AI 替代的到底是岗位还是任务？

任务。微软研究院 Tomlinson 等人 2025 年的研究为 785 个职业计算了 AI 适用性评分，评分由覆盖率、完成率、影响范围三个维度合成，这三个维度全部是任务级的。评分最高的口译员与翻译为 0.49，含义是该职业所包含的工作活动中，AI 已经能够覆盖或显著辅助的部分折算后约占一半，而不是这个岗位会消失一半。第一作者 Kiran Tomlinson 明确表示，AI 支持许多任务，尤其是研究、写作与沟通，但这不表明它能完整胜任任何一个职业。变化发生在任务组合层面，岗位是任务的历史打包方式，打包方式变了，不等于包本身被删掉。

微软的 AI 适用性评分该怎么读？

三个要点。第一，评分衡量的是工作活动而非职业能否远程完成，乘务员得分高达 0.47 不是因为可以不在飞机上工作，而是因为其工作活动中相当一部分是传递信息，包括回答问询、安全说明与一般协助，而这正是 AI 表现强的领域。第二，同一岗位内部不同任务的可替代性差异极大，岗位层面的单一分数会掩盖这一差异。第三，研究中约 40% 的 AI 辅助对话里，用户的目标与 AI 的活动属于不同的工作活动，意味着 AI 常常是在做相邻工作而不是用户手上的那一件事，因此更准确的说法是任务组合被重排，而不是任务被逐一替代。

中国劳动力市场的数据和美国有什么不同？

差异明显，而且方向相反。美国研究多认为 AI 对整体就业的冲击不显著。北京大学国家发展研究院张丹丹、于航、李力行、胡佳胤等人基于智联招聘 2018 年 1 月至 2024 年 5 月约 125 万条招聘广告的研究，用工具变量回归发现技术暴露度与劳动需求显著负相关，城市层面的证据呈现一致格局。该研究绕开了中美职业匹配难题，直接基于岗位工作任务的文字描述逐项评估被替代的可能性。一个可能的解释是打包方式不同：国内许多白领岗位的任务束更宽更杂，被抽走一部分任务后，剩余部分难以支撑一个独立岗位，因此表现为岗位收缩而非任务调整。

高 AI 暴露岗位的薪资和门槛发生了什么变化？

北大国发院的研究给出四个结果：高暴露岗位的薪资增幅下降，岗位内部薪资差距扩大，对学历与经验的要求同步上升，且这些结果在城市层面同样成立。这一组合是任务被剥离之后的典型形态，剩下的任务束更薄但更难，能接住的人变少，于是门槛抬高、内部分化。智联招聘的岗位数据提供了具体案例，2026 年一季度翻译岗位出现回流，但企业要的不再是只有基础翻译能力的人，而是能翻译、能跨文化谈判、能商务洽谈的复合角色；以往大专可胜任的基础 AI 岗位，如今普遍要求硕士学历及相关工作经验。

工作再设计具体该怎么做？

核心是把管理单元从岗位下沉到任务束，四个动作。第一，把岗位说明书改写成可计量的任务清单，并标注每项任务的 AI 可及性，没有任务级清单，任何 AI 影响评估都只能靠猜。第二，薪酬带宽跟着任务束走而不是跟着职级称号走，因为高暴露岗位内部薪资差距已经在扩大，按岗位整体定薪会同时付错两笔钱。第三，绩效指标下沉到任务产出，考虑到约 40% 的 AI 交互发生在相邻任务，衡量人的贡献不能只看交付物总量。第四，编制规划从多少人改成多少任务量、其中多少由智能体承担，智联招聘数据显示已有近四分之一企业为数字员工设立了岗位说明书。

先做技能培训还是先做任务重排？

先做任务重排。智联招聘与北大国发院的 2026 年趋势报告显示，51.3% 的企业已启动或正在建设新质人才模型，供给侧的投入已经开始。但如果任务束没有变化，培训出来的人没有可承接的新任务组合，培训投入会沉淀为空转。反过来说，任务束重排之后，需要什么能力会自己显现出来，此时培训才有明确的对象。顺序错了，两类投入都会浪费。

AI 时代的工作再设计：为什么管理单元该从岗位下沉到任务

核心结论

AI 打散的不是岗位，是任务。微软研究院 Tomlinson 等人基于 2024 年 20 万条 Copilot 匿名对话，为 785 个职业计算 AI 适用性评分，最高的是口译员与翻译 0.49，最低的挖泥船操作员等为 0.00，而评分的三个构成维度（覆盖率、完成率、影响范围）全部是任务级的；研究同时发现约 40% 的对话中用户的目标与 AI 的活动属于不同工作活动，意味着 AI 做的是相邻工作而非同一件事。北京大学国家发展研究院基于智联招聘 2018 至 2024 年约 125 万条招聘广告、逐项评估工作任务被大语言模型替代可能性的研究发现，高暴露岗位薪资增幅下降、内部薪资差距扩大、对学历与经验的要求同步上升。变化的形态不是岗位消失，是任务束被重新打包。

