Coinbase裁员14%：AI效率革命正在吃掉谁的工作

加密货币交易所Coinbase本周宣布裁员约14%，CEO布莱恩·阿姆斯特朗在全员邮件中把原因说得很直接：AI。

"过去一年里，我看到工程师用AI在几天内交付过去需要团队数周才能完成的工作。非技术团队现在也能编写生产代码，我们的许多工作流程正在自动化。"阿姆斯特朗写道，"小型专注团队能实现的可能性发生了巨大变化，而且每天都在加速。"

这不是硅谷第一次用AI解释裁员。但Coinbase的表态格外刺眼——一家以技术创新为标签的公司，正用同样的技术逻辑裁掉自己的员工。阿姆斯特朗的邮件被公开后，浏览量超过1800万，评论区充斥着两种声音：对AI效率的惊叹，对被替代者的同情。

Coinbase的裁员数据本身值得拆解。14%的比例在科技行业不算极端，但结合时间点耐人寻味：2026年5月，生成式AI的功能性爆发已过去三年，市场早已度过最初的狂热期。这不是一家公司在追逐风口，而是在用实际业务数据验证一个假设——AI带来的效率提升，真的可以转化为更少的人力需求。

阿姆斯特朗描述的图景正在多个行业复现：软件工程师的产出周期从周压缩到天，非技术人员跨越技术门槛直接参与产品开发。这种变化对雇主是福音，对劳动力市场却是结构性冲击。当"小型专注团队"成为新标准，多余的人去哪里？

经济学家托尔斯滕·斯洛克的观点常被拿来对冲这种焦虑。这位阿波罗全球管理公司的首席经济学家属于"AI是增量"阵营，他近期将生成式AI与中国2000年代初的制造业自动化相比较："冲击模式相同——强大的颠覆、暴露部门的即时失业、以及抵消性收益浪潮使总体失业率保持低位。"

但这个类比本身就有问题。中国制造业自动化替代的是工厂流水线岗位，生成式AI瞄准的是认知工作和白领岗位。两者在劳动力市场的传导机制完全不同：工厂工人失业后，可以转向服务业；而程序员、文案、设计师被替代后，他们的技能储备往哪里迁移？

更关键的是，斯洛克的乐观建立在"抵消性收益"的假设上——新技术创造的新岗位会填补旧岗位的空缺。但Coinbase的裁员案例提出了一个尖锐的反问：如果AI让现有团队效率翻倍，企业为什么要扩张招聘？

这里涉及一个被混淆的概念：杰文斯悖论。该悖论指出，技术进步提高资源使用效率，反而可能增加总消耗量。但杰文斯悖论的前提是"效率提升→成本下降→需求扩张→总量增长"。AI编程工具确实让代码产出更快更便宜，但软件需求会因此无限膨胀吗？

现实更可能是另一种路径：效率提升→人力需求收缩→成本进一步下降→行业利润率改善→但就业总量不增反降。Coinbase的决策暗示了这种可能性——当14%的人就能完成过去100%的工作，公司没有动力把节省下来的成本转化为新岗位。

阿姆斯特朗邮件中还有一个细节容易被忽略：他提到"非技术团队现在也能编写生产代码"。这句话的潜台词是，技术岗位的护城河正在变窄。过去需要专业训练才能进入的领域，现在被工具平权化。这对行业是民主化，对从业者却是去技能化。

软件工程曾是AI时代最安全的避风港之一。2023年以来的叙事反复强调：AI是程序员的辅助工具，不是替代者。但Coinbase的裁员数据提供了一个相反的样本——当辅助工具足够强大，辅助者本身变得多余。

这种悖论在客户服务领域更早显现。生成式AI客服系统的大规模部署，已经导致多个行业的初级岗位收缩。但软件工程的特殊性在于，它曾是AI技术的源头和受益者。如果连这个领域都开始净失业，其他行业的参照系在哪里？

斯洛克的"抵消性收益"论需要回答一个具体问题：新岗位从哪里产生？制造业自动化创造了物流、维护、质检等配套岗位；互联网革命催生了产品经理、数据分析师、用户体验设计师等全新职业。生成式AI至今没有展示出同等规模的岗位创造能力。

