AI 是裁员的原因，还是借口？关于 AI 与组织变革的六个判断
2023 年以来，美国大公司的裁员公告越来越常提到 AI。把实验、裁员统计、企业调查和公司公告放在一起看：AI 在任务层面的提升是真实的，但大部分以 AI 为名的裁员更接近预期性削减或叙事包装，真实替代集中在少数岗位，且主要以少招人的方式发生。本文给出六个带置信度的判断与反方证据，以及个人和中小企业的准备清单。
.jpg){kind=link}
2023 年以来，美国大公司几乎每隔几个月就会宣布一轮裁员，公告里越来越常见的一个词是“AI”。于是一个问题被反复提出：这些公司到底是因为 AI 来了，还是本来就想裁员，只是借了 AI 的名义？
这个问题值得认真回答，因为它决定了企业和个人该如何准备。如果裁员潮主要是 AI 替代造成的，那么准备的重点是转岗和自保；如果 AI 更多是一种预期和说法，那么更重要的是分辨信号与噪音，避免被一个时髦的叙事带着走。本文把公开的实验、统计、企业调查和公司公告放在一起，给出六个判断，并在每一部分写明反方证据和我们的判断。
六个判断
置信度说明：高＝多项高质量研究方向一致；中＝有较好证据，但存在重要反例或口径问题；低＝主要依赖预测、个案或作者推断。
- AI 在任务层面的生产率提升是真实的，但在组织层面远未兑现。（置信度：任务层面高，组织层面中）实验中，客服新手的效率提高 34% [1]，但同类实验也显示，在 AI 能力边界之外使用会降低正确率 [2]；调查中只有 39% 的受访者报告 AI 对息税前利润（EBIT）有任何影响 [3]。
- 2023–2026 年美国的裁员潮，主要不是被 AI“替代”出来的；AI 更多是一种预期和说法。（置信度：中）2025 年雇主把 AI 列为理由的裁员只占约 4.5% [4]；纽约联储的调查中，使用 AI 的服务业企业只有 1% 因 AI 裁员 [5]；一项高管调查中，因 AI 实际落地而大规模裁员的只有 2%，因“预期 AI”而裁员的则过半 [6]。但到 2026 年，AI 已成为雇主最常给出的裁员理由 [7]，这个判断需要持续更新。
- AI 对就业的冲击首先出现在“入口”，而不是“存量”。（置信度：中）宏观数据尚无清晰的 AI 就业足迹 [8]，但 AI 暴露职业中年轻员工的就业相对下降，且主要通过少招人实现 [9][10]。
- 研发与产品融合、组织扁平化有真实的经济逻辑，但存在现实上限。（置信度：中）AI 降低了协调和获取知识的成本 [11]，实验显示个人借助 AI 可以达到团队水平 [12]；但 Meta 把管理比例推到最高 1:50 后，三个月内又计划把直接下属上限设为约 20 人 [13][14]。
- 组织最大的风险不是“人被替代”，而是“人没有长成”。（置信度：中）用 AI 学习的初级工程师测验得分更低 [15]，AI 还会让工作更密集 [16]；如果同时削减初级岗位和中层带教，人才梯队可能断裂 [17]。
- 未来十年的宏观预测相差一个数量级；中小企业应按“结构重组”情景规划，而不是押注快速自动化。（置信度：低，本质是规划判断）已发表的生产率年增量估计，从约 0.07 个百分点（按 Acemoglu 十年合计不超过 0.66% 折算）[18] 到约 1.5 个百分点 [19] 不等。
怎么读这篇文章：证据的强弱
本文引用的材料大致分为四级，强弱不同，用法也不同：
| 等级 | 类型 | 怎么用 |
|---|---|---|
| A | 同行评审的实验、准实验、历史与调查数据，以及同行评审的理论和民族志研究 | 可作为因果或较强的描述性证据，但要注意外推范围 |
| B | 工作论文、预印本和研究机构的实验更新 | 尚未完成同行评审；部分样本较小 |
| C | 咨询公司、厂商、国际机构、中央银行和行业机构的调查、统计与测算 | 反映意向、自述理由或模型假设，不等于实际结果；部分机构与 AI 推广存在利益关联 |
| D | CEO 备忘录、公司公告、媒体报道与高管访谈 | 只说明企业“在说什么、做什么”，不能证明做法有效或说法属实 |
此外，利率决议和税法文件只用来确认政策事实，不用来说明它们对裁员的因果影响。
交叉验证原则： 当企业的说法（D 级）能被 A、B 级证据印证时，可以视为较确定的趋势；当说法前后不一、缺少 A、B 级证据，甚至已经反转时，应更谨慎。下文对“AI 裁员”的分析，就是这一原则的具体应用。凡标注“我们的判断”的内容，是作者基于证据的推断，不是来源的结论。
一、AI 改变的首先是任务，而不是组织的账本
观点： 生成式 AI 在明确、有标准答案的任务上带来了真实的生产率提升，而且对新手帮助最大；但这种提升有边界，也还没有大规模转化为组织层面的财务回报。
关键证据
- 对新手帮助最大。 一项覆盖 5,179 名客服坐席的准实验中，AI 助手使每小时解决的问题数平均提高 14%，新手和低技能员工提高 34%，对资深员工影响很小 [1]。453 名专业人员的写作实验中，耗时下降 40%、质量提高 18% [20]。
- 有边界。 758 名 BCG 顾问参与的实验中，在 AI 能力“前沿内”的任务上，使用 AI 的人多完成 12.2% 的任务、速度快 25.1%，质量也更高；在“前沿外”的任务上，正确率反而低 19 个百分点 [2]。
- 组织层面尚未兑现。 麦肯锡 2025 年的调查中，88% 的组织在至少一个职能中使用 AI，但只有 39% 报告 AI 对 EBIT 有任何影响 [3]。
反方观点与局限
