生成式人工智能(generative AI)正以前所未有的速度重塑全球勞動力市場,在「替代」本身已幾乎不可迴避的背景下,本輪技術變革對就業的核心挑戰,並不在於是否會發生崗位替代,而在於新崗位的創造速度,能否與崗位被替代的速度相匹配。
回顧歷史上的技術革命,舊崗位的消失通常是在相對較長的時間跨度內逐步發生的。這一過程為新技術與生產組織的充分結合、新崗位的孕育與擴展,提供了必要的時間和空間,從而使就業結構得以實現相對平穩的漸進式轉型。
但在生成式人工智能的衝擊下,這一長期形成的「替代─創造」平衡機制,可能首次面臨被打破的風險。首要原因在於,與以往技術革命主要解放或替代人的「體力」不同,生成式人工智能直接作用於人的「認知」乃至「腦力」,並進一步開啟了對「手」的執行能力的替代,由此對就業結構形成了範圍更廣、差異更小的衝擊。
在人工智能廣泛進入實際應用的短短三年時間裏,上述趨勢已在多個專業領域中清晰顯現:在編程領域,相關工具覆蓋了大量開發場景,初級編碼、測試和部署等任務的自動化比例持續上升,初級程序員崗位需求明顯收縮;在內容創作領域,音樂、文案等作品的生成周期被大幅壓縮,重複性創作崗位首當其衝。在行政事務領域,自動化智能體能夠完成文件整理、郵件處理和數據抓取等標準化工作,行政、運營和助理等基礎崗位的生存空間被持續擠壓;在法律、金融等專業服務領域,合同審查、報告撰寫和合規分析等任務完成時間顯著縮短,入門級專業崗位幾乎已完全暴露在人工智能的衝擊之下。
如果說過去三年的變化已經令人目不暇接甚至感同身受,那麼沿着當前的技術迭代路徑,未來的衝擊可能進一步加深「人已插不上手」的現實處境。
近期技術發展的明確方向,是實現「腦」與「手」深度結合的AI智能體。當認知能力與執行能力完成整合,人工智能將不再只是提供建議或輔助決策的工具,而是能夠直接操作系統、調用接口、完成端到端流程的「數字員工」。換言之,人工智能正在從「幫助人類把工作做得更快」,轉向「直接替代人類完成工作」。一旦這一技術路徑全面落地,人工智能對人的替代將不再局限於內容生成或單一認知任務,而是擴展至完整的任務鏈條。
技術進步沒有暫停鍵
生成式人工智能帶來的潛在風險已廣受關注,既然風險如此顯著,技術進步是否可以放慢腳步,甚至主動按下「暫停鍵」?從現實的經濟與制度約束來看,答案恐怕是否定的。生成式人工智能的發展節奏,並非單一企業或單一國家所能自主控制,而是被嵌入到一套高度剛性的全球競爭結構之中。在當前國際格局下,生成式人工智能已成為國家戰略競爭力與科技企業核心壁壘的必爭之地。任何一方放緩技術迭代節奏,都可能在模型能力、生態構建和應用場景佔領上迅速被競爭對手拉開差距,並在後續競爭中陷入難以逆轉的劣勢。
這種競爭格局在經濟學意義上構成了典型的「囚徒困境」。即便各方都清楚地意識到,技術競賽的持續加速可能帶來系統性風險,但在缺乏有效國際協調機制的條件下,任何單邊減速的行為都會付出高昂的競爭代價。結果是,「不進則退、慢進即輸」成為佔優策略,現實中幾乎不存在主動減速或暫停的可行空間。
與以往技術進步相比,生成式人工智能在擴散路徑與成本結構上呈現出明顯不同的特徵。傳統技術升級,尤其是以智能製造為代表的工業技術進步,往往依賴廠房改造、設備購置與產線集成等高額固定資本投入,其推廣過程不可避免地呈現出行業分化、區域分布和時間上的漸進特徵。設備需要逐台部署,崗位也通常是在具體生產環節中被逐步替代,就業衝擊因此更容易被局部吸收和分散消化。
相比之下,生成式人工智能幾乎不依賴具象化的大規模設備投入。通過雲服務、API接口或開源模型,企業和個人即可在幾乎同一時間接入相關能力。開源模型的擴散進一步壓低了使用門檻,使模型能力可以被即時調用,並支持本地部署和低成本定製,其邊際使用成本隨着模型迭代和規模化應用持續下降,甚至趨近於零。
