AI 是裁員的原因，還是藉口？關於 AI 與組織變革的六個判斷
2023 年以來，美國大公司的裁員公告越來越常提到 AI。把實驗、裁員統計、企業調查和公司公告放在一起看：AI 在任務層面的提升是真實的，但大部分以 AI 為名的裁員更接近預期性削減或敍事包裝，真實替代集中在少數崗位，且主要以少招人的方式發生。本文給出六個帶置信度的判斷與反方證據，以及個人和中小企業的準備清單。
.jpg){kind=link}
2023 年以來，美國大公司幾乎每隔幾個月就會宣佈一輪裁員，公告裏越來越常見的一個詞是“AI”。於是一個問題被反覆提出：這些公司到底是因為 AI 來了，還是本來就想裁員，只是借了 AI 的名義？
這個問題值得認真回答，因為它決定了企業和個人該如何準備。如果裁員潮主要是 AI 替代造成的，那麼準備的重點是轉崗和自保；如果 AI 更多是一種預期和説法，那麼更重要的是分辨信號與噪音，避免被一個時髦的敍事帶着走。本文把公開的實驗、統計、企業調查和公司公告放在一起，給出六個判斷，並在每一部分寫明反方證據和我們的判斷。
六個判斷
置信度説明：高＝多項高質素研究方向一致；中＝有較好證據，但存在重要反例或口徑問題；低＝主要依賴預測、個案或作者推斷。
- AI 在任務層面的生產率提升是真實的，但在組織層面遠未兑現。（置信度：任務層面高，組織層面中）實驗中，客服新手的效率提高 34% [1]，但同類實驗也顯示，在 AI 能力邊界之外使用會降低正確率 [2]；調查中只有 39% 的受訪者報告 AI 對息税前利潤（EBIT）有任何影響 [3]。
- 2023–2026 年美國的裁員潮，主要不是被 AI「替代」出來的；AI 更多是一種預期和説法。（置信度：中）2025 年僱主把 AI 列為理由的裁員只佔約 4.5% [4]；紐約聯儲的調查中，使用 AI 的服務業企業只有 1% 因 AI 裁員 [5]；一項高管調查中，因 AI 實際落地而大規模裁員的只有 2%，因「預期 AI」而裁員的則過半 [6]。但到 2026 年，AI 已成為僱主最常給出的裁員理由 [7]，這個判斷需要持續更新。
- AI 對就業的衝擊首先出現在「入口」，而不是「存量」。（置信度：中）宏觀數據尚無清晰的 AI 就業足跡 [8]，但 AI 暴露職業中年輕員工的就業相對下降，且主要通過少招人實現 [9][10]。
- 研發與產品融合、組織扁平化有真實的經濟邏輯，但存在現實上限。（置信度：中）AI 降低了協調和獲取知識的成本 [11]，實驗顯示個人藉助 AI 可以達到團隊水平 [12]；但 Meta 把管理比例推到最高 1:50 後，三個月內又計劃把直接下屬上限設為約 20 人 [13][14]。
- 組織最大的風險不是「人被替代」，而是「人沒有長成」。（置信度：中）用 AI 學習的初級工程師測驗得分更低 [15]，AI 還會讓工作更密集 [16]；如果同時削減初級崗位和中層帶教，人才梯隊可能斷裂 [17]。
- 未來十年的宏觀預測相差一個數量級；中小企業應按「結構重組」情景規劃，而不是押注快速自動化。（置信度：低，本質是規劃判斷）已發表的生產率年增量估計，從約 0.07 個百分點（按 Acemoglu 十年合計不超過 0.66% 折算）[18] 到約 1.5 個百分點 [19] 不等。
怎麼讀這篇文章：證據的強弱
本文引用的材料大致分為四級，強弱不同，用法也不同：
| 等級 | 類型 | 怎麼用 |
|---|---|---|
| A | 同行評審的實驗、準實驗、歷史與調查數據，以及同行評審的理論和民族誌研究 | 可作為因果或較強的描述性證據，但要注意外推範圍 |
| B | 工作論文、預印本和研究機構的實驗更新 | 尚未完成同行評審；部分樣本較小 |
| C | 諮詢公司、廠商、國際機構、中央銀行和行業機構的調查、統計與測算 | 反映意向、自述理由或模型假設，不等於實際結果；部分機構與 AI 推廣存在利益關聯 |
| D | CEO 備忘錄、公司公告、媒體報道與高管訪談 | 只説明企業「在説什麼、做什麼」，不能證明做法有效或説法屬實 |
此外，利率決議和税法文件只用來確認政策事實，不用來説明它們對裁員的因果影響。
交叉驗證原則： 當企業的説法（D 級）能被 A、B 級證據印證時，可以視為較確定的趨勢；當説法前後不一、缺少 A、B 級證據，甚至已經反轉時，應更謹慎。下文對「AI 裁員」的分析，就是這一原則的具體應用。凡標註「我們的判斷」的內容，是作者基於證據的推斷，不是來源的結論。
一、AI 改變的首先是任務，而不是組織的賬本
觀點： 生成式 AI 在明確、有標準答案的任務上帶來了真實的生產率提升，而且對新手幫助最大；但這種提升有邊界，也還沒有大規模轉化為組織層面的財務回報。
關鍵證據
- 對新手幫助最大。 一項覆蓋 5,179 名客服坐席的準實驗中，AI 助手使每小時解決的問題數平均提高 14%，新手和低技能員工提高 34%，對資深員工影響很小 [1]。453 名專業人員的寫作實驗中，耗時下降 40%、質素提高 18% [20]。
- 有邊界。 758 名 BCG 顧問參與的實驗中，在 AI 能力「前沿內」的任務上，使用 AI 的人多完成 12.2% 的任務、速度快 25.1%，質素也更高；在「前沿外」的任務上，正確率反而低 19 個百分點 [2]。
- 組織層面尚未兑現。 麥肯錫 2025 年的調查中，88% 的組織在至少一個職能中使用 AI，但只有 39% 報告 AI 對 EBIT 有任何影響 [3]。
反方觀點與侷限
- 資深者未必受益。 METR 在 2025 年初的隨機實驗中，16 名資深開源開發者使用 AI 後耗時反而增加 19%，而他們自認提速 20% [22]；但 METR 在 2026 年的更新中説，新數據存在選擇偏差，現在「很可能已有加速」，證據仍弱 [23]。結論隨工具版本變化很快。
- 暴露不等於替代。 麥肯錫全球研究院估計，約 57% 的美國工作時長在技術上可以自動化，但明確説明這不是失業預測 [24]。任務暴露度只是「可能受影響的任務佔比」。
- 實驗不是組織。 多數實驗測的是個人任務，組織效果還取決於流程、協作和質素控制。麥肯錫發現，與 EBIT 影響關聯最強的因素之一，是對工作流的根本性重新設計 [3]。
我們的判斷
為什麼個人的提速不會自動變成組織的回報？至少有三道關口。一是瓶頸轉移：寫代碼快了，評審、測試和客戶確認就成了新的瓶頸。二是質素成本：前沿外的錯誤需要有人發現和返工 [2]。三是需求約束：省下的時間，只有在有更多值得做的工作時才會變成產出。
AI 首先改變的是「一個人在一小時裏能做多少事」，而不是「公司需要多少人」。兩者之間隔着流程重設計、質素控制，以及需求是否增長。這也是下一部分的出發點：如果組織層面的回報還沒有普遍兑現 [3]，那麼大量以 AI 為名的裁員，就很難全部用「AI 已經替代了這些人」來解釋。
這也意味着，判斷 AI 是否「有用」，不能只看員工是否在用，而要看端到端的交付週期和質素是否改善。
二、AI 是裁員的原因，還是藉口？
觀點： 就 2023–2026 年的美國證據看，AI 是裁員理由中增長最快的一項；但大部分以 AI 為名的裁員，要麼是押注未來的「預期性削減」，要麼是給其他原因換了一個更好聽的説法。真正由 AI 替代造成的崗位減少確實存在，但集中在少數任務密集型崗位，而且多以「不補員、少招人」的方式發生。（置信度：中）
先看數字：AI 在裁員理由中的分量
Challenger, Gray & Christmas 每月統計美國僱主宣佈的裁員計劃及其自述理由：
- 2025 年：全年宣佈裁員 1,206,374 人，其中僱主把 AI 列為理由的有 54,836 人，約佔 4.5%（作者據 [4] 計算）。排在前面的是政府效率部（DOGE）行動、市場或經濟狀況、關閉門店或部門、重組和削減成本 [4]。
- 2026 年 1–9 月：宣佈裁員總數降至 573,195 人，比上年同期少 39%；但 AI 被列為理由的有 120,136 人，約佔 21%，成為年內第一大理由 [7]。科技業佔全部裁員的 29% [7]。
企業調查：真實替代少，預期性削減多
- 紐約聯儲（2025 年 8 月）：使用 AI 的服務業企業中，只有 1% 在過去半年因 AI 裁員；約 12% 因 AI 少招了人，而且集中在需要大學學歷的崗位；略超三分之一對員工進行了再培訓。作者的結論是，對在職者而言，AI“more likely to result in retraining than job loss”（更可能帶來再培訓，而不是失業）[5]。
