高盛说AI最多冲击9%岗位：这不是失业预测，入行新人先分清三件事

最近，关于人工智能会不会大规模替代工作的讨论又热了一轮。原因是一组被广泛转述的数字：高盛经济学家约瑟夫·布里格斯估计，在人工智能提升生产率百分之十五的假设下，过渡期最多约百分之九的岗位会被替代，大约相当于十一分之一。这个数字听起来不小，也很容易被简化成一句话结论。但如果只记住百分之九，就很容易读错这份估计的真正意思。布里格斯的口径本身就带有多重限定：它是一个假设条件下的上限估计，讲的是过渡期的替代规模，而不是明天就会发生的失业潮，更不是一份衰退预测。把限定条件一并读进去，这组数字才有参考价值。

这组估计还有一个值得注意的变化轨迹。按照公开转述，它从去年的百分之六升至百分之七，而在二零二六年十月二十二日财富报道的最新口径中为百分之九。除此之外，另有招聘放缓再影响百分之三。约一千五百万个岗位当量是十年期的口径，来自布里格斯在高盛播客中的表述。把这些数字放在一起看，可以得到一个更完整的画面：一部分影响来自岗位被直接替代，一部分来自招聘节奏放慢，还有一部分来自人在岗位之间的流动与转换。它们不是同一回事，对求职者的含义也不一样。

与此同时，现实中的企业采用速度并没有传言中那么快。目前仅百分之二十三的美国企业在常规流程中使用人工智能。与之对照，人工智能暴露度较高的行业，岗位增长比长期趋势低约一万个。追踪裁员的机构数据也显示，人工智能归因的裁员已从春季高峰回落。这些信号放在一起，指向的不是一个简单的直线故事，而是采用有快慢、行业有差异、影响分阶段的复杂过程。读懂这份估计，关键在于分清三件事：替代、招聘放缓与转岗。

先看前提：百分之九是一个有条件的上限

任何关于未来的岗位估计，都离不开前提。布里格斯的估计建立在人工智能提升生产率百分之十五的假设之上。换句话说，百分之九不是对现实的直接描述，而是在某个生产率提升幅度下推算出的过渡期上限。如果生产率提升的幅度不同，或者技术落地的速度与方式不同，结论也会跟着变化。把假设抽掉，只留下一个孤零零的百分比，讨论就很容易走偏。

上限这个词同样重要。最多约百分之九，意味着这是在给定假设下的高位估计，而不是最可能发生的精确数值。它也不等于说每十一个岗位中就有一个人立刻失业。岗位被替代可以有多种形态：有的工作内容被工具接手，有的岗位职责被重组，有的招聘需求不再新增。岗位当量的变化与个人失业的体验并不完全等同。理解这一点，有助于避免把一个宏观估计直接翻译成个人命运。

时间维度也需要单独拎出来看。约一千五百万个岗位当量对应的是十年期。这是一个跨越较长时间窗口的累积口径，而不是某一年、某一个季度的裁员数字。十年里，行业结构、教育培训、岗位定义本身都会变化。把十年期的当量当成眼下的裁员规模，是对数字最常见的误读之一。读新闻时，先问一句这个数字对应的时间窗口是多久，往往就能过滤掉不少夸张解读。

从百分之六到百分之七，再到百分之九的变化，同样值得冷静看待。估计的上调可能反映了模型假设的调整，也可能反映了对技术能力与落地速度判断的变化。它并不自动等于现实中的失业人数同步上升。估计是估计，现实是现实，两者之间还有企业决策、监管环境、市场需求与劳动者适应等多重变量。把估计的上调直接等同于就业市场恶化，会跳过中间所有环节。

第一件事：替代不等于失业，更不等于所有人同时受影响

替代是最容易引起焦虑的一类影响，但也是最需要拆解的一类。人工智能替代的通常是任务，而不是整个职业的全部内容。一份工作往往由多项任务组成，有的任务容易被自动化，有的任务涉及判断、沟通、现场处理与信任建立，短期内并不容易被完全接手。因此，替代更多发生在任务层面，再通过岗位重组传导到招聘与分工上。同样一个职业名称，在不同公司、不同团队里的实际工作内容可能差别很大。