模型一旦完成升級,能力便可被同步複製並快速擴散,技術進步不再沿着「企業─崗位─工序」的路徑逐步傳導,而是直接作用於大量工作流程和任務單元。在這一過程中,工作任務的執行成本正整體性地向更低水平移動。從編程、內容創作與編曲,到合同審查、報告撰寫與數據處理,大量原本依賴人類完成的認知型任務,其成本優勢正在向人工智能轉移。
由此,一些崗位在統計意義上仍然存在,但其內部任務結構已被持續拆解和重組。對於規則明確、流程標準化、重複性較強的認知任務而言,人類勞動的相對價格正在下降,企業在短期內以技術替代人力的激勵隨之增強。
更值得關注的是,這種任務執行成本的快速下降,未必能夠與新任務和新崗位的創造速度同步匹配。當既有任務可以被低成本、規模化地自動完成時,企業更容易通過延後招聘、重組崗位內容或直接以技術完成任務來應對需求變化,而新任務的形成、新工作的出現,往往仍依賴組織調整、商業模式探索和不確定性的逐步消化。在這一過程中,崗位替代與崗位創造之間可能出現階段性的速度錯配,從而對就業結構形成持續調整壓力。
面對生成式人工智能快速重塑崗位結構的現實,首要任務是盡快建立覆蓋任務與技能層面的就業動態監測與預警系統,對重點行業、職業和區域勞動力市場的早期風險與趨勢進行研判,為政策制定提供前瞻、實時、精準的依據。
實現這一目標,首先需要改變觀察勞動力市場的基本單位。傳統以「行業」和「職業」為核心的統計框架,已難以反映崗位內部正在發生的結構性變化。生成式人工智能並非整體性地「消滅職業」,而是以任務為單位重組崗位內容。因此,有必要以更為原子化的「任務和技能」取代「行業和職業」,識別哪些具體任務正在消失,哪些技能正在快速貶值或轉向,從而把握職業內部的真實調整路徑。
這一轉向對底層數據與方法論基礎設施提出了更高要求。現有指標體系在更新頻率、對新崗位和新技能的覆蓋,以及對中國勞動力市場的適配性方面均存在不足。僅依賴既有公開指標,難以支撐對生成式人工智能衝擊的精細化研判。因此,有必要在嚴格保障數據安全與隱私合規的前提下,系統整合招聘平台、靈活用工平台等高頻數據資源,構建以「任務─技能」為核心的動態監測體系,在就業數量發生顯性變化之前,盡早識別任務消失、崗位重組與需求轉移的信號,為政策介入爭取時間窗口。
職業培訓需加強前瞻性
更關鍵的是,監測的終點不應是預警本身,而應直接服務於教育與培訓體系的前移調整。本輪生成式人工智能衝擊的核心矛盾,並不在於勞動者是否具備長期適應能力,而在於轉型速度與再匹配效率能否跟上任務替代的節奏。對個體而言,真正的風險往往源於技能調整方向不清、培訓選擇失準,從而在關鍵時期錯失轉型窗口。
因此,公共部門有必要將基於任務和技能的監測結果,直接轉化為教育與培訓的指引信號,前移至學校教育、職業教育和在職培訓體系之中,明確哪些技能需求正在下降,哪些能力更可能與人工智能形成互補,哪些技能具備跨行業遷移潛力。通過提高培訓方向的針對性和前瞻性,可以顯著縮短再培訓與再就業周期,降低轉型過程中的試錯成本,防止短期衝擊固化為長期結構性失業。
最後,在堅持技術進步方向不可逆的前提下,必須同步強化轉型期的風險管理。在當前國際競爭格局下,主動放緩人工智能發展既不現實,也不可行。但本輪技術變革的速度、廣度與深度顯著超過以往,如果政策反應滯後,短期就業衝擊極易在不同階層之間累積並放大,演化為系統性風險。因此,在持續推進人工智能研發和應用的同時,必須同步完善社會保障、收入支持、再培訓和勞動力市場緩衝機制。政策的關鍵作用,並非阻止技術進步,而是防止勞動者因無法跨越短期調整成本,而被永久性排除在新的就業結構之外。
(張丹丹為北京大學國家發展研究院副院長;李嘉為新加坡管理大學經濟學院院長)