- 全球高管調查（2025 年 12 月，1,006 人）：39% 的組織已因「預期 AI」做了低到中等程度的裁員，21% 做了大規模裁員，另有 29% 因預期 AI 而少招人；而因 AI 實際落地做了大規模裁員的只有 2% [6]。
- 牛津經濟研究院（2026 年 1 月）：企業“don’t appear to be replacing workers with AI on a significant scale”（似乎並沒有大規模用 AI 替代員工）；如果 AI 已在大規模替代勞動力，生產率增長應該加速，但總體上並沒有 [26]。該機構還懷疑，一些企業想把裁員包裝成好消息，因為歸因於 AI 比承認過去招聘過多更能向投資者傳遞積極資訊 [27]。
其他解釋：同一時期還發生了什麼
如果不是 AI，裁員還可能來自以下幾股力量。它們與 AI 敍事在時間上重疊，因此特別容易被混為一談。
- 疫情期間的過度擴張及其修正。 Meta 在 2022 年 11 月裁員約 13%、超過 11,000 人時，Zuckerberg 的解釋是：他和許多人一樣以為疫情帶來的線上增長會持續，因此“significantly increase our investments”（大幅增加了投資），結果“I got this wrong”（我判斷錯了）[28]。2023 年的「效率之年」又計劃減少約 10,000 人，關閉約 5,000 個尚未招滿的職位，並通過取消多個管理層級使組織更扁平 [29]。這兩輪裁員的公開理由是收入低於預期和組織效率，而不是 AI 替代。Challenger 也把科技業的裁員潮歸因於 AI 轉型疊加“over-hiring over the last decade”（過去十年的過度招聘）[4]。
- 資本成本上升。 美聯儲在 2022 年 3 月把聯邦基金利率目標區間上調至 0.25%–0.5% [30]，到 2023 年 7 月升至 5.25%–5.5% [31]。我們的判斷： 資金變貴，會迫使依賴融資和估值的科技企業從「增長優先」轉向「利潤優先」。這與 AI 無關，卻很容易在同一份裁員公告裏與 AI 並列出現。
- 研發税務處理的變化。 根據美國税法第 174 條的修訂，自 2022 年起，境內研究與試驗支出須分 5 年攤銷，境外須分 15 年；2025 年 7 月的立法規定，自 2025 年起的納税年度，境內研發支出恢復當期扣除，境外仍按 15 年攤銷 [32]。有報道認為，這一變化提高了僱用研發人員的税務成本，助推了科技業裁員 [33]，但這一因果關係尚無學術檢驗。
- 預算從「人」轉向「算力」。 微軟計劃在 2025 財年投資約 800 億美元建設 AI 數據中心 [34]。Nadella 在裁員後的致員工信中寫道，公司“thriving”（蓬勃發展），資本開支創歷史新高（“investing more in CapEx than ever before”），總人數“relatively unchanged”（基本不變），同時又在裁員，他稱之為“the enigma of success”（成功之謎）[35]。IBM CEO 表示，AI 替代了“a couple hundred”（幾百名）人力資源員工的工作，但公司總人數反而上升，因為省下的錢投向了軟件工程和銷售 [36]。
- 政府與宏觀衝擊。 2025 年排在第一位的裁員理由是政府效率部（DOGE）行動，共 293,753 人 [4]。到 2026 年 9 月，Challenger 提到的企業顧慮是能源成本高企、伊朗戰事的不確定性、可能抬高用工成本的加息，以及醫療成本上升，並稱企業處於“wait-and-see period”（觀望期）[7]。這些因素都與 AI 無關，卻同樣壓縮招聘和編制。
企業説法與證據的落差
下表把幾家常被引用的美國公司放在一起，對比它們的公開説法與其他證據。最後一列使用下文的四類框架，是我們的判斷，不是這些公司的説法。
| 公司 | 公開説法 | 其他證據 | 更接近哪一類（我們的判斷） |
|---|---|---|---|
| Amazon | 2025 年 6 月：生成式 AI 將使公司總部人數減少 [37]；10 月裁員約 14,000 人，強調減少層級，並稱 AI 是最具變革性的技術 [38] | CEO 隨後稱裁員“not really financially driven, and it’s not even really AI-driven… it’s culture”（不是財務驅動，甚至也不是 AI 驅動……是文化）[39]；2026 年 1 月再裁約 16,000 人，公告未提 AI [40] | 以組織文化與層級調整為主（c），疊加對未來 AI 的預期（d） |
| Salesforce | CEO：客服支援從約 9,000 人減到約 5,000 人，“because I need less heads”（因為我需要的人更少了）[41] | 公司稱支援工單量下降、不再補員 [41]；後來又稱數百名支援工程師被調往其他業務 [42] | 真實替代（a），但主要通過不補員和轉崗實現 |
| IBM | AI 替代了數百名人力資源員工的工作 [36] | 總人數上升，資源轉向工程和銷售 [36] | 真實替代（a）＋預算再配置（b） |
| Klarna | 曾稱 AI 可完成大量客服工作，2022–2024 年減員 40% [6] | CEO 承認以成本為主導導致“lower quality”（質素下降），重新招聘人工 [43] | 預期性削減過度（d），隨後回調 |
| Duolingo | 「AI 優先」，逐步停用承包商做 AI 能做的工作 [44] | CEO 稱公司“never laid off any full-time employees”（從未裁過全職員工），承包商人數本來就隨需要變化 [45] | 承包商層面的部分替代（a），外界把它放大成了「AI 裁員」 |
| Meta | 2022–2023 年裁員理由為過度投資與效率 [28][29]；2026 年以 AI 為名扁平化 [13] | 三個月後 CTO 承認推行過程“atrocious”（糟糕透頂），回調管理幅度 [14] | 先是擴張修正（c），後是對 AI 時代組織形態的押注（d） |
| Microsoft | 公司“thriving”，資本開支創新高 [35] | AI 數據中心投資約 800 億美元 [34] | 預算再配置（b） |
分析框架：四種「AI 裁員」
| 類型 | 機制 | 典型信號 |
|---|---|---|
| （a）真實替代 | AI 已經在做這些任務，崗位需求下降 | 被削減的正是 AI 已部署的任務；有工單量等任務指標的變化；多以不補員、轉崗實現 [5][41][42] |
| （b）預算再配置 | 為 AI 投入（算力、平台、AI 人才）騰出預算，削減其他崗位 | 營收或利潤增長的同時裁員；資本開支創新高；總人數基本不變 [34]–[36] |
| （c）敍事包裝 | 真實原因是過度招聘、需求、利率、税務或文化，AI 是更好講的理由 | 理由前後變化；正式公告不提 AI；裁員覆蓋 AI 尚未涉及的職能 [27][37]–[40] |
| （d）預期性削減 | 押注 AI 未來能替代，先減人或少招人 | 尚無可測量的 AI 產出；「少招人」先於「裁人」；之後返聘或質素回調 [6][43] |
為什麼企業願意説「是 AI」
把裁員歸因於 AI，對企業有幾重好處（我們的判斷，依據見各句來源）：
- 對投資者：AI 是一個「向前看」的理由。牛津經濟研究院認為，這比承認需求疲軟或過去招聘過多傳遞了更積極的資訊 [27]；Challenger 也觀察到，市場似乎在獎勵提到 AI 的公司 [25]。高管調查的作者直言，另一種可能是 AI 只是“a sexier reason to announce layoffs than simply needing to cut costs”（一個比單純削減成本更好聽的裁員理由）[6]。
- 對同行：在不確定的環境中，組織傾向於模仿被視為成功的同行，以獲得合法性 [46]；當多家大公司都用「AI 優先」描述重組時，不這樣説反而顯得落後 [37][44][47]。
- 對內部：AI 敍事能把一次成本調整包裝成一次「轉型」。
但這種説法也有代價：留下的員工會擔心自己是下一個，不願探索如何用 AI 改進工作；錯誤地歸因於 AI，還會助長員工對 AI 的犬儒心態 [6]。Klarna 從「AI 替代」退回人工，是説法跑在能力前面的例子 [43]。
