R

“四分之一工作将消失”：一个被算错的数字如何统治了标题

新闻之后

#工作#职业路径#数据素养

内容概要

25% 是「暴露于生成式 AI」的岗位比例，真正处在高自动化潜力区间的只有 3.3%。暴露的多数走向转型，不是消失 —— 只是这句话没有恐慌好传播。

一、一场发布会，两个版本的世界

2025年5月20日，日内瓦，国际劳工组织（ILO，联合国下属专门处理就业与劳动问题的机构）和波兰国家研究院（NASK）联合发布了一份报告，名字很长也很克制：《生成式人工智能与就业：职业暴露的全球精细化指数》。

报告的核心数字是：全球大约四分之一（约25%）的就业岗位，在某种程度上暴露于生成式AI（GenAI，指ChatGPT这类能生成文本、图像、代码的AI）之下。在高收入国家，这个比例升到34%；全球劳动力中真正处于“高自动化潜力”这一最危险区间的，只有3.3%——但这3.3%里存在明显的性别落差：全球女性从业者中有4.7%的人从事这类高危职业，男性从业者里这个比例只有2.4%，高收入国家的落差还要更大（女性9.6% vs 男性3.5%）。

报告原文的结论其实很谨慎：多数职业由许多任务组成，AI通常只能接管其中一部分，“工作转型”比“工作替代”更可能发生。ILO官方新闻稿的标题就是这句话的直接翻版——《生成式AI更可能是增强而非摧毁工作》。

但这句话没有跑赢另一句话。

几乎同一天，媒体标题变成了《一半工作将消失》《AI会替代四分之一劳动者》。有的报道甚至把“暴露”（exposure，指某个岗位里有多少任务理论上可以被AI处理）直接写成了“面临被抢走”（at risk of being taken）——一个统计学概念，被压缩成了一句让人后背发凉的判决。

这中间发生了什么，为什么会发生，现在又是什么状态——这是这篇报道要讲的事。

黄昏时空荡办公室里唯一还亮着的工位

二、“别人都要失业”：一种精准命中焦虑的说法

这句被曲解的话之所以能一路火到今天，光靠“传得快”解释不了——它还得踩在对的时间点上。如果这份报告发生在2019年，可能只是学术圈内部的一次讨论。但它出现在2025到2026年，时机踩在了一个特别敏感的点上。

先看数字。据招聘服务公司Challenger, Gray & Christmas统计，2025年美国企业裁员公告超过120万人，是2020年疫情以来最高的一年；2026年前七个月，仅科技行业就有超过20万个岗位被裁减，已经超过2025年全年的科技裁员总数（约12.4万）。而“AI”作为裁员理由被引用的次数，从2025年的约5.5万人次，一路涨到2026年年中的近8.8万人次（Challenger数据）。

再看谁在说话。Anthropic的CEO Dario Amodei在2025年接受Axios采访时说过一句被反复引用的话：AI可能在五年内消灭一半的入门级白领岗位，并推动美国失业率升到10%到20%。福特汽车CEO Jim Farley也说过类似的话。这些不是路边分析师的猜测，是造这个技术的人自己在说。

再看谁在承受。Ipsos在2025年的全球调查（AI Monitor 2025）发现一个有意思的分裂：只有31%的人认为AI会让本国就业市场变好，35%认为会变差——大家对“宏观就业”整体是悲观的；但问到“我自己的工作”，认为会变好的（38%）反而多于认为会变差的（16%）。也就是说，多数人一边觉得“我自己用AI挺好”，一边又觉得“这个东西正在毁掉别人的饭碗”。这种矛盾情绪，恰好是“四分之一工作将消失”这类标题能精准命中焦虑的原因——它说的不是“你”，是“大家”，而“大家”里包括每一个正在投简历、正在准备升学、正在纠结要不要跳槽的普通人。

对中国读者而言，这个焦虑也在本地化。2026年的校招季，多份行业报告（如猎聘《2025年度人才供需趋势报告》）都提到，“AI能力”已经从求职时的加分项变成了“标配”，而传统意义上“好替代”的岗位——比如基础的文案、客服、初级数据处理——招聘量下降的幅度明显高于平均水平，同时AI相关的算法、数据标注、AI产品经理等岗位需求在快速增长。换句话说，同一场技术变革，在中国的应届生群体身上，正呈现出和ILO报告结构类似的分化：不是所有岗位一起消失，而是岗位内部在重新洗牌。