关键数据

微软研究院（Tomlinson 等，2025）：基于 2024 年 20 万条 匿名 Bing Copilot 对话，对照 O*NET 工作活动库，为 785 个职业计算 AI 适用性评分。最高：口译员与翻译 0.49、历史学家 0.48、乘务员 0.47、服务类销售代表 0.46、作家与作者 0.45、客服代表 0.44；最低：挖泥船操作员、桥闸管理员、水处理操作员等 0.00。
同一研究的两处关键限定：评分由覆盖率、完成率、影响范围三个任务级维度合成；第一作者 Kiran Tomlinson 明确表示，AI 支持许多任务，尤其研究、写作与沟通，但这不表明它能完整胜任任何一个职业。另有约 40% 的对话中，用户的目标与 AI 的活动属于不同的工作活动，即 AI 做的是相邻工作。
北大国发院（《管理世界》2025 年 7 月）：基于智联招聘 2018 年 1 月至 2024 年 5 月约 125 万条 招聘广告，覆盖 78 个 职业组别，逐项评估工作任务被大语言模型替代的可能性。发现：新增岗位平均暴露度下降；高暴露职业集中于会计、编辑、销售、程序员；暴露度与劳动需求显著负相关。
高暴露岗位的三重变化（同一研究）：薪资增幅下降、内部薪资差距扩大、对学历与经验的要求同步上升，城市层面证据一致，与美国研究中「AI 对整体就业冲击不显著」的结论形成对比。
智联招聘 2026 年一季度：翻译岗位出现回流，但需求描述变化，企业要的是能翻译、能跨文化谈判、能商务洽谈的复合角色；智联招聘集团副总裁李强指出，这不是岗位恢复，而是把几个岗位的职能合并到一个岗位上，程序员、设计师等岗位同样在发生。51.3% 企业已启动或正在建设新质人才模型；近四分之一企业已为数字员工设立岗位说明书。

岗位不是自然的原子。它是一次历史打包的产物，打包的目的是把一批任务捆在一起，好让协调成本、计量成本和交易成本都降下来。十九世纪的工厂需要知道「一个车工做什么」，二十世纪的公司需要知道「一个财务分析师的薪酬带宽是多少」，于是任务被装进岗位这个容器，管理就对着容器做。

这套安排正常运转了一百多年，因为打包的内容是稳定的。AI 改变了这一点，而且它改变的方式很特别：它不删容器，它从容器里一件一件拿东西。

一、AI 的作用面在任务层，证据全在这一层

微软研究院 2025 年发布的这项研究，方法上有个值得注意的选择。研究者没有请专家预测未来，而是拿 2024 年 20 万条真实的匿名 Bing Copilot 对话，把每条对话映射到 O*NET 工作活动库里的具体活动，再按三个维度合成出一个分数：某项任务被 AI 辅助的频率有多高（覆盖率），AI 完成得怎么样（完成率），这项任务在该职业全部活动里占多大比重（影响范围）。

三个维度，全部是任务级的。这正是关键：这份研究之所以比大多数 AI 职业影响报告扎实，不是因为样本量大，而是因为它的测量单位选对了。它测的是工作活动，不是职业名称。

乘务员这个例子最能说明问题。它的评分是 0.47，在 785 个职业里排第三，可这个职业显然无法远程完成。原因在于，乘务员的工作活动中相当一部分是传递信息，包括回答乘客问询、进行安全说明、提供一般协助，而传递信息恰好是 AI 表现最强的领域。分数高不是因为这个岗位能被取消，是因为这个岗位里有一类任务的可替代性特别高。同一岗位内部，任务与任务之间的处境可以相差很远。

还有一处数据比排名更值得琢磨。研究中约 40% 的 AI 辅助对话，用户想达成的目标与 AI 实际从事的活动属于不同的工作活动。换句话说，AI 经常不是在替人做手上那件事，而是在做旁边那件事，比如你在写方案，它在帮你查证背景；你在做表，它在帮你写说明文字。这意味着变化的主要形态不是「某项任务被替代」，而是「一个人手上的任务组合被重新排布」。