反方觀點與侷限
- AI 的作用也可能被低估。 Challenger 另設「技術更新（可能是 AI）」類別，2025 年計入 20,219 人 [4]；Amazon 先強調 AI、後稱裁員“not even really AI-driven”[37][39]，説明自述理由本身會變，既可能誇大 AI，也可能淡化 AI。
- 2026 年的變化值得重視。 AI 的佔比從 2025 年的約 4.5% 升至 2026 年 1–9 月的約 21% [4][7]。我們的判斷： 部分原因是其他理由（尤其是政府裁員）大幅減少、總數下降；但這也可能是真實替代開始擴大的早期信號，需要逐季跟蹤。
- 數據口徑有限。 Challenger 統計的是宣佈的計劃和自述理由，不是實際失業人數 [4]；紐約聯儲只覆蓋紐約—新澤西北部 [5]；高管調查由一家方法論公司贊助，覆蓋全球 [6]；牛津經濟研究院報告全文未公開，部分表述來自媒體轉述 [27]。
- 替代確實在發生。 年輕員工在 AI 暴露職業中的就業相對下降，而且主要通過少招人實現 [9][10]；紐約聯儲也發現，少招人集中在需要大學學歷的崗位 [5]。這與「只是藉口」的説法並不矛盾：衝擊正在發生，但發生在招聘入口，而不是大規模裁員公告裏。
我們的判斷：如何分辨
到目前為止，「AI 導致了裁員潮」這一説法誇大了 AI 的直接作用。更準確的説法是：AI 正在改變企業的預期、預算和對外説法，而真實替代主要發生在客服、後台和初級崗位，並以少招人為主。制度理論可以解釋企業為什麼願意把裁員説成“AI”：在不確定的環境中，組織傾向於模仿同行以獲得合法性 [46]，而市場似乎在獎勵這種説法 [25]。
判斷一次「AI 裁員」屬於哪一類，可以問七個問題：
- 被削減的崗位，是否正是 AI 已經在做的任務？有沒有任務量指標（如工單量）支援？[41]
- 裁員前是否做過有對照的試點和測量？[6]
- 公司是在縮減總人數，還是在裁員的同時增加招聘或資本開支？[35][36]
- 理由是否前後一致？後續公告是否還提 AI？[37]–[40]
- 是「裁人」，還是「不補員、少招人、轉崗」？[5][42]
- 公司過去幾年是否擴張過快，或正面臨需求、利率、税務壓力？[28][30]–[32]
- 之後是否出現返聘或質素回調？[43]
什麼情況會讓我們修改這一判斷？ 如果出現以下變化，就應認為 AI 的直接替代作用在上升：獨立的就業數據開始出現清晰的 AI 足跡 [8]；企業「預計因 AI 裁員」的比例連續兑現為實際裁員 [5]；「因 AI 實際落地而裁員」的比例明顯超過「因預期而裁員」 [6]；在總裁員數不下降的情況下，AI 理由的佔比仍持續上升 [4][7]。在這些信號出現之前，把「AI 裁員」當作一個需要逐案檢驗的説法，比把它當作既成事實更穩妥。
三、組織重構：研發與產品融合、扁平化的真實邏輯
觀點： 美國企業把產品、設計和工程合併為端到端小隊、減少管理層級，背後有真實的經濟邏輯——AI 降低了協調成本和獲取專業知識的成本；但扁平化有現實上限，照搬口號的風險大於照搬機制。（置信度：中）
關鍵證據
- 理論： Garicano 的知識層級模型指出，溝通成本和獲取知識的成本下降，會擴大管理幅度，讓一線員工自己解決更多問題，使組織更扁平 [11]。生成式 AI 同時降低了這兩類成本。
- 實驗： 寶潔的 776 人實驗中，使用 AI 的個人可以達到無 AI 團隊的水平，研發與商業背景人員給出的方案也更均衡 [12]。一項覆蓋 187,489 名開發者的 AI 編程助手自然實驗中，開發者的項目管理工作佔比下降 10 個百分點，作者認為這可能使組織層級扁平化 [48]。
- 企業做法： LinkedIn 把「助理產品經理」項目改為「助理產品構建者」，推行全棧構建者模式 [49]；Expedia 改組為“small end-to-end squads with clear ownership”（權責清晰的小型端到端小隊），並總結“A lot of speed blockers are structural”（很多拖慢速度的障礙是結構性的）[50]；Wix 把工程師重新定義為端到端負責的“xEngineer” [51]。
反方觀點與侷限
- 扁平化有上限。 Meta 在 2026 年 3 月以最高 1:50 的管理比例組建應用 AI 工程組織 [13]；三個月後，CTO 承認推行過程“atrocious”，計劃把直接下屬上限設為約 20 人 [14]。Gartner 也提示，削減中層會使管理者負擔過重、帶教路徑中斷 [17]。
- 「取消產品經理」不是共識。 Andrew Ng 認為，當原型一天就能做出來時，產品管理反而成了瓶頸 [49]。
- 證據等級低。 組織層面的做法幾乎都來自備忘錄和媒體報道（D 級），沒有嚴格的效果評估；Wix 自己也承認“many details are still being worked out”（許多細節仍在摸索）[51]。
- 模仿的成分。 制度理論認為，不確定環境中的組織傾向於模仿同行，而趨同未必提高效率 [46]；IBM 的一項調查中，64% 的 CEO 承認在不清楚價值之前就投資 AI，以免落後 [43]。
我們的判斷
美國企業的做法可以歸納為三層：規範層（使用 AI 成為預設要求，進入績效和編制審批 [44][47]）、結構層（端到端小隊，減少交接和層級 [49]–[51]）、平台層（集中建設數據、AI 和智能體平台 [50]）。證據最支援的是結構層的「減少交接」，最弱的是「扁平到什麼程度」。
具體到研發與產品融合，得失都很清楚。得到的是更少的交接、更快的「想法→原型→客戶反饋」循環，以及對客戶結果的統一責任 [12][50]；可能失去的是專業深度——當每個人都要「全棧」，架構、算法和行業知識這類需要長期積累的能力最容易被稀釋。因此，融合的單位應該是「團隊」，而不一定是「個人」：團隊對結果負全責，個人仍然可以有清晰的專長。前一部分的分析也提醒我們：同一份重組公告裏，組織效率的邏輯和對外講故事的邏輯常常混在一起 [29][39]。
四、勞動力市場：衝擊在「入口」，不在「存量」
觀點： 到 2026 年秋，美國整體就業尚未出現清晰的 AI 衝擊；但在 AI 暴露度高的職業中，年輕員工的就業相對下降，而且主要通過減少招聘實現。AI 改變的首先是「誰能進門」，而不是「誰被請出門」。（置信度：中）
關鍵證據
- 宏觀平靜。 耶魯預算實驗室截至 2026 年 10 月仍未發現清晰的 AI 就業足跡 [8]；丹麥的行政數據顯示，生成式 AI 聊天工具推出兩年後，對收入和工時的影響接近於零，可以排除超過 2% 的效應 [52]。
- 入口收縮。 ADP 薪酬數據顯示，AI 暴露職業中 22–25 歲員工的就業比反事實低 19%，主要通過減少招聘而非裁員實現；在 AI 以替代方式應用的職業中下降，在以互補方式應用的職業中持平或上升 [9]。覆蓋 6,200 萬勞動者的簡歷數據顯示，採用生成式 AI 的企業，初級崗位就業在 6 個季度後相對下降 7.7%，資深員工沒有出現斷點 [10]。
- 企業自述一致。 紐約聯儲的調查中，企業因 AI「少招人」的比例（約 12%）遠高於「裁人」（1%）[5]。
反方觀點與侷限
- 因果尚未確立。 [9] 是描述性證據，控制教育程度後效應減弱，部分職業存在前趨勢；[9] 和 [10] 都是工作論文。
- 其他解釋。 同期的利率上升和疫情後的招聘修正（見第二部分）同樣會首先衝擊初級招聘；牛津經濟研究院也指出，勞動力市場最疲軟的經濟體，畢業生失業率上升最多 [26]。
- 入門崗位在變，而不只是變少。 普華永道發現，AI 暴露的入門崗位要求「資深技能」的可能性高 7 倍，這類崗位自 2019 年以來反而增長了 35% [53]。
- AI 也在創造崗位。 紐約聯儲的調查中，11% 的服務業企業因 AI 多招了人，主要是懂 AI 的大學畢業生 [5]；世界經濟論壇的僱主調查預計，到 2030 年淨增 7,800 萬個崗位 [54]。
我們的判斷
證據合在一起，指向的是「初級崗位的門檻上移」：以執行為主的初級招聘在減少，能承擔判斷和溝通工作的新人仍有需求 [9][10][53]。對個人而言，這意味着換工作的難度，可能比被裁的風險更早上升；對公司而言，少招初級員工的短期節省，可能換來 3–5 年後的人才斷層（見第五部分）。
五、人與組織：真正的風險是「人沒有長成」
觀點： AI 時代組織最大的風險，不是員工被替代，而是三件更隱蔽的事：新人的技能形成被削弱、工作被悄悄加碼、AI 從工具變成監控手段。這三者都會侵蝕組織未來的能力和員工的信任。（置信度：中）