三、被偷换的两个词：暴露与消失

不管是科技高管的悲观预言，还是应届生的求职焦虑，最后都绕不开一个源头问题：那份报告本来在说什么。要理解这场传播事故，得先弄清楚两个词的区别。

暴露（exposure）：指的是一个职业里，有多少比例的具体任务，理论上可以被现有的生成式AI技术处理或辅助完成。这是一个“技术潜力”的度量，衡量的是“AI能不能做这件事”，不是“AI会不会被用来做这件事”，更不是“做这件事的人会不会因此失业”。

替代（displacement）：指的是岗位或劳动力需求因为自动化而实际减少——人真的没活干了，或者岗位真的被撤销了。

ILO/NASK这份报告测量的是前者。方法上，研究者用大语言模型去逐一分析国际标准职业分类（ISCO）里数千个具体职业所包含的任务清单，判断每项任务被GenAI处理的技术可行性，再加权汇总成一个“职业暴露指数”。这套方法的前身来自OpenAI、宾夕法尼亚大学等机构此前的类似研究，ILO团队做的是把它扩展到覆盖全球更多国家、更细分的职业类别。

问题就出在这里：一个岗位“暴露”，可以对应至少四种完全不同的现实结果——

  1. 这个岗位的部分任务被AI接管，人从“打字员”变成“审核AI输出的人”，岗位还在，但工作内容变了；
  2. 企业借助AI提高效率，同样的人手做出更多产出，岗位数量不变甚至因为业务扩张而增加；
  3. 企业裁减部分人手，但保留核心团队，岗位数量小幅下降；
  4. 岗位被彻底取消。

ILO报告本身反复强调，第4种是最不可能的多数情形，第1、2种才是主流。但“25%的岗位在某种程度上暴露”这句话，在传播链条里被层层简化，最后变成了“25%的人会失业”——这是一次典型的“技术潜力”被偷换成“确定后果”的过程。

打个能让中学生看懂的比方：如果说“这道数学题的解法，理论上可以用计算器辅助完成”，不等于“以后不需要学生做这道题了”——计算器能不能真正取代做题这件事，取决于老师会不会允许用、题目难度、考试制度怎么设计。职业暴露和替代之间的关系，也是同样的逻辑：技术上“能”，和组织决定“怎么用”，是两回事。

GenAI Exposure, Two Paths —— 多数暴露走向转型，少数走向消失

四、各执一词的四方

概念上的偷换只是起点，真正让“25%”越滚越大的，是每一方都从中找到了自己想说的话。这场围绕“25%”的争论，几个关键当事方各自的立场值得摆在一起看。

ILO/NASK报告团队本身的表态是最保守的。报告作者反复澄清，多数职业由需要人类介入的多项任务组成，“转型比替代更可能发生”；在高收入国家，约三分之一工作有某种程度暴露，同时明确指出女性在“高自动化潜力”类别中的占比显著高于男性——这是一条经常被总量叙事掩盖的分配性风险。这个数字本身就出自ILO/NASK同一份报告：全球女性从业者中有4.7%落入自动化潜力最高的职业类别，男性从业者中这个比例是2.4%，高收入国家的差距更大（9.6% vs 3.5%）；路透社2025年5月对此做了报道，但这不是一份独立于报告之外的“另一项分析”。这意味着，如果只讨论“总共有多少工作会消失”，会漏掉一个更具体、更值得关注的问题：谁承担的风险更高。

科技公司高管的表态则更多是在为商业决策找叙事。Anthropic的Amodei把话说得很重，理由是“我们作为这项技术的制造者，有义务诚实地说出即将发生的事”；但业内也有明显的反对声音——思科的现场CTO Andy Thurai公开评论说，“AI提供商——Anthropic、OpenAI，还有各种咨询公司——必须说一些极端的话来博取关注，制造FOMO（错失恐惧）”。OpenAI的Sam Altman则更倾向于用技术史上历次自动化浪潮的经验来做“现实的乐观主义”辩护，与自己前下属Amodei的悲观预测形成对照。

被裁员工所在的公司给出的裁员理由本身也存在明显的“注水”嫌疑。TechCrunch在2026年持续追踪一份“因AI裁员”的公司名单，从Salesforce（CEO Marc Benioff直接说“我需要更少的人头”，两轮裁减约5000个客服岗位）到Snap（裁员约16%，CEO Evan Spiegel将AI进展列为关键驱动因素之一），再到2026年7月加入名单的Monday.com。但Challenger的统计也显示，把AI列为裁员原因的岗位，在2026年1月的裁员总量中占比其实只有约7%（7600/108435），当月裁员的更大驱动因素是合同流失、市场状况和业务重组。这催生了一个新词——“AI washing”（AI粉饰）：把本该归咎于疫情期间过度招聘、营收下滑、投资人压力的裁员，包装成“我们在用AI提效”，因为这个理由对股价和公司形象更友好，也更能规避“经营不善”的负面观感。就连OpenAI的Sam Altman自己都承认，“确实存在一些AI粉饰的情况，有些公司本来就要裁员，只是把锅甩给了AI”。