二、中国的数据更硬，方向也不同

把视角移回国内，北京大学国家发展研究院张丹丹、于航、李力行、胡佳胤等人的研究，方法论上做了同样的选择，而且走得更远。既有研究大多依托美国 O*NET 数据库与美国劳动力市场结构，难以刻画中国岗位的真实工作内容。这份研究绕开了中美职业匹配的难题，直接用智联招聘 2018 年 1 月至 2024 年 5 月约 125 万条招聘广告，覆盖 78 个职业组别，由 GPT-4 对岗位工作任务的文字描述逐项评估被大语言模型替代的可能性，再加权聚合到职业层面。

结论有四条，其中三条指向同一件事。第一，新增岗位的平均暴露度呈下降趋势，说明企业在招聘环节主动回避高暴露岗位。第二，暴露度最高的职业集中在会计、编辑、销售、程序员这些知识密集型白领工作。第三，工具变量回归显示暴露度与劳动需求显著负相关，而高暴露岗位出现了三重变化：薪资增幅下降，内部薪资差距扩大，对学历与经验的要求同步上升。第四，城市层面的证据呈现一致格局。

第三点尤其值得 HR 细看。这个组合是任务被剥离之后的典型形态：岗位还在，但里面剩下的任务束变薄了，同时变难了，能接住这套任务组合的人变少，于是门槛抬高、内部分化。它不是「岗位被替代」的信号，是「任务束被重排后尚未重新定价」的信号。

这份研究与美国主流结论的差异也需要如实说明。美国研究多认为 AI 对整体就业的冲击不显著，中国数据呈现显著负相关。差异未必来自技术，更可能来自打包方式：国内许多白领岗位的任务束更宽、更杂，一个岗位装着性质差异很大的若干类任务。当其中一部分被抽走，剩余任务往往不足以支撑一个独立编制，于是企业选择不补人，而不是改造岗位。同样的技术冲击，在不同打包结构下落出不同的结果。

三、真实的形态是重新打包，不是消失

如果变化发生在任务层，那么可观察的现象就应该是任务束的重组，而不是岗位的批量消失。2026 年一季度的中国招聘数据恰好给出了这样一个样本。

翻译岗位回流了。但需求描述变了：企业要的不再是只有基础翻译能力的人，而是能翻译、能跨文化谈判、能商务洽谈的复合角色。智联招聘集团副总裁李强对这一现象的判断是，这不是简单的岗位恢复，而是把几个岗位的职能合并到了一个岗位上，而且这种现象在程序员、设计师等很多岗位上同样在发生。

一线从业者的描述更具体。在智能数控企业格睿普负责大模型调优与智能体研发的赵涛，把过去的工作模式称为「古法编程」，每一行代码都由人手敲出来；现在他的工作是给 AI 布置任务，然后检查作业。他把这种新分工描述为人类从编码者转为架构师与审查官：人负责「为什么要干」，包括设定目标、价值观判断、审美把控；机器负责「怎么干更快」，包括逻辑推理、代码生成、自动化执行、海量检索。

这三句话值得放在一起看。翻译是把三个岗位的职能并进一个岗位，程序员是把执行层任务交出去、把定义与审查层任务留下来。两者形式不同，本质相同：任务束被重新切分，然后重新命名。名字还是岗位，内容已经换过一轮。

还有一个信号说明这件事已经走到制度层。智联招聘与北大国发院联合发布的 2026 年人力资源管理趋势报告显示，已有近四分之一的企业为数字员工设立了岗位说明书。给一个非人的任务承担者写岗位说明书，意味着任务已经被当作可以脱离「人」这个载体而独立计量的东西。这件事的意义不在于数字员工有多普及，而在于组织已经承认：任务是比岗位更基本的单位。

四、HR 该改的四个管理单元

既然变化在任务层，管理动作就要下沉到任务层。按优先级排，四件事。

第一，把岗位说明书改写成任务清单。不是把现有 JD 拆成几个大标题，而是列出可计量的任务项，并对每一项标注 AI 可及性：可完全交给 AI、需人机协同、必须人承担。没有这张清单，任何关于 AI 影响的评估都只能靠岗位名称推测，而名称恰恰是最不可靠的信息。

第二，薪酬带宽跟着任务束走，不再跟着职级称号走。北大国发院的数据显示高暴露岗位内部薪资差距已经在扩大，如果仍按岗位整体定薪，就会同时付错两笔钱：为已经可由 AI 承担的任务付溢价，为真正稀缺的任务付不足。任务清单是这件事的前提，没有清单，带宽调整没有依据。

