# 全球AI就业晴雨表：AI如何重塑工作、技能与企业生产力 ## 核心定义 > AI生产系统是指利用人工智能技术，对工作流程进行重新设计，实现任务自动化、专业化和民主化，从而提高生产效率和创造新价值的生产模式。 ## 核心洞察（TL;DR） - AI正在重新定义工作，推动岗位专业化与民主化。 - 企业应关注任务结构而非岗位名称，以适应AI带来的变化。 - AI转型需防范结构性风险，如人才梯队断层和能力变化速度超过组织更新速度。 ## 关键事实与数据 - PwC报告显示，约22%的岗位属于被AI专业化的工作，约52%属于被AI民主化的工作，另有约26%处于较低AI暴露状态。 - 专业化岗位所要求的技能数量增长速度约为民主化岗位的两倍，2018年以来分别增长68%和33%。 - AI暴露度最高的企业生产率增长约33.5%，其中生产率增长最高的20%企业达到163%。 ## 正文 # AI时代工作的重新设计：从职业两极分化到企业AI生产系统 ## 从“AI会不会取代工作”转向“AI正在如何重新定义工作” 过去几年，企业讨论人工智能与就业时，往往集中在一个简单的问题上：哪些岗位会被AI替代？《2026 Global AI Jobs Barometer》提供了一个更有解释力的观察框架。PwC基于超过十亿条、覆盖六大洲的在线招聘信息发现，AI并没有简单地把工作划分成“保留”和“消失”两类，而是在重新配置岗位内部的任务、专业能力和价值来源。报告将这种变化概括为一个正在形成的“双轨劳动力市场”：一部分工作因为AI承担了基础任务而更加专业化，另一部分工作则因为AI承担了原本更复杂的任务而被“民主化”，对专业经验的要求下降。 这一划分的重要性在于，它把AI对工作的影响从“岗位数量”推进到了“岗位结构”。报告将全球招聘岗位划分为低AI暴露、Professionalised jobs和Democratised jobs三类。其中约22%的岗位属于被AI专业化的工作，约52%属于被AI民主化的工作，另有约26%处于较低AI暴露状态。专业化岗位所要求的技能数量增长速度约为民主化岗位的两倍，2018年以来分别增长68%和33%；与此同时，专业化岗位的平均工资增长也比民主化岗位快42%。 因此，对企业而言，真正需要回答的问题已经发生变化。与其问“这个岗位是否可以被AI自动化”，不如进一步问：**AI拿走了这个岗位中的哪一部分任务？剩下的任务需要更高还是更低水平的专业判断？人的价值是在下降、迁移，还是被放大？** 这四个问题决定了一个岗位在AI时代究竟走向萎缩、扩张还是重新定义。 ## Professionalisation与Democratisation构成两种完全不同的组织路径 报告对两种岗位变化机制的定义非常重要。Professionalised jobs指AI承担相对基础的任务，使人能够把时间集中到更复杂、更需要专业判断的工作上。例如律师可以使用AI完成文档摘要，把更多精力投入案件论证；招聘人员可以让AI完成简历筛选，把工作重心转移到合同谈判等更复杂的环节。AI在这里降低的是基础工作成本，却提高了剩余工作的专业价值。 Democratised jobs则呈现相反机制。AI承担了原来需要较高专业知识的任务，使人留下更多标准化、低专业门槛的工作。例如库存管理系统可以自动完成复杂的库存管理，而人员更多承担物理搬运等任务。这样的技术进步可以扩大能够承担某一职业的人才供给，却可能降低单位劳动的专业溢价。 这一区分对企业AI转型具有直接的操作价值。企业在设计AI应用时，不能仅以“自动化率”作为成功指标。如果AI只是把员工原来的复杂工作自动化，然后留下大量低价值任务，企业得到的可能是Democratisation；如果AI消除了大量机械劳动，使员工能够承担更复杂的决策、客户关系、异常处理和创造性任务，则更接近Professionalisation。二者都可能产生效率，但它们对组织能力、人才价值和长期竞争力的影响完全不同。 因此，企业的AI工作设计应该从“任务自动化”进一步进入“任务重新组合”。一个合理的分析单元不再是岗位，而是岗位内部的任务集合，以及这些任务之间的依赖关系、判断节点、责任边界和异常处理机制。 ## 企业真正需要管理的是“任务结构”，而不是岗位名称 报告提供了一个很有价值的岗位分析方法：从专业知识变化、供需变化、AI能力边界以及外部环境四个维度判断一个职业的未来。企业可以直接把这一框架转化为内部岗位重构方法。首先判断AI使岗位所需的人类专业能力增加还是减少；其次判断AI是否会改变该岗位的人才供给与市场需求；再次识别哪些任务仍然需要人监督、验证或处理异常情况；最后考虑监管、业务流程瓶颈等外部因素对AI应用的限制。 这一方法意味着企业实施AI时应建立“任务级AI评估表”，而不是简单给每个岗位贴上AI标签。