普通劳动者——尤其是应届生和入门级岗位——是这场争论里声音最弱、但承受最直接的一方。Klarna（欧洲支付公司）的案例常被当作反面教材，但这个案例本身也有一条容易被传串的事实链，值得先厘清。2024年2月，CEO Sebastian Siemiatkowski与OpenAI联合宣布，公司的AI客服系统上线第一个月处理了230万次对话，“相当于700名全职客服的工作量”，平均解决时间从11分钟压缩到不到2分钟——这是公司自己给出的工作量换算，不是一次经审计的裁员统计，公开报道里也找不到“系统上线后公司当即裁掉了700名具体员工”的证据。Klarna的员工总数确实从2022年底的5527人降到2024年底的3422人，降幅接近四成，但据CNBC、雅虎财经等媒体的梳理，这个降幅主要是靠2023年起的招聘冻结和自然减员完成的，并非一次性裁员事件。到2025年5月，同一位CEO公开承认“我们过度追求效率，结果是服务质量下降，这不可持续”，公司开始扩大人工客服招聘，尤其是在处理复杂纠纷、退款争议、经济困难申诉这类AI处理不好的场景上。这个案例真正说明的，不是“AI裁了700人、后来又把这700人招回来”这样一条被坐实的闭环，而是“AI能处理多少工作量”和“企业该不该把这份工作量直接兑现成裁员”，是两件需要分别验证的事——Klarna自己的经验是：把前者当成后者的自动答案，后来被证明代价高到需要回头修正。

五、机器擅长什么，人还不可替代什么

抛开各方的立场之争，回到一个更朴素的问题：这件事到底能不能被AI做——要判断“暴露”会不会变成“替代”，得先搞清楚当前的生成式AI技术边界在哪。

生成式AI（无论是ChatGPT这样的通用大模型，还是专门做代码、做客服的定制系统）目前最擅长的是：处理格式化、模板化、可重复的语言与信息任务——比如整理会议纪要、起草标准化邮件、初步分类客户咨询、写重复性的代码片段、做基础的数据摘要。这些任务有一个共同特点：输入和输出之间的映射关系相对固定，“正确答案”或“合格答案”的判断标准比较清楚。

但AI目前普遍还比较弱的，是几类高度依赖“人”的环节：

  • 目标定义：判断“这次到底要解决什么问题”，往往需要跨部门沟通、政治博弈、对模糊需求的拆解，AI给不出这种判断；
  • 异常处理：真实世界的业务流程里，大量时间花在处理“不在标准流程里”的例外情况——一个愤怒到语无伦次的客户，一份格式完全不规范的合同，这些恰恰是AI最容易出错的地方（Klarna的案例正是败在这里）；
  • 现实责任：谁为一个错误的商业决策、一次医疗诊断、一份法律文件承担责任，目前的制度设计仍然要求有一个“人”的名字挂在上面；
  • 关系与信任：客户关系、团队协作、跨系统的问责协调，很大程度上依赖人际信任积累，不是单纯的信息处理问题。

所以，一个岗位最终是“被重塑”还是“被消灭”，很大程度上不是由AI模型的跑分（benchmark，指衡量AI模型能力的标准化测试）单独决定的，而是由企业如何重新设计工作流程决定的：企业是把AI当成“帮初级员工提效的工具”，还是“直接用来砍掉初级员工的理由”，这是一个组织决策，不是一个技术必然性。

这也是为什么斯坦福数字经济实验室（Stanford Digital Economy Lab）的研究团队——Erik Brynjolfsson、Bharat Chandar与Ruyu Chen——在追踪美国薪资数据公司ADP截至2026年6月的数百万条工资记录后，得出了一个更细颗粒度的结论：不是所有年龄段的员工都在AI高暴露岗位上失去机会。这里说的“落后”是一个相对基准，不是“没有AI就业市场会怎样”这种无法观测的假设——具体定义是：22到25岁、处于AI高暴露职业中的年轻员工，其就业水平截至2026年6月已经比“同龄但处于低暴露职业”的同龄人低了19%，而经验更丰富的员工没有出现同等落差。这个19%的差距几乎完全体现在“少招人”而不是“多解雇人”上——企业没有大规模裁掉现有的年轻员工，而是悄悄减少了新招聘的名额。研究团队自己也强调，这是一组持续更新的描述性发现，不是因果证明——他们明确写道：“数据本身无法确定这种分化有多少是由生成式AI而非其他因素造成的。”