第三，绩效指标下沉到任务产出。既然约 40% 的 AI 交互发生在相邻任务上，衡量一个人的贡献就不能只看交付物总量，还要看他定义了什么、判断了什么、拦下了什么。赵涛说的「架构师与审查官」不是修辞，它给出了两个可以观测的维度：定义问题的质量，与验收产出的质量。

第四，编制规划从「需要多少人」改成「有多少任务量，其中多少由智能体承担」。近四分之一企业已经给数字员工写了岗位说明书，编制表迟早要容纳非人的承担者。这件事现在做是主动设计，等成本压力上来再做就变成了被动削减，两者的结果差别很大。

五、两个反模式

第一个反模式是按岗位整体做 AI 替代率排名，然后按排名整体裁撤。微软研究的第一作者已经把话说得很清楚：AI 支持许多任务，尤其研究、写作与沟通，但这不表明它能完整胜任任何一个职业。0.49 分说的是任务覆盖度，不是岗位可删率。按后者去执行，删掉的往往是那些「分数不高但承接了关键协调任务」的角色，这类角色在组织结构图上不明显，删掉之后缺口要过很久才显现。

第二个反模式是只做技能培训，不做任务重排。2026 年的趋势报告里，51.3% 的企业已启动或正在建设新质人才模型，供给侧的投入已经开始。但如果任务束没有变化，培训出来的人没有可承接的新任务组合，这笔投入会沉淀为空转。反过来说，任务束一旦重排清楚，需要什么能力会自己显现，此时培训才有明确的对象。顺序错了，两类投入一起浪费。

回到那两张网。组织是信息传递网络加利益分配网络。任务束重排改的是第一张网里「谁做什么、什么流经谁」；如果第二张网仍然按旧岗位结算，就会出现北大国发院观察到的那个组合：门槛抬高、内部分化、薪资增幅下降。三项都是同一个原因的不同表现，组织在按一个已经不存在的打包方式付钱。

工作再设计这件事之所以难，不在于算不清任务，而在于任务一旦被重新计量，岗位这个沿用了上百年的容器就会显出它的临时性。HR 要做的不是保住容器，是先看清里面装着什么。

参考信源

【785 个职业 AI 适用性评分；20 万条 2024 年匿名 Bing Copilot 对话；三维度为覆盖率、完成率、影响范围；口译员与翻译 0.49、历史学家 0.48、乘务员 0.47、服务类销售代表 0.46、作家与作者 0.45、客服代表 0.44、CNC 刀具程序员 0.44；挖泥船操作员、桥闸管理员、水处理操作员、铸造模具工、铁轨维护工等 0.00；约 40% 对话中用户目标与 AI 活动属不同工作活动；Kiran Tomlinson 关于「不表明能完整胜任任何职业」的表述；乘务员因传递信息类活动占比高而得分高】：Tomlinson, K. 等，微软研究院（2025）《Working with AI: Measuring the Applicability of Generative AI to Occupations》。
【125 万条招聘广告（2018-01 至 2024-05）、78 个职业组别、GPT-4 逐项评估工作任务并加权聚合；新增岗位平均暴露度下降；高暴露职业集中于会计、编辑、销售、程序员；暴露度与劳动需求显著负相关；高暴露岗位薪资增幅下降、内部薪资差距扩大、对学历与经验要求上升；城市层面证据一致；与美国研究结论的对比】：张丹丹、于航、李力行、胡佳胤等，北京大学国家发展研究院，《中国人工智能技术暴露度的测算及其对劳动需求的影响——基于大语言模型的新证据》，《管理世界》2025 年 7 月刊；研究指数由北大国发院公开发布。
【翻译岗位回流与需求描述变化；李强关于「把几个岗位的职能合并到一个岗位上」的表述；程序员、设计师岗位的同类现象；格睿普赵涛「古法编程」、从编码者转为架构师与审查官、「人负责为什么要干、机器负责怎么干更快」】：腾讯新闻 2026-06-16《人机新分工：AI 时代的职业进化》所引智联招聘 2026 年一季度数据与从业者访谈。
【51.3% 企业已启动或正在建设新质人才模型（技术理解力、跨界协作力、创新价值创造力）；近四分之一企业已为数字员工设立岗位说明书；近半数企业已全面或部分实现 AI 嵌入核心业务流程；49.9% 员工最渴望获得 AI 学习助手；HR 能力模型 B×D×T×G】：智联招聘与北京大学国家发展研究院《新质驱动·组织向新——2026 年人力资源管理趋势报告》，2026 年 4 月 21 日北大承泽园论坛发布。

关注公众号，获取 AI 时代 HR 变革一手分析