AI 时代的岗位发展趋势：宏观岗位地图

写在前面：为什么不能只听 CEO 怎么说

动笔之前，有一个 2026 上半年的背景值得先讲清楚。这份研究的起点，本就是那个自 AI 大规模商用以来反复被热议的问题：人类的工作会被 AI 替代吗？什么时候？可回看过去两年，几位嗓门最大的科技公司创始人，观点一直在反复横跳。把他们的"过去"和"现在"摆在一起，落差一目了然：

言论原文为英文，中文为忠实翻译；Altman / Amodei / Hassabis 发言暂无官方逐字稿，引自 TIME、Fortune、WIRED 等现场报道，整体属案例信号。证据强度读码见下方「研究方法」。

把四个人放在一起能看到：即便都是 AI 最前沿的从业者，彼此的判断差异也非常大，而且同一个人的口径还会随融资节奏在半年内大幅改向。更值得注意的是——台面上的言论在软化，台面下的招聘行为和调查数据并没有跟着软化。同期几组大样本调查指向的是另一个方向：

这正是本研究的一个出发点：言论会被立场和时点带着走，但工资数据、招聘行为、公开 JD 不会替谁说话。当模型公司创始人的预言都能随融资节奏在半年内大幅改向，而背后的 CEO 调查与实际招聘却指向另一个方向时，唯一稳妥的做法就是——少看"谁说了什么"，多看"工资单、招聘页和组织结构里到底在发生什么"。这也是下面整份报告所遵循的方法。

研究方法

因为本文偏宏观描述，所以：① 外部观测优先，论据均建立在第三方研究和企业公开披露信息之上；② 因为部分三方研究出自管理咨询公司，考虑利益相关原因，优先采纳学术与标准组织的一手研究；③ 出处可追溯，所有核心数字都标 [n] 编号、配原始链接、归档 PDF；④ 考虑到不同三方机构的研究数据扎实程度，文中引用的部分附读者标识"证据强度"读码表，把 直接数据 转引数据 案例信号 前瞻推测 研究判断 分五档贴在关键判断旁。

完整方法说明、四档证据的具体范围、对引用源利益相关方的处理方式、以及本研究的局限性，详见文末 参考资料 区首段「研究方法详述」。

1.1萎缩：AI 时代的煤矿金丝雀是谁？

伴随着某 xx 公司因 AI 裁员 xx 人的各类报道，社会整体的失业焦虑情绪与日俱增。但事实上，根据 2025 年 11 月斯坦福数字经济实验室，用真实的薪资支付数据展开分析后发现：过去几年，美国企业整体上并没有很大规模的裁减在岗员工，但部分岗位的新人招聘数量是切实减少了。在 AI 这一波发展里，这些 22-25 岁的初级员工们似乎就是"煤矿金丝雀"的代表[1]（工业时代发展初期，煤矿工人们会携带金丝雀一起下矿工作。金丝雀中毒倒下时，就是矿工们知道危险抓紧撤离的信号。此后这个词就引申为了"最早受影响的群体"。）

AI 暴露度不同的职业，在不同年龄段的岗位数量增减趋势规律

斯坦福研究者给每个岗位打了一个"AI 暴露度"分数——把岗位的任务清单交给 GPT-4，让它估算"其中有多少能被大语言模型完成"得到。然后按分数高低把所有岗位分成五个等份（Q5 最高 → Q1 最低），下面重点对比 AI 暴露度最高与最低的 2 个职业的实际就业曲线（完整数据来源与方法学见上方报告档案）。[1]

把这 4 张曲线放在一起看（ 22-25 岁初级岗位 2022 年 10 月→2025 年 9 月的累计变化），能看到企业用真金白银应对 AI 的几个实际信号：

① AI 暴露度越高的岗位，年龄分化越剧烈。最暴露的软件开发和客户服务代表岗位，22-25 岁初级岗位就业数量减少了 −20% 和 −16%，但 35+ 岁中高级岗位逆势涨 +8% 和 +7%。一上一下，分化幅度接近 30 个百分点。中等 AI 暴露度的营销和销售经理岗位，也表现出类似趋势，只是分化的幅度没有这么大。

② AI 低暴露度的岗位则反过来，年轻人岗位增长更快。最低 AI 暴露度的护工 / 家庭护理岗位，22-25 岁年增长 +13%，明显快于 35+ 岁的 +5%。在 AI 没替代的工作里，年轻人就业明确占优势。

此外研究者还发现：受冲击的高暴露岗位都是规则明确、模板化强、可编码的工作（除了正文里出现过的 4 个职业外，Stanford [1] 附录里列入 Q5 / Q4 高暴露的代表岗位还包括会计 / 审计、秘书 / 行政助理、计算机程序员、财务经理、前台 / 接待员、批发与制造业销售代表等），刚好是大语言模型最擅长的能力范围。比如在 ChatGPT 发布后，模型能力在 coding 维度的增长，也能说明 AI 不仅能替代"机械性重复工作"，也能替代"需要技能但模型可快速学习的工作"，把替代岗位的边界从"低技能"推到了"中等专业技能"。