这个发现精确地印证了前面那句“技术潜力不等于确定后果”：AI确实在改变劳动力市场的结构，但改变的方式不是“整体裁员”，而是“入口收窄”——最先受冲击的不是已经在岗的人，是还没进来的人。

六、一次传播事故的三层解剖

技术边界讲清楚了，剩下的问题是：一个本该很克制的统计结论，是怎么一步步走样成“四分之一人要失业”的。把前面几条线索并在一起，可以拆出这条“25%失业”传播事故的三层根因。

第一层，统计概念本身有传播上的先天缺陷。“暴露率”是一个需要上下文才能理解的技术术语，而“失业率”“被替代”是每个人一望即知、自带情绪冲击的日常词汇。当一份写给政策制定者和研究者看的报告，需要被压缩成一条15字以内的新闻标题时，中间损耗的往往正是“暴露≠替代”这个最关键的限定条件。这不是哪个记者的疏忽，是“精确”与“传播”之间一种结构性的张力。

第二层，多方都有动机放大恐惧，而愿意花力气纠偏的声音，天然处在传播劣势上。对科技公司高管来说，说“AI很强大，能干掉一半的岗位”，既能强化投资者对AI能力的信心，也能为已经决定的裁员提供一个比“经营不善”更体面的说法；对媒体来说，“一半工作将消失”比“文职岗位存在中度职业转型风险”更容易被点击；对普通人来说，这种末日叙事精准命中了本就存在的经济不安全感，越传越广。真正说“没那么简单”的声音——ILO报告本身的限定条件、Challenger数据里“AI只占裁员理由的一小部分”、思科CTO对“FOMO营销”的批评——传播力天然弱于耸动的总量数字。

第三层，也是最容易被忽略的一层：总量叙事掩盖了真正值得关注的分配性风险。当所有人都在争论“到底是25%还是50%的工作会消失”这种总量数字时，反而没有多少人在追问：为什么高自动化潜力类别里女性占比是男性的两倍（路透社，2025）？为什么受冲击的主要集中在22到25岁的年轻人身上，而不是均匀分布在各个年龄段（斯坦福数字经济实验室ADP追踪数据，2025-2026）？为什么中国校招市场里“传统好替代岗位”的降幅明显大于“AI相关新岗位”的增幅，而不是均匀分布在所有专业方向上？这些不均衡的风险分布，才是这场技术转型里真正需要政策和企业去正视的部分——而“25%工作将消失”这种听起来很吓人但其实很模糊的总量数字，恰恰把这些更具体、更值得干预的问题挤出了公众讨论的焦点。

七、一年后，故事讲到了哪

传播事故发生之后，事情并没有停在那里。从2025年5月到2026年8月，这场围绕“25%”的讨论已经过去了一年多，几条脉络值得单独拎出来看现在的状态。

总量叙事被持续修正。ILO自己在后续的欧洲工作场景研究中补充了一个重要细节：在他们调查的波兰劳动者中，雇主“正式”引入生成式AI的比例其实相当有限，员工私下、非正式使用AI工具的比例反而更普遍；而在那些经过劳资协商后正式部署AI的工作场所里，员工的使用率和继续使用的意愿都明显更高。这提示了一个此前总量叙事完全没有涉及的变量：AI在多大程度上“抢工作”，很大程度上取决于AI是被“悄悄塞进流程里”还是“经过协商正式引入”——这是一个可以被劳资双方谈判影响的过程变量，不是一个技术注定的结局。当然，这只是一国的调查样本，不能直接外推到全球结论。

分配性风险被证据强化。斯坦福数字经济实验室的追踪研究到2026年仍在持续更新（他们维护着一个名为“Canaries”——矿井里的金丝雀，意指最早预警危险的信号——的实时仪表盘和月度指标），研究团队2026年8月发布的最新修订版显示，这个差距从2025年7月数据口径下的15%，扩大到了2026年6月数据口径下的19%，且团队反复强调这仍是“描述性证据”而非“因果证明”。这条证据线基本坐实了此前ILO报告里“女性、初级岗位、文职岗位不均衡承压”的判断方向，只是把观测颗粒度做得更细：不是所有“高暴露”岗位一起承压，而是“高暴露+年轻+初级”这个组合承压最明显。

