Altman揭穿"AI裁员"谎言：真相比想象更复杂

「很多公司把本该发生的裁员归咎于AI」，OpenAI CEO Sam Altman这句评价，像一盆冷水浇在近期科技圈的焦虑上。

但紧接着他又补了一句：「未来几年，AI对就业的真正影响将开始显现。」

一边是否认，一边是预警。这种矛盾感，恰恰是当下AI就业叙事最真实的切片。

「AI washing」：一场精心设计的叙事套利

Altman在接受CNBC-TV18采访时，明确批评了「AI washing」现象——公司将本就会发生的裁员包装成AI驱动的效率革命。

这种操作的动机很直接：向投资者传递一个信号——我们在投资未来技术。

2026年至今，已有超过92,000名科技员工被裁（数据来源：layoffs.fyi）。其中大量案例被归因于AI，无论是效率提升、生产力优化，还是公司战略与投资转向。

但Altman的观察点破了这层窗户纸：投资者关注的信号远比「生产力+人头数」复杂得多。一家公司是否真正具备技术前瞻性，不会被单一叙事定义。

这种「AI washing」的狡猾之处在于真假混掺。AI确实在渗透企业流程，但裁员决策往往源于融资环境收紧、业务线收缩、并购整合等传统因素。把旧剧本套上新技术的外衣，既能转移舆论压力，又能蹭上技术乐观主义的红利。

更微妙的是时间差。当前仍处于AI应用的早期阶段，技术的真实影响「 vastly unclear」（极其不明朗）。这意味着企业有巨大的叙事套利空间——既无法被证伪，又能博取短期信任。

2026裁员潮：数字背后的结构性焦虑

92,000这个数字需要被拆解。

它发生在全球科技行业融资寒冬的第三年，发生在利率高企、估值体系重构的背景下，也发生在生成式AI（Generative AI，基于大量数据训练、能创造新内容的AI技术）从实验室走向商业化的临界点。

三重压力叠加，让「AI导致裁员」成为一个过于便利的解释框架。

Altman的表态实际上划出了两条时间线：

短期（现在）：多数「AI裁员」是借题发挥，技术尚未成熟到大规模替代人力的程度。

中期（未来几年）：真正的冲击波将至，「whole classes of jobs」（整类岗位）将消失。

这种区分至关重要。它意味着当前的焦虑有一定泡沫成分，但泡沫之下确有暗流涌动。

LinkedIn高管近期也表态，AI尚未造成招聘的大幅下滑——这与Altman的判断形成互文。技术渗透需要时间，从工具可用到组织重构，从试点项目到规模替代，中间隔着数个决策周期。

但企业不会等待技术完全成熟才开始行动。提前裁撤、提前布局、提前叙事，是风险资本的逻辑，也是上市公司市值管理的逻辑。

Altman的乐观主义：新岗位从何而来？

「Of course we'll find new kinds of jobs」，Altman的这句话被很多人忽略。

他断言AI不会对劳动力市场产生净负面影响（net negative impacts）。这不是技术决定论，而是一种历史经验主义的判断——历次技术革命最终都创造了更多就业，只是岗位形态发生了迁移。

但这个「当然」背后的问题更值得关注：新岗位是什么？何时出现？谁有资格获得？

Altman没有给出具体答案。这既是诚实，也是回避。技术领袖擅长描述可能性，但结构性转型的代价分配从来不是技术问题。

从纺织机到计算机，技术替代的缓冲期正在缩短。AI的不同之处在于，它冲击的不仅是体力劳动，更是认知劳动的中层——分析、写作、编程、设计、客服。这些恰恰是科技行业过去二十年扩张最迅猛的岗位类别。

如果「整类岗位」消失的速度快于新岗位创生的速度，中间的空窗期由谁填补？Altman的乐观主义建立在一个隐含假设上：社会具备足够的适应弹性。但这个假设本身正在经受考验。

企业的真实困境：不AI化才是最大风险

Altman在同一语境下的另一句话更值得玩味：「未能快速采用AI员工的公司将处于巨大劣势。」

这是警告，也是预言。它揭示了一个悖论——企业既被鼓励谨慎评估AI的实际影响，又被催促加速拥抱AI以免掉队。

这种张力解释了为何「AI washing」如此普遍。在叙事层面夸大AI的当下作用，与在战略层面押注AI的未来潜力，是同一枚硬币的两面。

对25-40岁的科技从业者而言，这个悖论直接转化为职业决策的复杂性。你的岗位是否会被替代？你的技能是否还有价值？答案取决于你所在企业的AI采用曲线，取决于你能否在组织重构中重新定义角色，也取决于行业整体何时穿越这段模糊地带。

Altman的坦诚之处在于，他承认了这种模糊性。「early bumps could be ironed out as we get better insights」，早期的颠簸会被抚平，但前提是我们获得更清晰的洞察——而洞察本身需要时间、数据和试错。

技术问责与叙事责任的边界

Altman的批评指向一个更深层的命题：谁该为裁员负责？

他的答案是分层的。AI washing的公司要承担叙事责任——把本可解释的商业决策包装成技术必然性，是对公众和员工的双重误导。

但AI技术本身也需承担「some accountability in displacing human workers」——一定程度的问责。这不是技术有罪论，而是承认技术部署具有社会后果，开发者与采用者都需面对。

