本文选自《哈佛商业评论》，原作者为Faisal Hoque, Tom Davenport 和 Paul Scade，以下为AI翻译基础上的简单调整。

AI转型的关键命题：重新设计工作，而非削减岗位

导语：AI裁员潮的头条之下，这项技术对就业的真实影响远比叙事来得克制。但真正值得警惕的不是企业动作快，而是频繁出错——问题不在"裁得太多"，而在"从错误的起点切入"：从人员头寸入手，而非工作本身。

一、热叙事，冷事实：裁员潮比想象中来得更早，也更乱

AI在短期乃至中期内将如何影响劳动力，目前尚无定论。但许多企业的动作，已经跑到了事实依据前面。

相当一部分"AI裁员"更接近一种"AI洗白"（AI-washing）：用AI术语重新包装普通的重组举措，向投资者传递"我们已掌握技术变革"的信号。

高盛估计，过去一年中，AI仅使美国月度非农就业增长减少约1.6万个岗位，失业率因此上升约0.1个百分点。这一数字包含招聘放缓与直接裁撤两部分，未来大概率还会增加——但就目前而言，我们仍处在比主流叙事所暗示的早得多的发展阶段。

规模虽小，错误却不少。

2025年4月一项针对1000名商业领袖的国际调查显示：在因实施AI而裁员的企业中，55%承认自己的人员配置决策是错的。另一项覆盖600名HR领袖的更新调查中，针对截至2026年2月的12个月内实施的AI驱动裁员，仅有8.4%的受访者表示重组达到预期效果、愿意再来一次。

代价高昂的反转已经开始。高德纳（Gartner）预测，因AI削减客户服务人员的公司中，一半将重新雇回员工；弗雷斯特（Forrester）预计，归因于AI的裁员中一半将被撤销——尽管替代岗位可能被外包，或以更低薪资重新填入。

这些数据指向同一个判断：问题不在于公司行动太快、裁得太狠，而在于许多公司从错误的起点切入——从"人头数（headcount）"出发，而不是从"工作本身（work）"出发。

二、三个典型误区：企业为什么频繁犯错

误区一：预测性裁员——为"想象中的AI"裁"现实中的员工"。

许多企业的劳动力调整，依据的是对未来AI能力的预测和市场叙事，而非自身应用实践。近期一项针对全球1000多位高管的调查发现：基于实际AI应用而大幅减员的组织仅占2%，却有60%的组织在裁员或缩减招聘时明确声称与AI有关。

Block在2026年2月裁减了近一半员工，是其中最高调的例子：CEO杰克·多西将裁员归因于AI，但连他自己都承认，这是对技术发展方向的下注，而非技术当前能为公司做什么。

误区二：在不理解AI能力的情况下裁员。

即便决策立足于当前应用，裁员也往往缺少对AI具体能力与局限的充分理解。54%的HR领袖表示，如果对AI能做什么有更深入了解，本可以做出更好选择；近四分之一承认，裁员决策未经业务案例测试；55%表示"并不值得"——AI所需的人工监督，远超预期。

误区三：毒化内部文化——把裁员包装成"对AI的回应"。

一项针对5400名美国员工的调查发现：经历过裁员（无论何种原因）的组织中，员工敬业度从51%降至44%，58%的留任员工变得更有可能考虑跳槽。将裁员包装为对AI的回应，破坏的是留任者的心理安全感——他们不再投入工作，也不再愿意尝试借助AI提升生产力。

高德纳近期的一项调查，为上述误区画上了注脚：80%的公司在引入新的"自主业务能力"时削减了劳动力，但员工人数的减少与投资回报率之间没有任何相关性。

在企业把成功标准从"成本节约、人头缩减"转向"决策质量、组织能力、学习积累"之前，同样的错误还会重演。

三、正本清源：人员精简的本质是能力设计，不是成本削减

更可持续的方法是：

AI时代的组织重构，不是从组织架构出发，而是从任务与业务流程出发：先理解AI如何改变工作的具体任务与价值创造方式，再重新定义完成这些任务所需的人类能力与技术能力，最终以能力重构组织。

这不是一道成本题，而是一道能力设计题。

它要求企业完成四项关键任务：重新界定工作单元；把AI决策与业务战略相连；建立对AI能与不能的现实认知；并保持足够弹性，随技术与证据的演进而调整方向。此外，还需把"可逆性"作为一项设计标准，而非事后补救。