關鍵證據
- 技能形成。 一項由 AI 模型公司研究人員完成的隨機實驗中，用 AI 學習新編程庫的工程師測驗得分為 50%，對照組為 67%，調試能力差距最大；得分高的人用 AI 追問概念，得分低的人把任務整體交給 AI [15]（預印本）。Beane 對機器人手術的研究發現，新技術減少了住院醫生的動手機會，學員只能依靠「影子學習」，結果是過度專門化 [55]。
- 工作強化。 一項田野研究發現，員工使用 AI 後工作更快、範圍更廣、時間更長，而且往往不是被要求的；結果是工作量蔓延、認知疲勞和倦怠 [16]。
- 控制與信任。 Kellogg 等人把算法控制歸納為限制、推薦、記錄、評級、替代、獎勵六種方式 [56]；Gartner 預測，到 2028 年 40% 的大型企業將部署 AI 來操控和衡量員工的情緒與行為 [17]。Meta 的重組則説明，頻繁更換管理結構會損害員工的穩定感和信任 [14]。
反方觀點與侷限
- AI 也能幫助新人成長。 客服實驗中，AI 使新手進步最快，並改善了員工留任 [1]；微軟的調查中，83% 的領導者認為 AI 能讓員工更早承擔複雜工作 [57]。關鍵在於怎麼用：同一實驗中得分高的人，正是用 AI 追問概念的人 [15]。
- 測量不等於監控。 記錄交付週期、返工率等結果指標，是改進的前提 [3][22]；問題在於把 AI 用於記錄和評級個人的行為與情緒 [17][56]。兩者的界線需要公開説明。
- 證據還很薄。 [15] 的樣本只有 52 人，[16] 是管理期刊文章而非同行評審研究，[55] 來自外科手術而非軟件行業，外推需謹慎。
我們的判斷
- 「在職拉平」與「准入擠出」同時發生。 在組織內部，AI 幫助新手更快接近資深員工的水平 [1][20][48]；在勞動力市場入口，企業因 AI 減少初級招聘 [9][10]。前者惠及已經在崗的人，後者影響還沒進門的人。
- 「人才管線悖論」。 初級招聘收縮 [9][10]，Gartner 預測部分組織將削減一半以上的中層管理崗位 [17]，用 AI 學習的新人得分偏低 [15]。短期看能省成本；長期看，沒有初級歷練和中層帶教，資深人才的內部培養機制可能斷裂。
- 績效看結果，不看使用量。 Meta CTO 強調，績效應看 AI 帶來的“impact”（影響）而非使用量 [14]；以使用量考核，容易催生「表演式使用」，而員工自評的提速可能與實測相反 [22]。
- 為 AI 的使用定規範。 田野研究的作者建議組織建立「AI 實踐」規範，包括有意的停頓、任務排序和人際交流的錨點 [16]。對小團隊而言，這可以很簡單：哪些任務必須先自己做、再用 AI 複核；哪些時間段不安排 AI 驅動的加急任務；哪些決策必須當面討論。
- 人際技能升值。 社交技能的價值在於降低協調成本，過去幾十年持續升值 [58]；談判、輔導等技能受自動化的影響最小 [24]。
六、未來十年：分歧本身就是資訊
觀點： 關於 AI 對宏觀生產率和就業的影響，嚴肅機構的預測相差一個數量級。對中小企業而言，正確的做法不是押注某一個預測，而是按中間情景規劃，同時為快速情景保留選擇權。（置信度：低，本質是規劃判斷）
關鍵證據
- 生產率： Acemoglu 估計十年內全要素生產率（TFP）合計增益不超過 0.66% [18]；高盛估計美國勞動生產率年增速將提高約 1.5 個百分點 [19]；一家 AI 模型公司的經濟指數報告按任務成功率調整後，估計為每年 1.0–1.2 個百分點 [59]。
- 就業： 世界經濟論壇的僱主調查預計，到 2030 年淨增 7,800 萬個崗位 [54]；高盛的基準情形下，美國約 6%–7% 的勞動力會被替代 [60]。
反方觀點與侷限
- 高估值的預測多來自投行和廠商 [19][59]，低估值來自學術模型 [18]，利益和方法都不同。
- 歷史上，技術對就業的影響取決於「增強」與「自動化」哪一方佔優：近 40 年來，自動化對勞動需求的侵蝕效應增強，增強效應沒有同步增強 [61]；但 Autor 也論證 AI 有可能讓更多人承擔高價值決策，並明確説這是可能性而非預測 [62]。
我們的判斷：三種情景（不是預測）
- 漸進情景：宏觀增益接近低端 [18][63]，就業總量變化小，主要變化在任務組合和招聘結構上 [8][52]。
- 結構重組情景：增益接近中值 [19][59]；端到端小隊普及，初級崗位門檻明顯上移 [9][10][53]。
- 快速自動化情景：智能體可靠性顯著提高，企業級自動化擴展到大部分標準化流程 [59]；如果企業主要用 AI 替代初級工作，還會伴隨「代際斷層」 [15][17]。
如何判斷我們正在走向哪個情景？可以跟蹤幾類先行信號：僱主自述的 AI 裁員佔比是否持續上升 [4][7]；獨立的就業追蹤是否開始出現 AI 足跡 [8]；企業「預計因 AI 裁員」的比例是否開始兑現為實際裁員 [5]；智能體在真實任務中的失敗率是否明顯下降 [64]。如果這些信號同時轉向，就應把規劃從情景 2 向情景 3 調整。
對中小企業，情景 2 是較穩妥的規劃基準，同時為情景 3 保留選擇權。第二部分的分析也提示：在情景 2 下，「AI 裁員」的公告會遠多於真實替代，企業更需要分辨信號與噪音。
七、個人層面：我們該如何準備
觀點： 對個人而言，近期最現實的風險不是「明天被 AI 裁掉」，而是「技能長得比崗位變得慢」以及「換工作變難」。準備的重點是三件事：把時間移向與 AI 互補的任務；用 AI 學習，而不是用 AI 代替學習；積累能證明自己價值的成果。（置信度：中）
與六個判斷的對應
- 判斷 1（任務層面提升真實但有邊界）： 學會分辨任務在 AI 能力「前沿」之內還是之外；在前沿外盲目依賴，正確率會下降 19 個百分點 [2]。
- 判斷 2（AI 裁員多為預期和説法）： 看到「AI 裁員」的新聞時，用第二部分的七個問題判斷它屬於哪一類，不要據此高估或低估自己的風險。
- 判斷 3（衝擊在入口）： 調整主要通過少招人實現 [9][10]，所以要提前維護可以展示的作品和人脈。
- 判斷 5（人沒長成的風險）： 把任務整體交給 AI 的學習者得分最低，用 AI 追問原理的人得分高 [15]。
反方觀點與侷限
AI 對新手的即時幫助最大 [1][20]，「少用 AI 以保護學習」的建議也可能讓人錯過真實的效率提升。關鍵不是用多用少，而是先自己思考，再用 AI 檢驗和追問 [15][65]。另外，個人自評的提速可能不準：METR 實驗中，開發者自認快了 20%，實測慢了 19% [22]。
對職業選擇的含義（我們的判斷）：與其問「我的崗位會不會被 AI 取代」，不如問「我所在團隊的工作，是否正在被重新設計」。前者取決於很難預測的技術進展，後者取決於組織決策，個人可以更早看到，也可以參與。
不同角色的準備重點（我們的判斷）
| 角色 | 關鍵證據 | 準備重點 |
|---|---|---|
| 工程師 | AI 讓編碼時間增加、項目管理時間減少 [48]；Wix 預期 AI 將生成大部分生產代碼 [51] | 從「寫代碼」轉向定義問題、設計系統、審查與測試 AI 的產出 |
| 產品經理 | LinkedIn 要求新人同時學編碼、設計和產品管理 [49]；產品決策可能成為瓶頸 [49] | 用 AI 快速做原型，把時間投入客戶洞察、取捨與決策 |
| 銷售與渠道 | 銷售任務的暴露度較高 [63]；談判等人際技能受影響最小 [24] | 把資料整理、方案初稿交給 AI，把精力放在客戶診斷、關係和談判上 |
| 管理者 | 扁平化可能使管理者負擔過重 [17]；Meta 回調管理幅度 [14] | 從「傳遞資訊」轉向帶人、定標準、做判斷 |
| 早期職業者 | 初級招聘在減少 [9][10]；AI 暴露的入門崗位更要求資深技能 [53] | 爭取有反饋的真實任務，刻意練習調試、溝通與判斷 |
| 資深員工 | 資深員工的就業未見斷點 [10] | 把經驗寫成規範、案例和檢查清單，承擔帶教與質素把關 |
身心與韌性
AI 可能讓工作更密集：更快、範圍更廣、時間更長，帶來疲勞和倦怠 [16]；但客服實驗中 AI 也改善了員工留任 [1]，寶潔實驗中使用 AI 的參與者報告了更多積極情緒 [12]。我們的判斷： 關鍵在於把 AI 節省的時間，有意識地分配到學習、深度工作和休息上，而不是全部用來增加產出。
個人行動清單（我們的判斷）
現在（0–3 個月）