以软件工程师为例：AI 渗透率高的职能，毕业生进入门槛反而更高

看完斯坦福对全美的数据切片，LinkedIn 2026 年 1 月发布的全球劳动力市场报告，从另一个视角——AI 技能在劳动力市场的分布——给出了一组互补的观察。

LinkedIn 把"AI 技能"定义为"profile 中列出至少 2 项 AI engineering 技能或当前就职于 AI engineering 岗位"。按这个口径，2025 年全美 LinkedIn 会员的平均 AI 技能渗透率只有 3%，而 AI 技能浓度最高的 6 个职能依次是：工程（Engineering）10%、产品（Product Management）10%、研究/分析（Research）8%、创业（Entrepreneurship）7%、IT 5%、咨询（Consulting）4%。这 6 个职能之外，所有其它职能的 AI 渗透率都在 3% 或以下。[4]

这里出现了一个值得多看一层的现象：渗透率最高的软件工程职能，LinkedIn 看整体招聘数据其实并没有显得很惨烈——软件工程师的入门级和经验级 LinkedIn 招聘率（= 入职当月把新雇主加入 profile 的会员数 ÷ 该国 LinkedIn 总会员数，做 3 个月滚动均值；原报告中按基准年归一化为指数展示、并非绝对百分比，本质上是衡量"招聘冷热"的相对指标）都在 ChatGPT 发布后温和下行，绝对数字看起来不算夸张。但如果把毕业生供给一起放进同一张图里，供需两端的压力就显出来了：

把毕业生供给和这几条招聘率放在一起看，会发现两股力量在同时挤压入门级 SWE：一是 CS 本科毕业生十年里几乎翻倍（64,400 → 140,000，一个早于 AI 的长期招生潮），二是入门级招聘率在 2022 招聘泡沫后明显回落。两组原料都取美国口径——毕业生是 NCES 美国本科数据，招聘率对应 LinkedIn 报告 p.14–23 那个标着"Impact of AI on labor in the US"的美国专章，二者可比。[4]不过想把这股"压力"真正量化、又不被噪声带偏，得先解开招聘率本身的一个口径陷阱——下一节专门讲。

招聘率 ≠ 招聘量：把"会员膨胀"还原掉，入门级招聘其实在 2023 后企稳

上面那条"招聘率"还藏着一个容易误读的地方。LinkedIn 招聘率 = 入职人数 ÷ 总会员数，而美国 LinkedIn 会员数三年从 1.80 亿涨到 2.70 亿（+50%）[45]——其中约四分之三是任一月份并不活跃的注册号[46]。这些不活跃的号只把分母撑大、却不进分子，于是"招聘率"会被机械地越压越低，哪怕真实入职人数并没有同步减少。

把招聘率乘回会员数，分母上的会员数正好约掉，还原出更接近真实的"入职体量"（≈ 入职人数本身）。两个口径放在一起，故事就分叉了：

入职体量 = 招聘率指数 × 会员数（亿），为相对值。来源：招聘率指数取自本报告 SWE 重构（[4]）；会员数为 DataReportal《Digital 2022–2026: United States》LinkedIn 美国会员（注册口径）[45]。

读出来的结论和单看招聘率正好相反：2022 是零利率招聘泡沫的顶（320），2023 年回落到 190 后，2024–2026 基本走平（176 / 175 / 189），2026 还因会员继续增长而微升。也就是说，入门级 SWE 招聘并没有"一路崩"，而是泡沫破裂后的一次性回落，随后企稳。招聘率曲线之所以显得还在持续下探，有相当一部分是会员注册数三年膨胀 50% 把"率"稀释出来的，并不全是真实招聘在继续缩。

把毕业生供给叠进来，应届生的真实压力就读得出来了——这也是本报告对"供需压力"的最终口径，用来取代正文上方那条已退役的"供需压力相对指数"（旧线分母是被会员膨胀污染的招聘率，这里换成更干净的"实际吸收量"）：

读法很直接：到 2025，毕业生比 2022 多了约 29%、实际被吸收的入职量却少了约 45%，两头一夹，应届生面对的相对压力约是 2022 的 2.4 倍。这条"供给 ÷ 实际吸收"比旧的"供给 ÷ 招聘率"更靠谱——分母用的是还原会员膨胀后的真实入职量，而不是被注册数稀释的招聘率。转引数据

口径提醒：① 入职体量是"流量"（每年新入职多少人），不是"在岗存量"；② 会员数为全职能注册口径、含大量不活跃号，LinkedIn 未披露其招聘率分母的精确口径，故"膨胀到底污染了多少"无法实测，本节只取方向、不报绝对值；③ 招聘率指数为按图近似重构。转引数据

1.2新增：哪些岗位正在从无到有

新的就业机会在哪里，LinkedIn 也给出了清晰的答案：全球过去 2 年内新增了 130 万 AI 相关岗位，并列出了数量增加最多的 6 个职能。其中两类新岗位的增长曲线尤其陡峭：AI Engineer（增长 13 倍）和 Forward-Deployed Engineer / PM（增长 42 倍）。

通过统计可以看出来：

第一，Data Annotator 是规模最大的新岗位（77.4 万），高质量数据标注是当前所有模型公司的护城河，但它的单价最低、技能门槛最低，更接近"零工经济"。