- 资深者未必受益。 METR 在 2025 年初的随机实验中，16 名资深开源开发者使用 AI 后耗时反而增加 19%，而他们自认提速 20% [22]；但 METR 在 2026 年的更新中说，新数据存在选择偏差，现在“很可能已有加速”，证据仍弱 [23]。结论随工具版本变化很快。
- 暴露不等于替代。 麦肯锡全球研究院估计，约 57% 的美国工作时长在技术上可以自动化，但明确说明这不是失业预测 [24]。任务暴露度只是“可能受影响的任务占比”。
- 实验不是组织。 多数实验测的是个人任务，组织效果还取决于流程、协作和质量控制。麦肯锡发现，与 EBIT 影响关联最强的因素之一，是对工作流的根本性重新设计 [3]。
我们的判断
为什么个人的提速不会自动变成组织的回报？至少有三道关口。一是瓶颈转移：写代码快了，评审、测试和客户确认就成了新的瓶颈。二是质量成本：前沿外的错误需要有人发现和返工 [2]。三是需求约束：省下的时间，只有在有更多值得做的工作时才会变成产出。
AI 首先改变的是“一个人在一小时里能做多少事”，而不是“公司需要多少人”。两者之间隔着流程重设计、质量控制，以及需求是否增长。这也是下一部分的出发点：如果组织层面的回报还没有普遍兑现 [3]，那么大量以 AI 为名的裁员，就很难全部用“AI 已经替代了这些人”来解释。
这也意味着，判断 AI 是否“有用”，不能只看员工是否在用，而要看端到端的交付周期和质量是否改善。
二、AI 是裁员的原因，还是借口？
观点： 就 2023–2026 年的美国证据看，AI 是裁员理由中增长最快的一项；但大部分以 AI 为名的裁员，要么是押注未来的“预期性削减”，要么是给其他原因换了一个更好听的说法。真正由 AI 替代造成的岗位减少确实存在，但集中在少数任务密集型岗位，而且多以“不补员、少招人”的方式发生。（置信度：中）
先看数字：AI 在裁员理由中的分量
Challenger, Gray & Christmas 每月统计美国雇主宣布的裁员计划及其自述理由：
- 2025 年：全年宣布裁员 1,206,374 人，其中雇主把 AI 列为理由的有 54,836 人，约占 4.5%（作者据 [4] 计算）。排在前面的是政府效率部（DOGE）行动、市场或经济状况、关闭门店或部门、重组和削减成本 [4]。
- 2026 年 1–9 月：宣布裁员总数降至 573,195 人，比上年同期少 39%；但 AI 被列为理由的有 120,136 人，约占 21%，成为年内第一大理由 [7]。科技业占全部裁员的 29% [7]。
企业调查：真实替代少，预期性削减多
- 纽约联储（2025 年 8 月）：使用 AI 的服务业企业中，只有 1% 在过去半年因 AI 裁员；约 12% 因 AI 少招了人，而且集中在需要大学学历的岗位；略超三分之一对员工进行了再培训。作者的结论是，对在职者而言，AI“more likely to result in retraining than job loss”（更可能带来再培训，而不是失业）[5]。
- 全球高管调查（2025 年 12 月，1,006 人）：39% 的组织已因“预期 AI”做了低到中等程度的裁员，21% 做了大规模裁员，另有 29% 因预期 AI 而少招人；而因 AI 实际落地做了大规模裁员的只有 2% [6]。
- 牛津经济研究院（2026 年 1 月）：企业“don’t appear to be replacing workers with AI on a significant scale”（似乎并没有大规模用 AI 替代员工）；如果 AI 已在大规模替代劳动力，生产率增长应该加速，但总体上并没有 [26]。该机构还怀疑，一些企业想把裁员包装成好消息，因为归因于 AI 比承认过去招聘过多更能向投资者传递积极信息 [27]。
其他解释：同一时期还发生了什么
如果不是 AI，裁员还可能来自以下几股力量。它们与 AI 叙事在时间上重叠，因此特别容易被混为一谈。
- 疫情期间的过度扩张及其修正。 Meta 在 2022 年 11 月裁员约 13%、超过 11,000 人时，Zuckerberg 的解释是：他和许多人一样以为疫情带来的线上增长会持续，因此“significantly increase our investments”（大幅增加了投资），结果“I got this wrong”（我判断错了）[28]。2023 年的“效率之年”又计划减少约 10,000 人，关闭约 5,000 个尚未招满的职位，并通过取消多个管理层级使组织更扁平 [29]。这两轮裁员的公开理由是收入低于预期和组织效率，而不是 AI 替代。Challenger 也把科技业的裁员潮归因于 AI 转型叠加“over-hiring over the last decade”（过去十年的过度招聘）[4]。
- 资本成本上升。 美联储在 2022 年 3 月把联邦基金利率目标区间上调至 0.25%–0.5% [30]，到 2023 年 7 月升至 5.25%–5.5% [31]。我们的判断： 资金变贵，会迫使依赖融资和估值的科技企业从“增长优先”转向“利润优先”。这与 AI 无关，却很容易在同一份裁员公告里与 AI 并列出现。
- 研发税务处理的变化。 根据美国税法第 174 条的修订，自 2022 年起，境内研究与试验支出须分 5 年摊销，境外须分 15 年；2025 年 7 月的立法规定，自 2025 年起的纳税年度，境内研发支出恢复当期扣除，境外仍按 15 年摊销 [32]。有报道认为，这一变化提高了雇用研发人员的税务成本，助推了科技业裁员 [33]，但这一因果关系尚无学术检验。