- 把自己的工作列成任務清單，標出「AI 能做好 / 能做但需要我審核 / 做不好」三類，把時間逐步移向後兩類 [2][59]。
- 對關鍵任務記錄用 AI 前後的耗時與返工，不憑感覺判斷是否提速 [22]。
- 學習時先自己思考，再用 AI 追問原理，不直接複製答案 [15]。
一年內
- 掌握一個相鄰職能的基礎能力：工程師懂產品與客戶，產品經理會用 AI 做原型，銷售能用 AI 做方案 [49][51]。
- 積累 3–5 個「用 AI 解決實際問題」的可展示案例。
- 關注自己的工作時長和疲勞信號，不把 AI 節省的時間全部用於增加產出 [16]。
三到五年
- 從「完成任務的人」成長為「對結果負責的人」：定義問題，組織 AI 與同事完成，為質素負責 [50]。
- 在一個細分領域建立難以被 AI 替代的判斷力和人際信任 [24][58]。
- 保持應急儲蓄和外部人脈，定期評估自己的技能與市場需求之間的差距。
八、中小企業與 ToB 團隊怎麼準備
説明： 本部分是作者基於前文證據的推斷，引用的 [n] 是建議所依據的證據，不代表來源對中小企業作出了結論。絕大多數證據來自美國和歐洲的大中型企業，對中國中小企業和 ToB 團隊的適用性，需要在實踐中檢驗。
觀點： 對中小企業來説，AI 時代組織調整的價值在於縮短「客戶問題→可用方案」的鏈路，而不是用 AI 減人。任何調整都應該經得起第二部分七個問題的檢驗，成為「可驗證的真實改進」，而不是又一份「AI 敍事」。
六個判斷意味着什麼
| 判斷 | 對中小企業與 ToB 團隊的含義 |
|---|---|
| 1 任務提升真實，組織回報未兑現 | 以工作流重設計為核心，用交付週期、返工率、毛利等結果指標衡量，而不是工具採用率 [3] |
| 2 AI 裁員多為預期和説法 | 不做「預期性削減」；任何崗位調整都先有試點和測量 [6] |
| 3 衝擊在入口 | 繼續招聘少量初級人員，但提高門檻、設計成長路徑 [9][10] |
| 4 扁平化有上限 | 適度擴大管理幅度，保留明確的帶教責任，不照搬極端比例 [14] |
| 5 人沒長成的風險 | 新人先獨立完成，再用 AI 複核；關注工作強度 [15][16] |
| 6 預測分歧大 | 按情景 2 規劃，每半年復盤一次 [18][19] |
宣佈組織調整之前，先回答幾個問題
當一家公司合併團隊、調整崗位時，員工和客戶都會把它放進「AI 時代的組織調整」這個大背景裏理解。用第二部分的四類框架反過來檢查自己（我們的判斷）：
- 説清屬於哪一類。 如果調整的目的是減少交接、縮短交付週期，那就是結構調整，不應包裝成「AI 替代」；如果某些崗位確實因 AI 減少了工作量，應拿出任務層面的數據，例如工單量和交付時長 [41]。
- 避免（c）和（d）。 不把其他原因（成本、業務調整）説成 AI，也不因為「預期 AI」提前減人。有研究者指出，以 AI 為由裁員會讓留下的員工擔心自己是下一個，從而不願探索如何用 AI 改進工作；把裁員錯誤地歸因於 AI，還會助長員工對 AI 的犬儒心態 [6]。
- 公開説明「不做什麼」。 例如：不以 AI 使用量直接決定去留；崗位調整優先通過不補員和轉崗實現 [5][42]。
- 一種可以參考的內部表述： 「這次調整是為了讓一個客戶問題從提出到交付經過更少的交接。我們會用交付週期、返工率和客戶滿意度來衡量它是否成功，並定期公開結果。AI 是我們提升效率的工具；任何崗位調整都會先經過試點和測量，並優先通過轉崗和不補員實現。」
調整後第一年最可能遇到的三個問題（我們的判斷）：
- 身份焦慮先於技能缺口。 當「產品經理」「工程師」的邊界被重新劃定 [49][51]，員工首先擔心的是「我還被需要嗎」；Meta 的經歷説明，頻繁調整管理結構而又解釋不清，會迅速損害信任 [14]。應儘早公佈新的角色定義和職業路線。
- 瓶頸轉移到評審和測試。 AI 讓原型和代碼更快產出，但前沿外的錯誤需要人來發現 [2]；如果評審、測試和客戶確認的能力不隨之增加，交付週期未必縮短。
- 銷售與研發的節奏不一致。 銷售面對的是客戶承諾和季度目標，研發面對的是技術不確定性；合併後的小隊需要明確誰對客戶承諾負責、誰有權説「不」。
ToB 團隊的特殊之處
客戶企業也在少招初級員工、提高門檻 [9][10][53]。我們的判斷： 這意味着客戶會更需要「把 AI 嵌入流程」的外部能力，而不只是工具本身；同時，客戶內部懂業務又懂 AI 的人更少，需求診斷和變革支援會成為交付中更重要的部分。ToB 團隊也可以把前面的七個問題帶給客戶，幫助客戶區分「AI 真正能替代的任務」和「只是一個説法」。
組織設計：四個可以小步試的做法
- 端到端客戶小隊：每個小隊覆蓋「需求診斷—方案設計—原型或開發—交付—復盤」，由產品、研發和售前人員組成，對客戶結果負責 [49][50]。
- 共享平台小組：負責提示詞與智能體模板、評測集、知識庫、數據與安全規範，避免各小隊重複建設 [50]。
- 一線反饋迴路：銷售和渠道人員用 AI 處理資料和方案初稿，把精力放在談判、客戶關係和需求挖掘上 [24]，並把一線客戶問題直接帶回研發與產品團隊；產品定義正在成為瓶頸的觀點見 [49]。
- 雙職業路線：借鑑「全棧構建者」的思路 [49][66]，同時保留架構、算法、行業專家等專業深度路線，避免「全棧」變成「全都淺」。
分階段準備清單
階段一：0–3 個月（建立基線與規則）
- 明確調整目標和衡量指標（交付週期、從需求到原型的時間、返工率、客戶滿意度、毛利率），先測基線 [3][22]。
- 把研發、產品和售前的主要流程拆成任務，標註「AI 可做 / 需審核 / AI 做不好」 [2][59]。
- 制定 AI 使用規範：哪些產出必須人工複核（代碼合併、客戶方案、報價與合同），客戶數據如何保護 [3]。
- 選 1–2 個客戶項目試點端到端小隊，記錄交接次數和等待時間 [50]。
- 發佈內部説明：調整的目的、對崗位的影響、不會做什麼 [6][14]。
階段二：3–12 個月（重設計工作流與人才機制）
- 推廣試點經驗，建立共享平台小組和評測集 [3][50]。
- 更新崗位説明與職業階梯：從「負責某個環節」改為「對結果負責」 [49][51][66]。
- 改造績效：以結果指標為主，AI 使用只作過程指標 [14][22]。
- 設計初級員工的學習路徑：導師制、先獨立完成再用 AI 複核、定期評審 [15][55]。
- 關注工作強度，建立「AI 實踐」規範 [16]。
階段三：1–3 年（形成能力與選擇權）
需要警惕的六個誤區
- 把 AI 使用量當作績效：自評與實測可能相反 [22]。
- 一次性大幅扁平化：參見 Meta 的回調 [14]。
- 停止招聘初級人員：可能在 3–5 年後形成人才斷層 [17][55]。
- 以成本為唯一目標替換人工：參見 Klarna 的回調 [43]。
- 照搬大公司的口號，而不復制其機制：即制度理論所説的模仿性趨同 [46]。
- 濫用算法監控：Gartner 預測到 2028 年 40% 的大型企業將部署 AI 來操控和衡量員工的情緒與行為 [17]；更穩妥的做法是把 AI 定位為改進工作的工具，不用 AI 監控員工情緒，也不做使用率排名 [14]。
本文的侷限
- 地域與規模偏差：幾乎所有證據來自美國和歐洲的大中型企業；我們沒有找到可核實的中國同類研究。
- 時效性：多數實驗使用 2023–2025 年的模型，結論可能已經偏低或偏高 [23]；裁員數據截至 2026 年 9 月 [7]。
- 證據等級：組織層面的做法主要依據備忘錄和媒體報道（D 級）；關於「AI 裁員」的數據大多是自述理由和調查 [4]–[7][25]–[27]，不能直接證明因果。
- 利益相關：廠商 [15][57][59] 與諮詢公司 [3][24][53] 的報告與 AI 推廣存在利益關聯；[6] 的調查由一家方法論公司贊助。
- 部分來源只能讀到摘要或轉載：少數出版方頁面有付費牆，我們依據摘要、官方摘要或轉載全文核對，只使用其中明確陳述的內容。
附：關鍵數據速查
正文只保留了支撐各部分觀點的關鍵證據。下表彙總其他數據，供需要細節的讀者查閲。
| 指標 | 數據 | 來源 |
|---|---|---|
| 技術上可自動化的美國工作時長 | 約 57%（智能體 44%，機器人 13%），不是失業預測 | [24] |
| 全球就業暴露 | 約 40%，發達經濟體約 60% | [67] |
| 美國就業者在工作中使用生成式 AI | 2025 年二季度 35.1% → 2026 年二季度 45.2% | [21] |
