AI 也许不会抢走你的岗位，但它可能把这份工作掏空

英文原标题：AI May Not Take Your Job. It May Hollow It Out Instead.
作者：蒂莫西·J·贾尔迪诺（Timothy J. Giardino） 发布日期：2026-10-19

想象一下，有人告诉你：AI 不会取代你。

你的职位名称不变。薪水不变。你在组织架构图上的位置稳固。

但 AI 现在承担了你曾经做的很大一部分研究。它准备初稿。它处理常规分析。它回答直截了当的客户问题。它完成那些过去占据你一周里相当有意义的一部分时间的行政步骤。

一开始，这听起来像是进步。

然后你注意到剩下的是什么：

• 你复核产出。
• 你处理例外。
• 你在自动化流程失败之后去和客户谈。
• 你解决那些证据相互冲突的案子。
• 当系统越界时，你去介入。
• 你重建那些没能在交接中存活下来的上下文。
• 你恰恰在事情最模糊、情绪最难、后果最重的时候，成为那个要对工作负责的人。

严格来说，你的工作活下来了。

但它的一切都变了。

国际劳工组织（ILO）2025 年的任务级分析得出结论：全球每四名劳动者中，就有一人从事某种程度的生成式 AI 暴露型职业；而由于大多数职业仍然需要人的输入，"转型"比"整体替代"更可能发生。ILO 也提醒：这些是暴露度估计，不是观察到的失业人数。

如果"转型"成为 AI 在工作场所的主要体验，那么仅仅"保住了岗位"就是一个不够的衡量标准，用来判断这次采纳是否负责任。

我们还需要问：留下来的，是什么样的工作？

• 它可持续吗？
• 它还能发展专业能力吗？
• 员工还保有有意义的判断权吗？
• 这个角色里还有创造、建立关系、学习与精进的机会吗？
• 还是说，我们保住了职位，却悄悄拿掉了让这份工作具有职业价值的大部分内容？

对于第二种可能，我用一个词来指称：角色掏空（Role Hollowing）。

我说的"角色掏空"是什么意思

角色掏空是一种可能出现的状态：职位还在，但 AI 移除了相当一部分发展性练习、判断、关系性工作或手艺，却没有在别处为员工创造足够的机会去行使和发展能力。

这个角色在组织架构图上仍然可见。

它内部的构成已经变了。

留下来的部分，可能不成比例地集中在：监控 AI 产出、处理例外、纠正错误、批准有后果的行动、重建缺失的上下文、解释决策、修复信任，以及在自动化失败时恢复工作流。

这些职责里，没有哪一项本身是坏的。

有些可以高度专业，也很有职业意义。

风险出现在这里：领导者假设——因为 AI 移除了常规任务，剩下的人类角色就自动变得更好。

它可能会更好。

但"转型"并不自动等于"好的工作再设计"。

那需要被证明。

这件事应当被当作一个"人类可持续性"问题来处理：领导者应当检查认知负荷、情绪负担、例外集中度、连续性暴露，以及长期的人类能力侵蚀——而不只是技术增加了什么。

从工作开始，而不是从职位名称开始

在管理混合智能这件事上，工作可以分成四个实用类别：

自动化：有边界、可重复的工作，通常可以通过规则、常规自动化或 AI 完成。

增强：人在 AI 支持下完成、但仍对解读、复核或最终行动保留责任的工作。

判断：需要上下文、解读、伦理、后果意识、例外处理或可问责决策的工作。

关系：信任、共情、影响力、关怀、协商、尊严，或人的在场本身对结果有贡献的工作。

大多数工作同时包含这四类。

这就是为什么"这个岗位可以被自动化"通常是错误的分析层级。

以一个管理者为例：

• 行政报表可能是可自动化的。
• 准备绩效总结可能是被增强的。
• 决定如何应对一个不寻常的员工状况，可能需要判断。
• 陪某人走过一段艰难的职业生涯时刻，是关系性工作。
• 移除报表负担，可能通过为辅导和领导腾出更多时间而改善这个管理者的角色。