每项任务至少应该描述输入、输出、专业知识要求、判断责任、AI可执行程度、人工监督需求、异常类型以及最终责任人。经过这一层拆解后，企业才能知道哪些任务适合自动化，哪些适合AI辅助，哪些应该交给人，以及哪些任务会因为AI介入而产生新的专业能力要求。 从工程实现角度看，这实际上与企业AI系统的设计高度一致。AI Agent并不是简单替代一个完整岗位，而是在任务链中承担特定的感知、检索、分析、生成、判断建议、执行或监控功能。人的职责也随之从“完成每一个步骤”逐渐转向定义目标、提供上下文、处理异常、承担判断责任和验证结果。岗位设计因此逐步变成一种人机协作系统设计。 ## AI正在把初级岗位“Seniorise” 报告第二个值得企业高度重视的发现发生在Entry-level岗位。美国及其他发达经济体的数据表明，AI暴露程度较高的初级岗位正在出现明显变化。报告引用的数据指出，AI暴露度最高的初级岗位正在越来越多地要求传统上属于资深人员的能力，例如激励型领导、团队建设、人员管理、利益相关方管理、流程管理、导师能力以及数据驱动决策。最AI暴露的初级岗位要求传统Senior skills的可能性，是最低AI暴露岗位的七倍。 这意味着企业过去依靠“低级任务—经验积累—逐级晋升”建立人才梯队的机制正在受到冲击。过去，一个初级员工可以通过大量重复性工作逐渐获得经验；如果AI首先消除了这些重复任务，企业就不能再假定员工会自然地从执行者成长为判断者。相反，企业必须主动设计新的学习路径，使初级员工更早接触问题定义、利益相关方协作、异常处理和决策支持。 报告的数据进一步说明，这种变化并不意味着所有AI暴露的初级岗位都会减少。AI暴露程度最高的岗位中，那些已经增加十项以上传统Senior skills的岗位，2019年至2025年的招聘数量增长了35%；没有发生这种“Seniorisation”的岗位则下降10%。 因此，对企业人才体系而言，AI时代的关键问题并不是简单减少Junior headcount，而是重新定义Junior的工作内容。企业需要把原本由资深员工承担的一部分分析、协作和判断能力拆解成可以被初级员工训练和验证的任务，并通过AI提供反馈、模拟、上下文和工具支持。这实际上是一种新的“组织学习基础设施”。 ## 技能变化速度已经成为企业必须监控的运营指标 报告把这种变化称为“AI skills earthquake”。AI暴露程度最高的职业，其技能结构变化速度已经达到最低暴露职业的2.2倍，而且这一差距正在扩大。报告同时发现，2022年以来，高AI暴露岗位新增任务使用人类密集型能力的可能性约为低暴露岗位的2.5倍。 PwC采用MIT Loaiza和Rigobon提出的EPOCH框架描述这些人类密集型能力，包括Empathy & Emotional Intelligence、Presence, Networking & Connectedness、Opinion, Judgment & Ethics、Creativity & Imagination以及Hope, Vision & Leadership。这并不意味着技术能力失去价值，而是说明随着AI吸收越来越多的技术性和重复性工作，人的竞争优势更多集中到需要社会关系、开放性判断、创造力和战略方向感的任务。 企业因此需要把“技能变化”从培训部门的年度工作，升级成持续性的组织运营机制。一个成熟的AI Workforce系统至少应该持续监测岗位技能变化、AI能力变化、新增任务、岗位工资、招聘需求以及内部人员迁移。企业真正需要管理的不是一份静态Skills Matrix，而是一张不断变化的Skill Graph：哪些能力正在消失，哪些能力正在组合，哪些能力正在成为新岗位的基础，以及哪些能力已经成为AI系统运行所必需的人类监督能力。 ## AI领先企业的差异，不在于自动化更多，而在于重新创造价值 报告对企业层面的发现尤其值得注意。AI暴露程度最高的企业并没有表现出统一的“裁员效应”，相反，这些企业的生产率增长明显更高，而且其中最领先的20%企业表现出非常强烈的“Superstar effect”。以2018年为基准，AI暴露度最高企业整体生产率增长约33.5%，其中生产率增长最高的20%企业达到163%。 报告同时发现，AI暴露程度最高的企业，其员工人数增长也明显快于AI暴露程度最低的企业。PwC对此的解释并不是AI没有自动化能力，而是领先企业似乎没有把AI主要用于削减成本和人数，而是将其用于创造新的收入、进入新的市场以及形成新的价值来源。报告引用PwC此前的AI Performance Study指出，AI价值获取领先企业使用Agent的可能性约为低ROI企业的两倍。 