第二，Forward-Deployed Engineer / PM 的绝对数量只有 9,000 人，但 3 年增长 42 倍。可以理解为这是现在最"稀缺且紧俏的职业"。

放大镜 ①：AI engineering talent 不仅数量增加、岗位位置也在发生变化

LinkedIn 把 AI engineer、Head of AI、Forward-deployed engineer 等岗位合并为 "AI engineering talent"，并发现这群人跨国流动的概率是普通 LinkedIn 会员的 8 倍。[4] 也就是说，AI engineering talent 不仅是当下全球新增最多的重要岗位，他们还正在被阿联酋、爱尔兰、德国、新加坡等国家的政策与薪资体系主动"虹吸"。

LinkedIn 还发现，AI talent 的人才密度落差非常大：

在 Foundation Model 公司（即模型训练公司，如 Anthropic、OpenAI 这类），过去 12 个月员工总数同比增加 +92%。远高于 Big Tech（大型科技公司，如 Google、Microsoft、Meta、Amazon 这类员工数超过 2 万、AI 已嵌入产品的科技巨头）的 +8%；更远高于 Vertical Applications（行业垂直 AI 应用公司，即面向某个特定行业 / 业务场景做 AI 解决方案的公司，例如医疗影像、法律合同、保险核保等垂直方向的 AI 公司）的 +6%。

在 Foundation Model 公司（即模型训练公司，如 Anthropic、OpenAI 这类），有 28% 的员工被分类为 AI talent。而 Big Tech 公司只有 15%。[4]

放大镜 ②：Agent 治理岗——"裁判跑得比球员慢"

这份调研里有一节标题非常直白——"AI 智能体跑得比护栏快"（原文 "AI agents are scaling faster than the guardrails"）[6]。Deloitte 想表达的是：企业大举铺开 agentic AI 的速度，已经远远跑在了它们建好治理框架、风险监督和岗位重设计之前。下面这张图把这层"落差"直接摆出来：

Deloitte 德勤同时指出，企业最担心的 4 类 AI 风险，有 3 类是治理问题：数据隐私与安全（73%）、法律 / IP / 合规（50%）、治理能力与监督（46%）。这也直接催生了几个全新岗位族群——AI Forensic Analyst（AI 取证 / 审计员）、Model Risk Officer（模型风险官）、AI Compliance Lead（AI 合规负责人）等。根据 LinkedIn 统计，2023 → 2025 累计新增 4.9 万人。基于"Deloitte 风险担忧排序 + LinkedIn 新岗位斜率"两组数据外推，我们倾向于判断"AI 治理 / 合规 / 取证"将成为未来 18–24 个月里增长最快的一类新增岗位前瞻推测——这是 84% 公司急需的"补救型岗位"。这条判断属于趋势外推，并未直接出自任何一份报告。

1.3衍化：名字不变，岗位职能变了

在 AI 带来的人才和组织变化中，不容易被观测、但最关键的一类变化是岗位本身职能的衍化。比如"算法工程师""产品经理""数据分析师"这些岗位名字会保留，但他们每天做什么、需要什么能力正在被悄悄重写。

先放进一个外部框架：BCG 的六类"AI 劳动力扰动段"

在逐个拆解岗位之前，先借一个外部框架给"衍化"定个位。BCG Henderson Institute 在 2026 年 4 月的《AI Will Reshape More Jobs Than It Replaces》里，用一套微观经济模型把全美约 1.65 亿个岗位拆成六个"AI 劳动力扰动段"（AI Labor Disruption Segments）。这套六分法和本文"萎缩 / 新增 / 衍化"三分法高度同构，而且给出了一个关键量级判断：未来 2–3 年 50–55% 的岗位会被"重塑"，但只有 10–15% 真正面临被"消除"。换句话说，"衍化"——名字不变、内核被改写——才是 AI 冲击就业的主旋律，"萎缩"是其中更小、更集中的一块。

把这六段对回本文的三种变化，能看出一张相当清晰的映射：

数据说明：六段占比与 50–55% / 10–15% 两个量级均来自 BCG Henderson Institute《AI Will Reshape More Jobs Than It Replaces》（2026.04）正文与 Exhibit 4。[51] "对应本文"一列为本文作者所做的定性映射，BCG 原报告并不使用"萎缩 / 新增 / 衍化"的提法；映射意在说明两套框架同构，不代表占比可直接相加换算。该模型口径为美国市场、未计入人形机器人等未来突破，且为单一机构建模结果，建议与 McKinsey [5]、Deloitte [6]、Stanford [1] 等实证 / 调研来源交叉使用。

这张映射对本节最重要的一句话是：真正被整段抹掉的岗位（萎缩）是少数，大多数岗位落在"再平衡"和"被赋能"里——它们名字不变、却被 AI 重写了内核。这正是"衍化"。下面我们把镜头从宏观模型拉近，看 5 个具体岗位的"前 / 后"是怎么变的。

