AI 就业转型（一）：AI 能做，不等于它会取代

AI 就业转型 · 1/6

讨论 AI 与就业时，人们很容易从一个技术判断直接跳到一个就业结论：如果 AI 已经能完成某个职业的大量任务，那么这个职业很快就会减少，甚至消失。

问题在于，从模型具备一项能力，到劳动力市场真正发生变化，中间还隔着企业采用、制度约束和市场需求。

一名教师可以用 AI 生成教案、批改作业，但课堂仍然需要有人教学和照顾学生。一名律师可以让 AI 检索材料、起草文件，但法律责任和代理关系没有一起转交给模型。一名软件开发者的生产率可能大幅提高，但软件成本下降后，原本没有预算购买定制软件的企业也可能进入市场。

所以，“AI 能做多少”只能衡量模型能力与现有工作的重叠程度，不能单独判断这种重叠最终会减少岗位、重组工作，还是扩大就业需求。

OpenAI Economic Research 在《The AI Jobs Transition Framework》中提出了一套更完整的判断框架。它分析了 900 多种职业，覆盖约 1.52 亿个美国岗位，试图回答一个比“哪些职业最容易被 AI 替代”更实际的问题：未来两三年，劳动力市场的压力最可能先出现在哪里，又会以什么形式出现？

这也是它值得进入 AI-native 主题 Blog 的原因。真正有用的问题不是“哪些职业安全”，而是“AI 的技术能力会通过什么机制，转化成这个行业里的就业变化”。

暴露度只描述技术可能性

传统研究通常先计算 AI exposure，也就是“AI 暴露度”。

一个职业不是单一任务，而是一组任务。研究者会判断其中哪些任务可能被大语言模型影响，再根据不同任务占用的工作时间计算职业暴露度。如果一个职业 70% 的任务时间都花在 AI 理论上能够影响的活动上，它的理论暴露度就是约 70%。

这是一个重要起点。它能帮助我们理解模型能力与现有工作的重叠程度，却不能直接衡量岗位流失风险。

首先，AI 能完成一项任务，不代表组织已经把这项任务交给 AI。采购、安全、数据、责任和工作流整合都会拖慢采用。其次，AI 能完成职业中的大部分认知任务，也不代表人可以从整个服务中退出。最后，生产率提高会降低成本，但成本下降既可能减少用工，也可能带来更多需求。

报告因此在理论暴露度之外，增加了三个判断：人是否仍然不可缺少、需求会如何回应降本，以及 AI 是否已经被真正使用。

人为什么必须留在工作中

报告把“人类必要性”分成三类。

第一类是监管与责任必要性。某些工作要求持证人员作出决定、批准结果或承担责任。AI 可以协助律师研究和起草，却不能因此自动取得执业资格，也不能代替律师承担全部法律责任。

第二类是关系必要性。教学、照护、说服和建立信任，本身就是服务价值的一部分。教师和护士有很多信息处理任务可以由 AI 辅助，但学生和患者需要的不只是正确答案。

第三类是物理必要性。水管工、理疗师、现场检查人员和床边护理人员必须在现实世界执行动作。只要 AI 还不能完成这些物理环节，人就不能被完整移出交付流程。

这些约束解释了为什么高暴露职业不一定被直接自动化。但人仍然必要，也不等于岗位数量不会变化。

假设 AI 让一名律师能够处理更多案件，而客户对法律服务的总需求没有同步增长，律所仍可能减少初级岗位。职业会继续存在，人员承担的任务却可能重新组合，所需人数也可能下降。

因此，真正需要区分的是两件事：这个职业是否仍需要人，以及完成同样规模的工作还需要多少人。

生产率提高不一定减少岗位

连接生产率与就业的，是需求弹性：当价格下降时，客户会增加多少购买量？

如果 AI 让一项服务的交付成本下降，企业通常需要更少的人来完成原有产量。但服务变得更便宜、更快或更容易获得后，客户也可能购买更多。新增需求如果足够大，就能抵消单位产出所需人力的下降。

这种差异在不同职业之间非常明显。

消防、公共安全和部分护理服务的需求主要由事故、疾病、公共预算或固定配置决定。即使成本下降，人们也不会无限增加使用量。相反，软件、设计、营销等服务可能存在大量尚未被满足的需求。价格下降后，小企业可以买得起过去只有大公司才能购买的定制系统，团队也可以发起更多原本不值得投入的项目。

报告据此提醒我们：高暴露既可能带来自动化压力，也可能打开新的市场。只看 AI 能节省多少劳动，会漏掉成本下降之后的规模效应。

不过，这部分结论必须谨慎使用。报告中的职业需求弹性并不是从真实价格实验中得到的因果估计，而是根据 O*NET 职业资料、由 GPT 模型生成的结构化近似。它只能提供一个判断方向的先验参考，不能精确预测就业会增加或减少多少。

真正的采用远远落后于模型能力

报告还区分了理论暴露度和实际暴露度。

理论暴露度回答“AI 可以影响多少任务”，实际暴露度回答“这些可能受影响的任务，有多少已经出现在真实的工作相关 ChatGPT 使用中”。研究使用 2025 年下半年的匿名、聚合消费版 ChatGPT 数据，把工作相关对话映射到 O*NET 任务，再按职业的任务时间和就业规模进行汇总。