- 预算从“人”转向“算力”。 微软计划在 2025 财年投资约 800 亿美元建设 AI 数据中心 [34]。Nadella 在裁员后的致员工信中写道，公司“thriving”（蓬勃发展），资本开支创历史新高（“investing more in CapEx than ever before”），总人数“relatively unchanged”（基本不变），同时又在裁员，他称之为“the enigma of success”（成功之谜）[35]。IBM CEO 表示，AI 替代了“a couple hundred”（几百名）人力资源员工的工作，但公司总人数反而上升，因为省下的钱投向了软件工程和销售 [36]。
- 政府与宏观冲击。 2025 年排在第一位的裁员理由是政府效率部（DOGE）行动，共 293,753 人 [4]。到 2026 年 9 月，Challenger 提到的企业顾虑是能源成本高企、伊朗战事的不确定性、可能抬高用工成本的加息，以及医疗成本上升，并称企业处于“wait-and-see period”（观望期）[7]。这些因素都与 AI 无关，却同样压缩招聘和编制。
企业说法与证据的落差
下表把几家常被引用的美国公司放在一起，对比它们的公开说法与其他证据。最后一列使用下文的四类框架，是我们的判断，不是这些公司的说法。
| 公司 | 公开说法 | 其他证据 | 更接近哪一类（我们的判断） |
|---|---|---|---|
| Amazon | 2025 年 6 月：生成式 AI 将使公司总部人数减少 [37]；10 月裁员约 14,000 人，强调减少层级，并称 AI 是最具变革性的技术 [38] | CEO 随后称裁员“not really financially driven, and it’s not even really AI-driven… it’s culture”（不是财务驱动，甚至也不是 AI 驱动……是文化）[39]；2026 年 1 月再裁约 16,000 人，公告未提 AI [40] | 以组织文化与层级调整为主（c），叠加对未来 AI 的预期（d） |
| Salesforce | CEO：客服支持从约 9,000 人减到约 5,000 人，“because I need less heads”（因为我需要的人更少了）[41] | 公司称支持工单量下降、不再补员 [41]；后来又称数百名支持工程师被调往其他业务 [42] | 真实替代（a），但主要通过不补员和转岗实现 |
| IBM | AI 替代了数百名人力资源员工的工作 [36] | 总人数上升，资源转向工程和销售 [36] | 真实替代（a）＋预算再配置（b） |
| Klarna | 曾称 AI 可完成大量客服工作，2022–2024 年减员 40% [6] | CEO 承认以成本为主导导致“lower quality”（质量下降），重新招聘人工 [43] | 预期性削减过度（d），随后回调 |
| Duolingo | “AI 优先”，逐步停用承包商做 AI 能做的工作 [44] | CEO 称公司“never laid off any full-time employees”（从未裁过全职员工），承包商人数本来就随需要变化 [45] | 承包商层面的部分替代（a），外界把它放大成了“AI 裁员” |
| Meta | 2022–2023 年裁员理由为过度投资与效率 [28][29]；2026 年以 AI 为名扁平化 [13] | 三个月后 CTO 承认推行过程“atrocious”（糟糕透顶），回调管理幅度 [14] | 先是扩张修正（c），后是对 AI 时代组织形态的押注（d） |
| Microsoft | 公司“thriving”，资本开支创新高 [35] | AI 数据中心投资约 800 亿美元 [34] | 预算再配置（b） |
分析框架：四种“AI 裁员”
| 类型 | 机制 | 典型信号 |
|---|---|---|
| （a）真实替代 | AI 已经在做这些任务，岗位需求下降 | 被削减的正是 AI 已部署的任务；有工单量等任务指标的变化；多以不补员、转岗实现 [5][41][42] |
| （b）预算再配置 | 为 AI 投入（算力、平台、AI 人才）腾出预算，削减其他岗位 | 营收或利润增长的同时裁员；资本开支创新高；总人数基本不变 [34]–[36] |
| （c）叙事包装 | 真实原因是过度招聘、需求、利率、税务或文化，AI 是更好讲的理由 | 理由前后变化；正式公告不提 AI；裁员覆盖 AI 尚未涉及的职能 [27][37]–[40] |
| （d）预期性削减 | 押注 AI 未来能替代，先减人或少招人 | 尚无可测量的 AI 产出；“少招人”先于“裁人”；之后返聘或质量回调 [6][43] |
为什么企业愿意说“是 AI”
把裁员归因于 AI，对企业有几重好处（我们的判断，依据见各句来源）：
- 对投资者：AI 是一个“向前看”的理由。牛津经济研究院认为，这比承认需求疲软或过去招聘过多传递了更积极的信息 [27]；Challenger 也观察到，市场似乎在奖励提到 AI 的公司 [25]。高管调查的作者直言，另一种可能是 AI 只是“a sexier reason to announce layoffs than simply needing to cut costs”（一个比单纯削减成本更好听的裁员理由）[6]。
- 对同行：在不确定的环境中，组织倾向于模仿被视为成功的同行，以获得合法性 [46]；当多家大公司都用“AI 优先”描述重组时，不这样说反而显得落后 [37][44][47]。