“AI裁员”的真实性本身受到了系统性质疑。Challenger, Gray & Christmas这家专门追踪美国企业裁员公告的机构给出的最新数据是：2025年全年，AI被列为裁员理由的比例约为4.5%；进入2026年之后个别月份这个比例有所上升，但也有像2026年1月这样AI占比只有约7%、真正主因是合同流失和业务重组的月份。与此同时，“AI washing”（AI粉饰）已经成为2026年被广泛讨论的一个新词——用来形容企业把本该归咎于其他原因的裁员，包装成“技术进步的必然结果”。这意味着，就连“科技公司正在因为AI大规模裁员”这个看似确凿的现象本身，也需要打一个问号：有多少是真的技术替代，有多少是借势营销或财务甩锅，目前没有哪家机构能给出精确拆分。

个案层面出现了一个值得澄清着看的教学案例。Klarna从“AI处理了相当于700人的工作量”，到“承认效率优先伤了服务质量、转头扩招人工客服”，已经成为一个被反复引用的案例——但准确地说，它证明的不是“先裁员700人、后来又把人全招回来”这样一条被坐实的闭环（公开记录并不支持这条闭环），而是“AI能处理这份工作量”和“企业该不该把这份工作量直接换算成裁员”之间，还隔着一次真实的、有代价的业务验证。

八、我的判断

梳理完这些证据和各方立场，我想说说自己的看法。以下是我的判断，不是事实陈述，读者可以不同意。

我认为，“AI会让四分之一的人失业”这个说法之所以传得这么广，本质上是因为它把一个需要具体分析的结构性问题，简化成了一个可以引发集体焦虑的总量数字，而这种简化对几乎所有传播链条上的参与方都“有用”——对科技公司有用、对媒体有用、甚至对本就焦虑的读者也有一种奇怪的“确认感”（既然大家都要完蛋，那我的处境也不算太差）。但这种简化的代价，是真正应该被讨论的问题被淹没了：不是“AI会不会抢工作”，而是“谁的工作岗位入口正在被悄悄收窄，谁在承担这个转型期最大的成本，而这个成本能不能通过政策、培训、劳资协商去分摊”。

我也认为，那些声称“AI马上要消灭一半岗位”的科技公司高管，和那些声称“AI裁员只是巧合”的媒体，同样值得怀疑——前者有夸大技术能力换取融资和股价的动机，后者有把复杂问题简化成流量标题的动机。真正靠谱的信号，不在任何一方的公开发言里，而在像斯坦福ADP工资数据、ILO的分性别分职业统计这类第三方、可核查、持续更新的实证追踪里。

九、写给还在投简历的你：四件可以做的事

道理讲了这么多，最后落回一个实际问题：如果你不是政策制定者，也不是企业高管，这条新闻对你的实际用处是什么？我认为可以落到四件具体、可核查的事情上——把关注焦点从“AI到底会不会抢走工作”这种无法验证的总量问题，换成下面四个可以持续追踪的具体指标：

  1. 关注你所在行业“新增岗位数”和“裁撤岗位数”的净变化，而不是某个高管说的一句“我们在用AI”。企业公告里的AI裁员理由，本身有被“粉饰”的嫌疑，真正说明问题的是招聘数据的绝对增减。
  2. 如果你是应届生或职业早期，重点关注“入门岗位招聘量”这一个指标——目前包括斯坦福ADP追踪数据在内的多项证据都指向同一个方向：AI冲击目前最先、最明显发生在“入口收窄”，而不是“存量裁员”（这仍是持续更新中的描述性发现，不是盖棺定论）。这意味着找工作的难度可能比裁员新闻显示的更早、更隐蔽地上升，值得提前规划技能路径，而不是等一条“大裁员”新闻出现才反应。
  3. 观察你所在公司引入AI的方式，是“悄悄替换”还是“和员工商量着来”。ILO的欧洲研究提示了一个可以自己验证的经验规律：经过协商、透明部署的AI工具，员工接受度和长期效果都更好；被动接受、缺乏沟通的部署，更容易出现Klarna式的反复。
  4. 对任何一条“AI将消灭X%工作”的新闻，先问一句：它说的是“暴露率”还是“替代率”。这是一个几乎可以套用在所有类似报道上的检验方法——多数耸动标题背后的原始研究，测量的都是“技术潜力”而非“确定后果”，两者之间那段距离，才是真正决定你我命运的部分，也是最容易被标题吃掉的部分。

信息来源