从能力到岗位，中间隔着一家公司

更快完成，不等于人数按比例减少

生产率是一定时间和资源能够产生多少有价值的结果。它不是单纯的打字速度，也不是模型在测试题上的分数。林晨把周报制作从半天缩短到一小时，只能说明这个环节更快。公司是否减少人手，还要看周报在整份工作中占多少、节省的时间能否用于别的结果，以及市场是否愿意购买更多结果。

如果公司商品数量不变，管理层也不想改善分析，节省时间可能变成缩减工时或减少招聘。若公司正准备扩展新品，效率提高可能让同一团队承担更多商品。若周报更快却带来更多错误，复核成本会抵消收益。所谓“AI提高效率”只描述链条中的一段，不能直接推出链条末端的人数。

还要问价值由什么决定。客户购买的通常不是文档、代码或图片本身，而是更快解决问题、更可靠地运行系统，或更好地完成一次决策。只测中间产物的速度，可能高估它对最终价值的贡献。

早期实验经常把活动限定得很清楚，这有助于识别工具的因果效果。真实组织却有大量依赖关系。销售数据来自多个系统，字段口径会变化；商品描述要经过法务、平台和品牌审核；一个错误数字可能让仓库错误备货。把单项实验结果外推到整份工作时，这些依赖不能被省略。

同样重要的是互补。当一种能力变得便宜，与它配合的另一种能力可能更值钱。草稿生成变快，挑选和核验的需求会增加；代码生成变快，系统设计、测试和安全审查可能成为瓶颈；翻译初稿变快，术语管理与跨文化判断会变得突出。被AI放大的不只有产量，也包括剩余环节的重要性。

能力要穿过五道门，才会变成就业变化

第一道门是能力。模型是否能在受控演示之外稳定处理真实输入？它会不会遇到缺失数据、模糊指令或罕见例外？如果失败难以察觉，企业就不能只看平均表现。高风险结果还需要更严格的人类复核。

第二道门是流程。很多工作不是“收到文本，交付文本”这么简单，而是跨系统取数、向人追问、获得授权、记录理由，再把结果交给下一个角色。只有当输入、接口和责任都能重新设计时，技术能力才会成为稳定流程。单个员工用聊天工具节省十分钟，和公司把整条流程改造，是两种不同规模的变化。

第三道门是成本与信任。工具价格只是成本的一部分。企业还要支付数据整理、系统集成、培训、监测、安全与合规成本。员工若不知道输出从哪里来，也不知道出错后谁负责，采用就可能停在试验阶段。这个从可用技术到广泛稳定使用的过程叫技术扩散，它通常比产品发布慢得多。

第四道门是需求。效率让价格下降后，客户会不会购买更多？如果需求基本固定，单位劳动减少更容易转化为人数压力。如果需求会随价格和质量增长，企业可能扩大产出。软件、教育、医疗和娱乐的需求反应不一样，同一行业里的高端与低端市场也不同。

第五道门是制度。劳动合同、专业许可、数据保护、集体协商、保险责任和公共政策都会塑造采用方式。组织可以用AI监控员工，也可以让员工参与设计；可以把效率收益只变成更高工作强度，也可以缩短重复劳动并提供培训。技术给出可能性，制度决定一部分分配结果。

五道门还会互相反馈。工具如果频繁出错，复核成本上升，采用速度会变慢。客户若愿意为更快服务付费，企业会继续投资，流程也更容易被重做。监管要求保留解释记录时，审计和质量岗位可能增加。结果不是从左到右只走一次，而是反复试验和调整。

这也解释了为什么演示视频常让人感觉未来已经到来，真实办公室却改变得更慢。演示通常选择输入清晰、成功标准明确的片段。组织需要处理旧系统、权限冲突和责任安排。两者都是真实信息，只是处在因果链的不同位置。

同一种工具，三家公司会得到三种结果

回到林晨。甲公司经营的商品数量稳定，周报和文案占用了大量工时，管理层的目标是降低成本。它可能把AI接入系统，保留少量复核人员，并减少初级运营招聘。这是替代压力较强的路径。

乙公司正在进入新的平台和地区。它让AI处理初稿，却把节省的时间投入商品扩展、客户访谈和供应商协作。团队人数可能不变，产出却增加。林晨的工作从制作材料转向判断优先级和解决例外。这是增强与扩张结合的路径。

丙公司没有重做数据和审核流程，只要求每个人“使用AI提高效率”。员工需要把不同系统的资料手工复制给工具，再反复核对错误。绩效目标随之提高，工作节奏更快，但实际质量没有稳定改善。这条路径既没有形成真正的生产率收益，也可能降低工作自主性和满意度。

这三家公司面对相似的模型能力，却因为目标、流程和治理不同而走向不同结果。这也是为什么宏观研究不能只数“可被AI完成的活动”。它还要观察企业投资、价格、需求、招聘和劳动制度。个体也需要关注自己的组织在走哪条路径。

岗位仍在，入口与内部结构也可能已经改变

当活动比例、协作方式、绩效标准或进入门槛发生变化，而岗位名称仍然保留，可以把它称为岗位重组。这类变化不会立即出现在失业统计里，却可能先出现在招聘要求、团队规模、初级工作和晋升路径中。

初级岗位尤其值得关注。许多新人通过写第一版、整理资料和处理常见问题来积累情境知识。如果这些活动大幅自动化，公司需要设计新的学习路径，让新人参与核验、观察复杂案例并逐步承担责任。否则，今天减少的训练成本可能变成明天的资深人才短缺。

工资也不会按“是否会用AI”简单分成两档。若工具人人可得，单纯生成常见文本的价格可能下降。能接触可信数据、理解客户、设计流程、承担结果的人，价值可能提高。与此同时，企业可能把节省的时间变成更高的产出目标，使工作强度上升。就业数量、收入和工作质量必须分别观察。

团队内部的议价能力也会变化。掌握数据权限和验收标准的人更能决定工具如何使用，只负责执行的人则可能接受更细的监控。技术本身不发工资，也不制定绩效。管理者怎样分配权限，决定效率收益是否转化为更好的工作，还是只转化为更快的节奏。

还要区分短期调整与长期结构。短期内，公司可能冻结招聘，让现有员工吸收新工具。长期内，价格下降会改变客户需求，新产品会出现，教育与资格体系也会调整。只看某一季度的裁员，可能高估永久影响；只看长期新增职业，又可能忽略转型期的真实痛苦。

地区差异同样重要。高收入经济体中数字化文职岗位较多，生成式AI暴露往往更高；数字基础设施不足的地区采用可能更慢。采用慢不代表没有风险，因为外包需求、跨境竞争和平台价格也会传导影响。个人判断需要放回所在市场，而不是照搬全球平均值。

美国劳工统计局对AI易影响职业的预测显示，软件开发、数据库架构、金融分析等岗位仍可能增长，而部分信贷分析与保险估损岗位可能下降。[6] 这些是美国特定时期的预测，不适合直接当成其他国家的职业建议。它们的意义在于说明：技术暴露相似，不代表就业方向相同。

至此，因果链已经完整。模型能力决定哪些活动可能改变，公司决定如何把能力嵌入流程，市场决定新增产出是否被需要，制度决定收益与风险怎样分配。个人无法控制整条链，但可以观察自己所处的位置，并把模糊的职业焦虑改写成具体判断。