AI 结构性失业：岗位还在招人，被替代的人为什么匹配不上？

招聘网站上的岗位还挂着，新岗位也在往外冒，可被 AI 顶下来的那批人还是接不上。这件事最容易被读成「岗位总量不够」，于是个人等着经济回暖，政策数着岗位数量交差。这篇专题要说明的是另一件事：这一轮的核心问题不是总量够不够，而是人和岗位对不对得上。而「对不上」至少分成两条线，一条是技能对不上，岗位在，但被替代的人干不了；另一条是数量对不上，新岗位不够填，也接不上。我们先从最容易被混在一起的地方说起。

这一轮的「没工作」，为什么不是等经济回暖就会好的那一种？

「没工作」在经济学里不是一个现象，而是三种。它们的区别在于成因，而成因决定了它会不会自己好。

周期性失业来自总需求不足。经济一冷，企业先减少招聘、再裁员；经济回暖，用工回到原位，人也就跟着回去了。摩擦性失业是正在换工作的那段空档，人还在市场上找，缺的是信息和匹配效率，匹配机制顺一点，这段空档就短一点。结构性失业说的是第三件事：人会的和岗位要的对不上。就算岗位总额一个都没少，这批人照样接不上，而且经济回暖帮不了它，因为问题不出在需求，出在匹配。

图注:三种失业的成因决定各自能否随经济回暖自愈

三种里只有第三种不会随总需求回升而消解。这一点值得单独强调，因为它决定了后面所有讨论的靶子。如果问题在总量，答案就是等回暖、数岗位；如果问题在匹配，答案完全是另一套。

那这一轮值得单独讨论的体量有多大？IMF 在 2024 年 1 月发布的 Staff Discussion Note 给出的答案是：按工作年龄人口加权，全球约 40% 的就业落在高 AI 暴露职业，先进经济体约 60%，新兴市场约 40%，低收入国家约 26%；先进经济体内部又分成两半，高暴露且高互补的一端占 27%，高暴露且低互补的一端占 33%。国别差异也很明显，英国约 70%、美国约 60% 落在高暴露职业里，两国都几乎在高互补与低互补之间对半分布。IMF SDN

这组数字值得看一眼原始的分组结构。

图注：按国家组与选定国家分列的就业结构堆叠柱。每一根柱由三段组成，深红是高暴露且高互补，也就是 AI 能放大这类职业的生产率、但社会不太会让 AI 自主替人做决策的那一块；浅红是高暴露且低互补，也就是 AI 比较容易接管关键任务的那一块；深蓝是低暴露。左半按国家组分，先进经济体那一柱里红色段最厚；右半按选定国家分。这张图最要紧的信息在深红那一块：高暴露里有一整块是受益侧，所以暴露衡量的是 AI 与这个职业的任务重叠了多少，不是这个职业会被裁掉多少，更不是失业率预测。IMF SDN

这里要交代一处归属，免得把口径记错人：IMF 这份报告并没有单独给周期性、摩擦性、结构性下教科书定义，它在文中用的是 structural transformation、worker reallocation 这类措辞，等于承认本轮属于结构性调整。三分法本身按通用教科书口径理解，不是 IMF 的贡献。

为什么被反复讨论的偏偏是第三种？IMF 自己把这一轮和上一波自动化做了对比：上一波主要打中等技能工人，而这一轮 AI 的位移风险沿收入分布相对均匀，向上延伸到了高收入与专业人士。IMF SDN 换成一句更直白的话，替代这一次跨过了体力与脑力的边界。2026 年 3 月两会期间，全国人大代表陈达在提案里把同一件事说成「替代范围已从『体力』向『脑力』延伸」，并点名内容创作、代码编写、客服咨询、数据分析这类白领岗位。陈达提案

所以这一轮的核心问题是人和岗位对不对得上，而不是岗位总量够不够。那到底是什么对不上？先说技能这一头。

技术在偏帮谁：为什么技能供给涨了，这类技能的相对回报反而没跌？

先用一句白话把结论摆出来：技术不是均匀地帮所有人提效，它优先放大某一类技能的相对产出，于是另一类技能的相对回报就被压下去了。这个「偏」在经济学里有名有姓，叫技能偏向型技术进步，英文是 skill-biased technical change，简称 SBTC。