- 对内部：AI 叙事能把一次成本调整包装成一次“转型”。
但这种说法也有代价：留下的员工会担心自己是下一个，不愿探索如何用 AI 改进工作；错误地归因于 AI，还会助长员工对 AI 的犬儒心态 [6]。Klarna 从“AI 替代”退回人工，是说法跑在能力前面的例子 [43]。
反方观点与局限
- AI 的作用也可能被低估。 Challenger 另设“技术更新（可能是 AI）”类别，2025 年计入 20,219 人 [4]；Amazon 先强调 AI、后称裁员“not even really AI-driven”[37][39]，说明自述理由本身会变，既可能夸大 AI，也可能淡化 AI。
- 2026 年的变化值得重视。 AI 的占比从 2025 年的约 4.5% 升至 2026 年 1–9 月的约 21% [4][7]。我们的判断： 部分原因是其他理由（尤其是政府裁员）大幅减少、总数下降；但这也可能是真实替代开始扩大的早期信号，需要逐季跟踪。
- 数据口径有限。 Challenger 统计的是宣布的计划和自述理由，不是实际失业人数 [4]；纽约联储只覆盖纽约—新泽西北部 [5]；高管调查由一家方法论公司赞助，覆盖全球 [6]；牛津经济研究院报告全文未公开，部分表述来自媒体转述 [27]。
- 替代确实在发生。 年轻员工在 AI 暴露职业中的就业相对下降，而且主要通过少招人实现 [9][10]；纽约联储也发现，少招人集中在需要大学学历的岗位 [5]。这与“只是借口”的说法并不矛盾：冲击正在发生，但发生在招聘入口，而不是大规模裁员公告里。
我们的判断：如何分辨
到目前为止，“AI 导致了裁员潮”这一说法夸大了 AI 的直接作用。更准确的说法是：AI 正在改变企业的预期、预算和对外说法，而真实替代主要发生在客服、后台和初级岗位，并以少招人为主。制度理论可以解释企业为什么愿意把裁员说成“AI”：在不确定的环境中，组织倾向于模仿同行以获得合法性 [46]，而市场似乎在奖励这种说法 [25]。
判断一次“AI 裁员”属于哪一类，可以问七个问题：
- 被削减的岗位，是否正是 AI 已经在做的任务？有没有任务量指标（如工单量）支持？[41]
- 裁员前是否做过有对照的试点和测量？[6]
- 公司是在缩减总人数，还是在裁员的同时增加招聘或资本开支？[35][36]
- 理由是否前后一致？后续公告是否还提 AI？[37]–[40]
- 是“裁人”，还是“不补员、少招人、转岗”？[5][42]
- 公司过去几年是否扩张过快，或正面临需求、利率、税务压力？[28][30]–[32]
- 之后是否出现返聘或质量回调？[43]
什么情况会让我们修改这一判断？ 如果出现以下变化，就应认为 AI 的直接替代作用在上升：独立的就业数据开始出现清晰的 AI 足迹 [8]；企业“预计因 AI 裁员”的比例连续兑现为实际裁员 [5]；“因 AI 实际落地而裁员”的比例明显超过“因预期而裁员” [6]；在总裁员数不下降的情况下，AI 理由的占比仍持续上升 [4][7]。在这些信号出现之前，把“AI 裁员”当作一个需要逐案检验的说法，比把它当作既成事实更稳妥。
三、组织重构：研发与产品融合、扁平化的真实逻辑
观点： 美国企业把产品、设计和工程合并为端到端小队、减少管理层级，背后有真实的经济逻辑——AI 降低了协调成本和获取专业知识的成本；但扁平化有现实上限，照搬口号的风险大于照搬机制。（置信度：中）
关键证据
- 理论： Garicano 的知识层级模型指出，沟通成本和获取知识的成本下降，会扩大管理幅度，让一线员工自己解决更多问题，使组织更扁平 [11]。生成式 AI 同时降低了这两类成本。
- 实验： 宝洁的 776 人实验中，使用 AI 的个人可以达到无 AI 团队的水平，研发与商业背景人员给出的方案也更均衡 [12]。一项覆盖 187,489 名开发者的 AI 编程助手自然实验中，开发者的项目管理工作占比下降 10 个百分点，作者认为这可能使组织层级扁平化 [48]。
- 企业做法： LinkedIn 把“助理产品经理”项目改为“助理产品构建者”，推行全栈构建者模式 [49]；Expedia 改组为“small end-to-end squads with clear ownership”（权责清晰的小型端到端小队），并总结“A lot of speed blockers are structural”（很多拖慢速度的障碍是结构性的）[50]；Wix 把工程师重新定义为端到端负责的“xEngineer” [51]。
反方观点与局限
- 扁平化有上限。 Meta 在 2026 年 3 月以最高 1:50 的管理比例组建应用 AI 工程组织 [13]；三个月后，CTO 承认推行过程“atrocious”，计划把直接下属上限设为约 20 人 [14]。Gartner 也提示，削减中层会使管理者负担过重、带教路径中断 [17]。
- “取消产品经理”不是共识。 Andrew Ng 认为，当原型一天就能做出来时，产品管理反而成了瓶颈 [49]。
- 证据等级低。 组织层面的做法几乎都来自备忘录和媒体报道（D 级），没有严格的效果评估；Wix 自己也承认“many details are still being worked out”（许多细节仍在摸索）[51]。
- 模仿的成分。 制度理论认为，不确定环境中的组织倾向于模仿同行，而趋同未必提高效率 [46]；IBM 的一项调查中，64% 的 CEO 承认在不清楚价值之前就投资 AI，以免落后 [43]。
我们的判断