那是一次好的再设计。

但想象另一种结局。

AI 移除了报表、排班、常规员工提问和第一轮分析。

组织没有把回收的容量用于发展和领导，而是扩大了这个管理者的管理幅度、增加了对数字员工的监督、提高了审批量，并把每一个困难的员工个案都往上推给他。

这个管理者现在常规任务更少，管人的时间却明显更少。

同一项技术，可以造出两种截然不同的工作。

问题不只是"AI 移除了什么"，而是"组织故意在那个由 AI 创造出的空间里放了什么"。

任务更少，可能意味着人的工作更难

客户服务让这个问题很容易看见。

假设 AI 解决了大多数直截了当的请求。

人类团队于是可能收到更高浓度的争议决策、不寻常的例外、不完整的记录、无障碍相关的顾虑、客户的沮丧，以及组织别处制造出来的失败。

这名员工可能处理的案子更少。

但每一个案子可能需要更多的判断、情绪调节、协调和后果意识。

一个只看案子数量的生产力看板，可能得出"这个员工做得更少"的结论。

而这个员工实际上可能在做更难的工作。

这是为什么 AI 的生产力主张，应该在整个工作系统层面评估，而不是在"AI 生成产出"的那一点上评估。评估必须明确把隐藏工作、复核、例外吸收、恢复，以及下游队列，都算作工作系统健康的一部分。

如果 AI 在上游省下 10 分钟，却在别处制造了 6 分钟复核、4 分钟来源核实、一次升级，以及一场客户挽回对话——整个系统未必真的获得了 10 分钟可用容量。

工作转移了。

负担也转移了。

绩效管理必须跟着工作走

当工作变了、绩效体系没变时，角色掏空的破坏性尤其大。

假设客服员工过去每天处理 40 个大多是常规的案子。

有了 AI 之后，他们处理 15 个。

领导层据此得出结论：人类生产力下降了。

但那 15 个案子，现在是 AI 解决不了的那些。

员工可能要花更多时间去理解上下文、跨部门协调、行使裁量权、修复信任、记录例外。

如果绩效模型仍然奖励交易速度和数量，组织就制造了一个矛盾。

它把人推向判断与关系性工作，却继续把他们当"交易处理器"来考核。

这会制造可预测的扭曲。

员工可能因为吞吐目标还在，就匆匆处理困难的案子。

他们可能回避深思熟虑的升级。

他们可能对 AI 的建议盖章通过，因为真正的复核太花时间。

他们可能感到沮丧，因为工作变得更难了，而组织还在说 AI 减轻了他们的负担。

当工作变了，"好绩效"的定义必须跟着变。

效率可能移除通往专业能力的路径

还有一种风险，出现得更晚。

想象一家专业服务机构：初级员工历来是通过研究、初稿、常规分析、风险较低的决策、观察资深同事、以及在错误上获得反馈来学习的。

现在 AI 承担了其中很大一部分。

眼下的经济账可能看起来非常好：

• 资深专家完成更多工作。
• 初级员工产出更快。
• 客户得到更快回应。

然后问一个更长线的问题：谁会成为下一个专家？

专业判断是通过反复暴露、练习、反馈和逐步加难的工作发展出来的。学徒制侵蚀应当被当作一项治理风险：当 AI 吸收了那些过去用来建立判断、技能、客户理解和职业身份的常规性、入门级、观察性或受督导的工作时，这个风险就出现了。

有些看起来低效的工作，实际上是发展性的基础设施。

这不意味着组织应该仅仅为了让初级员工有事可做而保留过时的任务。

它意味着：领导者应该理解正在被移除的发展价值，并在假设"AI 已经让那种经验不再必要"之前，先造出一个替代品。

举例来说，初级分析师可以先独立形成自己的建议，再看 AI 的产出；比较自己的推理与模型的推理；识别分歧与不确定性；向资深复核者解释自己的立场；并逐步处理更复杂的案子。