SBTC 最直接的诊断来自 Acemoglu 在 2002 年《Journal of Economic Literature》上的那篇综述。他观察到的是一组很难两全的事实：战后六十年里，美国熟练工人相对非熟练工人的供给一直在快速上升。按最简单的供求直觉，供给多了，熟练工人的相对工资也就是技能溢价该往下走，可现实是技能溢价不降反升。供给曲线右移不能同时解释这两件事，唯一的出口是相对需求曲线自己也在右移，而右移的候选原因里最自然的一个就是技能偏向型技术进步。Acemoglu 2002

图注：相对需求与相对供给的供需几何。横轴是熟练工人相对非熟练工人的供给，纵轴是技能溢价，两条向右下方倾斜的线是相对需求曲线。供给从左边那条竖虚线移到右边之后，如果需求曲线不动，技能溢价本该跌到较低的那个均衡点；而技能偏向型技术进步把需求曲线整体右移，新的均衡点落回更高的位置。这张图要说的事情只有一句：供给涨了而溢价没跌，只能是需求曲线自己动了。它是一张纯示意图，图上没有单位，任何具体数值或斜率都不能从图上读出来。Acemoglu 2002

要固定「偏」这个直觉，可以这样想：技术不像给所有人的产出一律乘同一个系数，它更像只对某一类活儿生效的优化。同一批人本身没有变，被优化的那一类活儿的身价相对就抬起来了。这句话里最要紧的词是「相对」。SBTC 从来不是主张 AI 在帮白领，也没有说哪些人整体受益，它说的只是相对回报的方向变了。

那这个机制在当代长什么样？OECD 用 10 个成员国的在线招聘大数据做了一次测算，按暴露度高出均值一个标准差来定义高暴露，高 AI 暴露岗位约占全部空缺的三分之一。剔除掉明确要求 AI 专业技能的少数岗位之后，2021 到 2022 年这批岗位点得最多的并不是 AI 技能，而是资源管理、商业流程、态度、社交、数字这五类通用能力；更要紧的是它们的需求份额在 2012 或 2018 到 2022 这个窗口里普遍上升了 5 到 8 个百分点。OECD 2024

图注：高暴露岗位里五类技能的需求份额变迁。横轴分成语言、认知、数字、社交、态度五组，深蓝柱是基期份额，柱顶上方那些浅蓝菱形是末期份额，五组全都往上走。要注意两点：一是这里画的是份额，反映的是岗位要求的能力组合在升级，不等于岗位数量在增加；二是它用的是十个 OECD 国家的招聘数据，图上是未加权平均。OECD 2024

只讲上升的这一半，会把 SBTC 讲成一个「AI 让这些技能更值钱」的乐观故事。同一份报告里还有方向相反的另一半：在企业层面的面板里，AI 暴露最高的那批企业，这些技能的需求份额已经在往下走，资源管理下降约 4 个百分点，商业流程下降约 3.5 个百分点，认知与数字也显著为负，而与蓝领相关的生产与技术类反而小幅上升。OECD 2024

两半一起看，这一轮比经典的电脑化、机器人化更尖锐：市场层面的份额在涨，企业内部最深处的份额在跌，两股方向相反的力同时显形。这里还有一处反常需要点破。份额上升听起来像好消息，但份额的分母是那个岗位里的能力组合，不是岗位个数。一批岗位把要求抬高，同时另一批岗位直接消失，完全可以是同一件事的两面。所以「份额上升」推不出「岗位变多」，SBTC 说的仍然是相对回报的方向。

既然技术在偏帮某一类活儿，那被它抽走的到底是哪一类？

岗位被拆成任务之后，最先被抽走的是哪一层？

要理解这一层，先得接受一个转换：岗位不是一个整体被替换，它是一串任务。这个分析框架叫任务替代逻辑，英文是 task-based framework。把岗位拆成任务之后，「AI 会替代哪些岗位」这种问法就不成立了，得改问「哪些任务会被接管，剩下的任务要求什么」。

