你的工资可能暂时保住了！国内新规落地：砸人饭碗的AI，需审慎！

前言

大家好，我是小李。

国务院办公厅印发的国办发〔2026〕29号文件——《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》，已于近日正式落地实施。

该文件并未设置AI应用的“红绿灯”，也未出台刚性裁员禁令，但其中出现了若干此前极少出现在国家级政策文本中的提法，例如“审慎缓解人工智能对就业岗位的替代效应”，又如“支持企业试点设立员工过渡适应期机制”。

一份以引导为主、不具强制效力的政策意见，为何要专章聚焦“替代”这一敏感议题？那些过去两年高调推行算法驱动人力精简的头部企业，后续交出的实际成绩单又如何？

文件说了什么

先看其措辞风格与政策重心。全文涵盖六大方向、十八项具体举措，约束力最强的一句明确指向“劳动密集型行业”，强调须“稳慎控制人工智能技术在该类行业的渗透广度、应用深度与推广节奏”，核心目标直指最大限度降低对在岗劳动者的结构性冲击。

另一处关键设计在于将就业影响评估前置化——今后凡涉及市场准入类AI项目的立项评审，必须同步开展岗位变动测算，对可能引发显著就业波动的应用场景，需在决策前端就完成“就业影响预判表”的编制与备案。

文中高频使用的动词集中于“倡导”“推动”“扶持”“完善”，通篇未见“严禁”“不得”“一律禁止”等指令性表述。其实际传导路径，将主要依托各地配套实施细则的制定进度、国有企业绩效考核指标的调整幅度，以及公共就业服务体系的响应强度来体现。方向已然清晰：替代可以发生，但必须置于可预见、可参与、可托底的制度框架之内。

把这份文件置于更宏大的时代坐标中审视，其发布时间绝非巧合。

国际货币基金组织总裁格奥尔基耶娃在10月中旬召开的年度峰会上披露了一组权威预测：从长期看，AI或将波及全球约40%的职业岗位，在发达经济体中这一比例更高达60%；而岗位演化路径呈现三重分野——被技术赋能增强、被职能降维弱化、被系统性替代。她将其形容为一场“缓慢推进却不可逆转的浪潮”。

同场论坛上，新加坡总统尚达曼进一步指出一个具象信号：美国高校应届毕业生的岗位需求量，已跌至百年来的历史最低点；尤其在科技、金融等AI渗透率最高的行业，初级职位数量正经历断崖式收缩。

这些国际判断与国内文件中“减缓替代影响”的政策语言形成跨域呼应，共同印证一个正在加速成型的事实：就业压力并非远期推演，而是当下进行时；首当其冲者，正是那些刚刚迈入职场、尚未建立起专业壁垒与人际网络的新锐力量。

小李认为，这一点亟需被更清醒地认知。以往关于AI替代的公共讨论，常将焦点落在个体技能储备不足上，这种归因有一定现实基础，却无形中将系统性挑战窄化为个人奋斗命题。

当入门级岗位本身持续收窄，意味着职业成长的第一级阶梯正在变矮、变滑、甚至局部消失——这不是靠多考几个证书、多刷几套算法题就能完全弥补的结构性缺口。

就在文件公布的同一日，英国巴克莱银行宣布启动新一轮组织优化，计划裁撤约5000个职位，占其全球员工总数的5%，其中近六成岗位来自开发支持、运营协调与后台服务等职能条线。

首席财务官在财报电话会议中，将组织瘦身与AI技术部署并列为战略驱动双因素；而工会Unite秘书长则尖锐指出，此举实为借技术之名行人员甩脱之实，是对长期服务员工契约精神的背离。

巴克莱CEO本人则留有余地，称AI是“蛋糕表面的糖霜，而非支撑整块蛋糕的基底”，强调唯有夯实底层技术架构与流程治理能力，才能真正释放智能化红利。这句话置于裁员公告旁侧，耐人寻味之处正在于其隐含的张力——糖霜再美，若基底松动，终将塌陷。

市场端的效率焦虑真实存在，不会因一纸指导意见而自动消解。这份文件所能撬动的，是将提前沟通、转岗安置、技能重塑等环节固化为组织决策的必经程序，使岗位调整不再如关闭某个云端服务般轻描淡写。