结果显示，所有职业类别都存在明显的“能力采用差距”（capability overhang），也就是模型已经能够影响的工作，远多于人们真正交给它完成的工作：

• 可能因 AI 扩大就业的职业，理论暴露度约为 92.8%，实际暴露度约为 24.6%。
• 较高自动化风险职业，理论暴露度约为 91.0%，实际暴露度约为 22.8%。
• 将发生重组的职业，理论暴露度约为 76.7%，实际暴露度约为 18.4%。
• 短期变化较小的职业，理论暴露度约为 17.8%，实际暴露度约为 3.6%。

最值得注意的，不只是实际使用低于技术上限，而是落差在不同职业中并不相同。法律、教育、办公室与行政工作已经出现较多使用；餐饮、建筑和现场服务即使存在少量 AI 可完成的任务，实际采用仍然有限。

对公司来说，这个落差不能简单解释为“员工还不会写 prompt”。模型要进入真实工作，需要上下文、权限、工具、评估、责任边界和可审计的工作流。缺少这些条件时，更强的模型也只能停留在个人辅助层面，无法稳定接管组织任务。

因此，AI 采用不是模型能力在企业中的自然扩散，而是一项工程与组织建设。企业必须主动搭建承接模型能力的工作系统。

四类职业面对的不是同一种未来

把技术暴露度、人类必要性、需求弹性和实际采用结合起来后，报告将职业分为四类。

较高自动化风险职业占约 18%。 这类职业暴露度高，人类必要性较弱，降本带来的需求增长又不足以抵消劳动节省，因此更可能率先出现直接自动化压力。

将发生重组的职业占约 24%。 AI 能完成大量任务，但人仍然需要负责交付、判断、关系或物理执行。职业本身不会简单消失，任务组合和人员配置却可能改变。

可能因 AI 扩大就业的职业占约 12%。 这些职业同样高度暴露，但成本下降可能扩大服务覆盖、使用频率、定制程度或服务质量，新增需求有机会吸收生产率提升。

短期变化较小的职业占约 46%。 当前的暴露度、采用程度和经济条件尚未指向一种占主导地位的短期结果。这不等于永久安全，只意味着它们未必最先承受 AI 带来的劳动力市场压力。

这四类结果最容易被误读成一张职业命运表。原报告反复强调，它们是转型压力的地图，不是岗位流失预测。它们描述的是在当前能力、制度和需求条件下，变化更可能以哪种方式出现，而不是断言某个职业的岗位数量一定增加或减少。

当前就业数据还没有给出简单答案

如果高暴露度已经直接转化成失业，较高自动化风险职业的失业率应该最先明显上升。但报告观察到的汇总数据并不支持这样简单的结论。

从 2024 年第一季度到 2026 年第一季度，较高自动化风险职业的失业率上升约 0.2 个百分点，将重组职业上升约 0.3 个百分点，可能因 AI 扩大就业的职业上升约 0.5 个百分点，而短期变化较小的职业反而上升约 0.6 个百分点。

这组数字不能证明 AI 没有影响就业。宏观经济、行业周期、利率和地区差异都可能影响结果，它也不是一项用于识别 AI 因果效应的实验。它真正说明的是：至少在当前阶段，不能从总体失业率中清晰分离出一条“暴露越高，失业越多”的直线。

模型能力可能继续快速提高，组织采用却受到制度和工作流的约束。劳动力市场的变化还会受到价格、需求、工资、行业之间的溢出和新业务形成影响。技术变化很快，不意味着职业边界会以同样速度重写。

企业应该分析任务、工作流和市场，而不是押注职业名单

对企业和 AI-native 团队来说，这份报告最有用的地方，不是提供了一份新的职业排行榜，而是改变了分析单位。

面对一个岗位，管理者至少应该依次回答六个问题：

1. 这个岗位由哪些任务组成，各自占用多少时间？
2. AI 已经能稳定完成哪些任务，而不只是做出一次成功演示？
3. 哪些环节必须由人承担责任、建立关系或进行物理执行？
4. AI 提高生产率后，完成现有产量需要的人数会怎样变化？
5. 成本下降后，客户会不会购买更多、更频繁或更高质量的服务？
6. AI 是否已经进入真实工作流，还是仍停留在零散的个人使用中？

这六个问题会导向比“这个岗位能不能被替代”更具体的行动。有些岗位需要准备转岗和培训；有些岗位需要重新划分任务与责任；有些业务应该主动降价、扩大供给；还有一些岗位暂时只需要持续测量，不必为了追赶叙事而盲目自动化。

真正发生变化的，往往不是一个职业突然从组织图上消失，而是它内部的任务重新分配：AI 接手信息处理，人集中在责任、关系、现场执行和例外判断上。随后，需求是否增长，才决定生产率提升最终表现为人员压缩，还是业务扩张。

这也是理解 AI 就业转型更稳妥的起点：技术能力决定哪些变化成为可能，人类必要性决定哪些边界暂时不能跨越，需求决定新增产能有没有去处，而真实采用决定变化是否已经开始。

相关阅读

• 从个人提效，到 AI 原生团队 —— 为什么模型能力不会自动变成组织能力。
• AI 原生公司：从组织图到智能层 —— 当任务开始在人与 Agent 之间重新分配，公司结构会怎样变化。
• 如何构建一家 AI 原生服务公司 —— 需求扩张、服务交付与人类必要性如何共同决定 AI 公司的商业模式。

参考来源

• Alex Martin Richmond, The AI Jobs Transition Framework: Mapping AI’s Near-Term Impact on Jobs, OpenAI Economic Research, April 2026.

AI 就业转型系列

• 下一篇：AI 无法承担的工作，往往比它能完成的任务更重要