Acemoglu、Kong 与 Restrepo 在 2024 年 8 月的 NBER 工作论文里把这套框架系统整理成四类作用方式。第一类是放大某一类劳动已经在做的任务的产出，第二类是放大资本在已分配任务上的产出，第三类是让资本、软件或算法接管原本由人执行的任务，第四类是在生产里引入全新的任务。第三类的直接效应叫直接替代效应，英文是 displacement effect；第四类的直接效应叫直接恢复效应，英文是 reinstatement effect。这两者是一对对偶机制，不是同一件事：替代必然压低被替代群体的任务份额与相对工资，新任务创造则倾向把人重新纳入并抬高劳动份额，净效果取决于两边谁大。Acemoglu et al. 2024

图注：任务空间被技术作用的全貌。中间写着 Task space 的方框是任务空间，框内被曲线划成几块子区域；框外左上方与右上方各有一块不规则灰斑，分别是被自动化的任务与被新造出的任务；两条曲线箭头从灰斑指回框内，标注为直接替代与直接恢复两条机制，框内还有虚线箭头表示任务在群体之间的再分配。这张图要固定的是一个对偶关系：自动化与新任务创造是两件不同的、方向相反的机制。要提醒的是，框内那几块子区域是形式化的划分，不等于白领、蓝领、中间层的现实划分。Acemoglu et al. 2024

那先被抽走的是哪一层？这套框架承袭了非常规与程式化的三任务原型：非常规的问题求解与复杂沟通，非常规体力，以及程式化认知加程式化体力。算法只能便宜地执行那些可以被写成逐步规则的程式化任务，所以最早被抽走的是中间那一层。剩下两端的任务换了一套要求：一端是非程式化的分析判断与非常规的人际沟通，另一端是非常规体力。这就是「中间层优先」的确切含义，它不是关于职业等级的判断，而是关于任务可编码程度的判断。

一个岗位可以想成一组事件处理器：能被写成规则的同类事件，先被新模块接管；留下来的那些处理器，要的是另一套反应方式。这个比喻只在一点上帮忙，就是「剩下的任务要求变了」。它不解释哪些处理器会被接管，那要看任务能不能被编码成规则。

自动化那一半单独看是这个样子：

图注：自动化机制的孤立示意。左侧文字块标出直接替代效应与成本节约两个量化对象，右侧是任务空间方框，其中一块子区域里有灰色斑块。这张图只静态画出任务空间的划分与自动化动到的东西，它没有把改动前后分成两幅画，所以不能从图上断言任务从哪里迁到哪里、幅度有多大。「中间层最先被抽走」这件事要靠正文的机制与数字支撑，不能让这张图代劳。Acemoglu et al. 2024

这套机制的量化幅度有多大？同一篇论文用美国 1980 到 2016 年、500 个按性别教育年龄划分的细分人群做面板回归，得到的结果是：一个群体的任务替代提高 10 个百分点，对应实际工资下降 16.5%、工时下降 22.5%；任务恢复提高 10 个百分点，对应工资上升 23.2%、工时上升 36.2%。两者的净效应一负一正，共同解释了这段时间跨人群工资变化方差的约 67%。Acemoglu et al. 2024 这些数字的边界要一并记住：它们是 1980 到 2016 年的美国截面估计，不能直接套到当前的 LLM 冲击上；这篇综述的材料覆盖到 2024 年 8 月为止。

还有一件事让「哪些岗位最暴露」这个名单变得不像看上去那么稳。斯坦福的一篇 arXiv 论文用语言模型做两两比较、再用线性规划求解约束，估出了 O*NET 上 18,796 个任务、876 个职业单次发生的耗时权重，整轮成本约 250 美元。把原来按任务个数加权换成按工时加权之后，多数职业的暴露工时占比反而低于任务数占比，而最暴露的那一小撮职业反而更高，最暴露与最不暴露之间的差距被拉大。最直接的后果是：在既有框架里被反复引用的「AI 暴露最高 25 个岗位」中，有 11 个因为换了时间权重被替换掉，其中 9 个是文员或客服类。个别例子的落差相当大，按摩治疗师从 44% 的任务被标暴露变成只占 16% 的工时，精算师则从 37% 的任务变成 89% 的工时。TaskTime