通用图景：五个岗位的"前 / 后"对照

把 5 个常见岗位的"日常工作内容"放在 2022 之前与 2025 之后做对照，看每个岗位"内核"被改写的方向。

数据说明：表中"前 / 后"叙述综合自以下来源—— ① Engineering "80–90% 新用例是 GenAI" 来自 Deloitte《State of AI in the Enterprise · 2026.01》p.29 中对一位欧洲大行 AI 战略负责人的访谈[6]；② Product Management 的 "Research PM" 模式来自 Anthropic CPO Mike Krieger 的公开访谈（Lenny's Podcast 2025）[14]；③ Research 行的演化路径综合 LinkedIn《Labor Market Report 2026.01》p.18（Research 职能 AI 渗透率 8%）与 BCG《AI at Work 2025》"重塑型公司数据决策可达性"[7]；④ Design 的 Midjourney / Figma AI 采用与 LinkedIn p.30 "creator 经济 +90%"[4]；⑤ HR "30% time-to-hire 缩短" 来自 LinkedIn Recruiter AI 产品白皮书，与 p.29 AI Literacy 增长配套引用。"前 / 后"为定性归纳，不代表所有该职能从业者；具体岗位的演化速度因公司、行业、组织规模差异显著。

每个岗位"内核"变化背后的量化信号

这 5 个岗位的"内核"变化并非感觉，LinkedIn、McKinsey、Stanford 三份报告里都能找到对应的量化指标。Stanford《Canaries in the Coal Mine》的高暴露职业聚合数据是这层判断的最强底证之一——22–25 岁青年员工在高 AI 暴露岗位上的相对就业 −15%，而同一类岗位的 35+ 岁员工反而 +8%。[1]

数据说明：LinkedIn 量化信号列—— AI 技能渗透率来自 LinkedIn 2026.01 报告 p.18，入门级招聘份额变化来自 p.21，AI Literacy 最高频岗位来自 p.29，creator 经济 +90% 来自 p.30。McKinsey 减员预期列——来自 McKinsey《State of AI 2025》Exhibit 16（受访者预期未来 1 年因 AI 在该职能减员 ≥3% 的比例），11 职能 median 为 30%；McKinsey 11 职能为 HR、IT、制造、营销与销售、产品 / 服务研发、风险 / 法务 / 合规、客户运营、软件工程、战略与企业财务、供应链 / 库存管理、知识管理——"Research" 和 "Design" 不在此 11 类内，故无对应数据。Stanford 年龄分化列——来自 Stanford《Canaries in the Coal Mine · 2025.11》Figure 2，对比 22–25 岁与 35+ 岁劳动者在 6 个高 AI 暴露职业上的相对就业变化（归一化到 2022.10 = 1.00）；6 个高暴露职业为 Software Developers、Customer Service Reps、Marketing & Sales Managers、Production Supervisors、Stock Clerks、Nursing / Health Aides——其中 Research 与 Design 不在 Stanford 列表内。"最接近 / 同属……类" 的映射为定性参照，不等于真实代表性数据。

薪资为什么没有变化？前瞻推测

在看到岗位能力要求发生变化的过程中，结合斯坦福的研究——他们发现 2022–2025 年所有年龄段的薪资额度几乎无变化——值得多追问一层：这是不是除了说明企业对 AI 的应对方式是"部分招聘冻结"、并没有发生"降薪"之外，也意味着企业并没有因为岗位职能里增加了 AI 能力要求，给相关岗位"涨薪"？换句话说，AI 一边在重塑岗位内核、一边在压缩入门级招聘，但既没让薪水降下来、也没让薪水涨上去——劳动力市场的"价格信号"在这一轮变化里尚未传导。这一点值得后续追踪薪酬调研报告（如 levels.fyi、Robert Half、Radford）的纵向数据来验证。

2.1整体进展：广泛尝试，少数兑现

关于"企业整体进展"这个问题，可以拆成两个先后递进的现实：第一，几乎所有公司都在用 AI；第二，真正把 AI 跑到生产、跑出可量化业务回报的，是少数。

Stanford Digital Economy Lab 在 2026 年 4 月发布的《Enterprise AI Playbook》并没有自己做"整体进展"的横向调研——它的研究对象是 51 个跑通了的案例。但这份研究在每一章 "Published Findings" 段落里集中引用了 McKinsey、Accenture、Deloitte 等同行的同类数据。把这些 Stanford 学者已经背书过、入引到研究中的数字按"尝试 → 规模化 → 兑现"递减顺序串起来，可以看到一条非常明显的漏斗：

同时行业差距非常大。OpenAI 2025 年的 Jobs Report 中引用的统计显示，按 12 个月企业 AI 使用量增速，Technology 11×、Healthcare 8×、Manufacturing 7× 三个行业增速最快；金融服务和专业服务体量最大但增速温和。[16]

这意味着 Part 02 接下来要展开的两件事——"卡点在哪"和"突破公司做对了什么"——其实就是在这条漏斗的两端：左边 80% 困在 PoC、右边 6% 真正把 AI 变成 EBIT。

2.2卡点：不是技术，是组织和人

面对"为什么大多数公司过不了这道坎"，Stanford 团队访谈完 51 个跑通的案例之后给出的结论非常一致：真正的难度从来不在 AI 模型本身。技术被几乎所有受访者描述为"最容易的部分"。难的是技术之外的所有东西。

