人工智能能够取代的任务比以往任何时候都多。那些将这些任务与判断力混为一谈的企业，可能会因过度自动化而自食其果。.
2026年初，甲骨文要求员工记录其工作流程并使用其内部人工智能工具。其中一些员工随后被裁员。.
一位前高级软件经理向《时代》周刊透露，初级工程师们正在利用人工智能生成大量有缺陷的代码。随后，高级工程师不得不逐行排查这些代码，并将其修改为可用的代码。甲骨文公司随后裁减了员工，其中包括经验丰富的员工。.
这一过程揭示了当前人工智能热潮中的一大核心风险。甲骨文将部分执行环节自动化，却削弱了使输出结果具有价值的判断层。.
这不仅仅是一个关于甲骨文的故事，甚至不仅仅是一个关于软件的故事。各行各业的领导者都在关注人工智能目前能做到什么，并思考自己还需要多少员工。这种疑问是可以理解的。因为能力提升是切实存在的。.
METR是一家评估人工智能代理的非营利组织，该组织衡量模型在给定可靠性水平下能够完成的任务长度。其研究发现，在2019年至2025年间，前沿代理的50%任务时限大约每七个月翻一番。 该基准测试的最新版本继续显示出快速的进步，尽管METR提醒称，其最长测量结果仍存在不确定性。此外，这些任务主要集中在软件工程、机器学习和网络安全领域，并不能完全代表知识型工作。.
这一限定条件至关重要。该基准测试表明，人工智能在完成更长且定义明确的任务方面正变得越来越出色。但这并不意味着人工智能系统能够运营一家公司、理解客户、培养专业人才，或是决定一家机构应当做出哪些权衡取舍。.
然而，这些观点却常常被混为一谈。按照这种逻辑，如果人工智能能承担更多工作，那么要产出相同的工作成果所需的人员就应该减少。在电子表格上，这种论点看起来似乎无可辩驳。.
在真正的组织内部，情况要复杂得多。.
执行不等于判决
在关于人工智能与就业的争论中，最有意义的区分并非在于人工智能能够完成哪些任务、无法完成哪些任务。因为这一界限正在迅速变化。更持久的区分在于“执行”与“判断”之间。.
执行是指可以明确界定和评估的工作。编写此函数。根据一套规则检查此应用程序。审查这些合同中是否存在异常条款。起草此报告的初稿。转交此客户请求。核对这些账户。.
人工智能在许多此类任务上已经表现得非常出色。它速度快、不知疲倦，且边际成本低廉。如果运用得当，它能省去数小时的重复性工作，让人有更多时间去解决棘手的问题。.
当说明书结束之处，便是判断的开始。.
这款产品到底该不该开发？哪种技术上的捷径会在两年后带来高昂代价？客户的要求是否不合理？基于客户的历史背景，是否可以打破既定政策？一个在技术上符合规范的决定，是否仍然不公平？这一建议会对这段耗时十年才建立起来的关系产生什么影响？
这些问题取决于具体情境、后果以及责任归属。它们需要有人注意到那些系统从未被要求去关注的事项。.
人工智能在辅助此类决策方面将日益精进。在此过程中，它可能会对专家提出挑战，并揭示人类推理中的薄弱环节。但各组织仍然需要那些能够理解现实情况、能够评估结果，并在答案出错时承担责任的人员。.
执行能力的提升并不意味着判断力变得不那么重要。通常情况下，由于产出的数量和速度增加，判断力反而变得更加重要。.
发动机、驾驶舱和罗盘
将这一区分付诸实践的一种方法是，将组织工作视为由三层构成的体系。.
1. 引擎：以人工智能为驱动的执行
“引擎”包含结构化、可重复的工作，具有明确的输入和可衡量的输出。其中包括生成标准代码、核对账目、分发支持请求、筛选申请、提取合同条款以及起草初稿。.
这正是人工智能能够发挥最大独立作用的领域。任务定义得越明确，其输出结果的验证成本就越低，那么采用自动化的理由就越充分。.
原理很简单：如果某项工作能够明确界定且以较低成本进行验证，就将其纳入引擎。.
2. 驾驶舱：人类与人工智能的协作
“驾驶舱”就是混合层。人工智能负责生成分析结果、方案或建议，而人类则负责解读情况，并判断这些输出结果是否符合具体情境。.
审查由人工智能生成的代码属于此范畴。处理特殊客户案例、评估信贷例外情况、调查合规警报，以及根据客户组织内部的政治环境调整方案，也都属于此范畴。.
“驾驶舱”中的人并非为了批准机器产出的每一项结果而存在。他们的职责是对此提出质疑、进行调整，并识别出何时实际情况已不再符合系统背后的假设。.
