讨论AI与就业，最常见的问题是：哪些职业不会被替代？这个问题把分析限制在技术能力上，试图通过机器暂时不会做的事情寻找长期安全。然而，技术突破会消除能力缺口，企业也会在岗位完全自动化之前减少招聘。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。[1] 自动化已经深入技术企业的核心生产过程。
一旦模型能够查阅材料、排查故障、设计实验并协调工具，“需求理解”“系统设计”或“协调沟通”就需要接受同样的审视：具体任务为什么仍需要人、需要多少人，以及这种需求能持续多久。职业判断必须跟随这些条件的变化。
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。新增任务、质量提升和价格下降会带动需求，但需求增长仍可能赶不上劳动节约的速度。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工具，为一部分人提供收入。但对于成熟平台，持续扩张的需求已经越来越难以承担吸纳就业的任务。
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、少招新人、压缩外包，或让更少的人承担更多任务。在职员工工资暂时稳定时，冲击往往已经体现在招聘和人员补充上。
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] 企业利润、产品价格和劳动需求由此走向不同方向：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，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，面临客户自建和采购压价。市场也可能向少数供应商集中，由更少的人服务更多客户。企业可以在这一过程中继续经营甚至扩张，行业就业规模却持续收缩。
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，可以继续获得收入，同时压缩内部认知劳动。编码自动化提高利润，员工则承受更高的产出要求和考核压力。公司的商业优势属于公司，员工的职业处境取决于公司需要多少人，以及员工能分享多少收益。
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，自动化的推进受到部署、验证和改造成本限制。实体企业内部的普通后台开发仍然高度数字化，可以更快地被自动化。换到制造企业写管理系统，岗位依然面对软件生产成本下降的冲击。
这三个层面彼此交叉：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。 马克思讨论的“相对过剩人口”，指的是相对于资本增殖需要而过剩的劳动人口。[3] 在AI时代，劳动者能够创造更多产出，企业却可以用更少的人完成生产。收入分配因此更加取决于谁控制生产条件、客户资源和收益权。
模型可以普及，预算、业务入口和决策权仍集中在不同主体手中。工具普及缩小了生产能力的差距，也让掌握资源的组织能够以更低成本扩大经营。个人借助AI获得过去一个团队的生产能力后，收入仍取决于能否取得客户，以及能在竞争中保留多少收益。工具使用权与收益分配权之间的距离，决定了生产能力能在多大程度上转化为个人收入。
Anthropic的经济情景报告呈现了这种分离：在其极端情景推演中，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%）。[4] 在这一情景中，宏观繁荣与劳动者失业同步发生，生产率增长的收益并未转化为相应的就业保障。
这份报告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。[4] 随着自动化进入物理世界，就业冲击还会向更多职业扩展。因此，数据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。软件领域提供了观察冲击的先行窗口，其他行业的变化速度则取决于各自的部署成本与改造周期。
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，却不能自动补偿毕业后数年的失业、收入下降和经验中断。职业决策首先要处理这段过渡期里的生计与积累。
筛选机制也会变化。如果AI削弱了部分可展示技能的区分度，而岗位供给收缩，招聘者可能更加依赖学历、论文、实习和机构经历等低成本筛选信号。即使知道成果大量使用AI，招聘者也未必能立即找到成本更低的筛选办法。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；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。职业判断必须同时回答这两个问题。
资料与参考文献：
- Anthropic：When AI builds itself。
- 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。报告未为各情景分配概率；正文数字保留各自比较基准。
- John Maynard Keynes：Economic Possibilities for our Grandchildren，1930年。
评论区