四、四项关键任务：一份人员精简指南

任务一：重新定义工作单元——从岗位到任务

组织启动精简时，通常先定"裁多少个岗位"，意在用AI替代岗位的核心功能。但大多数白领岗位由多项任务构成：各层级员工都在沟通、协作，并做出难以简化为算法的判断。

消除岗位而非消除任务，意味着AI只能接住岗位中最显眼的部分。隐性工作缺失后，显性工作无法运转，组织被迫重新招人——要么为补救漏洞设立新岗，要么恢复旧岗。

三分之一的HR领袖报告，在裁员的同时失去了关键技能与专业知识。这个数字说明了一件事：不知道自己正在失去什么技能的组织，从未真正理解被消除的岗位在做什么。

因此，第一步是将岗位拆解为组成任务，在完整业务流程中判断哪些活动可被AI替代、哪些不能——只有这样，新的劳动力形态才有推导的基础。

任务拆解之后，哪些任务适合优先由AI承接？可参照"四高两低"场景筛选口径：

高频发生——任务出现频率高、需求稳定持续；

高重复执行——规则相对明确、操作大量重复；

高数据基础——数据与知识积累充分、质量可控；

高性价比——预期业务收益明显优于建设与运营成本；

低实施风险——数据安全、合规与业务连续性风险总体可控；

低实施难度——技术成熟度与流程基础支持较快落地。满足"四高两低"的任务优先自动化，其余环节保留人的判断与监督。

企业降本增效的AI场景设计与实践丨进一步深化国资国企改革 · 数智化转型专栏

花旗集团的做法是这一逻辑的例证：它没有从目标裁减量入手，而是先列出50个需要提高自动化程度的流程，确定技术与流程再设计能在何处改变工作，再据此做出人员配置决策。

分析在前，重组在后。

任务二：制定业务战略，而非AI战略

"AI能帮我们减多少人？"是一个错误的问题。它把AI当成了孤立的、与业务战略脱节的降本工具。正确的问题是：实现业务目标所需的人机资源最优组合是什么？

有时答案是直接减员降本；但更多时候，AI释放的资源最好被重新部署——在人能创造AI所不能创造价值的领域增加人员，或将现有员工的精力转向新任务。

沃尔玛已押注"重新部署优于替换"：投资近10亿美元为160万名美国员工提供AI培训，其CEO预计三到五年内员工总数与今天大致相当。摩根大通同样从"如何重新部署AI释放的人力"出发：运营岗位减少4%、支持性岗位减少2%，但面向客户和创造收入的团队扩充4%，总人数稳定在略超30万。

值得强调的是，稳定人头数本身不应成为目标。总人数应服从于"人与AI在恰当位置创造价值"的业务战略——摩根大通CEO戴蒙同样预计，未来五年员工总数会下降。

任务三：理解AI能做什么——领导者的AI素养

2023年一项针对数千名董事会级高管的研究发现，仅8%的高管披露自己对AI技术的任何维度拥有实质性概念知识。2025年高德纳对456名CEO的调查显示，仅44%的CEO认为自己的CIO精通AI；披露拥有AI专业知识的董事会成员比例，仅从1.5%升至2.7%。

领导者不懂AI，结果只有两个：要么把劳动力决策委派给缺乏业务语境、难以做好的技术团队，要么基于有缺陷的假设自行决策。

弥合差距已有可行路径。施耐德电气在制定生成式AI战略前，四周内举办了56场研讨会，把AI专家与15个职能部门的高管聚在一起——将AI素养植根于具体业务语境，而非抽象培训。瑞银集团将高级领导者送往牛津大学赛德商学院参加"AI高级领导力之旅"；宜家设定了对500名领导者进行AI素养培训的初始目标，随后已扩大规模。

这类投入，是任务级分析得以负责任展开的先决条件。

任务四：理解AI不能做什么——守住人类的边界

某些AI短板只是当前模型的局限；但有些边界大概率长期存在。选择价值观、行使伦理判断、把决策放入组织历史与人际关系的语境中、知道何时推翻一项建议——这些需要道德主体性与责任担当的任务，无法委派给算法，无论算法多么先进。

在多数组织中，问责功能由中层管理者承担：他们连接战略与执行，承担实施决策的责任，并充当组织的良知——监督领导层意图与基层现实之间的落差。将这一层自动化，破坏的是组织承受不起的伦理基础设施。而光辉国际2025年的调查显示，41%的公司已经减少了管理层级，部分原因正是AI。

许多公司最终发现：自己最需要的人工监督能力，恰恰是一直在裁减的判断力与转化能力。

五、为可逆性而设计：渐进，而不是浪潮式

岗位被消除、资深员工离开时，随之流失的是机构知识、工作关系与语境理解。重新招聘不是解雇的反向操作——它更慢、更贵，且替代者很难带来同等深度的组织理解。

在AI能力快速演进、何种重组有效仍不确定的当下，劳动力结构需要保持可调整性。这意味着三件事：优先使用自然流失与内部再部署；分阶段推进裁员，而非单次浪潮；把可逆性作为设计标准，而非事后补救。

花旗的转型自2022年启动，至2026年仍在推进。它在2023年将生成式AI纳入计划，宣布三年内裁减至多五分之一的劳动力、削减25亿美元成本——但实际节奏克制：从24万人的基数出发，迄今裁减约1.5万人。同时，技术团队中承包商占比的目标是从约50%降至20%，空缺职位约半数由现职员工填补。

雄心可以很大，动作必须很稳。

结语：更小，还是更聪明？

成功驾驭AI过渡的组织，将把人员精简视为一项能力设计练习，而非一项降本举措：在裁员之前先拆解工作，把AI嵌入更广泛的业务战略，并投资理解这项技术的威力与局限。

如果成功的衡量标准是头数的减少，那么结果只有一个——组织变得更小，但并没有变得更聪明。