前言

大家好，我是小李。

国办发〔2026〕29号文，全称《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》，近期正式印发。

它没有禁止企业用AI，也没有给出强制性的裁员禁令，但里面出现了几个过去很少在国办文件里看到的表述，比如“减缓人工智能应用就业替代影响”，比如“鼓励企业探索建立失业缓冲期制度”。

一份指导性文件，为什么要把“替代”这件事专门拿出来说？那些过去两年高调用算法压缩人力的公司，后来交出了什么样的答卷？

文件说了什么

先看文件本身的措辞。6个方面18项任务，约束性最强的一句落在“稳慎把握人工智能在劳动密集型行业应用的范围、力度、节奏”上，对象是劳动密集型行业，落点是尽可能减少对从业人员的冲击。

另一处值得留意的是就业风险评估被嵌入了项目评审环节，对市场准入领域可能造成较大就业冲击的AI应用场景，评审时要同步算一笔就业账。

文件用的动词大量是鼓励、引导、支持，不是禁止，它的实际效力会体现在地方配套细则和国资平台的考核口径里，方向已经摆明了，替代可以发生，但不能以一个悄无声息的方式发生。

把这份文件放到更大的背景里看，它的时间点并非偶然。

国际货币基金组织总裁格奥尔基耶娃在10月中旬的年会上给出了一组数字，AI长远可能影响全球40%的岗位，发达经济体的比例高达60%，岗位的走向分三种，被增强、被降级、被取代。她用的词是缓慢移动的海啸。

同一场会上，新加坡总统尚达曼提到一个更具体的信号，美国对大学毕业生的需求在一个世纪以来首次出现下降，入门级职位在科技行业等AI渗透最深的领域收缩得尤其明显。

这些判断和国办文件里减缓替代影响的措辞指向同一个现实，冲击已经在发生，而且最先感受到压力的是那些刚进入劳动力市场、还没有积累起不可替代性的人。

小李觉得这一点值得多说两句。过去讨论AI替代，舆论场上最容易听到的声音是被淘汰是因为技能不够，这话有道理，但它把结构性的问题简化成了个人的努力问题。

入门级岗位收缩，意味着连积累技能的第一级台阶都在变窄，这不是靠个人多学几门课就能完全对冲的。

就在文件发布的同一天，巴克莱银行宣布裁减约5000个岗位，占全球员工总数的5%左右，其中约60%来自包括开发人员在内的支持部门。

首席财务官在分析师电话会上把组织精简和AI影响并列提及，工会Unite的秘书长则直接批评这是以人工智能为借口抛弃长期员工。

巴克莱首席执行官本人留了一句余地，说AI是蛋糕上的糖霜，不是蛋糕本身，企业得先把基础设施做好才能真正拿到收益。这句话放在一份裁员公告旁边，多少有些耐人寻味。

市场的裁员冲动是真实的，不会因为一份指导性文件就自动消退。文件能做的，是把提前告知和转岗支持变成一道程序成本，让裁人的动作不再像关掉一个软件插件那样轻巧。

程序成本听起来不重，但它改变了一件事的可见度。

过去一次涉及几百人的岗位调整可以在季度末悄悄完成，现在要提前说明、要给出培训安排，管理层在下决定之前就得先把这些问题想清楚，这本身就是一种约束。

但这只是故事的一面。另一面是，那些最早把替代推到极致的公司，正在用实际的招聘动作往回走。这就把视线引向了第二个问题，算法接住的究竟是什么，接不住的又是什么。

替代的账本

瑞典金融科技公司Klarna在2024年初高调宣布，一套AI客服助手在首月处理了230万次对话，承担了大约700名全职客服的等效工作量，平均解决时长从11分钟压缩到2分钟以内。

数字摆出来的时候，几乎所有关于AI降本的讨论都会引用它。问题出在等效工作量和实际解决之间的缝隙上。

复杂退款纠纷、规则例外、情绪激烈的投诉，这些场景对模型来说不是准确率高低的问题，而是压根缺少判断所需的上下文。

重复求助率上升之后，Klarna在2025年5月由首席执行官公开承认，过度以成本为导向的策略带来了更低的质量，公司重新开始招募人工客服，转向AI优先、人工兜底的混合模式。