| 組織 AI 採用 | 至少一個職能使用 AI：78% → 88%；約三分之一在規模化 | [3] |
| AI 負面後果 | 51% 的受訪者報告所在組織至少經歷過一次 | [3] |
| METR 2026 年更新 | 回訪開發者 −18%（置信區間 −38% 至 +9%），新招募者 −4%（−15% 至 +9%） | [23] |
| 世界經濟論壇（到 2030 年） | 創造 1.7 億、替代 9,200 萬、淨增 7,800 萬個崗位；41% 的僱主計劃在 AI 可自動化之處減員 | [54] |
| 麥肯錫（未來一年人數預期） | 32% 預計員工減少 3% 以上，43% 不變，13% 增加 | [3] |
| AI 被列為裁員理由（累計） | 2023 年開始統計至 2025 年底共 71,825 人 | [4] |
| 2026 年 9 月 | AI 理由 3,961 人，約佔當月 9%，居第五 | [7] |
| 科技業裁員 | 2025 年 154,445 人（2024 年 133,988 人）；2026 年 1–9 月同比 +54% | [4][7] |
| 紐約聯儲（2025 年 8 月） | 服務業企業 AI 使用率 40%（上年 25%），製造業 26%（上年 16%）；13% 的服務業 AI 使用企業預計半年內裁員，但上年預計比例相近、實際很少發生 | [5] |
| 全球高管調查 | 9% 不確定；44% 認為生成式 AI 的經濟價值最難評估 | [6] |
| 美國勞動力流動背景 | 每月有 150 萬–180 萬人失去工作 | [27] |
| 税法第 174 條示例 | 15 萬美元工資由當年全額扣除，改為每年扣除 3 萬美元、分 5 年扣完 | [33] |
覺得有用？分享給需要的人。
參考文獻
- [1]
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. (NBER Working Paper No. 31161, 2023). doi.org/10.1093/qje/qjae044
- [2]
Dell'Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013). hbs.edu ↗
- [3]
McKinsey & Company. (2025, November 5). The state of AI in 2025: Agents, innovation, and transformation. mckinsey.com ↗
- [4]
Challenger, Gray & Christmas. (2026, January 8). Challenger report: December 2025 [Job cut announcement report]. challengergray.com ↗
- [5]
Abel, J. R., Deitz, R., Emanuel, N., Hyman, B., & Montalbano, N. (2025, September 4). Are businesses scaling back hiring due to AI? Liberty Street Economics, Federal Reserve Bank of New York. libertystreeteconomics.newyorkfed.org ↗
- [6]
Davenport, T. H., & Srinivasan, L. (2026, January 29). Companies are laying off workers because of AI's potential—not its performance. Harvard Business Review. hbr.org ↗
- [7]
Challenger, Gray & Christmas. (2026, October 1). Challenger report: September 2026 [Job cut announcement report]. challengergray.com ↗
- [8]
The Budget Lab at Yale. (2026, October 14). Tracking the impact of AI on the labor market [Data tracker, updated]. budgetlab.yale.edu ↗
- [9]
Brynjolfsson, E., Chandar, B., & Chen, R. (2026). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence (Working paper, revised August 2026; original August 2025). Stanford Digital Economy Lab. digitaleconomy.stanford.edu ↗
- [10]
Hosseini Maasoum, S. M., & Lichtinger, G. (2025). Generative AI as seniority-biased technological change: Evidence from U.S. résumé and job posting data (SSRN Working Paper No. 5425555). doi.org/10.2139/ssrn.5425555
- [11]
Garicano, L. (2000). Hierarchies and the organization of knowledge in production. Journal of Political Economy, 108(5), 874–904. doi.org/10.1086/317671
- [12]
Dell'Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., & Lakhani, K. R. (2025). The cybernetic teammate: A field experiment on generative AI reshaping teamwork and expertise (NBER Working Paper No. 33641). Published in Organization Science, 2026. nber.org ↗
- [13]
Dixit, P. (2026, March 3). Meta is forming a new AI engineering org for its superintelligence push, with teams as large as 50 people per manager. Business Insider. businessinsider.com ↗
- [14]
Goode, L., & Dave, P. (2026, June 15). Meta CTO Andrew Bosworth admits the company’s AI reorg was ‘atrocious’. WIRED. wired.com ↗
- [15]
Shen, J. H., & Tamkin, A. (2026). How AI impacts skill formation (arXiv:2601.20245) [Preprint]. anthropic.com ↗
- [16]
Ranganathan, A., & Ye, X. M. (2026, February 9). AI doesn't reduce work—it intensifies it. Harvard Business Review. hbr.org ↗
- [17]
Gartner. (2024, October 22). Gartner unveils top predictions for IT organizations and users in 2025 and beyond [Press release]. gartner.com ↗
- [18]
Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121), 13–58. (NBER Working Paper No. 32487, 2024). nber.org ↗
- [19]
Briggs, J., & Kodnani, D. (2023, March 26). The potentially large effects of artificial intelligence on economic growth (Global Economics Analyst). Goldman Sachs. gspublishing.com ↗
- [20]
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi.org/10.1126/science.adh2586
- [21]
Bick, A., Blandin, A., & Deming, D. J. (2026). The rapid adoption of generative AI. Management Science. Data series: Federal Reserve Bank of St. Louis, Generative AI usage share at work [RPSGENAIUSAGESHAREWORK], FRED. doi.org/10.1287/mnsc.2025.02523
- [22]
Becker, J., Rush, N., Barnes, E., & Rein, D. (2025, July 10). Measuring the impact of early-2025 AI on experienced open-source developer productivity. METR. metr.org ↗
- [23]
METR. (2026, February 24). Uplift update [Research update]. metr.org ↗
- [24]
McKinsey Global Institute. (2025, November 25). Agents, robots, and us: Skill partnerships in the age of AI. mckinsey.com ↗
- [25]
Challenger, Gray & Christmas. (2026, February 5). Challenger report: January 2026 [Job cut announcement report]. challengergray.com ↗
- [26]
Oxford Economics. (2026, January 7). Evidence of an AI-driven shakeup of job markets is patchy [Research briefing]. oxfordeconomics.com ↗
- [27]
Lichtenberg, N. (2026, January 7). AI layoffs are looking more and more like corporate fiction that's masking a darker reality, Oxford Economics suggests. Fortune. fortune.com ↗
- [28]
Zuckerberg, M. (2022, November 9). Mark Zuckerberg's message to Meta employees. Meta Newsroom. about.fb.com ↗
- [29]
Zuckerberg, M. (2023, March 14). Update on Meta's year of efficiency. Meta Newsroom. about.fb.com ↗
- [30]
Board of Governors of the Federal Reserve System. (2022, March 16). Federal Reserve issues FOMC statement [Press release]. federalreserve.gov ↗
- [31]
Board of Governors of the Federal Reserve System. (2023, July 26). Federal Reserve issues FOMC statement [Press release]. federalreserve.gov ↗
- [32]
Internal Revenue Service. (2025). Revenue Procedure 2025-28. irs.gov ↗
- [33]
Baab, C. (2025, July 7). A hidden time bomb in the tax code fueled mass tech layoffs. Here's how it works. Quartz. qz.com ↗
- [34]
Smith, B. (2025, January 3). The golden opportunity for American AI. Microsoft On the Issues. blogs.microsoft.com ↗
- [35]
Nadella, S. (2025, July 24). Recommitting to our why, what, and how. The Official Microsoft Blog. blogs.microsoft.com ↗
- [36]
Das Sharma, S. (2025, May 22). 'Our total employment has gone up': What IBM CEO Arvind Krishna says on AI replacing several hundred jobs. Mint. livemint.com ↗
- [37]
Jassy, A. (2025, June). Message from CEO Andy Jassy: Some thoughts on generative AI. About Amazon. aboutamazon.com ↗
- [38]
Galetti, B. (2025, October 28). Staying nimble and continuing to strengthen our organizations. About Amazon. aboutamazon.com ↗
- [39]
Soper, T. (2025, October 30). ‘It’s culture’: Amazon CEO says massive corporate layoffs were about agility — not AI or cost-cutting. GeekWire. geekwire.com ↗
- [40]
Galetti, B. (2026, January 28). Update on our organization. About Amazon. aboutamazon.com ↗
- [41]
Budman, S. (2025, September 2). Salesforce CEO confirms 4,000 layoffs 'because I need less heads' with AI. CNBC. cnbc.com ↗
- [42]
Nelson, N. (2026, April 29). How Salesforce is reshaping its workforce in the age of AI. Salesforce. salesforce.com ↗
- [43]
As Klarna flips from AI-first to hiring people again, a new landmark survey reveals most AI projects fail to deliver. (2025, May 9). Fortune. fortune.com ↗
- [44]
Duolingo will replace contract workers with AI. (2025, April 28). The Verge. theverge.com ↗
