任务变快之后，岗位去哪儿

为什么值得注意

以下解读发表于 2026-09-26，证据截至 2025-12-31，保留当时的论证。 任务变快之后，岗位去哪儿

先回答问题：任务效率提高本身并不决定岗位命运，真正起作用的是三件事同时怎么动——企业是否持续采用、需求是否随效率扩大、以及收益落在哪些工人身上。目前证据只支持第一步和第三步的部分答案，第二步还没有数据。在客服现场研究中，2025-05-31客服现场研究样本（正式论文报告）为5172人的坐席分期获得对话式助手后，每小时解决问题数平均提升2025-05-31客服每小时解决问题数的平均提升（正式论文报告）为15%，说明任务层面的提速是真实的；但论文同时报告各组差异很大，经验最少、技能最低的人改善最明显，经验最多的老手提速有限、质量还略有下降。也就是说，效率收益不是均匀洒下来的，它天然偏向某一类工人。

再看企业这一端到底走到哪一步了。采用率取决于调查问谁、问什么。美国企业口径下，2025-12-31美国企业AI采用率约为18%的企业在任一业务功能上使用了AI，这是企业加权的新口径，且本期刚把问题范围从生产环节扩大到任何业务功能，口径变宽本身会推高水平值。换个对象问，2024-08-31美国受访劳动者工作中使用生成式AI的比例约为33%的受访劳动者在工作中使用生成式AI，到本期约为2025-11-30美国受访劳动者工作中使用生成式AI的比例约为41%，一年多上升明显。两条线索方向一致：使用在扩散，但无论哪个口径，多数企业和多数劳动者还没有把AI纳入日常工作。这意味着效率提升的总量影响仍然处在早期，样本里的十五个百分点不能外推成整个经济的生产率。

那么工时、业务量与分工哪条路径更可能？机制上有三个分支。其一，若客户需求对响应速度不敏感、业务量不随效率扩张，同样的问题量用更少工时就能消化，企业倾向减少排班或不再补员，这是替代分支；它的成立条件是需求近乎固定，且合格产出不因质量下滑而受损。其二，若更快响应吸引更多咨询、或者企业把省下的产能用于拓展服务，业务量扩张会吸收效率收益，工时未必下降，这是扩张分支。其三，现场研究给出的分布提示了重新分工分支：低经验者借AI靠近老手的水平，企业可能把复杂案例集中给少数高技能者，把常规流量交给AI加新人组合，岗位结构而非总人数先变。三条分支在现有数据下都未被排除，也没有哪一条被直接证实——我们缺少同一企业采用前后产出、订单、招聘和工时的联合记录。

从证据强度排序，目前最被支持的是重新分工判断，最弱的是全面替代判断。理由是：现场研究直接观察到的是组间收益差异，而不是人数或工时削减；采用率虽在上升，但劳动者使用率仍不到一半、企业采用率更低，扩散速度限制了当期总量冲击；而替代分支需要的关键证据——需求相近条件下工时持续减少——在任何一份资料里都没有出现。反过来，把效率提升直接换算成裁员比例的做法，在方法上混淆了任务和岗位：一个岗位由多种任务构成，客服案例里AI接走的是信息检索和话术组织，安抚情绪、例外处理仍在人手里。 这项研究取舍直接改变职业风险判断的方式。过去的讨论盯模型能力，看AI能不能做某件事；现在证据结构要求把判断挪到四个变量的共同变化上：持续采用是否深入、合格产出是否维持、业务量是否扩张、招聘和工时是否收缩。单个变量动不算数——只有采用率上升而工时减少、同时业务量没有相应增长，替代解释才加分；若采用率上升伴随业务量和招聘同步扩张，扩张与分工解释更占优。这是读者可以带走的核心方法：不要问AI会不会做人做的事，要问采用它之后，钱、需求和用工在企业账上怎么一起移动。

本篇最关键的解释是把三块事实拧在一起：现场研究证明效率提升真实但分布偏向低经验者2025-05-31客服每小时解决问题数的平均提升（正式论文报告）为15%，两条采用率线索证明扩散在进行但仍属少数2025-11-30美国受访劳动者工作中使用生成式AI的比例约为41%2025-12-31美国企业AI采用率约为18%，而联合经营数据缺失。三者共同支持一个有条件的传导——只要扩散继续而需求不扩张，压力会先落在岗位结构和新人晋升通道上，而不是总就业；一旦业务量随服务质量改善而放大，同样的效率收益就会被新增流量消化。事实之间没有冲突，冲突的是人们的两种预期：模型能力决定的替代叙事，与采用速度和需求弹性共同决定的现实节奏。

在已提供的历史证据内部，可比的对照是同一条劳动者使用率序列自身的变化：从2024-08-31美国受访劳动者工作中使用生成式AI的比例约为33%升到2025-11-30美国受访劳动者工作中使用生成式AI的比例约为41%，一年多时间上升幅度有限。这个内部对照说明采用是渐进的，而非爆发式的，这为效率向岗位传导设定了时间尺度——即使替代机制存在，它的显现也应与采用曲线同步，而不是与模型发布同步。没有其他具体历史事件证据可用于比较，此处不延伸。