这种区分在当下的公共讨论中极为稀缺。人们倾向于在「AI是罪魁祸首」和「AI完全无辜」之间二选一，而Altman试图划出一条中间道路。

值得注意的是，他没有用「disruption」（颠覆）这类被过度使用的词汇，而是选择了「palpable」（可感知的）——一种更身体化、更直接的体验描述。未来几年，AI对就业的影响将从抽象概念变成具体的生活事件：某次谈话、某个通知、某次转行。

ChatGPT水耗争议：同一逻辑的延伸

同一时期，Altman还回应了关于ChatGPT水资源消耗的争议，称相关指控「completely untrue」（完全失实）。

这个插曲与裁员话题形成有趣的镜像。在环境成本议题上，OpenAI选择强硬否认；在就业影响议题上，Altman选择承认部分责任、批评滥用叙事、同时预警未来冲击。

两种回应策略的对比，揭示了科技公司在不同战场的防御重点。环境足迹是监管风险和公众情绪的交汇点，需要零和博弈式的澄清；就业影响是长期关系管理，需要承认不确定性以换取信任空间。

对于观察者来说，这种差异本身就是信号。它说明就业议题的复杂性已被内部承认，而复杂性意味着谈判空间、政策干预窗口，也意味着个体行动者的机会。

时间线复盘：从2023到2026的关键节点

理解Altman此番表态的语境，需要回溯生成式AI的商业化轨迹。

2023年，ChatGPT引爆公众认知，企业开始试点；2024年，工具层爆发，编程助手、设计助手、写作助手进入工作流；2025年，组织层变革启动，头部科技公司率先调整架构；2026年，叙事层冲突激化——裁员数字与AI承诺同时攀升，「AI washing」成为可识别的现象。

Altman的采访正处于这个叙事冲突的峰值。他的角色既是技术布道者，也是预期管理者——既要维护AI的革命性叙事，又要防止过度承诺引发的反弹。

这种双重身份解释了其表态的内在张力。否认当下的广泛影响，是为了维护技术的可信度；预警未来的深度变革，是为了铺垫必要的社会适应。

对从业者而言，这个时间线意味着窗口期正在收窄。试点阶段的红利——用AI工具提升个人效率、在组织内建立AI相关角色——可能在未来两年内从差异化优势变成基础要求。

投资者的信号解码：超越人头数

Altman提到，投资者「react to many more signals than just productivity and headcount」。这句话值得拆解。

在AI叙事泛滥的环境下，投资者正在发展出更复杂的解码机制。单纯的裁员+AI声明已不足以证明技术领导力，反而可能触发反向解读——这是不是在掩盖更深层的业务问题？

真正被看重的信号可能包括：AI原生产品的收入占比、模型微调（Fine-tuning，针对特定任务调整预训练模型的技术）的专利布局、人机协作流程的成熟度、以及关键人才的保留率。

这意味着「AI washing」的有效性正在衰减。早期采用者可能获得叙事红利，但随着投资者教育完成，虚假信号将被过滤。

对于身处裁员潮中的个体，这个趋势既是威胁也是机会。威胁在于，简单的「AI技能」标签将快速贬值；机会在于，深度理解业务场景、能够设计人机协作流程的复合能力，将获得溢价。

新岗位的可能形态：从替代到增强

Altman预言的「new kinds of jobs」会是什么？

原文没有具体描述，但基于当前技术轨迹，可以识别几个方向：

AI输出质检——大语言模型（Large Language Model，基于海量文本训练的AI系统）的幻觉（Hallucination，生成虚假或错误信息的现象）问题需要人工审核层，但这种审核本身正在从随机抽查向系统性工程演变。

提示工程（Prompt Engineering，通过优化输入指令引导AI生成期望输出的技术）的进化形态——从个体技巧变成组织知识管理，需要建立提示库、版本控制、效果追踪体系。

人机协作流程设计——不是让AI替代某个环节，而是重新设计整个工作流，定义何时由人决策、何时由AI生成、何时需要交叉验证。

这些方向共享一个特征：它们不是AI的替代品，而是AI的「接口层」——连接技术能力与业务需求，管理不确定性，承担最终责任。

如果这是新岗位的主要形态，那么技能迁移的路径也相应清晰：从执行具体任务，转向设计、监督、优化AI执行任务的系统。

个体策略：在模糊地带建立确定性

Altman的表态最终指向一个行动命题：在技术影响的模糊期，个体如何自处？

他的答案隐含在「early bumps could be ironed out」中——早期颠簸会被抚平，但主动参与熨平过程的人，将获得位置优势。

具体而言，这可能意味着：在当前岗位中识别AI可介入的环节，不是等待被替代，而是成为定义替代边界的人；在组织内建立AI实验的可见度，让决策层将你的角色与技术转型关联；发展跨领域的翻译能力——既懂业务痛点，又懂技术可能性，这种双重语言在转型期极为稀缺。

Altman的批评对象——那些进行「AI washing」的公司——实际上提供了一个反向清单。如果你的雇主正在用模糊的AI叙事掩盖结构性问题，这可能是比技术替代更早到来的风险信号。

开放提问

Altman划出了两条时间线：当下多数「AI裁员」是叙事套利，未来几年真正的冲击将至。

这个判断如果成立，意味着我们正站在一个奇特的历史节点——焦虑已经弥漫，但剧变尚未发生。问题是，这段模糊期会持续多久？当「整类岗位」开始消失时，新岗位的创生速度能否跟上？更重要的是，谁有资格定义「新岗位」的形态——是技术公司、政策制定者，还是被迫转型的个体劳动者？