暴露度这个概念在这里很关键。所谓人工智能暴露度较高的行业，指的是其工作任务与现有人工智能能力重合度较高的行业。数据显示，这类行业的岗位增长比长期趋势低约一万个。这个表述讲的是增长与趋势之间的差距，而不是这些行业整体岗位数量的崩塌。增长放慢与岗位消失是两种不同的现象，前者意味着新增机会变少，后者意味着存量岗位被清除。把增长差距读成大规模失业，会夸大现实的冲击。

对个人而言，替代的影响还取决于所处的位置。刚入行的新人往往承担更多重复性与流程性的任务，这类任务被工具接手的机会相对更高。而有经验的从业者可能更多承担判断、协调与客户关系类工作，工具对他们而言更像助手而非替代者。这并不意味着新人没有机会，而是意味着新人需要更早思考自己的工作组合：哪些部分容易被工具化，哪些部分需要靠经验、沟通与领域理解来支撑。

还有一点常常被忽略：替代发生时，新的任务也会出现。工具落地需要有人部署、检查、维护与纠错，业务流程重组需要有人设计与协调，客户沟通与现场服务仍然需要人来完成。这些新任务未必出现在原来的岗位名称之下，也未必立刻以新增招聘的形式出现。但从长期看，技术变革的历史经验是岗位结构会变化，而不是工作本身彻底消失。报告中关于过去技术变革的提醒也指向这一点：冲击往往在衰退到来时被放大，而不是技术本身单独制造一场衰退。

第二件事：招聘放缓是另一种影响，体感却很真实

除了直接替代，布里格斯的口径中还包括招聘放缓再影响百分之三。这部分影响对求职者的体感可能更直接。企业不一定裁掉现有员工，但可以在一段时间内少招人、慢招人，或者把招聘标准抬高。对已经在职的人来说，变化可能不太明显；对正在找工作的人来说，机会变少、流程变长、竞争变激烈，却是实实在在的感受。

招聘放缓与裁员潮的区别值得反复强调。裁员是存量岗位的减少，招聘放缓是增量机会的收缩。两者都会让求职变难，但背后的企业逻辑不同。招聘放缓可能出于成本考虑，也可能出于对业务前景的谨慎，还可能因为企业在等待看清技术落地的实际效果后再决定人力配置。把招聘放缓的消息读成企业在大规模裁员，会误判形势，也会误导求职策略。

目前仅百分之二十三的美国企业在常规流程中使用人工智能，这个数字为招聘放缓的讨论提供了一个重要背景。也就是说，大多数企业还没有把人工智能变成日常流程的一部分。技术采用仍处在分化阶段：一些企业已经深度使用，另一些企业还在观望或试点。在这种阶段，岗位数据呈现出的往往是局部变化，而非全行业同步转向。不同行业的求职者感受到的冷暖差异，可能比整体数字显示的更大。

对求职者来说，招聘放缓阶段的应对与裁员潮阶段的应对并不相同。在招聘放缓时，更重要的是扩大接触面、提高匹配度、理解企业真实的用人需求，而不是假设所有行业都在收缩。投递数量与投递质量之间的平衡、岗位描述与自身能力的对应关系、面试中对业务理解的展示，都会在机会变少时变得更加重要。这些都是个人可以调整的部分，不需要等到宏观数字好转才开始行动。

第三件事：转岗是被低估的中间状态

在替代与招聘放缓之外，还有第三类影响经常被忽略，那就是转岗。转岗指的是人从一个岗位、一个职能或一个行业移动到另一个岗位、职能或行业的过程。技术变革时期，转岗规模往往比直接失业规模更大，因为许多人不是失去工作，而是在组织内部或劳动力市场中换了位置。转岗可能伴随学习成本、收入波动与适应期，但它与长期失业是不同的状态。

转岗之所以重要，是因为它决定了宏观数字最终落在个人身上的形态。同样是岗位结构变化，有人通过内部转岗平滑过渡，有人需要跨行业重新开始，有人则在等待中错过窗口。转岗是否顺利，取决于技能的可迁移性、学习渠道的可获得性、企业内部流动机制以及求职者对市场信息的掌握程度。这些因素很少出现在标题数字里，却是个人最能着力的地方。

