讨论AI与就业，最常见的问题是：哪些职业不会被替代？这个问题容易把分析限制在技术能力上，仿佛只要找到机器暂时不会做的事情，就能获得长期安全。然而，技术突破可能迅速消除能力缺口，企业也不必等到一个岗位全部自动化，才开始减少招聘。对个人更重要的问题是：当完成工作的成本持续下降，收入为何仍会分配给某些人，又通过什么机制停止分配给另一些人？
软件行业提供了一个观察入口。代码、文档和运行环境高度数字化，许多结果可以通过测试获得反馈，实验可以并行、复制与回滚。因此，AI能力提升能够较快转化为实际生产方式的改变。Anthropic在2026年披露，截至当年5月，合入其代码库的代码超过80%由Claude编写。这是企业自报的代码归属数据，虽不能直接当作整体生产率增幅，也不能据此断言完整递归自我改进已经实现；但它足以说明，自动化已深入技术企业的生产过程。[1]
一旦模型能够查阅材料、排查故障、设计实验并协调工具，人类的优势就不能被简单安置在“需求理解”“系统设计”或“协调沟通”这些词语里。必须说明具体任务为什么仍需要人、需要多少人，以及原因能持续多久。今天的能力缺口只能作为观察起点，无法独自支撑数年后的职业保证。
生产率提高与劳动者处境改善，是两个需要分别解释的结果。 劳动需求可以粗略拆成业务量与单位业务所需人类工时的乘积。假设业务量翻倍，而单位业务所需人类工时降至原来的五分之一，总工时需求仍会下降。现实还包含新增任务、质量提升、价格变化和组织重构，但“需求增长不足以抵消劳动节约”是完全可能的。因此，软件市场繁荣与程序员就业承压并不矛盾。
何况，近几年最热门的电商、外卖、视频平台等产品已进入存量竞争：网民规模接近饱和，新增用户有限，平台争夺的主要是既有用户的时间与消费。新的需求会从哪里来，目前仍不确定。也许会出现类似短视频的“短网页”平台，人人都能用AI把创意做成网页分享。短视频平台曾把大量普通人组织成创作者，这类平台也可能形成新的生产关系，为一部分人提供收入。但它能吸纳多少人，现在还无法判断。
程序员工资已经高于其价值。劳动者未必变得无能，变化的是企业在已有AI条件下，多雇一个人能够获得多少增量收益。当替代方案变便宜，原有工资可能难以维持。调整可以表现为降薪，也可以表现为少招新人、压缩外包，或让更少的人承担更多任务。不能仅凭在职员工工资暂时稳定，就判断劳动力市场没有受到冲击。
李嘉图在《政治经济学及赋税原理》第三版新增的“论机器”一章中，修正了自己早先认为机械化普遍有利的看法：机器可能提高资本所有者的收入，同时损害劳动者利益。[2] 这个观点提醒我们，企业利润、产品价格和劳动需求必须分别研究。消费者因软件变便宜而受益，并不意味着失去工作的工程师能够获得足够补偿；一家企业因AI而盈利更多，也不意味着它会雇用更多人。
由此，可以把AI对企业的冲击分成三个彼此交叉的层面。第一个层面是收入模式。按开发人天收费的服务商，会直接受到人天需求下降的影响；依靠交付复杂度维持价格的软件企业，也可能面临客户自建和采购压价。但这些企业未必全部消失，市场可能转向少数供应商，以更少的人服务更多客户。企业存续与原有就业规模存续，必须区分。
第二个层面是任务构成。掌握用户入口、交易网络或客户关系的平台，可能继续获得收入，同时压缩内部认知劳动。编码自动化提高利润的过程中，员工却会承受更高的考核压力。企业是否拥有竞争优势与员工是否分享这种优势并不相干。不能把一家公司的商业成功直接兑换成求职者的职业安全。
第三个层面是物理约束。能源、交通和制造业需要设备、场地与持续运行，其变化节奏可能受到部署、验证和改造成本限制。但是，实体企业内部的普通后台开发，未必具有同样的限制。换到一家制造企业写管理系统，并不自动改变任务的技术可替代性。企业依赖物理世界不等于每名员工都依赖物理世界完成工作。
