AI 到底会不会让你失业？我查了下数据
1370最近半年，我看过不少讲 AI 影响普通人的文章。
有些说得很吓人。
有些说得很乐观。
但我发现，这两类文章犯了同一个错误：
它们把所有工作当成了同一种工作。
查完我能找到的所有数据之后，我发现了一件事—— AI 对不同类型的工作，影响完全不同。
搞清楚这个区分，比搞清楚"AI 会不会替代人"重要得多。
01 先问自己一个问题
在说数据之前，先想一件事。
昨天上班，你做了哪些事？
可能写了份周报，整理了几个表格，回了十几封邮件，做了一版方案初稿。
也可能跟客户谈了一个棘手的合作条件，拍板了一个谁也说不准的决定，或者处理了一个没有标准答案的售后投诉。
仔细看，这些事其实只有两种。
第一种：按步骤走就能完成的。
能拆成流程，能写成规则，做十遍和做一百遍，方法基本一样。
第二种：没有标准答案的。
需要判断，需要对情况做权衡，需要你对结果负责。没有SOP能教你，做对了是经验，做错了也是经验。
这两种工作，几乎每个人手里都有。
区别只在于比例不同。
为什么要先说这个？
因为 AI 对这两种工作的影响，不只是程度不同——方向都是反的。
第一种工作，AI 会不断压低它的价格。
第二种工作，AI 越强，它反而越值钱。
02 一个反直觉的数字
今年 3 月，Anthropic 发了一份研究报告。
他们分析了数百万条真实的工作场景对话，得出一个结论：
AI 理论上能处理 94% 的计算机和数学类任务。
但实际上真正被用起来的，只有 33%。
中间差了 60 个百分点。
其他行业更低，大多数不超过 20%。
看到这个数字，很多人的第一反应是松了口气：
看吧，AI 没那么可怕。
但这个数字真正说明的事情，其实相反。
它说明的是：不是 AI 做不了，是那些工作还没被接进流程里。
系统还是旧的，审批还在，合规没变，该签字的地方还得人签。
不是ai 的能力问题，是流程还没好。
一旦流程铺好——而且按现在的速度，不会太久——那些"按步骤走就能完成的工作"，会被大规模接走。
因为那些工作本身就是标准答案型的。，标准答案型的工作，天生就适合被自动化，适合 ai。
Menlo Ventures 的研究也在印证同一件事：美国超过一半成年人用过 AI，但每天深度使用的只有六分之一。
多数人还只是偶尔碰一碰。
这说明当下确实还早。
但"还早"和"不会来"，是两件事。
Anthropic 图表：理论强，落地弱。
03 楼梯被抽走之后
说到这里，再问一个问题。
一个应届生进公司第一年，做的最多的事是什么？
大概是写初稿。
整理会议纪要。
跑数据。
做基础的竞品分析。
……
这些活本身价值不高，但它们有一个隐藏的功能—— 它们是新人理解业务的入口。
你写十版被毙掉的文案初稿，不是白写的。
你在这个过程里知道了客户在意什么，老板在想什么，市场的语言是什么。
你跑二十张数据报表，不是为了报表本身。 你在这个过程里知道了这个业务的关键指标是什么，什么数字正常，什么数字有问题。
这些东西没法靠看书学会，只能靠上手做。
做的过程就是学的过程。
这条路，是每个人从新手到熟手的必经之路。
现在的问题是：AI 最擅长接走的，恰恰就是这一类任务。
它们是标准答案型的——有步骤、有规则、有历史数据可以喂。
这就导致了一个很多人没意识到的后果：
AI 拿走的不只是一些"低价值的活"，它拿走的是新人用来成长的那段路。
楼梯被抽掉了。
你还站在一楼，但通往二楼的台阶没了。
斯坦福大学今年的一份研究，精确地验证了这件事。
他们用美国最大薪资服务商 ADP 的真实数据分析后发现——
从 2022 年底到 2025 年 9 月，22 到 25 岁、在高 AI 暴露岗位上的年轻人，岗位规模反而下滑了约 6%。
但接下来的数据更值得注意：35 到 49 岁的同类员工，岗位规模反而增长了 8% 以上。
斯坦福图表：年轻人先掉队。
乍一看很矛盾。
但用前面那个框架去看，就不矛盾了。
资深员工手里的工作，大部分已经是"非标准答案型"的——做判断，带团队，维护客户关系，在信息不完整的时候拍板。
这些事 AI 做不了。
但 AI 能帮他们把剩下那些标准化的部分加速十倍。
