AI 没有带来就业末日，但工作正在重新分配

这篇文章到底在说什么

George 这篇 5 月 7 日发布的长文，是对 GPT-4 之后商业媒体里“AI 会消灭工作”叙事的反驳。他的论证建立在四组数据上：

• 亚特兰大联储的一篇工作论文，覆盖美国、英国、德国、澳大利亚约 6,000 名企业高管。超过 90% 的企业表示，过去三年 AI 没有带来就业影响；对未来三年的预期影响约为总人数的 –0.7%。
• 耶鲁预算实验室 2026 年 4 月的论文，结论是经济整体层面的 AI 劳动力冲击“在很大程度上仍然停留在猜测阶段”。
• 一篇 NBER 工作论文，发现 AI 应用还没有给总就业带来“有意义的变化”。
• 斯坦福、达拉斯联储和人口普查局的研究显示：自 2022 年底 ChatGPT 发布以来，最暴露于 AI 的职业里，22–25 岁初职工作者的就业出现了 16% 的相对下降；与此同时，AI 起增强作用的初级岗位反而在增加。

整篇文章的经济学框架，是经典的“劳动力总量谬误”(lump-of-labor fallacy)：好像经济里只有固定工作量，机器多做一点，人就必然少做一点。经济学家从 19 世纪起就在反复反驳这个误区，George 用它来校正“末日叙事”是对的。

所以表层结论成立：数据里没有就业末日。

真正值得盯住的是那个 16%

四组数据里，三组是聚合数据，只有一组不是。斯坦福 / 达拉斯联储 / 人口普查这条线，才是整篇文章里最值得看的一部分，因为“总量稳定”和“某些群体被剧烈冲击”完全可以同时发生。

对一个年轻队列来说，16% 是很大的变化。如果这个趋势持续，它会影响一代人的职业起点和后续轨迹。更关键的是，它不是随机发生的：下滑集中在 AI 已经可以单独替代初级工作者的任务上，比如生成样板代码、起草常规文档、回答脚本化问题、做第一版粗分析。它没有同样集中在 AI 能放大专业判断的岗位上。

亚特兰大联储预测的 –0.7%，写在纸上看起来温和。但把它放到几亿人的劳动力规模里，就已经是一次再分配。更重要的是，这次再分配不是随机抽签，而是落在 LLM 能独立完成的任务上。

聚合统计本来就看不清“重组”

宏观就业统计擅长识别衰退，不擅长识别工作内容的重组。总就业可以保持平稳，但每个岗位内部已经被重新定义。这不是第一次发生：电子表格没有在 1980 年代消灭会计，但到了 1995 年，“会计”这个词的含义已经变了。不会建模的后电子表格时代会计，和不会建模的前电子表格时代会计，不再是同一种劳动者。

未来三年真正值得问的，不是“总人数会不会变”，而是“同样的人头数里面，工作内容会变成什么”。George 引用的研究里，已经能看到三股力量。

1. 技能阶梯底部的替代

很多职业的入口任务，比如一手调研、初级文案、模板法律稿、基础数据加工、一线客服，正好是 AI 最能独立完成的部分。斯坦福那 16%，就是这件事在劳动数据里的样子。它在总量上不算灾难，但对具体人群很局部、很真实：哪怕全国法律服务业还在增长，一个 22 岁的法务助理也会感受到压力。

2. 中间层的增强

对已经有领域经验的人来说，AI 更像放大器。读片的医生、review PR 的资深工程师、筛招股书的基金经理，都会因为 AI 覆盖更多信息，但判断力仍然来自人。同一批研究里提到的“增强型初级岗位在增加”，就是这个变化的可见边缘：新的初级工作不再是“先写一版备忘录”，而是“定义任务、评估 agent 写出的草稿，并把结果交付出去”。

3. 高杠杆位置的扩张

一个能组合工具、调度子 agent、把系统真正跑进生产的人，今天可以完成过去需要一支小团队完成的工作。这一块，亚特兰大联储那类调研很难看清，因为它更多表现为新公司、新产品、新内部团队，而不是 HR 表格里某一行人数减少。

总效果是：就业总量大致稳定，但工作内容快速重排。这就是“非末日型”技术变化在近距离看起来的样子。也正因为如此，“AI 会不会抢你工作”这个问题本身就太粗了。

“劳动力总量谬误”两边都会错

George 说“AI 能做 X，所以做 X 的人都会失业”是糟糕经济学，这没错。但反过来也不能说：“AI 能做 X，所以经济会自动给同一批人创造新的 X 工作。” 它不会自动发生。过去的技术转型，动力织机、拖拉机、电子表格、集装箱航运，都同时创造了净就业，也让一批人的具体技能贬值得比他们转型更快。

对这四组研究，更诚实的读法是：

• 经济整体没有在大规模裁人。
• 同一个总就业内部，工作组合正在快速且不均匀地重排。
• 重排有利于能指挥 AI 的人，不利于工作能被 AI 无人监督完成的人。
• 个体落在哪一边，很大程度上取决于一组可学习的能力。

这些判断并不矛盾。它们共同描述了一场没有“末日感”、但身处其中的人会明显感到压力的技术转型。

这个判断可能错在哪里

有三个反方观点值得认真看：

• 16% 可能会回弹。 每一波技术浪潮里，初级岗位往往先受冲击，等学徒制围绕新工具重新组织后再恢复。三年数据值得重视，但还不足以直接宣布新常态。
• AI 能力前沿还在移动。 这些研究衡量的是 2022–2025 年的模型能力。如果接下来两年的 agent 能稳定处理多小时任务，中间层的“增强”可能会向底部的“替代”靠近，下一版调研就会不同。
• 聚合数据天然滞后。 亚特兰大联储记录的是企业已经做了什么，不是它们接下来准备做什么。从采用新技术到 HR 表格变化，三年滞后并不奇怪，而大规模 agent 部署很可能还在窗口之外。

所以更稳妥的立场是：George 对过去的判断有数据支撑；对未来的判断，则取决于模型能力和采用速度，而这四组研究本来就不是为预测未来设计的。

这对搭 Agent 的人意味着什么

如果你只读 George 的标题，“没有末日”的结论会让人放松。但把同一批研究多看一层，结论反而更紧：能指挥 agent 的人和不能指挥的人，差距已经出现在劳动数据里，而且每次模型升级都会让这条线更清楚。

好消息是，这条线背后的能力可以学。它奖励的正是 AgentWay 课程要训练的东西：端到端搭起 agent loop，用 MCP 之类的协议接入真实工具和子 agent，把不确定行为变成可生产的系统，上线前做评估，上线后能运维。想站到再分配曲线更有利的一边，Agent 基础是入口，设计模式和 MCP & Skills 是骨架，多 Agent 系统和 生产化会把能力送到真实交付里。

更深一层的判断不是“先学哪节课”，而是：未来几年，宏观就业数字会继续告诉你“没发生什么”，但你这一周的工作内容会告诉你“变化很快”。两个信号冲突时，更应该相信后者。

真正值得问的问题

有意思的问题不是“就业末日会不会来”。George 已经说明它不会来，数据也支持这个判断。真正的问题是：在“总就业稳定”的表面之下，正在形成什么样的新劳动者？如果答案是能编排 agent、能把系统送进生产的人，那么下一个十年会奖励先开始练这门手艺的人。如果答案是等末日先证明自己存在再转型的人，同一个十年会安静地把他们甩开。

没有就业末日要来。但工作正在重新分配。这两句话不是同一句，只有第二句能指导行动。