77% 最难的挑战是"不可见成本"

Stanford 在 51 个项目里问每个负责人"最难修复的是什么"——结果77% 的回答指向了变更管理、数据质量、流程重设计这三类"不可见、不显眼"的工作，而不是 AI 技术本身。[3]

"所有真正的硬活都在流程文档和数据架构上。这两件事做好了，其他都很简单。"
— Stanford [3] 引用，电信公司高管

同份研究还发现：61% 现在跑通的项目，之前都至少失败过一次——而失败的沉没成本不会出现在最终成功项目的 ROI 表里。换句话说：你看到的"AI 项目成功案例"，背后多数都藏着一个"已经被砍掉、不再被讨论的前一版"。[3]

而且时间差能大到一个数量级——哪怕是同一个用例。一家技术公司用 AI 重做客服系统，6 个月就上线了；另一家大型银行做同样的客服改造，自己却报告说"光是把这种系统立起来就要好几年"。光谱的另一端更夸张：一家拉美 Fintech 用 AI Coding Agent 把数百万行遗留 ETL 代码迁移到现代架构，只用了几周——但那是另一类用例，速度本就更快，不能和客服改造直接比。真正可比的，是"同样做客服、一个半年一个数年"这种同用例、不同组织的落差：决定快慢的从来不是技术或模型，而是组织。[3]

反直觉：阻力主要来自 Legal/HR/Risk，不是一线员工

关于 AI 推不动的"凶手"，几乎所有讨论默认是一线员工怕被替代。Stanford 这份研究给出了一个完全反直觉的发现：

Legal / HR / Risk / Compliance 这四类 staff functions 占据了 35% 的阻力来源——是最高的一档，超过了直接使用 AI 的 end users（23%）。而真正怕被替代的一线员工，在 51 个案例里只出现了 2 例。[3]

这个发现颠覆了"先做员工沟通就能推动 AI"的常规假设。需要说明的是：上面那张图是"谁最常挡"的频率排名（原文只量化了这 3 类）；而下面这张表是 Stanford 另一处 finding 给的"每类阻力的动机 + 解法"，切法不同，比频率图多出一类 C-Level——它在频率图上没有单独占比，但动机自成一类（要可量化 ROI 才肯拍板）。每一种都需要不同的解法：

数据说明：Stanford [3] 第 5 章给出的 4 种阻力本质 + 解法表。研究受访者覆盖 41 家公司、9 个行业、7 国，但样本仅 51 个项目且全部为成功案例，存在 selection bias。

Stanford 引用一位零售公司高管的话总结了这个分布的另一个值得记一下的现象："中层管理最抵触，反而高层和初级员工接受度最高"。[3] 这和"决策权分散 + 责任不清"的卡点结构高度一致——中层是最容易被卡在"想推但推不动 / 不敢拍板"位置上的群体。

三层卡点的共同结构 研究判断

把上面所有数据拉远看，大型组织拥抱 AI 的核心困难，可以收敛到同一个结构——需要说明：下面这三层是本报告的综合归纳框架，硬数字（77% / 35%）来自 Stanford [3]，但"分三层"和"三组授权"的切法是作者解读、非 Stanford 原始分类：

• 看得见的难：合规审批排队、监管签字、安全过会——这些显性摩擦最容易被当成"主要困难"，但其实只是冰山露出水面的那部分，压力来自外部
• 真正的难：变更管理、数据质量、流程重设计——Stanford 51 案例里 77% 最难的挑战都集中在这里，它们不会单列进 ROI 报告，却消耗了大部分精力，压力来自内部[3]
• 最根本的难：组织转型中，不同角色的权责利关系。目前的企业里没有一个现成的角色，能同时拥有"决定流程怎么变、决定数据怎么用、决定谁背锅"的所有信息和授权。所以 Stanford 看到的 35% 阻力集中在 staff functions[3]，其实是这些功能正好被卡在中间——有权说不、但没权拍板、也绕不过去。压力来自结构本身：不是某个人或某个部门在为难谁，而是组织里压根没有这个角色，是一种"无主"的真空——这也是它比上面两层都更难的原因。

硬数字 77% / 35% 来自 Stanford 51 案例[3]；"分三层 / 三组授权"为本报告归纳，非 Stanford 原始分类。

这三层不是并列的三道关卡，而是一座冰山的上中下，越往下越是因：正因为最底层"谁有权拍板"始终悬空，第二层的流程与数据重设计才推不动，最后只在第一层冒头，成了看得见的合规排队、安全过会。底层一通，上面两层自然松动；只啃上面两层、底层不动，问题就会反复回来——这也是为什么用同样的 AI 模型，企业能跑通和跑不通可以差好几年：技术不是变量，组织才是。（这条判断不只在 Stanford[3] 这一份样本里成立：Deloitte 德勤 2026 同期调研给出的"84% 公司还没围绕 AI 重新设计岗位"[6]，以及 McKinsey 麦肯锡 2025 的"AI 高绩效组织 vs 普通组织根本性重塑工作流的比例 55% vs 20%（2.8 倍差距）"[5]，两组来自完全不同样本的调研，也侧面支持了"组织而非技术决定成败"的结论。）

