过了直接流失的岗位。

更准确的判断不是“AI 会让所有人失业”，也不是“AI 会让就业总量无忧”，而是：就业总量可能比想象中更稳，结构分化却比想象中更尖锐。年轻人、入门岗位和可标准化任务承受最大压力；资深人员、高技能工程师、模型研发和数据岗位则在拿到更多机会。AI 改写劳动力市场的方式，不是简单减少工作，而是重新分层。

一、最反直觉的结论：新增岗位多于直接裁撤岗位

从 2022 年到 2026 年 8 月，亚洲范围内 69 个企业案例显示，AI 相关新增招聘岗位约为 13.1 万个，由 AI 直接引发的岗位裁撤约为 6.1 万个。也就是说，在这个样本里，互补效应大于替代效应。

所谓互补效应，是技术提高劳动者生产率、催生新业务、新流程和新岗位；所谓替代效应，是技术自动处理原本由人完成的重复性任务。AI 同时具备这两种力量，只是过去公共讨论更多强调替代，较少严肃计算新增岗位。

13.1 万对 6.1 万，并不意味着所有人都安全，也不意味着结构性痛苦不存在。它只说明，至少在早期阶段，企业一边用 AI 减少部分岗位，一边也在围绕模型、数据、算法、工程和应用部署重新招人。技术变革并不只会摧毁旧岗位，它也会围绕新生产方式搭建新岗位。

这和历史上的蒸汽机、电力、汽车、互联网有相似之处。新技术会淘汰一批旧任务，但也会创造新职业、新行业和新组织形态。区别在于，AI 作用于知识劳动和服务业，速度更快，覆盖面更广，对白领和年轻人的冲击也更直接。

二、样本结论不能直接等于完整真相

这个结论值得重视，但不能机械外推。69 个企业案例并不算大，尤其对中国的覆盖非常有限，只有 3 个直接案例。中国劳动力市场规模庞大，行业层级复杂，正式公开裁撤与隐性缩招之间差异很大，少数公开案例很难完整刻画真实变化。

更关键的是，很多企业不会把裁撤明确写成“由 AI 导致”。在法律、舆论和组织稳定压力下，企业更可能通过外包削减、校招缩减、自然流失、岗位冻结、自愿离职和业务调整来完成同样的结果。统计里能看到的“AI 裁撤”，只是浮出水面的部分。

因此，早期数据说明了一个重要方向：AI 不是纯粹净裁员机器。但它并不能否认那些没有进入样本的隐性变化。对普通劳动者而言，最重要的不是争论总量到底正负，而是判断自己所在岗位处在互补端还是替代端。

如果工作内容主要是重复录入、核对、初级整理、标准答复和低复杂度代码，风险会明显上升；如果工作内容依赖业务判断、客户协调、复杂系统设计、模型能力和跨部门组织，AI 更可能先变成增强工具。

三、AI 暴露度不是越发达越简单，中国的位置最特殊

服务业占比高、知识密集型产业比重大、白领任务标准化程度高的经济体，理论上更容易暴露在 AI 替代风险下。新加坡、澳大利亚、香港、韩国等经济体，在金融服务、专业服务、科技和后台运营上都有较高暴露度。

中国的结构更特殊。一方面，中国有一批高端工程师、算法人才和模型团队，能够与美国在前沿技术上竞争；另一方面，中国又有极其庞大的低 AI 暴露劳动队伍，覆盖制造、线下服务、建筑、物流、护理、餐饮、基层商业等领域。

这形成了一种少见的双重结构：高端劳动者在最前沿技术市场里参与全球竞争，低端和线下劳动者又在许多不容易被 AI 直接替代的领域里维持庞大就业。中国既像高收入科技经济体，又保留了发展中经济体的大规模实体劳动底盘。

这种结构会让总量数据看起来不那么极端，却会让内部差异非常大。同样处在中国市场，一个大模型研发博士和一个银行后台录入人员，面对 AI 的处境完全不同。宏观总量平稳，不能掩盖微观岗位的巨大分化。

四、被替代压力最重的，是金融服务业和科技行业

按行业看，AI 相关裁撤高度集中在金融服务业和科技行业。金融服务业约占 58%，科技行业约占 30%。这两个行业本来就是数字化程度高、流程标准化程度高、数据资产丰富、自动化收益明显的领域。

金融服务业里，银行后台运营、账目核对、合规审核、数据录入、客服和外包流程最容易被压缩。它们的共同特点是规则清晰、数据结构化、输出可检查、错误成本可控制，适合先由 AI 或自动化系统接手。

科技行业的压力则集中在初级技术岗位。软件测试、基础代码编写、简单脚本、低复杂度前端和标准化开发任务，都在被 AI 编程工具重新定价。企业并不一定立刻减少所有技术人员，但会减少对入门岗位的需求，把更高生产率要求压到更少的人身上。