美国企业的做法可以归纳为三层：规范层（使用 AI 成为默认要求，进入绩效和编制审批 [44][47]）、结构层（端到端小队，减少交接和层级 [49]–[51]）、平台层（集中建设数据、AI 和智能体平台 [50]）。证据最支持的是结构层的“减少交接”，最弱的是“扁平到什么程度”。
具体到研发与产品融合，得失都很清楚。得到的是更少的交接、更快的“想法→原型→客户反馈”循环，以及对客户结果的统一责任 [12][50]；可能失去的是专业深度——当每个人都要“全栈”，架构、算法和行业知识这类需要长期积累的能力最容易被稀释。因此，融合的单位应该是“团队”，而不一定是“个人”：团队对结果负全责，个人仍然可以有清晰的专长。前一部分的分析也提醒我们：同一份重组公告里，组织效率的逻辑和对外讲故事的逻辑常常混在一起 [29][39]。
四、劳动力市场：冲击在“入口”，不在“存量”
观点： 到 2026 年秋，美国整体就业尚未出现清晰的 AI 冲击；但在 AI 暴露度高的职业中，年轻员工的就业相对下降，而且主要通过减少招聘实现。AI 改变的首先是“谁能进门”，而不是“谁被请出门”。（置信度：中）
关键证据
- 宏观平静。 耶鲁预算实验室截至 2026 年 10 月仍未发现清晰的 AI 就业足迹 [8]；丹麦的行政数据显示，生成式 AI 聊天工具推出两年后，对收入和工时的影响接近于零，可以排除超过 2% 的效应 [52]。
- 入口收缩。 ADP 薪酬数据显示，AI 暴露职业中 22–25 岁员工的就业比反事实低 19%，主要通过减少招聘而非裁员实现；在 AI 以替代方式应用的职业中下降，在以互补方式应用的职业中持平或上升 [9]。覆盖 6,200 万劳动者的简历数据显示，采用生成式 AI 的企业，初级岗位就业在 6 个季度后相对下降 7.7%，资深员工没有出现断点 [10]。
- 企业自述一致。 纽约联储的调查中，企业因 AI“少招人”的比例（约 12%）远高于“裁人”（1%）[5]。
反方观点与局限
- 因果尚未确立。 [9] 是描述性证据，控制教育程度后效应减弱，部分职业存在前趋势；[9] 和 [10] 都是工作论文。
- 其他解释。 同期的利率上升和疫情后的招聘修正（见第二部分）同样会首先冲击初级招聘；牛津经济研究院也指出，劳动力市场最疲软的经济体，毕业生失业率上升最多 [26]。
- 入门岗位在变，而不只是变少。 普华永道发现，AI 暴露的入门岗位要求“资深技能”的可能性高 7 倍，这类岗位自 2019 年以来反而增长了 35% [53]。
- AI 也在创造岗位。 纽约联储的调查中，11% 的服务业企业因 AI 多招了人，主要是懂 AI 的大学毕业生 [5]；世界经济论坛的雇主调查预计，到 2030 年净增 7,800 万个岗位 [54]。
我们的判断
证据合在一起，指向的是“初级岗位的门槛上移”：以执行为主的初级招聘在减少，能承担判断和沟通工作的新人仍有需求 [9][10][53]。对个人而言，这意味着换工作的难度，可能比被裁的风险更早上升；对公司而言，少招初级员工的短期节省，可能换来 3–5 年后的人才断层（见第五部分）。
五、人与组织：真正的风险是“人没有长成”
观点： AI 时代组织最大的风险，不是员工被替代，而是三件更隐蔽的事：新人的技能形成被削弱、工作被悄悄加码、AI 从工具变成监控手段。这三者都会侵蚀组织未来的能力和员工的信任。（置信度：中）
关键证据
- 技能形成。 一项由 AI 模型公司研究人员完成的随机实验中，用 AI 学习新编程库的工程师测验得分为 50%，对照组为 67%，调试能力差距最大；得分高的人用 AI 追问概念，得分低的人把任务整体交给 AI [15]（预印本）。Beane 对机器人手术的研究发现，新技术减少了住院医生的动手机会，学员只能依靠“影子学习”，结果是过度专门化 [55]。
- 工作强化。 一项田野研究发现，员工使用 AI 后工作更快、范围更广、时间更长，而且往往不是被要求的；结果是工作量蔓延、认知疲劳和倦怠 [16]。
- 控制与信任。 Kellogg 等人把算法控制归纳为限制、推荐、记录、评级、替代、奖励六种方式 [56]；Gartner 预测，到 2028 年 40% 的大型企业将部署 AI 来操控和衡量员工的情绪与行为 [17]。Meta 的重组则说明，频繁更换管理结构会损害员工的稳定感和信任 [14]。
反方观点与局限
- AI 也能帮助新人成长。 客服实验中，AI 使新手进步最快，并改善了员工留任 [1]；微软的调查中，83% 的领导者认为 AI 能让员工更早承担复杂工作 [57]。关键在于怎么用：同一实验中得分高的人，正是用 AI 追问概念的人 [15]。
- 测量不等于监控。 记录交付周期、返工率等结果指标，是改进的前提 [3][22]；问题在于把 AI 用于记录和评级个人的行为与情绪 [17][56]。两者的界线需要公开说明。
- 证据还很薄。 [15] 的样本只有 52 人，[16] 是管理期刊文章而非同行评审研究，[55] 来自外科手术而非软件行业，外推需谨慎。
我们的判断
- “在职拉平”与“准入挤出”同时发生。 在组织内部，AI 帮助新手更快接近资深员工的水平 [1][20][48]；在劳动力市场入口，企业因 AI 减少初级招聘 [9][10]。前者惠及已经在岗的人，后者影响还没进门的人。
- “人才管线悖论”。 初级招聘收缩 [9][10]，Gartner 预测部分组织将削减一半以上的中层管理岗位 [17]，用 AI 学习的新人得分偏低 [15]。短期看能省成本；长期看，没有初级历练和中层带教，资深人才的内部培养机制可能断裂。