还要框定一下边界：这套三层是大型组织的困境——到了 AI 原生小公司，第三层被创始人天然解掉（创始人即唯一授权人），框架会塌成一层。这也是后面 3.1 大 / 小公司对照的主线。

2.3突破公司做对了什么

跨过试点漏斗的那 5–6% 公司，在 Stanford 的 51 案例里呈现出非常一致的几个共同特征。这些做法跟"用了多贵的模型"或"招了多牛的 AI 团队"都没什么关系——做对的是流程编排、机制设计、组织决策这三类事。

机制设计：放权阶梯比模型更重要

突破者第一个共同特征是：清楚地知道在哪里给 AI 多少自主权。Stanford 把人-机协作分成三档，并发现自主权越多（在合适的场景下）回报越高：

数据说明：案例占比（20 / 34 / 46）来自 Stanford 自动化程度表（Agentic / High Automation / Human-in-Loop）；生产率收益中 Agentic 71%、High Automation 40% 直接有源，Human-in-Loop 一端取"人审强度表"里 Approval 模式的 30%（两表在"自主程度"上一一对应，故并置）。

自主权最高的 Agentic 模式（AI 端到端自主、人只审异常）中位生产率 +71%；而每个输出都要人审的 Human-in-Loop 只 +30%。[3] 但这个差距不能简单理解为"放权越多越好"——高自主模式通常用在高频可恢复任务（IT 运营、客服触发分流），而全程人审用在医疗文档、金融客户文案这类零容错或法律强制场景。关键不是放权多少，而是放权和任务匹配。

第二个机制相关的发现颠覆了"模型选型决定成败"的常见说法：在 51 个成功案例里，42% 的实现中底层模型可以完全互换——也就是说，把 GPT 换成 Claude、Llama 换 Gemini，对结果没本质影响。Stanford 在结论里直接写："持久优势在 orchestration 层，不在 foundation model"。[3]

第三是 Agentic AI。它在 51 个案例里只占 20%（agentic 框架 2025 才大规模商用化），但中位生产率收益 +71%，对比"高度自动化但非 agentic"的 +40%——回报最高但渗透最低。Stanford 给出了 4 个 Agentic AI 真正能发挥作用的前提条件：高频重复任务、清晰的成败判定、错误可恢复、跨系统数据访问。[3]

组织能力：Sponsor 是变量，不是常量

Stanford 把项目 sponsor 的投入程度分成 4 档——投入越深、能撑起的盘子越大：

数据说明：Stanford [3] Ch.4 Finding 1，按 51 案例归类。「案例占比」色条按比例缩放；L1 因基本无人能识别到 sponsor 行为，未单独统计。

关键发现是：能达到"组织级转型"的 7 个案例，100% 都是 Level 4 Strategic Integration。Active Steering（L3）能撑起单部门项目，但要让 AI 跨整个组织扩散，必须把 AI 写进公司级 OKR + 奖金挂钩。[3]

另一个反直觉发现：在所有能识别 sponsor 身份的案例里，100% 都是同一个高管接连领导了失败和成功两次尝试——sponsor 一换，institutional memory（知道什么不能做、知道谁该被卷入、知道真正的瓶颈在哪）就走了。Stanford 在结论里强调："在我们看到的所有案例里，没有任何一个项目失败的人被惩罚过"。失败安全感是 sponsor 必须创造的条件。[3]

有意思的是，这套"把 AI 写进公司级 OKR"的 L4 打法，顺手也解掉了 2.2 节那个"35% 阻力来自 Staff Functions"的难题。回想一下：Legal / HR / Risk 当初挡 AI，根子是怕担责、怕背锅——给项目签了字、真出了事就得自己负责。而 L4 sponsor 的动作正好逐一拆掉这层顾虑：① 写进公司级 OKR，让 AI 落地变成全公司的共同目标、而不是某个部门的个人押注；② 给 staff 一个"治理者"而非"审批者"的角色，让他们从被动盖章变成主动定规则；③ 失败不单独追责，拿掉那份个人风险。这几件事一旦到位，Legal / HR 就会从 blocker 转成 enabler——这是 Stanford 在多个案例里反复看到的转变。[3]

三个案例的共同结构

三个完全不同行业（半导体 / 零售 / 科技服务）、不同地区、不同规模——但底层做法的骨架其实高度一致：

• 放权和场景匹配：半导体用 Escalation，超市直接 Agentic 全自主，SOC 也是 Escalation——三个都不是 Approval 模式
• Sponsor 撑到底：三个案例的关键转折都是 sponsor 主动清掉一个组织级的阻碍（写进 OKR / 给完整授权 / 改变定位叙事）
• 有意识地处理 Headcount 议题：三个项目都解决了"AI 替代谁"这个问题——半导体没说裁、超市直接 agentic 取代但提前规划、SOC 明确 0 裁员把人转去做更高价值工作