制造业、建筑业、线下教育、护理等领域目前直接替代占比低，并不是因为 AI 不重要，而是因为许多任务仍然需要身体在场、环境适应、线下信任和现场处理。AI 可以辅助排班、质检、教学和记录，但短期内很难完全替代真实劳动。

五、新增岗位超过 90% 集中在科技和数据领域

AI 创造的岗位并不是平均分布在所有行业。超过 90% 的 AI 相关新增招聘集中在科技和数据类工作，包括数据标注、模型训练、算法研发、模型部署、AI 工程、数据治理和应用开发。

这解释了为什么“就业总量正向”和“很多人找工作更难”可以同时成立。新增岗位确实存在，但它们要求的技能、学历、经验和行业位置，与被替代岗位并不完全匹配。一个被压缩的银行后台员工，很难立刻转成模型训练工程师；一个客服岗位被自动化替代，也不等于本人能马上进入 AI 研发团队。

印度的新增岗位更多集中在数据标注、后台服务升级和 AI 支持流程。中国则更偏向高学历、高技能的模型研发和工程岗位，硕士、博士以及有算法、系统和工程经验的人更容易进入新增需求。

这意味着 AI 带来的就业机会，并不是普惠式机会，而是技能偏向极强的机会。技术越先进，岗位越可能向高技能端集中；岗位越集中，教育、经验和行业门槛就越重要。

六、印度承受最大绝对冲击，却仍出现净新增

在亚洲样本里，印度是 AI 冲击绝对规模最大的经济体。无论裁撤规模还是新增招聘规模，印度都排在前面。这并不意外：印度人口多，又长期承担全球 BPO、IT 外包、客服和后台服务中心角色。

这些业务天然适合被 AI 改造。标准答复、表单处理、客户初筛、文本整理、工单分派、代码维护和后台运营，都能被模型和自动化流程提高效率。直觉上，印度似乎应该遭遇大量岗位替代。

但早期统计显示，印度一边承受替代压力，一边也在新增大量 AI 支持岗位。外包体系本身并没有消失，而是在从人力密集型后台，向数据、模型、流程自动化和 AI 运维支持迁移。

真正的风险在于转换速度。旧岗位收缩很快，新岗位需要技能训练和组织调整。只要劳动者无法顺利迁移，就会出现总量并不崩、个体却非常痛苦的阶段。

七、最硬的分化：入门岗位被挤压，资深岗位更吃香

AI 对劳动力市场最清晰的影响，是入门岗位被挤压。印度一项覆盖 650 多家 AI 企业的调研显示，55% 的企业缩减了初级岗位招聘，25% 缩减了中级岗位，只有 14% 缩减高级岗位。

这组数据揭示了非常残酷的 K 形分化。过去年轻人通过入门岗位进入行业，在重复性任务里积累经验，再逐渐成为熟练人员。AI 把大量入门任务自动化以后，企业仍然需要资深人员做判断、管理、协调和复杂决策，却减少了让新人练手的岗位。

这会改变职业阶梯。新人更难进入，资深人员更值钱，中间层需要更快升级。对个人而言，毕业后拿到第一份能积累经验的岗位变得更难；对企业而言，短期效率提升可能削弱长期人才培养管道。

如果一个行业把低阶任务全部交给 AI，却没有新的训练机制，未来会面临“没有新人变成老人”的断层。AI 提升效率的同时，也迫使教育、实习、校招和企业培训重新设计。

八、韩国数据把 K 形分化写得更清楚

韩国从 2022 年 7 月到 2025 年 7 月的就业变化，提供了更直观的证据。青年就业人数减少 21.1 万人，其中 20.8 万来自 AI 高暴露度、高替代风险行业。与此同时，50 岁以上就业群体增加 20.9 万人，其中 14.6 万来自 AI 高渗透行业。

这不是简单的年龄偏见，而是任务结构差异。年轻人承担的很多入门工作，是资料整理、流程执行、基础沟通、初级分析和重复性技术劳动；资深人员承担的更多是客户关系、组织协调、复杂判断、管理责任和经验性决策。

AI 先替代容易描述、容易标准化、容易验收的任务。越是“可写成步骤”的工作，越容易被模型拆解。越是涉及人际关系、现场判断、责任承担和复杂取舍的工作，越难完全替代。

这意味着年轻人不能只依赖学历和入门任务自然升级。未来的职业竞争会要求更早形成可迁移能力：业务理解、问题定义、表达协调、工具使用、数据判断和跨领域学习。只会执行标准流程，会变得越来越危险。

九、中国最需要补上的，是隐性裁撤和缩招数据

中国市场最难统计的部分，是隐性裁撤。企业不一定公开说“因为 AI 裁人”，更可能选择缩减外包、减少实习生和应届生招聘、暂停岗位补缺、合并团队、提高绩效淘汰比例，或者以业务调整名义完成组织收缩。