这给企业AI建设提出了一个重要的工程判断：**AI项目的终点不能停留在“员工使用了AI工具”。真正需要验证的是，AI是否改变了企业的生产函数。** 如果一个AI项目只是让原有员工更快完成同样的工作，它主要产生的是效率收益；如果AI让企业可以处理过去无法处理的客户、订单、数据、市场或业务机会，它才开始进入组织级生产力重构。 因此，AI项目评估应该同时观察Cost、Capacity、Revenue、Market和Capability五类指标。尤其需要关注原来因为成本过高、响应速度过慢或专业人员不足而无法服务的业务，是否因为AI而成为新的可服务市场。 ## 从“AI工具”走向“AI生产系统” 如果把报告中的发现转化为企业实施方法，可以形成一个由任务、能力、Agent和组织结果构成的连续链条。第一层是任务重构：识别AI可以承担的任务以及人必须保留的判断节点；第二层是能力重构：明确员工需要新增的AI能力和Human-intensive skills；第三层是Agent化：把稳定、可验证、具有明确输入输出的任务组织成AI Agent或Agent workflow；第四层才是组织设计：重新定义岗位、责任、权限、绩效和人才发展路径。 这一过程中最容易出现的问题，是企业直接购买Copilot、Agent或自动化软件，然后期待组织自然发生变化。报告实际上给出了相反的证据：最大的收益来自企业如何重新设计工作，以及如何围绕新的增长机会建立AI能力。技术只是其中一个组成部分，工作设计、数据基础、人才结构和组织机制共同决定最终收益。 从实施角度，企业可以建立一个AI Work Redesign Cycle。首先选择一个业务流程，而不是单个工具；其次将流程拆解成任务和决策节点；第三评估每项任务的AI暴露度和专业知识变化；第四设计Human-in-the-loop与Agent执行边界；第五重新定义岗位所需能力；第六通过真实业务数据验证生产率、质量、收入或服务能力的变化；最后将成功模式沉淀为新的工作标准和组织能力。 ## 企业AI实施的操作手册：从岗位盘点到持续迭代 第一阶段应该建立Job-to-Task Map。把一个岗位从职位说明书拆解到实际工作的任务集合，记录任务频率、耗时、专业知识、输入数据、输出结果、决策责任和异常情况。这个阶段不应该急于选择AI产品，而应该尽可能准确地描述当前工作是如何完成的。只有理解当前生产流程，企业才能判断AI究竟改变了什么。 第二阶段进行AI Task Assessment。对于每个任务分别判断AI的能力覆盖程度、自动化可行性、错误成本和人工监督需求，并重点判断AI自动化后剩余任务的专业要求是上升还是下降。如果专业要求上升，该任务可能进入Professionalisation路径；如果专业要求下降，则需要进一步评估其是否会进入Democratisation路径，以及企业是否需要重新设计岗位和人才供给。 第三阶段进行Human-AI Workflow Design。明确AI可以自主执行的步骤、必须由人确认的步骤以及异常情况下的升级路径。尤其对于金融、医疗、法律、公共服务等高责任领域，不能仅通过模型准确率决定自动化边界，还需要把责任、权限、审计和监管要求纳入流程设计。 第四阶段建立Skill Transition Map。把岗位变化转换成技能变化，明确哪些旧技能正在下降、哪些技能正在新增，以及哪些能力需要从Senior roles向Junior roles提前迁移。报告对于初级岗位“Seniorisation”的发现意味着培训体系不能只围绕AI工具培训，而应该同时训练判断、沟通、领导、协作和复杂问题处理能力。 第五阶段建立Business Outcome Loop。AI项目上线后，不应只统计调用次数、Token数量或用户数量，而要观察单位员工产出、处理容量、质量、响应速度、新收入、客户覆盖范围和新业务能力。只有当这些指标发生变化，才能证明AI已经从工具进入生产系统。 ## Agent化不是终点，而是扩大专业能力的基础设施 报告明确建议企业投资Agentic AI，并将其描述为人类专业能力的重要补充。其逻辑并不是让Agent替代人，而是让员工可以调用一组AI Agent，将个人专业判断扩展到更多任务，从而提升组织的思考、适应和执行速度。 因此，企业建设Agent时应避免把“一个Agent对应一个岗位”作为默认设计。更合理的方式是按照任务和能力设计Agent。例如一个专业人员可以拥有信息检索Agent、数据分析Agent、方案生成Agent、质量检查Agent、流程执行Agent和异常监控Agent。人仍然负责目标定义、上下文提供、关键判断和最终责任，而Agent负责扩大人的执行半径。 这种模式最终形成的不是“AI员工替代人”，而是“人+Agent团队”。