把这些案例和 2.2 的卡点框架放一起看，可以提炼出 Part 02 的总结：大型组织拥抱 AI 的困难不是技术问题，而是组织决策问题——卡住的公司决策权分散、责任不清；突破的公司一定有一个有权重新画边界的 sponsor。

3.1AI 原生小公司：同一套卡点，相反的起点

先看小团队。这一节先拿一组从零起步的 AI 原生小公司当样本，用同一把尺子（卡点 ①②③）去量它们到底把 AI 提效做对了什么。它们没有历史包袱，打法常和大公司正好相反——而正是这种对照，最能说明 Part 02 那条核心判断："决定成败的是组织，不是技术。"后面 3.3 再把这套打法拿去对万人级大组织，看复制得了复制不了。

下面三家只深挖最具差异化的第二层 · 内部困难（变更管理 · 数据质量 · 流程设计）和第三层 · 结构性压力（谁能同时决定流程 / 数据 / 背锅，即不同角色的权责利关系）——这两层恰恰最能看出"从零起步"与"背着历史包袱"的活法差异。

3.2Anthropic：从招聘到工作流的极致样本

Anthropic 是这组小团队样本里最极致的一个——一家 AI 原生公司，5,300 人，年收入 $30B+，产品团队却只有 30–40 人。它的"公开动作"不是治理操作系统，而是用招聘选择 + 组织设计把"AI 时代怎么干活"推到极致。两个角度看：

① 招聘选择：金丝雀佐证

前言那张对照表已经摆过这些判断：口径随融资节奏在变，但"入门级岗位的边界正在被重塑、入门通道在收紧"，是 Amodei、Hassabis 等前沿从业者少有的共识方向，也与几个月后 Stanford 的实证结论同向。[31][38]而 Anthropic 作为一家 AI 原生公司，用自己的招聘选择给这个方向又投了一票——三条公开可验证的证据：

机制上为什么会这样？Anthropic 自己 2025 年 12 月发布的一份内部研究给出了部分解释：工程师与研究员自报 Claude 已承担约 60% 的工作，自报生产率提升约 50%——但同时担心技能退化、师徒带教路径稀薄、初级员工成长通道被压缩。[12] 这份研究本身是员工自报数据（受社会期望偏差影响），描述的是"现状感受"而非"招聘决策机制"——但它至少提供了一个可观察的内部信号：当高级工程师叠加 Claude 后产出明显提升，初级岗位的边际价值确实在被重新计算。案例信号

上面三条证据加在一起，可以看到 Anthropic 在校招 / 实习 / 传统初级通道上明显走的是非常规路径。但这是一家 AI 原生公司、5,300 人里科研型岗位占比极高，与传统万人组织的人才结构差异很大——所以这条招聘选择不构成"普遍意义上的强证据"，把它放在这里更合适的定位是：一家最理解 AI 能力边界的公司，其招聘行为与 Part 01 入门通道收缩的判断走在同一方向上。案例信号 本期判断

② 工作流重塑：把"实施 vs 判断"重新切

Anthropic 是 Part 02 "55% 高绩效组织"的极端样本——不是因为"用 AI 用得多"，而是把 AI 当成重新设计工作流的理由，而不是给员工配一个助手。三个观察：

极致小产品团队（5,300 人 / 产品 30-40 人）

年收入 $30B+ 的公司，产品只有 30-40 人。[13] Mike Krieger 的逻辑：AI 把"写代码"成本降到接近零后，稀缺的不再是"实施"，而是"决定写什么"。内部"两周规则"——少于两周的项目不需要产品经理，越大的项目反而越要更多产品经理。[14]

产品经理 × 研究：嵌入式协作

传统流水线（研究 → 工程 → 产品 → 反馈）的反馈回到研究通常 3–6 个月。Anthropic 把研究型产品经理直接放进研究团队，在后训练阶段就参与训练决策；用评测集作为共同语言；研究预览版让功能 1 天上线，反馈 10 分钟回到训练优先级。[14] AI 改变了产品经理和研究之间的边界，不是产品经理用 AI 写更好的需求文档。

Labs 双轨制

2026 年 1 月 Anthropic 把 Labs 公司化，Mike Krieger 卸任首席产品官、加入 Labs。[13] 过了 5,000 人主组织开始变重，Anthropic 没有假装能永远小而美，而是用组织设计而非文化口号保护速度。

3.3大公司做了什么（Amazon / Google / Meta / Salesforce）

回到万人级大组织，看他们面对同样的第二层（内部困难：变更管理 · 数据质量 · 流程设计）和第三层（结构性压力：谁能同时决定流程 / 数据 / 背锅）都在做了什么。

需要注意的是：

• 这 4 家公司本身也是 AI 服务和产品供应商，我们需要抛开他们把 AI 产品卖给客户时的说法，重点关注他们自己在组织内部做了什么。这样的内部变革公开信息披露并不多，这里只放可信度高的动作。
• 按时间线去看，Google / Meta 早在 2022–2023 就以"效率"之名启动扁平化（早于 GenAI 普及）。Amazon 2024–2025 跟进扁平化动作，2025 才把改革的理由指向 AI。Salesforce / Meta 2025–2026 把岗位使用 AI 与考核动作落到具体数字上。