这三个层面不能排列成从危险到安全的固定等级。软件供应商可以属于国资体系，平台可以经营实体资产，制造企业也可以大量依赖知识工作。判断风险需要同时考察企业靠什么收费、岗位具体做什么、自动化怎样部署。
比技能替代更深的问题，是生产率收益由谁获得。 马克思讨论“相对过剩人口”时，“过剩”指的是相对于资本增殖需要而言，并非社会已经没有需要满足。[3] 应用于AI时代，这提示了一种可能：劳动者创造更多产出，其劳动却未必因此更稀缺。收入差异可能更多地受到生产条件、客户资源和收益权控制方式的影响。
能调用相同模型，并不意味着拥有相同的预算、业务入口和决策权。工具普及既可能缩小个人能力差距，也可能扩大组织资源差距。即使某个人借助AI获得过去一个团队的生产能力，他仍需解释如何取得客户、如何获得收入，以及在竞争中能保留多少收益。工具使用权与收益分配权之间存在距离。
Anthropic的经济情景报告呈现了这种分离。在其极端情景下，到2030年，美国GDP比无AI路径高约32.4%，认知类职业就业人数比2026年中减少约21.5%，原从事认知类职业者的失业率达到17.9%（全体劳动者为11.9%）。这些是特定假设下的模型结果，作者没有为情景分配概率，不能当作中国就业预测。[4] 它的意义在于说明：宏观繁荣与特定劳动群体受损，在同一套分析中可以同时成立。
报告也有重要边界：它未纳入机器人能力快速进步，并省略了部分研究与自动化之间的反馈。因此，模型中其他职业相对受益，不能被理解为这些职业获得了长期技术豁免。[4] 软件领域的变化可以提示风险，却不能直接规定其他行业的时间表；反过来，其他行业尚未出现明显变化，也不能证明冲击不会到来。
凯恩斯曾把技术性失业描述为节约劳动的速度超过寻找新劳动用途的速度，并在长期富裕的设想中讨论缩短工时。[5] 对个人而言，关键恰恰在过渡期。一代人之后（比如二十年）可能出现的新平衡，不能自动补偿毕业后数年的失业、收入下降和经验中断。职业决策需要考虑变化期间的处境，而不只是选择一个关于遥远未来的宏观结论。
筛选机制也会变化。假如AI削弱了部分可展示技能的区分度，而岗位供给收缩，学历、论文、实习和机构经历可能继续被用作低成本筛选信号。招聘者即使知道成果大量使用AI，也未必立即找到更便宜的替代办法。于是，利用AI快速取得成果的机会，取决于一整条转换链：生产成果、通过外部评价、获得正式认定，最后影响录用。而当所有人都用AI快速提高自己的筛选权重时，这些信号又会快速地贬值。某项成果如果不能改变实际筛选结果，再便宜也未必值得持续投入。
在我看来，AI迫使每个人重新思考两个问题：个人凭什么获得收入，以及怎样避免像手工织工那样，在织布效率上与纺织机正面竞争。某项工作是否还值得由人完成，需要计算；完成之后收益归于谁，取决于分配。职业判断必须同时回答这两个问题。
资料与参考文献（网页核对日期：2026年9月29日）：
- Anthropic：When AI builds itself。企业自报的研发自动化观察，不能直接视为全行业统计。
- David Ricardo：On the Principles of Political Economy and Taxation, Chapter 31: On Machinery。
- Karl Marx：Capital, Volume I, Chapter 25。
- Anton Korinek 等：Economic Scenarios for Transformative AI，2026年9月；情景说明页面。正文数字为条件推演，所列比较基准不同。
- John Maynard Keynes：Economic Possibilities for our Grandchildren，1930年。
评论区