【经管讲堂·管理学原理】国办AI就业友好型发展方式意见：把岗位拆成任务而非替换成人

事件与实践

2026年10月，国务院办公厅印发《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》，部署6个方面18项主要任务。文件提出挖掘传统领域人工智能就业潜能、减缓人工智能应用就业替代影响、建立人工智能应用就业风险评估机制。这是国家层面首次把AI对就业的影响纳入制度化评估框架。

与之呼应的是企业的实际动作。美国运通第三季度净利37.12亿美元、同比增长28%，同时宣布裁减全球5%员工并计提3.36亿美元重组费用，明确表示为AI接管更多内部流程做准备；沃尔沃汽车第三季度营收669亿瑞典克朗、同比下降约23%，净亏损57亿瑞典克朗，全球裁员2500人并撤回全年指引。

国内的情况则呈现另一面：中国信通院数据显示，8月国内模型平均TPS达78.23个每秒、较2025年均值翻倍，模型能力的快速提升正在加速渗透到客服、编程、文案、数据分析等岗位。

贝克尔（Gary Becker）在《人力资本》中区分了通用性人力资本与专用性人力资本：前者可跨企业使用，后者只在特定企业内有价值。企业通常只愿为专用性人力资本付费培训，因为通用性投资的收益会被员工带走。

AI的冲击恰好发生在专用性人力资本最密集的地带，也就是那些需要熟悉企业内部流程、系统、术语的岗位。当AI能够快速吸收企业知识库、流程文档与历史案例时，专用性人力资本的价值被大幅压缩。这解释了一个反直觉现象：越依赖熟手经验的岗位，反而越容易被替代；越依赖跨领域判断与客户关系的岗位，反而越稳固。

对企业的启示是，培训投资的重心应从教会员工用我们的系统，转向教会员工判断系统给的对不对。后者才是AI难以复制的能力。

哈克曼与奥尔德姆（Hackman & Oldham）的工作特征模型认为，工作的内在激励来自技能多样性、任务完整性、任务重要性与自主性。AI的介入如果只是把一个完整岗位切掉，剩下的工作往往碎片化、低自主性，员工的内在动机随之崩塌。

更优的做法是任务级拆解：把岗位分解为信息收集、模式识别、方案生成、判断取舍、关系维护五类任务，将前三类交给AI，把人保留在后两类。这样岗位不是被替换，而是被上移。美国运通的裁员与国内AI辅助编程的普及，体现了这一逻辑的两种极端：前者选择减少人头，后者选择提升单人头产出。

区别在于，前者把AI红利转化为成本节约，后者把AI红利转化为能力溢价。长期看，后者的组织学习曲线更陡，但需承担更高的人工成本与更长的过渡期。

从制度经济学视角看，企业采用AI替代人工时，社会承担了失业、再培训、社会保障等成本，而企业只承担了其中很小一部分，这是典型的负外部性。国办《意见》提出的建立人工智能应用就业风险评估机制，实质是要求企业把这一外部性内部化，在决策阶段就评估就业影响，而非在裁员后由社会兜底。

这与此前的环保政策逻辑相似：先建立评估，再设置标准，最后纳入考核。评估机制本身不改变技术采纳的速度，但改变了采纳的路径与节奏，企业会倾向于边替代边转岗，而非一次裁撤。

江苏、山东等地推出的模型券、语料券则是另一种制度供给：以需求侧补贴降低中小企业用AI的门槛，让AI红利更多转化为产出增量而非人力削减。

第一，AI对就业的冲击是结构性的而非总量性的：被替代的是任务，不是人。管理者应优先做任务拆解，而非岗位清单。

第二，专用性人力资本的贬值速度快于通用性人力资本。企业培训应从系统操作转向判断能力，从经验传授转向方法论训练。

第三，岗位再设计要守住工作完整性。把AI当作副手而非替身，才能保留员工的内在动机与组织承诺。

第四，就业影响评估机制的价值不在于限制技术，而在于改变技术采纳的节奏，把一次性冲击摊薄为渐进调适。

本文由 Jude 发布在锐察 | rcbom.com，转载此文请保持文章完整性，并请附上文章来源（锐察 | rcbom.com）及本页链接。
原文链接：https://www.rcbom.com/mgt/6773.html