图注：怎么把「按任务个数」换成「按工时」的方法流。左侧模块估计每个任务每天发生多少次，频次来自 O*NET 的频次分箱，用 CPS 数据校正后对受访者取平均；中间模块让语言模型对「哪类任务单次做起来更耗时」做两两比较；右侧模块把两边输出变成线性规划的约束并求解，得到时间权重，再和频次合并，算出每个任务占该职业工时的比例。这张图描述的是暴露的测算口径，不是替代率预测。TaskTime

口径调整不等于替代预测，这一点要单独说明：它改的是「哪些岗位算高暴露」的名单，不是「这些岗位会被替代」的预言。

那任务被抽走之后，新岗位会按时出现吗？这就是下一条线。

新岗位确实在冒出来，为什么「总量够」不等于「这些人能接上」？

新岗位确实在冒出来。问题在于，从「新岗位出现」到「被替代的那批人真的能上手」之间，隔着三道缝。

第一道缝是时滞。替代一项任务可以把成本在几轮工具迭代里压到接近零，而新岗位需要组织、流程与信任的重建，两边的速度差就是这道缝。可以这样想：改一个被大量模块依赖的接口签名，新版本几天就能上线，但上百个调用方得逐个重写、逐个重测。新接口就是新岗位要求的能力，调用方就是等着接上的那批人，中间那段迁移期就是时滞。

第二道缝是地理。AI 暴露与自动化冲击从来不是均匀分布。IMF 的一位经济学家用 2010 到 2021 年美国 722 个通勤区的面板数据做了因果识别，通勤区指的是以通勤流为边界划出的本地劳动力市场。结果是 AI 暴露每上升一个标准差，对应通勤区就业人口比下降约 0.976 个百分点；把 75 分位与 25 分位的通勤区放在一起比，前者比后者低约 1.25 个百分点。IMF WP/24/199 高暴露的地方并不是均匀撒开的，报告点名的高暴露都市群是旧金山、洛杉矶、圣安东尼奥、西雅图、匹兹堡、纽约、华盛顿与波士顿这几个。其余地方的工人只有两条路，要么迁向这几个都市群，要么原地换轨，两条都不轻松。

第三道缝是门槛，而且门槛的分布形态很值得注意。同一份研究给出的冲击落点是制造业与低技能服务业、中等技能工人、非 STEM 职业、年龄分布的两端以及男性；中等技能工人这一组的负向冲击最显著，研究自己指出这与上一轮程式化偏向技术变迁造成的劳动力极化模式高度相似。IMF WP/24/199 这里有两个限定必须写上。一是这份研究的估计用的是机器学习、机器视觉、自然语言处理、语音识别与自动导引车这五类技术的行业采纳率，数据窗落在生成式 AI 爆发之前，不能直接外推到 LLM 时代。二是它只覆盖美国，换成别的国家是开放问题。

三道缝可以用一张图连起来看：

还有一层容易被漏掉：暴露最低不等于不受影响。在美国，AI 采纳率最低的那批行业，采纳企业占比只有 0.5% 到 1.0% 之间，里面包括娱乐、公用事业、建筑、行政支持、住宿餐饮、零售、运输仓储、批发等行业。IMF WP/24/199 低技能服务业与部分批发零售正好在这批行业里。它们不是被 AI 直接冲击，而是被卷入这条错配链的另一种方式：本地的零售、餐饮、个人服务需求随制造业与白领岗位的收缩一起变薄。

图注：美国 AI 采纳率最低的十个行业。纵轴是采纳 AI 的企业占比，柱子高度都落在 0.5% 到 1.0% 之间，横轴是行业名，从娱乐、公用事业、建筑、行政支持、住宿餐饮，一直到零售、农业、运输仓储与批发。要特别说明这是最低十个行业而不是全美平均水平，采纳率最高的行业可以到约 6%，所以不能据此推断美国所有行业都不怎么用 AI。IMF WP/24/199