其原则是：让人工智能加快工作进度，但要由合格的人员积极进行指导。.
3. 指南针：人的判断
“指南针”指明方向。它涵盖了目标、价值观、权衡取舍以及责任归属。公司应该打造什么？应该承担哪些风险？应该服务哪些客户？何时应该调整政策？公司希望成为什么样的组织？
人工智能可以为这些选择提供参考。它能够挖掘证据、挑战假设，并模拟可能的结果。但人们必须对决策及其后果承担责任。.
其原则是：将人工智能作为输入，但责任仍由人类承担。.
这些层级之间的界限将会发生变化。随着人工智能的进步，更多工作将从“驾驶舱”转移到“引擎”中。这正是组织所期望看到的。但能力的提升速度可能快于责任的转移。一项任务能够被自动化处理，并不意味着相关的决策就不再受具体情境的影响。.
发动机负责执行。驾驶舱负责解读。罗盘负责决策。.
当领导者只顾强化“引擎”、掏空“驾驶舱”，却以为“指南针”总能自行运转时，失败便随之而来。.
Klarna 触及了极限
Klarna 提供了一个检验这一区别的实用案例。.
2024年，这家支付公司表示，其人工智能助手在推出一个月内，就完成了相当于700名客服代表的工作量，并处理了公司三分之二的客服聊天。Klarna还暂停了招聘，其员工人数随后减少了约22%，主要通过自然减员实现。.
从经济角度来看，前景一片大好。随后，该公司遇到了瓶颈。.
2025年，首席执行官塞巴斯蒂安·西米亚特科夫斯基承认，成本已成为客户服务组织中过于主导的因素，导致服务质量下降。Klarna开始招聘灵活的远程人工客服，并强调客户如有需要，应始终能够联系到真人客服。.
这并非对人工智能的全面放弃。Klarna 继续广泛使用该聊天机器人。在随后提交的一份文件中，该公司表示，2025年期间，该聊天机器人处理了80%的客户服务聊天，且根据其内部调查，客户满意度并未下降。.
这一教训远比一个简单的失败故事更有启发性。Klarna 在纠正“效率就是产品的全部”这一假设的同时，依然保持了效率。自动化服务在处理常规交互时表现出色，但在遇到不符合模式的情况时，仍需人工介入。在客户服务中，正是这些特殊时刻往往决定了人们对品牌的印象。.
Klarna 发现的并不是人工智能无效。其引擎是有效的。该公司发现，当交互不再符合标准模式时，客户仍然需要使用“控制台”。.
重组与团队并不相同
如果说Klarna凸显了削减过多人工支持的难度，那么Meta则凸显了围绕人工智能战略重新调整人员配置的难度。.
2026年5月，Meta计划裁减约10%的员工，同时将大约7,000名员工调入以人工智能为重点的新组织。内部文件中提到了更扁平化的组织结构、更精简的团队以及更大的自主权。一些员工将这种强制性调动称为“被征召”。”
一个月后，Meta首席技术官安德鲁·博斯沃思在一篇内部帖子中承认，公司在推出其中一个新部门时表现“极其糟糕”。更具说服力的是，他指出了此次事件造成的损害：员工们曾相信自己的专业知识会受到重视、职业生涯会得到发展、并且能够产生有意义的影响，而这些信任如今已然受损。.
由于此次重组，Meta最终可能会开发出更优秀的人工智能。推出过程的艰难并不能证明该战略会失败。但将人才汇集到一个以人工智能为导向的组织架构中，并不等同于组建一支运转良好的团队。“Cockpit”团队的运作依赖于信任、连续性，以及对工作重要性的共同理解。.
人们需要知道自己的工作为何重要。他们需要能够了解其优势的管理者，以及足够的稳定性，以便了解决策是如何做出的。你可以在一个下午内将人员从一个部门调到另一个部门，但人际关系和共同的背景并不会自动随之转移。.
2026年7月，26名Meta员工提起的一起诉讼进一步凸显了这一问题。这些员工指控Meta在筛选裁员对象时，使用了内部人工智能系统、活动监控工具data、代币使用情况仪表盘以及算法辅助的绩效排名。 他们声称，该流程将医疗假、育儿假或家庭假期间视为工作产出减少，导致受影响的员工更容易被选中。Meta否认了这些指控，并表示其人力资源决策是由人而非AI做出的。.
这些说法尚未得到证实。但这种所谓的失效模式是每个组织都应予以重视的。一个系统即使能准确处理现有指标，仍可能做出错误决策，原因在于这些指标缺乏背景信息。测量到的产出减少可能意味着绩效不佳，但也可能意味着怀孕、生病、照顾家人或因残疾而采取的合理便利措施。.
引擎应用该指标。驾驶舱询问该指标的含义。指南针决定组织愿意承担哪些后果。.