到2026年，这套混合模式被公司自己描述为正在奏效，代价是中间那一年多的反复和客户体验的损耗。小李的看法是，这段反复本身比最初的发布会更有信息量。

它说明降本增效的账不能只算第一个季度，客服这类岗位的价值有很大一部分藏在那些低频但高难度的场景里，平时看不见，出问题的时候才显出来。

IBM走的是另一条路径，但落点相似。2023年首席执行官克里希纳曾表示大约7800个后台岗位可以在几年内被AI和自动化替代，招聘冻结的消息一度被当成行业风向标。

到了2026年2月，IBM首席人力资源官宣布把美国入门级岗位的招聘规模扩大到原来的3倍，覆盖软件、咨询、基础设施和市场营销等多个业务单元。

她的解释很实在，如果不在入门级岗位上持续投入，几年之后人才管道就会干涸。

IBM对入门级的定义也做了调整，涵盖应届毕业生、重返职场的人和转行者，初级员工的工作内容从常规编码转向更多跨部门协作和产品创新。

初级岗位做的从来不只是完成任务，一个人从生手到熟手、从执行到判断的那条路径，是在具体的基础工作里长出来的。

把这条路切掉，短期报表会好看，中期的人才断层却需要花更高的成本从外部填补。

从外面挖一个能独立带项目的人，薪资溢价和磨合成本加起来，未必比从头培养划算，这笔账在招聘冻结的那两年里没有被算进去。

文件并没有回避替代的另一面。它把强化就业创造效应放在任务清单的前面，鼓励东部布局AI核心产业，引导中西部承接数据标注和智能终端制造。

贵州一省截至2026年7月已有135家数据标注企业，从业人员突破1.6万人，规划到2028年达到5万人。新岗位确实在出现，而且门槛不像算法工程师那样高不可攀。

但一个在流水线上干了十年的工人，不会因为招聘启事贴出来就自动完成技能转换。替代和创造之间存在一个时间差，政策要处理的正是这个中间地带，不让替代的速度跑过消化的速度。

小李想补充的是，新岗位的地理分布和旧岗位的分布并不重合，数据标注产业往中西部走，被替代的客服和后台岗位却集中在几个大城市和沿海地区，跨区域流动的成本对普通家庭来说并不低。

这个错位不是文件能直接解决的，但至少被放进了政策视野。

账本算到这一步，还剩下一个文件覆盖不到的地方，组织内部到底怎么用AI，谁来定义用它的方式。

工具接得住任务

很多企业引进AI的方式是自上而下的派发，采购一套工具，下发使用指标，然后等着效率数字往上走。

这种路径忽略了一个基本事实，AI在真实工作场景中的表现，高度依赖使用它的人怎么定义任务、怎么筛选数据、怎么判断输出结果能不能直接用。

中层管理者处在一个很难被替代的位置上，他们离一线最近，知道哪些环节可以交给模型去跑，哪些环节必须有人兜底。

AI可以生成一份格式整齐的团队目标模板，但它不会在一个年轻员工因为岗位变动而焦虑的时候解释这件事我们为什么要做，也不会在两个小组因为一次AI失误互相推责的时候把边界划清楚。

鼓励人、解决矛盾、在模糊情境里做出让人信服的选择，这些事没有接口可以调用。

IBM在扩招入门级岗位的同时调整了岗位描述，初级开发人员花在常规编码上的时间减少了，花在跨部门协作、修正AI输出、和客户直接沟通上的时间增加了。

制造业里的变化也类似，一些工厂在推行人机协作的渐进改造，老师傅的隐性经验没有被简单丢掉，而是通过场景化培训转化成可以复用的流程知识，工人的角色从完成动作转向定义问题和调整参数。

这个变化本身说明，当程式化的部分被工具接走之后，留给人做的恰恰是那些需要判断、需要和人打交道、需要在信息不完整时做取舍的部分。

组织如果只把AI当成一个更便宜的执行者，而不去重新定义人的角色，效率提升很快就会撞上一道看不见的墙。

真正让工具用出效果的，不是模型本身有多先进，而是团队敢不敢在可控范围内试错，以及管理层能不能把为什么用、用到什么程度、什么情况下人必须介入这套逻辑讲得足够清楚。

这里有一个容易被忽略的细节，AI输出错误的方式和人类不一样。人会犹豫、会说这个我不确定，模型往往给出一个语气笃定的错误答案。

判断一个回答该不该信，靠的是使用者对业务的理解和对边界的把握，这种能力只能在实际工作中慢慢建立。

试错的文化和透明的流程，比采购清单上多一个工具选项要重要得多。这些事只能由人来完成，工具做不了。

结语

这份文件不是一道禁令，它没有能力也不打算阻止技术进入工作场所。它的价值在于把“人不是成本表上可以随手划掉的一行”从一个道德呼吁变成了一个需要被计入决策流程的变量。

Klarna和IBM的来回调整说明，真实世界的复杂性不会因为模型参数变多就自动消失，替代的速度如果远远甩开消化的速度，代价最终会以质量滑坡或人才断层的形式回到企业自己身上。

巴克莱的5000个岗位和工会的反弹说明，市场的冲动仍然真实。

技术往前走的方向没有变，走多快、先踩哪一步、踩下去之前要不要看一眼脚下的人，是可以选的。审慎这两个字的分量，落在选择上。