再往前看一步会更有说服力，因为同样的故事在上一轮自动化里已经演过一遍。Acemoglu 与 Restrepo 用 1990 到 2007 年美国 722 个通勤区的数据研究工业机器人渗透，得到的结果是：每千名工人多一台机器人，就业人口比下降 0.2 个百分点、工资下降 0.42%。注意这是把跨通勤区的贸易溢出算进去之后的合计估计，本地效应更大，就业人口比下降 0.39 个百分点、工资下降 0.77%。Acemoglu & Restrepo 2020 更关键的是时间尺度：这十七年的窗口里，本地就业并没有回到机器人扩散之前的水平。

冲击在地理上也从来不是均匀的，下图是 1993 到 2007 年机器人暴露的空间分布。

图注：上下两幅美国本土县级地图，颜色越深表示机器人暴露越高。上幅是全部暴露，深色集中在中西部、五大湖周边、密西西比河中下游以及阿拉巴马一带；下幅把汽车业剔掉之后，密歇根、伊利诺伊这些汽车带的深色明显变浅，说明这块最深的地方很大程度由汽车业撑起来。它展示的是空间分布，图上没有数值刻度，不能从中读出任何一个县的精确暴露值，也不能据此判断汽车带的差异是不是因果。因果识别由论文的通勤区回归承担。Acemoglu & Restrepo 2020

这两篇的关系要说清楚：前者是 1990 到 2007 年机器人时代的方法论前身，后者是把同一套思路迁到 AI 暴露上的当代延伸。暴露对象不同、时间窗不同，效应大小不能直接放在一起比。

到这里两条线都铺开了一半。技能端说的是「岗位在，人干不了」，数量端说的是「新岗位不够填，也接不上」。可如果你去查资料，会发现各家机构给出的数字彼此对不上，那就得先弄清它们各自在量什么。

同一件事，IMF、OECD 和中国的政策讨论为什么会给出彼此对不上的数字？

数字对不上，绝大多数时候不是有人算错了，而是他们切的是不同的东西。至少可以分成三种切法。

中间那一行值得单独展开，因为它是这一章最容易反直觉的地方。OECD 在 2026 年 7 月发布的报告里把这件事写成了官方结论：高技能岗位包括管理者、专业人士、工程师，暴露最高，但因为依赖非程式化的认知与社交技能，自动化风险反而较低；反过来，涉及程式化体力或认知任务较多的低中技能岗位，自动化风险更高。OECD 2026

图注：同一批职业里「暴露」与「自动化风险」的分开。上下面板各列出 2021 年自动化风险最高与最低的五类职业，条形越短表示风险越低。风险最高的五类是建筑与采掘、农林渔牧、生产、运输与物料搬运、安装维护与修理；最低的五类是商业与金融业务、法律、教育教学与图书馆、管理、社区与社会服务。有一个边界必须说明：这幅图本身画的只是自动化风险的排序，「AI 暴露最高的职业」是报告标题层面的主张，不在图里，所以不要用这张图单独去下「哪些职业 AI 暴露最高」的结论。OECD 2026

同一批职业可以既暴露最高又自动化风险最低，这不是矛盾，而是前面两章机制的合流：高技能岗位里那部分可编码的任务确实被抽走了，剩下的是非程式化认知与社交，而 AI 目前还没摸到那里。

中国政策讨论放在这套口径里读会更清楚。陈达那份提案在报道中显式援引了 IMF 的暴露数字作为外部背书，说明它不是一个孤立的国内叙事，而是这套国际口径下的本土政策回应。陈达提案 它具体在争什么，留到最后一章讲。

所以下一次再看到「AI 会影响 X% 的岗位」，先问三件事：它切的是国家、职业还是技能；它问的是暴露还是自动化风险；它的暴露是怎么定义出来的。

那历史上技术冲击不都自己修复了吗，这次为什么不行？

历史上技术冲击好像都自己修复了，这次还来得及吗？

要把「自愈」讲成一个有条件的机制，而不是一句「历史证明会恢复」。机制本身很干净：自动化让单位产出所需的劳动下降，价格随之下降；如果需求弹性足够大，价格下降带来的需求扩张会超过劳动节约，就业就随生产率一起往上走；反过来，需求弹性掉到 1 以下，劳动节约占主导，就业就随生产率上升而下降。