组织是如何记忆的
大多数组织知识并不存储在领导者想象中的地方。它并非全都存在于代码库、客户关系管理系统（CRM）、政策手册或共享驱动器中。其中很大一部分存在于那些几乎不被视为工作的细微互动之中。.
那是每周例行站立会议上，有人突然想起三年前一个类似的想法为何失败。那是与客户的总结会议上，才发现真正的反对理由是政治因素，而非技术问题。那是资深工程师审视着通过了所有测试的代码，却说：“在实际运行环境下，这段代码会出错。”
这些时刻看似效率低下，但正是组织记忆的源泉。.
在律师事务所、咨询公司、银行或政府机构中，客户关系本身就是服务的一部分。 价值不仅源于交付成果，更源于对客户过往经历、内部政治关系、风险承受能力以及未明言的限制条件的理解。在政府部门也是如此，一名个案工作者或规划官员可能掌握着多年积累的实践知识，而这些知识却从未有人想到要记录下来。.
人工智能有助于捕捉更多这方面的内容。更完善的搜索、转录和机构记忆工具确实非常有用。但文档记录始终是对现实的一种筛选。人们记录的往往是他们已经知道的重要内容。经验在一定程度上体现在：在任何人将其记录下来之前，就能识别出事物的的重要性。.
当竞争对手能够获得类似的模型和基础设施时，持久的优势取决于技术的应用方向、所处的环境以及对其产出所采用的标准。.
人工智能能够创造均势。而人们则将均势转化为优势。.
裁员改变了留下来的人
裁员的成本通常包括遣散费、法律风险、过渡期以及离职员工带来的损失。而留任员工的行为则更难量化其价值。.
马格努斯·斯韦尔克（Magnus Sverke）、约翰尼·赫尔格伦（Johnny Hellgren）和卡塔琳娜·内斯瓦尔（Katharina Näswall）于2002年进行的一项荟萃分析，考察了72项关于工作不安全感感知的研究。该研究发现，不安全感与工作满意度、组织承诺以及绩效之间存在负相关关系。这些是相关性，而非由特定裁员事件导致的百分比下降。 尽管如此，其趋势是一致的：当人们不再感到安全时，他们与组织的关系就会发生变化。.
查理·特雷弗和安东尼·尼伯格的研究表明，劳动力规模每减少1%，次年的自愿离职率预计将增加31%，尽管相关的人力资源管理措施也会影响这一结果。.
这便引发了一个人员筛选难题。最有可能离职的员工，往往是那些技能过硬、人脉广泛且拥有诱人选择的人。公司一旦选择裁撤某一组员工，就可能引发另一组员工主动离职。.
这并不意味着裁员绝非必要。这意味着裁员并非简单的减法。它会改变整个组织内的信任关系、激励机制和行为模式。当人工智能被作为公开理由时，其影响可能会更为剧烈，因为员工被要求去培训和改进那些可能为下次裁员提供依据的系统。.
人才储备体系存在延迟性失效
初级岗位是最容易实现自动化的岗位之一，因为这些岗位的大部分工作成果都是结构化的且可以进行审核的。这使得它们成为削减成本的明显目标。但也正因如此，裁撤这些岗位存在风险。.
初级工程师不可能通过回避简单的工作晋升为高级工程师。见习律师如果不审阅普通合同，就无法培养判断力。新入职的顾问如果只收到最终建议，就无法学会如何把握客户情绪。.
专业技能是通过反复练习、纠正、观察以及在指导下犯错而培养起来的。.
如果人工智能承担了大部分入门级的工作，企业就需要重新设计员工积累经验的方式。这或许能带来真正的改进。许多传统的初级工作既枯燥乏味，又能带来的经验也远不如资深专业人士所承认的那样多。但取消这些工作并不等同于替代了相应的学习过程。.
如果企业一方面削减初级岗位的招聘，另一方面又裁减负责审核人工智能输出结果的高级人员，那么开发周期的两端都会受到破坏。这样一来，企业不仅会失去当下的判断力，还会失去未来判断力的来源。.
这些后果不会在本季度显现。它们将在几年后浮出水面——届时，各组织才会发现，虽然拥有许多能够生成答案的工具，却几乎没有能识别出错误答案的人员。.
人才储备体系并非一项人力资源计划，而是一项准备周期较长的生产基础设施。.
无论如何都应削减的理由
另一方面，也有一个有力的论点。.
一位有纪律的首席财务官可能会说，许多初级工作确实正在消失，而假装并非如此不过是怀旧罢了。 保护那些已被技术淘汰的岗位并非善用资源，而是一种竞争对手绝不会承担的补贴。裁员中流失的部分机构知识，不过是披着智慧外衣的习惯罢了。企业此前也曾将各类手工活实现自动化——从制造业到排版再到后台财务——而经济最终都适应了这种变化。.