这可能比旧的学习系统更好。

但它需要被设计出来。

如果没有替代性的学习，AI 可能造出这样一个组织：它非常擅长消费专业能力，却在生产专业能力上越来越差。

重要的是，AI 也能支持学习。一项针对 5,179 名客服人员的大型田野研究发现：能使用生成式 AI 助手，对新手和技能较低的工作者提升生产力最明显，并提供了提示性证据表明该系统有助于传播更有经验者的做法、加速学习。

因此，发展性效应应当在实际工作流中被测量，而不是被假定为正面或负面。

复核 AI，不等于发展判断力

一名员工可能变得极其擅长复核漂亮光滑的 AI 产出，同时失去独立发起底层分析的能力。

这是相关的能力。它们不是同一种能力。

考虑一位财务分析师，他过去要从原始信息出发构建一份预测：

• 现在 AI 准备这份预测。
• 分析师复核它。
• 几年下来，这个人可能非常擅长识别 AI 生成预测里明显的异常。

但如果系统不可用了，他还能界定问题、识别相关变量、构建一个可接受的首版模型、并解释假设吗？

如果不能，组织也许还拥有一个"复核者"。但它可能已经不再拥有它以为这个复核者所代表的那种能力。

这就是为什么角色可持续性与继任、连续性相关。人类判断健康、学习与练习、继任准备度、降级覆盖，以及剩余能力，都应当被视为工作系统的衡量指标，而不是边缘的人力资源事务。

角色可以存活，而职业身份却在侵蚀

工作也不只是一堆任务的集合。

对很多人来说，它是职业身份的来源。

2026 年发表在《Information and Organization》上的一项同行评审研究，基于对一家专利律所 42 位专利律师与专业人员的访谈，发现 AI 的实施改变了既有的工作实践与技能要求，并与职业身份的碎片化相关联。一家公司无法确立普遍效应，但这项研究为正在重新设计专业工作的领导者提出了一个重要问题：

这个角色正在创造什么样的新精通形态？

复核 AI 完全可以成为有意义的专业工作。以下这些也可以：

• 校准。
• 例外管理。
• 编排混合智能工作系统。
• 监督数字劳动力。

问题不在于这些职责本身更低级。

问题在于：员工是否还保有实质性的决策可做、足够的证据来行使判断、挑战机器的权限、创造的机会、对成果的可见所有权，以及创造最大价值的领域。

但在缺乏足够的多样性、权限、支持和恢复时间的情况下把它们集中起来，可能造出一个不可持续的角色。

这种担忧属于"人类角色可持续性"的范畴，它考察：情绪强度、认知切换、例外集中度、信任修复负担、升级量、恢复时间、角色清晰度，以及长期角色质量。

组织应当问：

人们接到的是他们独特地适合处理的工作吗？

还是他们只是接到了机器解决不了的一切？

这是两种不同的运营模式。

人的工作，不应该变成组织的"例外垃圾场"。

角色掏空，可以藏在一个成功的 AI 项目里

这正是这个风险难以被看见的原因。

按常规指标看，这个 AI 项目可能正在成功：

• 自动化率在上升。
• 周期时间在下降。
• AI 采用率在上升。
• 单笔交易成本在下降。
• 越来越多的案子在没有人工介入的情况下完成。

与此同时，人的工作可能变得更偏例外、初级员工得到的发展机会更少、管理者的辅导时间下降、职业身份变弱、连续性依赖于一个正在缩小的"练过的专家"池子。

一次成功的技术实施，因此可以与一个正在恶化的人类工作系统共存。

这就是为什么组织需要评估完整的"混合智能工作系统"，而不只是 AI 的表现。测量应当覆盖：人类角色可持续性、数字劳动力表现、隐藏工作、例外吸收、连续性、转型健康度，以及继任准备度。