所谓“程序成本”，看似无形，却极大提升了动作的可见性与责任密度。

过去一次覆盖数百人的编制调整，或可在财年收官前悄然完成；如今则需提前公示影响范围、明确培训路径、列明补偿方案。管理层在按下确认键之前，必须先行回答“谁来承接”“如何衔接”“风险怎么兜”等一系列问题——这种前置思考本身，就是一种制度性约束。

但这仅是硬币的一面。另一面是，部分曾激进推行替代策略的先行企业，正通过真实的招聘行为悄然回调。这自然引向我们第二个深层追问：算法真正能稳稳接住的是哪些工作？又有哪些职责，注定无法被模型承托？

替代的账本

瑞典金融科技企业Klarna于2024年初高调发布成果：其部署的新一代AI客服系统上线首月即处理对话超230万次，效能相当于700名全职人工客服，单次问题平均解决时长由11分钟压缩至不足2分钟。

该数据甫一公布，便成为全球AI降本案例库中的标杆范例。然而，数字背后的缝隙同样值得深究：“等效工作量”不等于“实际问题闭环率”。

涉及复杂退费规则、政策例外情形、情绪高度对抗的客诉场景，对当前大模型而言，并非准确率能否提升的问题，而是根本缺乏理解语境、调用经验、权衡利弊所需的推理纵深。

随着重复求助率持续攀升，Klarna首席执行官于2025年5月公开承认：过度追求成本压缩的策略已导致服务质量滑坡，公司随即重启人工客服招聘，转向“AI主理+人工兜底”的协同服务架构。

截至2026年，该混合模式已被内部评估为运行平稳，但代价是长达一年多的策略反复与客户信任损耗。小李的观点是，这段自我修正的过程，比最初那场光鲜发布会更具现实启示意义。

它揭示了一个本质规律：降本增效的账目不能只看季度报表，客服岗位的核心价值，恰恰大量沉淀于那些低频发生却高难度处置的临界时刻——平时隐而不显，一旦失守，便成溃堤蚁穴。

IBM选择了不同的切入路径，却抵达相似结论。2023年，时任CEO克里希纳曾表示，约7800个后台职能岗位有望在未来数年内被AI与自动化系统覆盖，彼时其全球招聘冻结令一度被业界视为风向标事件。

而到了2026年2月，IBM首席人力资源官宣布：将美国地区初级岗位招聘规模扩大至原有水平的三倍，覆盖软件工程、管理咨询、基础设施运维及数字营销等核心业务板块。

她的解释务实而深刻：若不在新人培养端持续注水，三年后的人才供给管道必将干涸见底。

IBM同步更新了“入门级岗位”的内涵边界，明确将应届生、重返职场者及跨行业转型者纳入定义范畴；初级员工的工作重心亦由标准化编码任务，转向跨职能协作、产品逻辑共建与AI输出校验等复合型实践。

初级岗位承载的从来不只是事务交付功能，一个人从生疏到熟练、从被动执行到主动判断的成长曲线，正是在一项项基础工作中自然延展而成。

若人为截断这条成长通路，短期财报或许亮眼，中期却将面临高昂的外部引才成本与团队磨合阵痛——这种隐性代价，在当年的招聘冻结期并未进入决策视野。

从外部引进一位具备独立项目操盘能力的资深人才，其薪资溢价、文化适配周期与知识迁移成本叠加，未必优于体系化培养一名潜力新人。这笔账，在策略摇摆的两年间始终未能被完整核算。

文件亦未回避替代的伴生面。它将“强化人工智能带动就业创造效应”置于任务清单首位，明确支持东部地区布局AI芯片、基础模型、智能算力等核心产业链，同时引导中西部地区承接数据清洗、语音标注、智能终端组装等劳动密集型延伸环节。

以贵州为例，截至2026年7月，全省已集聚数据标注企业135家，从业人数突破1.6万人，省级规划显示，到2028年该领域从业人员将达5万人。新岗位确实在批量生成，且入门门槛明显低于算法研发、模型训练等高端岗位。

但一个在传统制造产线耕耘十年的技术工人，不会因招聘广告上写着“零基础可投”就自动完成能力跃迁。替代与创造之间天然存在时间差，政策着力点，正在于弥合这个动态窗口期，确保结构调整的速度不超越社会消化的弹性阈值。

小李想补充的是，新旧岗位的空间分布存在显著错位：数据标注集群加速向中西部下沉，而被替代的客服中心、共享服务中心、后台运营基地却高度集中在北上广深及长三角城市群。跨区域迁移所涉的安家成本、子女教育、老人照护等现实负担，对普通家庭而言，构成一道难以逾越的隐性门槛。