一个可能的反驳是：时间还早。生成式AI的功能性爆发始于2023年，至今不过三年。如果参照电力或计算机的普及周期，我们仍处于早期阶段。但"早期"本身是个危险的概念——它可以用来推迟任何判断，也可以成为不作为的借口。

Coinbase的裁员发生在2026年，这个时间节点值得标记。这不是2023年的实验性调整，而是经过三年观察后的战略决策。阿姆斯特朗的邮件语气中没有试探，只有确认："小型专注团队"的新范式已经确立。

对于被裁的14%员工，再就业的前景取决于一个关键变量：他们的技能是否属于AI的"暴露部门"。阿姆斯特朗描述的"非技术团队写代码"现象，暗示了技能贬值的加速。过去需要数年积累的专业能力，现在被封装在工具接口后面。

这种贬值不是均匀分布的。高级架构师、复杂系统设计者、AI基础设施工程师的需求可能仍在增长，但入门级和中层的岗位正在变薄。劳动力市场的两极分化加剧：顶端是少数驾驭AI的超级生产者，底部是被工具替代的普通执行者。

工资数据提供了另一个观察窗口。如果斯洛克的理论成立，AI暴露部门的工资下降应该被新兴岗位的工资上涨所抵消。但现有证据指向相反方向：科技行业的薪资增长放缓，而AI相关岗位的溢价主要集中在极少数顶尖人才。

Coinbase的案例还揭示了企业层面的算计。阿姆斯特朗强调"为股东创造价值"的措辞，暴露了效率叙事背后的利益分配。AI带来的成本节省，有多少转化为消费者福利，有多少沉淀为资本回报，有多少用于员工再培训？邮件中没有提及后者。

这种选择性沉默是结构性的。当企业用AI解释裁员时，它们很少同时公布再投资计划。效率提升的收益流向股东和少数留任的高绩效员工，而被替代者承担转型成本。这不是技术的中性结果，而是制度设计的产物。

回到最初的问题：生成式AI正在创造更多工作吗？Coinbase的答案是明确的否定，至少在其组织内部。14%的裁员比例是一个信号，表明效率革命正在越过"辅助工具"的温和阶段，进入"人力替代"的硬核阶段。

这个信号的普遍性尚待验证。不同行业、不同规模、不同竞争格局的企业，对AI的采纳速度和深度存在差异。但Coinbase作为科技原生公司的决策，具有风向标意义——如果连最应该拥抱技术变革的企业都在收缩人力，传统行业的转型压力只会更大。

斯洛克的乐观预测需要一个前提：新岗位的出现速度超过旧岗位的消失速度。但历史经验显示，技术转型的就业效应存在严重时滞。19世纪的工业革命经历了数十年的"恩格斯停顿"，工资增长长期落后于生产率提升。生成式AI是否会重演这一模式，目前尚无定论。

更紧迫的问题是政策响应的缺位。当企业用AI重构劳动力结构时，公共部门的再培训体系、社会保障网络、劳动法规调整明显滞后。阿姆斯特朗的邮件可以公开传播，但失业员工的转型支持却缺乏同等能见度。

Coinbase裁员事件最终指向一个深层矛盾：生成式AI被宣传为通用目的技术，但其经济收益的分配高度集中。通用性意味着广泛渗透，但渗透不等于普惠。当技术红利主要流向资本和少数精英劳动者时，"创造更多工作"的承诺就会落空。

阿姆斯特朗在邮件结尾写道："这一决定让我们处于更有利的位置。"他没有说明，这个位置对谁更有利。对于留任的员工，是更高的工作强度和更窄的晋升通道；对于离开的员工，是技能贬值和再就业的不确定性；对于股东，是成本结构优化和利润率改善。同一技术变革，在不同群体身上刻下截然不同的印记。

生成式AI的就业效应仍在演变中，但Coinbase的裁员提供了一个具体的观察锚点。它提醒我们，效率叙事需要被拆解为分配叙事——不是AI创造了什么，而是谁获得了什么，谁失去了什么。在这个意义上，14%不仅是一个裁员比例，更是一个关于技术与社会契约的提问。