原来花三天做的分析，现在三个小时搞定。
同样是 ai，代替了新人，但放大了老人的能力。
这大概是 AI 对职场最深层的影响—— 它不"砍人"，它在拉大有经验和没经验之间的差距。
国内的情绪也在印证这件事。
第一财经联合长江商学院对 11814 份员工问卷做过调查，85% 的员工担心未来 3 年内会因 AI 而失业。
这个比例里有焦虑被放大的成分。
但它说明了一件事：这种不安全感已经非常普遍了。
而且它没有发生在我们身上，正在发生在比我们年轻的人身上。
我们甚至可能都没注意到。
04 失败是摸清边界的方式
说完个人，说说公司。
你可能看过这类新闻：某公司大规模用 AI 替代员工，结果翻车了。
瑞典 Klarna 就是典型。
2024 年把员工从 3800 砍到 2000，CEO 说 AI 能干所有人类的工作。
结果客诉飙升，满意度暴跌，2025 年宣布重新招人。
IBM 也类似。
HR 部门大量工作交给 AI，裁了约 8000 人。
后来发现 AI 处理不了需要判断力和共情的情况，又把人请回来了。
看到这些案例，很容易得出一个结论：
看吧，AI 替代不了人。
但我觉得这个结论只对了一半。
这些公司犯的错，不是"用了 AI"，而是"没区分工作类型就一刀切"。
它们把标准答案型和非标准答案型的工作混在了一起，全部交给 AI，当然会出问题。
但反过来想—— 正是因为摔了这一跤，它们现在比谁都清楚哪些工作可以交出去，哪些不行。
IBM CEO 后来说了一句很有意思的话：虽然大量用了 AI，公司总人数反而增加了——因为 AI 省出来的资源，投入到了新的地方。
这句话的意思是：AI 不是把人省掉了，是把人从标准答案型的工作里释放出来，去做更多非标准答案型的事。
Gartner 也预测：原本打算大规模用 AI 替代客服的公司，有一半会在 2027 年放弃。
所以现在的局面是这样的——
第一轮试错，很多失败了。
但失败不代表停下来了。
它代表企业在加速搞清楚那条边界：哪些工作属于左边，哪些属于右边。
等这条线真正画清楚的时候，下一轮动作会比这一轮快得多，也准得多。
05 你手里的牌 在哪一边
今年 2 月，Meta 负责 AI 安全的总监 Summer Yue 发了一条帖子，近千万次浏览。
她让 AI 帮她清理邮箱，指令很明确：只建议该删什么，不要自己动手删。
结果 AI 开始疯狂删邮件，她发停止指令，AI 无视。 她说自己不得不飞奔到电脑前，感觉像在排除一颗炸弹。
一个顶级 AI 安全专家，被 AI 坑了。
这件事有点讽刺，但它恰好说明了一个问题： AI 能做很多事，但"判断该做什么"和"定义边界在哪里"——这两件事，目前还是人在做。
而且必须是人在做。
这两件事就是典型的非标准答案型工作。
工作分化示意：标准化降价，判断力升值。
美国有个文案工作室的老板，巅峰期 8 个人，年收 60 万美元。
AI 出来后被打到年收不足 1 万。
因为他做的是"写初稿"——标准答案型的工作。 后来转型做营销策略咨询才活过来。因为"该写什么、为什么写"是非标准答案型的。
我自己做跨境电商也有同样的感受。
真正让生意活下来的，从来不是能写成 SOP 的部分。
是跟供应商反复磨出来的条件，是在信息不全的时候拍板的那个决定，是花了三年才建起来的客户信任。
这些东西 AI 做不了。
而且 AI 越强，这些东西越稀缺。
马化腾在腾讯股东大会上说，最开始以为 AI 是十年不遇的机会，越想越觉得是几百年不遇的机遇。
一个把互联网和移动互联网都经历过的人，给出这个判断。
我不知道他是不是对的。
但我知道一件事： 说"没事的不用管"和说"你马上要失业了"，都是在用一个确定的答案，去解释一件还不确定的事。
方向模糊的时候，比起慌，更有用的大概是想清楚一个问题：
我每天做的事情里面，标准答案型占多少？
非标准答案型占多少？
前者占得越多，压力迟早会来。
后者占得越多，AI 反而是你的杠杆。
不是所有人都会被 AI 替代。
但那些还没想清楚自己到底在做什么的人
——不管 22 岁还是 42 岁——
大概会是最先感受到压力的一批。