这种地理错配虽非单一政策可立竿见影，但至少已被纳入顶层设计的关注半径。

当账本翻至这一页，还剩下一个政策文本难以覆盖的灰度地带：组织内部究竟如何使用AI？由谁来定义它的使用边界与介入尺度？

工具接得住任务

不少企业引入AI的方式仍停留于“自上而下式派发”——采购一套成熟工具，下达使用率指标，然后静待人效数字向上跃升。

这种路径忽略了一个基本现实：AI在真实业务场景中的表现水准，极度依赖使用者如何界定任务目标、如何甄别输入数据质量、如何评估输出结果是否具备直接投产条件。

中层管理者恰恰处于最不易被替代的关键节点：他们既贴近一线作业现场，又能穿透部门墙把握全局，因而最清楚哪些流程可交由模型批处理，哪些环节必须保留人工复核与柔性干预。

AI能够生成格式工整、逻辑严密的季度目标分解模板，但它无法在一个年轻员工因岗位调整而陷入职业迷茫时，为其阐释这次变动背后的战略意图；也无法在两个业务单元因AI误判导致协作受阻时，清晰厘定责任归属与流程接口。

激励人心、化解冲突、在信息模糊情境中作出兼顾理性与温度的决断——这些能力没有API接口可供调用，亦无标准参数可供设定。

IBM在扩大初级岗位招聘的同时，同步重构了岗位说明书：初级开发工程师用于标准化编码的时间占比下降，而投入跨部门需求对齐、AI生成代码的安全审计、客户现场问题诊断等工作的时长显著上升。

制造业领域的演进逻辑亦趋一致。部分智能工厂正推行“渐进式人机共融”改造：老师傅多年积累的隐性操作经验并未被废弃，而是通过结构化访谈、场景化教学与SOP嵌入，转化为可沉淀、可复用、可迭代的工艺知识资产；一线工人的角色，正从机械执行动作，升级为定义问题边界、校准设备参数、判断异常模式的“人机协同指挥者”。

这一转变本身昭示着：当程式化、重复性、规则明确的工作模块被工具高效接管后，留给从业者的核心价值，恰恰回归到那些需要综合判断、需要情感交互、需要在信息不完备条件下快速取舍的高阶能力域。

倘若组织仅将AI视作更廉价的执行终端，而不同步重构岗位价值坐标与能力发展地图，那么人效提升的曲线很快就会撞上一道无形天花板。

真正决定工具效能上限的，从来不是模型参数规模有多大，而是团队是否拥有在可控范围内试错容错的心理安全空间，以及管理层能否将“为何启用”“用至何种程度”“何时必须人工介入”这套决策逻辑，讲得足够透彻、划得足够清晰。

这里有个常被忽视的细节：AI犯错的方式与人类截然不同。人会迟疑、会坦诚“这个我拿不准”，而模型往往以不容置疑的语气输出一个错误结论。

判断一个AI答案是否可信，最终依赖的是使用者对业务本质的理解深度、对系统边界的认知精度——这种判断力，只能在一次次真实业务碰撞中淬炼成型。

鼓励试错的文化土壤与透明可溯的决策流程，其战略价值远超采购清单上多添一款先进工具。这些事，终究只能由人来完成，任何算法都无法代劳。

结语

这份文件并非一道技术封禁令，它无意也无力阻挡AI深度融入生产关系。它的真正价值，在于将“人不是资产负债表上可随意勾销的一行数字”这一理念，从道德层面的呼吁，切实转化为组织决策流程中必须纳入考量的关键变量。

Klarna与IBM的策略回调轨迹共同表明：现实世界的复杂性并不会随算力增长而自动简化；若替代节奏持续大幅领先于社会消化能力，最终付出的代价，将以客户体验崩塌、组织能力断层、品牌声誉受损等形式反噬企业自身。

巴克莱银行5000个岗位的削减动作与工会的强烈反弹，则再次印证：市场的效率冲动依然强劲而真实。

技术奔涌向前的方向不可逆，但前行的速度、落脚的顺序、每一步踏出前是否俯身观察脚下人群的真实状态——这些选择权，始终掌握在人手中。“审慎”二字的千钧分量，最终都落在一个个具体的选择之上。