对入行新人来说，转岗思维意味着不要把第一份工作当成终身定位，而要把它看作能力积累的起点。第一份工作提供的不仅是收入，还有对行业运作方式的理解、对工具使用的熟练度、对协作与沟通的训练。这些能力在换岗时可以迁移。反过来，如果第一份工作只训练了单一重复任务，而没有积累可迁移的部分，那么未来转岗的成本就会更高。选择岗位时，关注成长空间与任务多样性，往往比只看眼前的岗位名称更重要。

对考虑转行的人来说，转岗思维同样适用。转行不是从零开始，而是把已有经验重新组合。过去的行业知识、人脉、项目经验与沟通能力，都可能在新领域中找到对应位置。人工智能工具的普及在某种程度上降低了部分转行门槛，因为工具可以帮助新人更快上手某些任务，但它同时也抬高了对判断力与领域理解的要求。转行者需要诚实评估自己的可迁移部分，而不是被工具的易用性误导，以为换行不需要任何积累。

企业用AI的真实比例，为什么比传言低

百分之二十三这个数字常常让人意外。日常讨论中，人工智能似乎已经无处不在，但真正把它放进常规流程的企业还只是少数。这种反差并不矛盾：讨论热度与落地深度是两回事。很多企业在尝试、试点或个别团队中使用工具，但要把工具变成稳定、合规、可审计的常规流程，还需要数据基础、流程改造、员工培训与风险控制。这些环节都需要时间。

落地速度的分化也解释了为什么岗位数据没有呈现一边倒的变化。人工智能暴露度较高的行业岗位增长比长期趋势低约一万个，这是一个可以观察到的差距，但它还没有发展成全行业的同步收缩。与此同时，追踪数据显示人工智能归因的裁员已从春季高峰回落，说明与人工智能直接挂钩的裁员叙事也在降温。把某一个季度的高峰当成长期趋势，同样是一种误读。

对求职者而言，企业落地比例的现实含义是：不要只看行业标签，要看具体企业与具体团队的实际使用情况。同一行业里，有的企业已经在用工具重构流程，有的企业还在观望。面试与求职过程中，了解团队的工作方式、工具使用程度与未来规划，比只看行业整体判断更有帮助。这些信息往往藏在岗位描述、面试交流与公开报道的细节里，需要主动去问、去核对。

还有一个角度值得注意：企业使用人工智能的方式不同，对人的需求也不同。有的企业用工具替代重复劳动，有的企业用工具放大专业人员的产出，还有的企业用工具开拓新的业务方向。第一种方式可能减少某些岗位，第二种方式可能改变岗位内容但保留人力，第三种方式甚至可能创造新的需求。只问企业用不用人工智能是不够的，还要问它怎么用、用在哪个环节、对团队分工产生了什么实际改变。

应届生与转行者怎么读这个数字

对刚刚进入劳动力市场的人来说，百分之九这个数字最容易引发两种极端反应：一种是过度焦虑，觉得入行即面临被替代；另一种是完全忽视，觉得十年期的事情与眼下无关。这两种反应都不利于做决策。更实用的读法是把宏观估计翻译成个人层面的问题：我所瞄准的岗位，哪些任务容易被工具化？我需要补哪些判断力、沟通力与领域知识？我所在的行业与企业，技术落地到了哪一步？

具体而言，应届生可以从几个方面着手。首先是理解岗位的真实任务构成，而不是只看岗位名称。同一岗位名称在不同企业里的任务组合可能完全不同，了解这一点有助于判断自己的竞争力所在。其次是重视实习与项目经验中可迁移的部分，例如解决实际问题的过程、与他人协作的经验、对业务逻辑的理解。这些部分比单纯的工具操作更难被替代。再次是保持学习的节奏，关注行业变化，但不被每一轮标题数字左右情绪。