- [45]
Ha, A. (2025, August 17). Duolingo CEO says controversial AI memo was misunderstood. TechCrunch. techcrunch.com ↗
- [46]
DiMaggio, P. J., & Powell, W. W. (1983). The iron cage revisited: Institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 48(2), 147–160. doi.org/10.2307/2095101
- [47]
Morales, J. (2025, April 8). Shopify CEO: Teams must prove AI can't do a task before asking for new hires, resources. Tom's Hardware. tomshardware.com ↗
- [48]
Hoffmann, M., Boysel, S., Nagle, F., Peng, S., & Xu, K. (2024). Generative AI and the nature of work (Harvard Business School Working Paper No. 25-021). hbs.edu ↗
- [49]
Chong Ming, L. (2025, December 5). LinkedIn is scrapping its associate product manager program and rebuilding around full-stack talent. Business Insider. businessinsider.com ↗
- [50]
Bishop, T. (2026, August 19). Internal memo: Eight execs out at Expedia Group in AI-driven shakeup. GeekWire. geekwire.com ↗
- [51]
CTech. (2026, January 24). Wix plans to let AI write most code, leaving engineers to redefine their role. Calcalist Ctech. calcalistech.com ↗
- [52]
Humlum, A., & Vestergaard, E. (2025). Large language models, small labor market effects [retitled “Still waters, rapid currents”] (NBER Working Paper No. 33777; revised October 2025). nber.org ↗
- [53]
PwC. (2026). PwC 2026 AI Jobs Barometer: AI reshapes global labour market into two distinct paths, rewarding human skills [Press release]. pwc.com.cy ↗
- [54]
World Economic Forum. (2025, January 8). Future of Jobs Report 2025: 78 million new job opportunities by 2030 but urgent upskilling needed [Press release]. weforum.org ↗
- [55]
Beane, M. (2019). Shadow learning: Building robotic surgical skill when approved means fail. Administrative Science Quarterly, 64(1), 87–123. doi.org/10.1177/0001839217751692
- [56]
Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. doi.org/10.5465/annals.2018.0174
- [57]
Microsoft. (2025, April 23). 2025: The year the Frontier Firm is born (Work Trend Index Annual Report). microsoft.com ↗
- [58]
Deming, D. J. (2017). The growing importance of social skills in the labor market. The Quarterly Journal of Economics, 132(4), 1593–1640. doi.org/10.1093/qje/qjx022
- [59]
Appel, R., Massenkoff, M., McCrory, P., McCain, M., Heller, R., Neylon, T., & Tamkin, A. (2026, January 15). Anthropic Economic Index report: Economic primitives. Anthropic. anthropic.com ↗
- [60]
Goldman Sachs. (n.d.). How will AI affect the global workforce? Retrieved October 19, 2026. goldmansachs.com ↗
- [61]
Autor, D., Chin, C., Salomons, A. M., & Seegmiller, B. (2024). New frontiers: The origins and content of new work, 1940–2018. The Quarterly Journal of Economics, 139(3), 1399–1465. doi.org/10.1093/qje/qjae008
- [62]
Autor, D. (2024). Applying AI to rebuild middle class jobs (NBER Working Paper No. 32140). nber.org ↗
- [63]
Arnon, A. (2025, September 8). The projected impact of generative AI on future productivity growth. Penn Wharton Budget Model. budgetmodel.wharton.upenn.edu ↗
- [64]
Stanford Institute for Human-Centered Artificial Intelligence. (2026). AI Index Report 2026 (incl. Economy chapter). hai.stanford.edu ↗
- [65]
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). ACM. doi.org/10.1145/3706598.3713778
- [66]
Rachitsky, L. (Host). (2025, December 4). Why LinkedIn is replacing PMs [Podcast episode with Tomer Cohen]. In Lenny's Podcast. lennysnewsletter.com ↗
- [67]
Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E., & Tavares, M. M. (2024). Gen-AI: Artificial intelligence and the future of work (IMF Staff Discussion Note SDN/2024/001). International Monetary Fund. imf.org ↗