从这一角度来看，留住员工并对其进行再培训，只是推迟了必然的变革。当其他企业还在犹豫不决时，率先采取行动的企业将能降低成本，实现更清洁的运营。.
这一论点在某些方面是正确的。有些岗位确实不会恢复，而试图保住每一个岗位只会导致缓慢衰落。这并非意味着裁员总是错误的，而是说这种推理往往停步过早。.
人员数量并非唯一值得优化的变量。 领导者还需决定哪些能力必须在转型中得以保留：判断力、审查能力、人际关系，以及培养未来专业人才的人才储备体系。他们需要明确哪些工作应归属于“引擎”，哪些领域“驾驶舱”仍至关重要，以及谁掌握着“指南针”。只有这样，他们才能就哪些人员应被裁减、再培训或重新部署做出明智的决策。.
甲骨文和Klarna并未暴露出人工智能的弱点。它们揭示的是，一味追求那些最易衡量的指标，却忽视了那些难以察觉的方面，这种做法所付出的代价。.
更好的平衡
新加坡最大的银行星展银行（DBS）提供了一种更为审慎的模式，尽管这一过程并非毫无阵痛。.
该行预计，随着人工智能承担更多工作，未来三年内将有约4,000个合同制和临时岗位被淘汰。该行还表示，预计将创造约1,000个与人工智能相关的工作岗位，同时对现有员工进行再培训，使其承担新的职责。 例如，出纳员已经接受了培训，能够操作视频出纳机，或转岗从事客户关系管理工作。.
星展银行（DBS）也在持续投资于其人才储备。2026年5月，该行宣布计划通过管理培训生、实习生和见习生项目，引进500多名本地青年人才。.
这仍然是裁员。 区别在于，DBS正在明确决定哪些工作可以转移到“引擎”部门，以及希望在“驾驶舱”部门保留和培养哪些人才能力。该公司对初入职场人才的持续投资，也保障了未来能够胜任“指南针”岗位的人才储备。虽然现在判断结果还为时过早，但这种做法提出了一个更具建设性的问题。.
解决之道并非放缓人工智能的采用步伐。拒绝采用这些工具的企业将失去竞争力，其员工也将被迫从事不必要的手工劳动。更好的做法是将人工智能的采用视为组织设计的一部分，而非单纯的人力资源计算问题。.
这意味着将执行任务明确划定范围后交由“引擎”处理，同时强化其周围的“驾驶舱”。这意味着要衡量成果，而非关注提示、令牌或节省的时间。这意味着在缩减团队规模之前，必须先厘清依赖该团队的关系和运营知识。 如果人工智能取代了初级任务，就必须通过复盘、模拟演练、接触客户以及获取资深人员的推理思路等方式，有针对性地替代这些任务所承担的学习功能。.
这也意味着要在转型过程中赋予员工一定的自主权。Meta的经验表明，当员工觉得自己被强行调往不熟悉的工作岗位，却没有明确的目标或职业发展路径时，人工智能战略很快就会演变成信任问题。.
最重要的是，领导者不应再认为，当生产率提高时，员工人数必须是唯一需要削减的变量。更高的生产率不仅能降低成本，还能带来更优质的产品、更快捷的服务、更多的创新尝试，以及此前因不经济而无法开展的工作。.
在增长与缩减之间做出选择是一项管理决策，而非技术的必然结果。这属于“指南针”的范畴。.
公司不仅仅体现在其产出上
人工智能系统将持续处理更长、更复杂的任务。人类与机器执行任务之间的界限将不断变化。任何声称能准确预测五年后这一界限将位于何处的文章，很可能很快就会过时。.
但公司并非仅仅是一系列任务的集合。.
这是一个由判断、信任、记忆、激励和关系构成的网络。其产品源自这个网络，但产品本身并不能体现出这个网络的存在。正因如此，它才如此容易受到损害。一家公司可能仍在持续推出产品，而支撑这些产出的知识基础却在悄然流失。.
从人工智能中获益最多的组织，未必是那些率先将员工人数削减到最低水平的组织。而是那些能够弄清楚哪些工作应当被淘汰、哪些能力必须得到加强，以及在机器承担更多实际工作的情况下，人们将如何继续培养判断力的组织。.
人工智能可以实现自动化执行。.
组织是由人构成的。.
这种区分并非出于感性，而是出于战略考量。.
在贵组织对另一个工作流进行自动化之前，有三个问题值得思考：
- 引擎中应该包含什么？
- 驾驶舱在哪些方面仍然重要？
- 谁掌握着罗盘，谁又该为后果负责？