研究方法详述

过去的几年不仅是科技领域，各行各业似乎都在加大投入拥抱 AI。岗位侧到底发生了什么、组织侧又有多少公司真正跨过了"局部试点到投入生产"的这道坎，是一个被噪声严重淹没的问题。本研究尝试用"外部观测 + 案例归纳"的方法，把这两个问题尽可能数据化、可追溯地讲清楚。具体方法可以归纳为五点。

一、外部观测优先

本研究的核心问题是"全球范围内 AI 时代到底发生了什么"，因此整个论据系统建立在第三方研究 + 公开企业披露之上，不依赖任何内部推测或个案直觉——这样做的好处是避免把内部偏好预先投射到结论上。

二、原始数据出处可追溯

全文累计引用 67 条外部来源（其中核心研究报告 9 份），每一个核心数字都做了三件事：① 标注 [n] 编号并在参考资料里附原始链接；② 报告 PDF 在仓库 references/ 目录下按"[编号]_简称_日期.pdf"命名归档，便于读者自行复核；③ 图表说明里明示数据是"直接读数"还是"按月度图近似重构"，所有 2026 年的外推都标注"按趋势推断"。这样做的目的是：任何一个数字读者都能在 1 分钟内追溯到原文。

三、给读者一份"证据强度"读码表

同一份报告里的不同数据，其实强度差很多——员工被替代的实际就业曲线，和高管"未来一年的减员预期"显然不是一个量级。为了不让读者在阅读中把它们当成同质证据，我们在 Closing 和若干关键判断旁边贴上小标签，分五档：

• 直接数据 一手平台 / 工资系统观测到的实际行为数据（Stanford ADP 工资流、LinkedIn 全平台 hiring rate），强度最高、可外部复核
• 转引数据 受访高管的问卷与预期（McKinsey、Deloitte、BCG 等），样本大、覆盖广，但本质是主观回报，会受问卷措辞和受访方利益相关方影响
• 案例信号 单家公司公开行为或单一研究的样本（Anthropic 招聘页、Stanford 51 案例库），方向有指向但代表性有限，需要看作"个案佐证"而非"普遍结论"
• 前瞻推测 由趋势线外推的判断（"未来 X 个月将增长最快""价格信号尚未传导"），强度最弱，明确写出来是为了让读者知道哪些是"作者的推断"而不是"报告里的数据"
• 研究判断 由作者综合多份数据搭出来的解读框架或归纳结构（如"三层卡点""放权阶梯"）——其中的硬数字有出处，但"如何分层、如何解释"是作者判断，非任何单一报告的原始分类

读到带标签的判断时，请把它的强度按对应档位打折后再纳入判断。这件事大多研究综述并不显式做，但我们觉得有必要——同质化展示会让读者误把弱证据当成硬数据。

四、对引用源的利益相关方保持有意识

本研究大量引用 McKinsey、Accenture、Deloitte、BCG 等管理咨询机构的研究。需要特别提示：这些机构本身是 AI 转型咨询的商业利益相关方——他们的样本量大、行业覆盖广，数据有参考价值，但需要带着这层背景去读。为了不被单一商业立场带偏，本研究的处理方式是：

• 优先采纳学术机构和标准组织的一手研究——Stanford Digital Economy Lab（[1] [3]）、MIT NANDA（[29]）、NIST（[15] [17]）、ISO/IEC（[18]）等
• 转引咨询机构数据时，倾向于用已被学术研究者甄别入引的数字——例如 Stanford《Enterprise AI Playbook》在每章 "Published Findings" 段落里集中引用的 McKinsey / Deloitte / Accenture 数据，已经过 Stanford 学者的方法学过滤；本研究 Part 02 的"漏斗图"6 档数字就是从这层过滤后的来源里取出来的
• 把"原始出处 + 转引路径"标在脚下，让读者自己判断证据强度
• 对存在质疑的预印本如 MIT NANDA《GenAI Divide》（[29] v0.1），在引用时同步标注"预印本、未走 MIT 正式发布流程"，并仅作多源互证使用，不作为单点结论

五、本研究的局限性

同样需要写在前面让读者带着判断去读的，是这份研究的边界：

• 地域偏向——所引数据高度集中在美国和发达经济体，中国大陆、印度等新兴市场的样本明显不足。AI 渗透在不同国家的节奏并不同步，本报告的结论应被理解为"全球前沿市场已经发生的事"，不等同于"中国当下正在发生的事"
• 平台口径偏向——"新增岗位 / 入门级招聘份额"等数据来自 LinkedIn Economic Graph。这套口径在欧美和外企覆盖很好，但对中国大陆企业内部职级（未在 LinkedIn 公开发布的岗位）存在系统性低估
• 时间快照属性——AI 渗透速度本身在快速变化，本报告主要数据收集截止 2026 年 1 月，半年后的图景大概率会与本报告呈现的有偏差。本报告的结论是阶段性的，可被新证据推翻
• "成功案例"幸存者偏差——Part 02 / 04 引用的 Stanford Playbook 51 案例全部是跑通的，未跑通的项目细节并未被完整采集。读者在迁移这些做法到自己组织时，需要补足"失败侧"判断

引用清单