重新设计一个角色之前的五个问题

在批准一次实质性的 AI 赋能角色再设计之前，我会把管理者和受影响的员工聚集起来：

1. 什么工作正在消失？

识别 AI 将吸收的任务。

然后把真正的行政负担，与那些当前正在培养判断、维系关系或发展专业能力的工作区分开。

• 不要保留不必要的。
• 但要理解那份工作过去在创造什么能力。

2. 什么工作正在集中？

审视自动化之后剩下什么。

不要只衡量任务量。

看例外的复杂度、情绪强度、上下文重建、纠错时间、升级量、后果，以及信任修复负担。

• 如果工作变难了，重新审视人员配置、权限、恢复时间和绩效指标。

3. 重新设计后的角色会培养什么能力？

问：在未来几年里，一名员工能在这个角色上变得更好的是什么？

• 他们会发展判断力吗？
• 关系能力？
• 系统编排？
• AI 校准？
• 问题界定？
• 客户领导力？
• 工作系统改进？

一个面向未来的角色需要一个"精通轨迹"。

4. 谁会成为下一个专家？

识别是什么经历造就了当前的专家，并确定什么将替代那些经历。

提供逐步加难的工作、独立分析、辅导、模拟和反馈。

不要把"能拿到培训内容"和"发展出判断力"混为一谈。

5. 组织还能挑战并恢复这项工作吗？

这是目前最大的商业风险之一：AI 之后的业务连续性。测试一下：当 AI 出错、不可用、被限制或不被信任时，人是否保有足够的知识和权限去介入。

• 员工能重建推理过程吗？
• 他们能找到权威来源吗？
• 他们能挑战产出吗？
• 他们能以可接受的、降级的服务水平继续运转吗？

如果答案是不能，自动化可能已经悄悄造出了一个新的业务依赖。

实施之后再问第六个问题

我们设计出来的那份工作，变成了人们实际在做的那份工作吗？

这一点至关重要。

组织批准的是"意图状态"的设计。

员工经历的是"运营现实"：

• AI 可能制造出比预期更多的纠正工作。
• 客户可能有不同反应。
• 管理者可能以意想不到的方式路由工作。
• 一个 AI 系统可能把需求加速推给另一个团队。
• 剩下的人类工作，可能比原计划预期的更碎片化或情绪更强烈。

在实施之后回来，和真正在做这份工作的人谈：

• 测量隐藏的复核与纠正。
• 看例外的集中度。
• 检查学习机会。
• 审视绩效期望。
• 问员工：他们是否还拥有有意义的所有权。

然后再重新设计一次。

混合智能应当被当作一个不断演进的工作系统来管理，而不是一次性的技术部署。

保住岗位是不够的

关于未来工作的讨论，理所当然地聚焦在 AI 可能创造或消灭多少个岗位上。如果组织采用一个有序的过渡序列，那么人仍将是组织设计的一部分。

但在"创造"与"消灭"之间，还坐着另一个庞大的类别：

那些岗位留下了、但内部工作已经改变的工作。

这些员工会每天经历 AI 转型。
他们会感受到：这项技术移除的是无意义的负担，还是他们借以学习的那部分工作。

他们会知道：自己得到的是更有意义的判断，还是只是更难的例外。

他们会知道：AI 是为关系腾出了空间，还是扩大了他们的工作量。

他们会知道：自己变得更有能力了，还是只是更依赖了。

而最终，组织也会知道。

它会体现在：

• 专业能力。
• 继任。
• 留任。
• 倦怠。
• 客户信任。
• 管理者容量。
• 业务连续性。

以及：当数字劳动力做不了那些工作时，组织的恢复能力。

因此，这个高管决策远远超出"一个职位是否存活"。

它关乎：被重新设计的角色，是否仍然在生产组织下一步所需要的能力、判断、关系、精通与韧性。

混合智能的目标，应当是让人的工作更像人的工作。

而不只是把 AI 做不了的事情丢给人。

如果你的组织正在采纳 AI，挑战已经不再只是选工具。而是：在人类劳动与数字劳动开始协同运作时，负责任地重新设计工作。

这意味着：避开"AI 裁员陷阱"，在规模化之前先治理，保住人类判断与能力，并在用生产力收益为裁员或组织重构正名之前，先证明 AI 改善了整个工作系统。

本文编译自 substack，原文作者 Timothy J. Giardino。

原文 URL：https://amplifyonefieldnotes.substack.com/p/ai-may-not-take-your-job-it-may-hollow