- 绩效看结果，不看使用量。 Meta CTO 强调，绩效应看 AI 带来的“impact”（影响）而非使用量 [14]；以使用量考核，容易催生“表演式使用”，而员工自评的提速可能与实测相反 [22]。
- 为 AI 的使用定规范。 田野研究的作者建议组织建立“AI 实践”规范，包括有意的停顿、任务排序和人际交流的锚点 [16]。对小团队而言，这可以很简单：哪些任务必须先自己做、再用 AI 复核；哪些时间段不安排 AI 驱动的加急任务；哪些决策必须当面讨论。
- 人际技能升值。 社交技能的价值在于降低协调成本，过去几十年持续升值 [58]；谈判、辅导等技能受自动化的影响最小 [24]。
六、未来十年：分歧本身就是信息
观点： 关于 AI 对宏观生产率和就业的影响，严肃机构的预测相差一个数量级。对中小企业而言，正确的做法不是押注某一个预测，而是按中间情景规划，同时为快速情景保留选择权。（置信度：低，本质是规划判断）
关键证据
- 生产率： Acemoglu 估计十年内全要素生产率（TFP）合计增益不超过 0.66% [18]；高盛估计美国劳动生产率年增速将提高约 1.5 个百分点 [19]；一家 AI 模型公司的经济指数报告按任务成功率调整后，估计为每年 1.0–1.2 个百分点 [59]。
- 就业： 世界经济论坛的雇主调查预计，到 2030 年净增 7,800 万个岗位 [54]；高盛的基准情形下，美国约 6%–7% 的劳动力会被替代 [60]。
反方观点与局限
- 高估值的预测多来自投行和厂商 [19][59]，低估值来自学术模型 [18]，利益和方法都不同。
- 历史上，技术对就业的影响取决于“增强”与“自动化”哪一方占优：近 40 年来，自动化对劳动需求的侵蚀效应增强，增强效应没有同步增强 [61]；但 Autor 也论证 AI 有可能让更多人承担高价值决策，并明确说这是可能性而非预测 [62]。
我们的判断：三种情景（不是预测）
- 渐进情景：宏观增益接近低端 [18][63]，就业总量变化小，主要变化在任务组合和招聘结构上 [8][52]。
- 结构重组情景：增益接近中值 [19][59]；端到端小队普及，初级岗位门槛明显上移 [9][10][53]。
- 快速自动化情景：智能体可靠性显著提高，企业级自动化扩展到大部分标准化流程 [59]；如果企业主要用 AI 替代初级工作，还会伴随“代际断层” [15][17]。
如何判断我们正在走向哪个情景？可以跟踪几类先行信号：雇主自述的 AI 裁员占比是否持续上升 [4][7]；独立的就业追踪是否开始出现 AI 足迹 [8]；企业“预计因 AI 裁员”的比例是否开始兑现为实际裁员 [5]；智能体在真实任务中的失败率是否明显下降 [64]。如果这些信号同时转向，就应把规划从情景 2 向情景 3 调整。
对中小企业，情景 2 是较稳妥的规划基准，同时为情景 3 保留选择权。第二部分的分析也提示：在情景 2 下，“AI 裁员”的公告会远多于真实替代，企业更需要分辨信号与噪音。
七、个人层面：我们该如何准备
观点： 对个人而言，近期最现实的风险不是“明天被 AI 裁掉”，而是“技能长得比岗位变得慢”以及“换工作变难”。准备的重点是三件事：把时间移向与 AI 互补的任务；用 AI 学习，而不是用 AI 代替学习；积累能证明自己价值的成果。（置信度：中）
与六个判断的对应
- 判断 1（任务层面提升真实但有边界）： 学会分辨任务在 AI 能力“前沿”之内还是之外；在前沿外盲目依赖，正确率会下降 19 个百分点 [2]。
- 判断 2（AI 裁员多为预期和说法）： 看到“AI 裁员”的新闻时，用第二部分的七个问题判断它属于哪一类，不要据此高估或低估自己的风险。
- 判断 3（冲击在入口）： 调整主要通过少招人实现 [9][10]，所以要提前维护可以展示的作品和人脉。
- 判断 5（人没长成的风险）： 把任务整体交给 AI 的学习者得分最低，用 AI 追问原理的人得分高 [15]。
反方观点与局限
AI 对新手的即时帮助最大 [1][20]，“少用 AI 以保护学习”的建议也可能让人错过真实的效率提升。关键不是用多用少，而是先自己思考，再用 AI 检验和追问 [15][65]。另外，个人自评的提速可能不准：METR 实验中，开发者自认快了 20%，实测慢了 19% [22]。
对职业选择的含义（我们的判断）：与其问“我的岗位会不会被 AI 取代”，不如问“我所在团队的工作，是否正在被重新设计”。前者取决于很难预测的技术进展，后者取决于组织决策，个人可以更早看到，也可以参与。
不同角色的准备重点（我们的判断）
| 角色 | 关键证据 | 准备重点 |
|---|---|---|
| 工程师 | AI 让编码时间增加、项目管理时间减少 [48]；Wix 预期 AI 将生成大部分生产代码 [51] | 从“写代码”转向定义问题、设计系统、审查与测试 AI 的产出 |
| 产品经理 | LinkedIn 要求新人同时学编码、设计和产品管理 [49]；产品决策可能成为瓶颈 [49] | 用 AI 快速做原型，把时间投入客户洞察、取舍与决策 |
| 销售与渠道 | 销售任务的暴露度较高 [63]；谈判等人际技能受影响最小 [24] | 把资料整理、方案初稿交给 AI，把精力放在客户诊断、关系和谈判上 |
| 管理者 | 扁平化可能使管理者负担过重 [17]；Meta 回调管理幅度 [14] | 从“传递信息”转向带人、定标准、做判断 |
| 早期职业者 | 初级招聘在减少 [9][10]；AI 暴露的入门岗位更要求资深技能 [53] | 争取有反馈的真实任务，刻意练习调试、沟通与判断 |