一个优秀员工未来的生产力，很可能取决于他能否有效组织一组具有不同能力的Agent，以及能否为这些Agent提供正确的目标、上下文、规则、数据和反馈。 ## 企业最需要防范的是AI转型中的几个结构性风险 第一个风险是把自动化率当成AI价值。自动化越多并不必然意味着组织价值越高。如果AI消灭了复杂任务，却把员工集中到低价值执行工作上，企业可能获得短期效率，却形成长期能力退化。因此必须持续判断AI到底是在Professionalise还是Democratise工作。 第二个风险是人才梯队断层。如果大量Junior工作被AI吸收，而企业没有重新设计训练机制，未来可能出现“没有Junior经验、却需要大量Senior能力”的人才供给问题。报告已经观察到初级岗位Seniorisation，因此企业应主动设计新的学习、导师和实践机制。 第三个风险是能力变化速度超过组织更新速度。高AI暴露岗位的技能变化已经明显快于低暴露岗位。如果企业仍以年度岗位说明书、年度培训计划和多年一次的职业路径管理人员能力，很容易出现组织能力与实际工作脱节。 第四个风险是把AI收益误认为普遍性结果。报告中的企业生产率数据来自具有特定数据覆盖条件的正式企业，并存在幸存者偏差；因此其意义更适合用于观察不同AI暴露企业之间的相对差异，而不能简单解释为整个经济体的就业或生产率增长。 ## 从AI Workforce到AI-native Organization 如果继续沿着报告的逻辑向前推一步，企业最终面对的并不是一次性的AI转型，而是组织运行模型的持续演化。岗位不再是最稳定的组织基本单元，任务、能力、Agent、数据、权限和业务结果之间的动态关系会越来越重要。 这意味着企业未来的人力资源系统、知识系统、业务流程系统和AI系统需要逐渐连接起来。一个岗位发生变化，不应只修改JD；它应该同时触发任务模型、技能模型、Agent配置、培训路径、权限体系以及绩效指标的调整。一个新的AI Agent投入生产，也不应只是IT系统增加一个应用，而应该能够映射到具体业务任务、责任人、数据来源和业务结果。 从这个意义上看，AI时代真正值得建设的是一种持续的Workforce Intelligence能力：持续观察工作如何变化，识别哪些任务正在被自动化，哪些任务正在变得更加专业，哪些能力正在成为新的瓶颈，然后把这些变化反馈到组织设计、人才发展和AI系统建设中。 ## 对企业管理者的最终启示 《2026 Global AI Jobs Barometer》最重要的结论并不是“AI不会导致失业”，报告实际上并没有做出这样简单的判断。它揭示的是更加复杂的结构性变化：AI正在同时推动工作专业化和民主化，专业化岗位在数量、技能复杂度和薪资增长方面表现更强；高度AI暴露的初级岗位正在被重新设计，一部分岗位开始要求传统Senior能力；企业之间也出现明显的AI价值获取差距。 对于企业，真正的战略选择因此不是“是否采用AI”，而是决定AI进入组织之后，工作将被设计成什么样。企业可以选择把AI作为成本压缩工具，也可以把它作为重新定义业务边界、扩大专业能力和创造新价值的基础设施。报告的数据更支持后一种路径：领先企业并没有简单地用AI减少人，而是在利用AI扩大生产率、收入机会和组织能力。 对于个人，职业安全也越来越难以建立在“掌握某一个工具”之上。报告给出的方向更加明确：理解并驾驭AI，同时增强创造力、判断力、领导力、人际能力以及处理复杂和模糊问题的能力。对于职业早期人员尤其如此，因为AI可能减少传统意义上的“练手机会”，却同时提高了对更高级能力的要求。 最终，AI时代的竞争单位可能逐渐从“一个人”转向“一个人能够组织的智能生产系统”。企业需要重新设计工作，个人需要重新设计能力，AI系统则需要从单点工具逐渐进入真实业务流程。谁能够更快完成这三者之间的连接，谁就更可能从AI带来的结构变化中获得持续的生产率优势。 ## 关注「哈希泰格」服务号 ![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg) 关注哈希泰格服务号，输入“AI职业影响报告2026”获取报告原文 --- ## 引用与溯源 **来源**：哈希泰格 (HaxiTAG) **原始链接**：[https://haxitag.com/articles/global-ai-jobs-barometer](https://haxitag.com/articles/global-ai-jobs-barometer) **来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester) **版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。