这背后有现实约束。劳动合同相关规则对规模性裁撤有程序要求，例如裁减 20 人以上或不足 20 人但占企业职工总数 10% 以上时，需要履行说明、听取意见和报备程序。公开以 AI 替代为理由进行裁撤，也会带来法律和舆论风险。

因此，中国企业更可能采用温和、分散、渐进的方式处理岗位收缩。统计里看不到，不代表没有发生；没有写在公告里，不代表劳动者没有感受到压力。

另一个值得放进风险框架的数字是，花旗曾估算 AI 可能替代中国约 9.6% 的岗位，折算大约 7000 万个岗位。这个数字不等于现实已经发生，也不等于会线性兑现，但它提醒人们：中国劳动力市场的基数极大，哪怕小比例变化，也会对应非常庞大的个体命运。

十、校招缩减可能比在职裁撤更早改变命运

在职裁撤容易被看见，校招缩减却更隐蔽。企业少招新人，不会像裁员那样引发巨大冲击，却会直接改变一代年轻人的入口机会。印度 IT 行业净招聘人数从 2022 财年的 60 万人降到 2026 财年的 14 万人，就是典型信号。

这类变化没有体现在“AI 导致多少员工离职”的数字里，因为它不是把已经在岗的人推出去，而是让本来应该进入系统的人进不来。对个人而言，结果同样严峻：简历投不出去，实习转正更难，入门工资下降，职业起步延后。

中国也可能出现类似压力。外包岗位、实习生岗位、初级开发、初级运营、基础分析和客服类入口，都会先被企业重新评估。企业并不一定说自己在用 AI 替代新人，它只会说效率提高、编制收紧、岗位暂缓。

这对教育系统和家庭预期都是挑战。过去“好好读书、进大公司、从基层做起”的路径仍然有价值，但基层训练本身正在减少。年轻人需要更早积累项目经验、工具能力和具体作品，而不能只等待企业提供完整训练链条。

十一、工资影响暂时不明显，不代表风险消失

就业结构已经变化，但工资影响还没有完全显现。韩国央行研究发现，AI 高暴露行业和低暴露行业的实际工资走势，在统计学上尚未出现显著差异。

这可能有两个原因。第一，工资具有短期刚性，不会像岗位数量一样迅速调整。合同、工会、企业薪酬制度、行业惯性和社会预期，都会让工资变化滞后。第二，AI 也可能提升在岗员工生产率，使留下来的人创造更多价值，从而抵消部分压低工资的力量。

换句话说，AI 未必立刻让工资断崖式下降。更可能出现的是：岗位门槛提高，招聘数量下降，留下的人效率更高、薪酬暂时稳定，找不到入口的人承担更大压力。

这也是为什么只看平均工资容易误判。平均工资不变，可能是因为低端岗位消失、资深岗位留下，样本结构已经变了。对劳动者而言，真正重要的是自己能否进入被保留和增强的那部分岗位。

十二、普通劳动者该怎样读这组数据

第一，不要用宏观净新增安慰自己。总量正向，不代表个体安全。判断岗位风险，要看任务是否重复、规则是否清晰、输出是否容易检查、客户是否接受机器替代。

第二，不要只把 AI 当成竞争者。很多岗位不会被 AI 直接替代，而是会被“会用 AI 的人”替代。工具能力会变成基本门槛，尤其在写作、数据、运营、研发、财务、法律、客服和咨询等领域。

第三，年轻人要主动补上企业不再提供的训练。做项目、做作品、做开源、做实习、做真实业务案例，比只拿证书更重要。入门岗位减少以后，证明自己能解决问题的材料会变得更值钱。

第四，资深人员也不能停在经验里。AI 会放大有判断力的人，也会暴露只靠年限堆出来的人。真正稀缺的是把业务问题拆成可执行方案，再用工具提高交付效率的能力。

十三、结论：AI 没有平均地改变就业，它在重新分层

AI 对亚洲劳动力市场的早期影响，比单纯失业叙事复杂得多。69 个企业案例里，13.1 万个新增岗位超过了 6.1 万个直接裁撤岗位，说明技术互补效应正在真实发生。金融服务业和科技行业承受最大替代压力，数据、模型和 AI 工程岗位则吸收了绝大多数新增需求。

但真正值得警惕的，是 K 形分化。青年和入门岗位被压缩，资深和高技能岗位更吃香；公开裁撤容易统计，隐性缩招和校招收缩更难被看见；平均工资暂时稳定，并不代表机会分布没有恶化。

AI 不是一把平均落下的刀，也不是一场平均撒下的雨。它把重复任务变便宜，把复杂判断变昂贵，把低技能入口变窄，把高技能杠杆变长。理解这一点，才不会被“总量没事”麻痹，也不会被“所有人失业”吓住。

未来几年，真正的问题不是 AI 到底创造岗位还是替代岗位，而是每个人处在创造端还是替代端。劳动力市场不会等待人慢慢适应，分层已经开始，越早看清任务结构，越早调整能力结构，越能把技术冲击变成自己的杠杆。