| 资深员工 | 资深员工的就业未见断点 [10] | 把经验写成规范、案例和检查清单，承担带教与质量把关 |
身心与韧性
AI 可能让工作更密集：更快、范围更广、时间更长，带来疲劳和倦怠 [16]；但客服实验中 AI 也改善了员工留任 [1]，宝洁实验中使用 AI 的参与者报告了更多积极情绪 [12]。我们的判断： 关键在于把 AI 节省的时间，有意识地分配到学习、深度工作和休息上，而不是全部用来增加产出。
个人行动清单（我们的判断）
现在（0–3 个月）
- 把自己的工作列成任务清单，标出“AI 能做好 / 能做但需要我审核 / 做不好”三类，把时间逐步移向后两类 [2][59]。
- 对关键任务记录用 AI 前后的耗时与返工，不凭感觉判断是否提速 [22]。
- 学习时先自己思考，再用 AI 追问原理，不直接复制答案 [15]。
一年内
- 掌握一个相邻职能的基础能力：工程师懂产品与客户，产品经理会用 AI 做原型，销售能用 AI 做方案 [49][51]。
- 积累 3–5 个“用 AI 解决实际问题”的可展示案例。
- 关注自己的工作时长和疲劳信号，不把 AI 节省的时间全部用于增加产出 [16]。
三到五年
- 从“完成任务的人”成长为“对结果负责的人”：定义问题，组织 AI 与同事完成，为质量负责 [50]。
- 在一个细分领域建立难以被 AI 替代的判断力和人际信任 [24][58]。
- 保持应急储蓄和外部人脉，定期评估自己的技能与市场需求之间的差距。
八、中小企业与 ToB 团队怎么准备
说明： 本部分是作者基于前文证据的推断，引用的 [n] 是建议所依据的证据，不代表来源对中小企业作出了结论。绝大多数证据来自美国和欧洲的大中型企业，对中国中小企业和 ToB 团队的适用性，需要在实践中检验。
观点： 对中小企业来说，AI 时代组织调整的价值在于缩短“客户问题→可用方案”的链路，而不是用 AI 减人。任何调整都应该经得起第二部分七个问题的检验，成为“可验证的真实改进”，而不是又一份“AI 叙事”。
六个判断意味着什么
| 判断 | 对中小企业与 ToB 团队的含义 |
|---|---|
| 1 任务提升真实，组织回报未兑现 | 以工作流重设计为核心，用交付周期、返工率、毛利等结果指标衡量，而不是工具采用率 [3] |
| 2 AI 裁员多为预期和说法 | 不做“预期性削减”；任何岗位调整都先有试点和测量 [6] |
| 3 冲击在入口 | 继续招聘少量初级人员，但提高门槛、设计成长路径 [9][10] |
| 4 扁平化有上限 | 适度扩大管理幅度，保留明确的带教责任，不照搬极端比例 [14] |
| 5 人没长成的风险 | 新人先独立完成，再用 AI 复核；关注工作强度 [15][16] |
| 6 预测分歧大 | 按情景 2 规划，每半年复盘一次 [18][19] |
宣布组织调整之前，先回答几个问题
当一家公司合并团队、调整岗位时，员工和客户都会把它放进“AI 时代的组织调整”这个大背景里理解。用第二部分的四类框架反过来检查自己（我们的判断）：
- 说清属于哪一类。 如果调整的目的是减少交接、缩短交付周期，那就是结构调整，不应包装成“AI 替代”；如果某些岗位确实因 AI 减少了工作量，应拿出任务层面的数据，例如工单量和交付时长 [41]。
- 避免（c）和（d）。 不把其他原因（成本、业务调整）说成 AI，也不因为“预期 AI”提前减人。有研究者指出，以 AI 为由裁员会让留下的员工担心自己是下一个，从而不愿探索如何用 AI 改进工作；把裁员错误地归因于 AI，还会助长员工对 AI 的犬儒心态 [6]。
- 公开说明“不做什么”。 例如：不以 AI 使用量直接决定去留；岗位调整优先通过不补员和转岗实现 [5][42]。
- 一种可以参考的内部表述： “这次调整是为了让一个客户问题从提出到交付经过更少的交接。我们会用交付周期、返工率和客户满意度来衡量它是否成功，并定期公开结果。AI 是我们提升效率的工具；任何岗位调整都会先经过试点和测量，并优先通过转岗和不补员实现。”
调整后第一年最可能遇到的三个问题（我们的判断）：
- 身份焦虑先于技能缺口。 当“产品经理”“工程师”的边界被重新划定 [49][51]，员工首先担心的是“我还被需要吗”；Meta 的经历说明，频繁调整管理结构而又解释不清，会迅速损害信任 [14]。应尽早公布新的角色定义和职业路线。
- 瓶颈转移到评审和测试。 AI 让原型和代码更快产出，但前沿外的错误需要人来发现 [2]；如果评审、测试和客户确认的能力不随之增加，交付周期未必缩短。
- 销售与研发的节奏不一致。 销售面对的是客户承诺和季度目标，研发面对的是技术不确定性；合并后的小队需要明确谁对客户承诺负责、谁有权说“不”。
ToB 团队的特殊之处
客户企业也在少招初级员工、提高门槛 [9][10][53]。我们的判断： 这意味着客户会更需要“把 AI 嵌入流程”的外部能力，而不只是工具本身；同时，客户内部懂业务又懂 AI 的人更少，需求诊断和变革支持会成为交付中更重要的部分。ToB 团队也可以把前面的七个问题带给客户，帮助客户区分“AI 真正能替代的任务”和“只是一个说法”。
组织设计：四个可以小步试的做法
- 端到端客户小队：每个小队覆盖“需求诊断—方案设计—原型或开发—交付—复盘”，由产品、研发和售前人员组成，对客户结果负责 [49][50]。
- 共享平台小组：负责提示词与智能体模板、评测集、知识库、数据与安全规范，避免各小队重复建设 [50]。