先拆任务：把目标岗位拆成具体任务，判断哪些容易被工具接手，哪些依赖判断与沟通。
再看行业：关注人工智能暴露度较高的行业的招聘变化，但不要把增长差距直接等同于失业规模。
区分影响：问清楚眼前的困难是岗位被替代、招聘放缓，还是自己需要转岗，每种情况的应对不同。
积累可迁移能力：重视领域理解、沟通协调与解决问题的经验，这些在换岗时仍然有用。
核对企业实际：了解具体团队如何使用人工智能，而不是只看行业整体的讨论热度。

对转行者来说，读法略有不同。转行者通常已经有一定的工作经验，优势在于对职场运作的理解与可迁移的软技能，挑战在于新领域的专业积累需要时间。在评估转行方向时，可以先看目标领域的技术落地程度与招聘节奏，再看自己的已有经验能在多大程度上迁移。转行决策不需要建立在对某个宏观数字的精确预测上，而应该建立在对自身条件与目标岗位真实需求的对照上。

无论是应届生还是转行者，都要警惕一种叙事陷阱：把技术变革讲成个人成败的唯一变量。就业结果受到经济周期、行业周期、企业经营状况、个人能力与机遇等多重因素影响。报告明确指出这不是衰退预测，过去技术变革的冲击往往在衰退到来时放大。这句话的另一面是：在经济相对平稳的时期，技术带来的结构变化有更多时间被吸收与调整。个人能做的，是在平稳期里积累适应能力，而不是在焦虑中等待一个确定的答案。

这份估计没有说出口的部分

任何一份经济估计都有边界。布里格斯的估计讲的是岗位替代的上限与招聘放缓的影响，但它没有回答很多个人真正关心的问题：哪些具体职业受影响最大？转岗需要多长时间？不同地区的冲击是否相同？这些问题需要更细的数据与更具体的行业分析才能回答。把一份宏观估计当成职业选择指南，会超出它的适用范围。

同样需要注意的是，估计本身会随着时间与新数据而调整。从百分之六到百分之七，再到百分之九的变化已经说明，结论不是一成不变的。未来如果技术能力、采用速度或经济环境发生变化，估计还可能继续调整。关注估计的变化方向有意义，但更重要的是理解变化背后的原因，而不是只追逐最新的百分比。

对普通读者来说，最稳妥的态度是把这类估计当作背景信息，而不是行动指令。它可以帮助理解大趋势，提醒人们关注技能结构的变化，但它不能代替对具体岗位、具体企业与自身条件的考察。职业决策终究要落到具体信息上：目标岗位的任务构成、所在企业的实际状况、自己的能力储备与学习条件。这些信息比任何一个宏观百分比都更接近个人的现实。

最后，值得回到报告本身的提醒：这不是衰退预测。技术变革与经济衰退是两个不同的现象，虽然它们可能相互放大，但不能混为一谈。把技术估计读成衰退预言，不仅误读了报告，也容易让人忽视真正需要关注的经济信号。对求职者与从业者而言，分清这两者，有助于在信息纷杂的环境中保持判断力，不被标题牵着走。

结尾总结

高盛的百分之九，讲的是一组有条件的估计：在人工智能提升生产率百分之十五的假设下，过渡期最多约百分之九的岗位被替代，另有招聘放缓再影响百分之三，十年期约一千五百万个岗位当量。它的价值不在于提供一个精确的失业数字，而在于提醒人们区分三类不同的影响：替代、招聘放缓与转岗。替代讲的是任务与岗位结构的变化，招聘放缓讲的是新增机会的收缩，转岗讲的是人在岗位之间的移动。每一类影响的体感不同，应对方式也不同。

现实数据也为这份估计提供了重要的上下文：目前仅百分之二十三的美国企业在常规流程中使用人工智能，人工智能暴露度较高的行业岗位增长比长期趋势低约一万个，人工智能归因的裁员已从春季高峰回落。这些信号说明，技术落地仍在分化进行，冲击是分阶段、分行业的，而不是同步发生的全面替代。对入行新人与转行者来说，与其被一个百分比左右情绪，不如把它拆解成具体问题：目标岗位的任务构成是什么，企业实际用工具的方式是什么，自己的可迁移能力在哪里。把宏观数字读成个人行动的参考，而不是命运的判决，才是这份估计最有用的读法。