这套机制推出来的是一个倒 U 型的行业生命周期。行业刚起步时价格高、未被满足的需求大，自动化降价的收益主要体现在把更多人拉进市场，就业与生产率同向上升；等到需求饱和，价格再降也激不起新需求，就业就转向下降。

Bessen 在 2019 年发表于《Economic Policy》的论文里用美国三个制造业行业验证了这条轨迹，样本各自覆盖两个世纪：棉纺织业的端点需求弹性从 2.13 降到 0.02，初级钢铁业从 3.49 降到 0.16，汽车业从 6.77 降到 0.15，三者都从大于 1 落到小于 1。Bessen 2019 同一条论证还给出了一个和直觉相反的观察：失业的到来比自动化的开始晚了很久，不是一上自动化就立刻失业。

图注：三幅垂直排列的折线散点图，横轴是年份，纵轴是就业人数，黑色实线是模型预测，灰色十字是实际观测。上幅棉纺织业从 1830 年代起升到 1920 年代初的峰值后一路下降，是清楚的倒 U 型；中幅初级钢铁业从 1860 年代起上升，峰值出现得更晚；下幅汽车业从 1920 年代起快速上升，二战后稳定在一个高位平台上，形态上更像平台而不是陡峭的下降，可以把它当成「还在平台期」的对照案例。从图上读出的年份就业数不要当精确统计用，视觉读数有误差。Bessen 2019

三条限定必须一起说。第一，样本只有美国三个制造业行业，把它外推到服务业、白领与知识工作，是待实证的问题，作者自己也没有给出这些部门的需求弹性。第二，汽车那一幅在视觉上是高位平台，与论文把它纳入倒 U 型叙事的说法有微妙的不一致。第三，纺织业 1995 年之后、钢铁业 1982 年之后的下降，无法干净地拆开需求饱和与贸易冲击各占多少。

悲观一侧的证据正好来自前面那两篇区域研究，而且它们和乐观派的分歧并不在「自动化有没有影响」。

两派真正的分歧在时间尺度与样本覆盖上。乐观派看的是长窗口里就业最终能不能回来，悲观派看的是在一个人的职业生涯长度里它有没有回来。把长期趋势数据直接套到一轮短期冲击上，或者拿两边的效应大小直接相减，都是常见的误读。

既然自愈可能要等很久，那这道缝该由谁来补？

这条错配链上，每一段各有什么工具能补？

结构性失业没有单一解法，每个工具只能补链条上的一段。把链条摊开，至少能看到四个位置：技能端是人会的和岗位要的对不上，匹配端是岗位在但双方找不到彼此，兜底端是转岗期间的生活与保障，还有一个更靠上游的定位层，决定资源往哪个方向流。

中国政策讨论里能对应上的样本，是陈达在 2026 年 3 月两会期间提交的那份建议。需要先把措辞摆正：以下是提案主张，不是已经落地的政策事实，也不假设它是否会被采纳。她的三条建议加一条补充，按「补链条哪一段」拆开看很清楚。设立数字时代就业转型专项基金，由政府牵头、联合社会资本，为受技术影响较大的从业者和转型困难群体提供技能体检、学习路径规划与精准培训，补的是技能端。升级公共就业服务平台，用 AI 做更精准的岗位匹配、职业指导与失业预警，补的是匹配端。针对灵活就业形态探索更具包容性的社保参保政策与缴费方式，补的是兜底端。而「从替代思维转向赋能思维」主张在发展规划与财政扶持政策里把 AI 明确定位为赋能工具与效率伙伴，财政资金与项目立项向人机协同倾斜，而不是单纯奖励减员增效的自动化方案，动的是定位层。陈达提案