- 一线反馈回路：销售和渠道人员用 AI 处理资料和方案初稿，把精力放在谈判、客户关系和需求挖掘上 [24]，并把一线客户问题直接带回研发与产品团队；产品定义正在成为瓶颈的观点见 [49]。
- 双职业路线：借鉴“全栈构建者”的思路 [49][66]，同时保留架构、算法、行业专家等专业深度路线，避免“全栈”变成“全都浅”。
分阶段准备清单
阶段一：0–3 个月（建立基线与规则）
- 明确调整目标和衡量指标（交付周期、从需求到原型的时间、返工率、客户满意度、毛利率），先测基线 [3][22]。
- 把研发、产品和售前的主要流程拆成任务，标注“AI 可做 / 需审核 / AI 做不好” [2][59]。
- 制定 AI 使用规范：哪些产出必须人工复核（代码合并、客户方案、报价与合同），客户数据如何保护 [3]。
- 选 1–2 个客户项目试点端到端小队，记录交接次数和等待时间 [50]。
- 发布内部说明：调整的目的、对岗位的影响、不会做什么 [6][14]。
阶段二：3–12 个月（重设计工作流与人才机制）
- 推广试点经验，建立共享平台小组和评测集 [3][50]。
- 更新岗位说明与职业阶梯：从“负责某个环节”改为“对结果负责” [49][51][66]。
- 改造绩效：以结果指标为主，AI 使用只作过程指标 [14][22]。
- 设计初级员工的学习路径：导师制、先独立完成再用 AI 复核、定期评审 [15][55]。
- 关注工作强度，建立“AI 实践”规范 [16]。
阶段三：1–3 年（形成能力与选择权）
需要警惕的六个误区
- 把 AI 使用量当作绩效：自评与实测可能相反 [22]。
- 一次性大幅扁平化：参见 Meta 的回调 [14]。
- 停止招聘初级人员：可能在 3–5 年后形成人才断层 [17][55]。
- 以成本为唯一目标替换人工：参见 Klarna 的回调 [43]。
- 照搬大公司的口号，而不复制其机制：即制度理论所说的模仿性趋同 [46]。
- 滥用算法监控：Gartner 预测到 2028 年 40% 的大型企业将部署 AI 来操控和衡量员工的情绪与行为 [17]；更稳妥的做法是把 AI 定位为改进工作的工具，不用 AI 监控员工情绪，也不做使用率排名 [14]。
本文的局限
- 地域与规模偏差：几乎所有证据来自美国和欧洲的大中型企业；我们没有找到可核实的中国同类研究。
- 时效性：多数实验使用 2023–2025 年的模型，结论可能已经偏低或偏高 [23]；裁员数据截至 2026 年 9 月 [7]。
- 证据等级：组织层面的做法主要依据备忘录和媒体报道（D 级）；关于“AI 裁员”的数据大多是自述理由和调查 [4]–[7][25]–[27]，不能直接证明因果。
- 利益相关：厂商 [15][57][59] 与咨询公司 [3][24][53] 的报告与 AI 推广存在利益关联；[6] 的调查由一家方法论公司赞助。
- 部分来源只能读到摘要或转载：少数出版方页面有付费墙，我们依据摘要、官方摘要或转载全文核对，只使用其中明确陈述的内容。
附：关键数据速查
正文只保留了支撑各部分观点的关键证据。下表汇总其他数据，供需要细节的读者查阅。
| 指标 | 数据 | 来源 |
|---|---|---|
| 技术上可自动化的美国工作时长 | 约 57%（智能体 44%，机器人 13%），不是失业预测 | [24] |
| 全球就业暴露 | 约 40%，发达经济体约 60% | [67] |
| 美国就业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] |
| 组织 AI 采用 | 至少一个职能使用 AI：78% → 88%；约三分之一在规模化 | [3] |
| AI 负面后果 | 51% 的受访者报告所在组织至少经历过一次 | [3] |
| METR 2026 年更新 | 回访开发者 −18%（置信区间 −38% 至 +9%），新招募者 −4%（−15% 至 +9%） | [23] |
| 世界经济论坛（到 2030 年） | 创造 1.7 亿、替代 9,200 万、净增 7,800 万个岗位；41% 的雇主计划在 AI 可自动化之处减员 | [54] |
| 麦肯锡（未来一年人数预期） | 32% 预计员工减少 3% 以上，43% 不变，13% 增加 | [3] |
| AI 被列为裁员理由（累计） | 2023 年开始统计至 2025 年底共 71,825 人 | [4] |
| 2026 年 9 月 | AI 理由 3,961 人，约占当月 9%，居第五 | [7] |
| 科技业裁员 | 2025 年 154,445 人（2024 年 133,988 人）；2026 年 1–9 月同比 +54% | [4][7] |
| 纽约联储（2025 年 8 月） | 服务业企业 AI 使用率 40%（上年 25%），制造业 26%（上年 16%）；13% 的服务业 AI 使用企业预计半年内裁员，但上年预计比例相近、实际很少发生 | [5] |
| 全球高管调查 | 9% 不确定；44% 认为生成式 AI 的经济价值最难评估 | [6] |
| 美国劳动力流动背景 | 每月有 150 万–180 万人失去工作 | [27] |
| 税法第 174 条示例 | 15 万美元工资由当年全额扣除，改为每年扣除 3 万美元、分 5 年扣完 | [33] |
觉得有用？分享给需要的人。
参考文献
- [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 ↗