国际侧的工具箱长什么样，可以用 OECD 的三层技能框架对照着看。

这三层框架来自 OECD 2026 年 7 月那份报告。报告同时给了六条政策杠杆，并把责任分给雇主、工人与政府三方，配套案例包括德国的雇主培训补贴与工资补贴、韩国面向 30 岁以上成人的职业跃迁券、法国的个人学习账户。OECD 2026 这里有一条边界要交代：这些案例全部来自 OECD 成员国，它代表的是高收入国家的工具库，不是全球答案。框架的落点也很明确，随着 AI 越来越擅长可编码任务，互补性技能的相对回报会进一步上升，它们本身就是防止结构性失业的护城河。

再培训该往哪个方向投，前面的招聘数据给了一个很具体的提示：高暴露岗位里，要求至少一项资源管理技能或商业流程技能的比例分别约为 72% 与 67%，超过一半要求社交、情绪或数字类技能。OECD 2024 这也正好说明了再培训补不了什么：它能补的是通用与互补性的那一层，把一个文员在一年内变成数据岗位并不现实。

对个人而言，能控制的那一段其实很有限，但并非无从下手。可以拿任务耗时那套口径做一次自检，把自己的活儿拆成任务，按耗时占比排出最容易被抽走的几项，再把剩余任务要求的能力加厚。用的时候要记住这个工具的边界：它测的是暴露口径，不是「你会不会被替代」。TaskTime

回到开头那个问题。岗位还在招人、新岗位也在冒出来，被替代的那批人之所以接不上，是因为错配发生在至少四个不同的位置上：技能端的相对回报变了，匹配端的信息与时空对不上，兜底端的转岗期没人接住，定位层决定企业把 AI 投向增效还是减员。它们各自需要不同的工具，而且没有哪一段能靠等经济回暖自己好起来。个人能真正控制的，是把剩余任务所要求的能力加厚，而不是等总量回暖，也不是指望一次性培训包办。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Gen-AI: Artificial Intelligence and the Future of Work（IMF Staff Discussion Note SDN/2024/001，Cazzaniga 等，2024-01） — https://www.imf.org/en/publications/staff-discussion-notes/issues/2024/01/14/gen-ai-artificial-intelligence-and-the-future-of-work-542379
2. Technical Change, Inequality, and the Labor Market（Acemoglu, 2002, Journal of Economic Literature 40(1): 7–72） — https://www.aeaweb.org/articles?id=10.1257%2F0022051026976
3. Tasks At Work: Comparative Advantage, Technology and Labor Demand（Acemoglu, Kong & Restrepo, NBER WP 32872, 2024-08 / 修订 2025-03） — https://www.nber.org/papers/w32872
4. Robots and Jobs: Evidence from US Labor Markets（Acemoglu & Restrepo, 2020, Journal of Political Economy 128(6): 2188–2244） — https://www.journals.uchicago.edu/doi/10.1086/705716
5. The Labor Market Impact of Artificial Intelligence: Evidence from US Regions（Yueling Huang, IMF Working Paper WP/24/199, 2024-09） — https://www.imf.org/en/publications/wp/issues/2025/06/27/the-labor-market-impact-of-artificial-intelligence-evidence-from-us-regions-580304
6. Artificial intelligence and the changing demand for skills in the labour market（Andrew Green, OECD AI Papers No. 14, 2024-04） — https://www.oecd.org/en/publications/artificial-intelligence-and-the-changing-demand-for-skills-in-the-labour-market_88684e36-en.html
7. 全国人大代表陈达：人工智能时代要强化「投资于人」赋能就业转型（中国经济网，2026-03-07） — http://www.ce.cn/xwzx/gnsz/gdxw/202603/t20260307_2809215.shtml
8. Skills in the AI age（Elif Köksal-Oudot, OECD AI Papers No. 60, 2026-07-08） — https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/07/skills-in-the-ai-age_e8d8c1e6/972bd15e-en.pdf
9. Estimating time spent on work tasks（Hatgis-Kessell, Aguirre, Wan & Bommasani, arXiv:2608.05172, 2026-06-26） — https://arxiv.org/abs/2608.05172
10. Automation and jobs: When technology boosts employment（James Bessen, CEPR VoxEU 2019-03-14；Economic Policy 34(100): 589–626, 2019-10-01） — https://cepr.org/voxeu/columns/automation-and-jobs-when-technology-boosts-employment