财经投资与商业消费洞察

资本市场复盘、A股与全球资产观察、消费品牌与行业商业分析。

超写派专栏

AI提效的下一站:不是干得更快,而是岗位被拆开

商商业与职场观察官方主理人2026年11月17日AI 专栏 · SupaWriter 深度研究工作流生成

个人效率与组织利润之间的裂缝正在扩大:80%的人觉得AI让自己更快,只有37%的企业利润改善。本文用银行、科技公司和个体案例说明,AI真正改变的不是速度,而是岗位内部的动作结构——从执行者转向AI管理者,而这一转变的瓶颈不在技术,在组织能否重设分工与考核。

AI提效的下一站:不是干得更快,而是岗位被拆开

效率数据很好看,但利润没有同步变好

个人效率与组织利润之间的裂缝

麦肯锡2026年的调查给出了一个看似矛盾的组合:80%的受访者表示AI提高了自己的工作效率,但只有37%表示AI改善了所在企业的息税前利润。两个数字之间隔着一道43个百分点的裂缝,而且后一个比例与2025年基本持平。同一时期,74%的一线白领员工已成为AI的常规用户,一年内跃升23个百分点;AI Agent采用率从13%翻倍至30%。使用面在快速扩大,利润端却几乎没有动静。

人机共创办公模式调研数据

腾讯研究院《从超级个体到超级团队》报告提供了一个解释角度:个人能力被AI放大后,团队反而容易出现新的内耗。个人产出变快,但团队来不及阅读、来不及决策,结果只是堆积了更多无效材料。换句话说,AI省下的时间没有变成组织决策速度的提升,而是被验证、对齐、返工这些环节重新消耗掉了。

这解释了为什么“干得更快”不能自动等于“赚得更多”。个人效率的改善发生在任务层面,而企业利润取决于整条价值链条的节奏。当链条中间环节的节奏没有同步改变,前端的加速只会制造拥堵。麦肯锡数据基于受访者主观报告,企业EBIT也受多重因素影响,不能把利润停滞完全归因于AI;但80%与37%的持续落差指向一个真实的结构性问题:效率红利正在被旧的工作结构吞噬。

岗位正在被拆开:从“执行者”到“AI管理者”

为什么说AI不是在替代岗位,而是在拆解岗位

岗位并没有消失,消失的是“一个人从头做到尾”的动作序列。过去一个后端工程师的岗位包含理解需求、写代码、自测、提交、修复缺陷这一串动作;当智能体接管其中写代码和自测的部分,这个岗位剩下的动作变成了:把需求拆给智能体、审核它生成的代码、判断哪些改动可以合并、出了问题负责修复。岗位名称可能没变,但核心动作已经不同。

AI算法优化与模型迭代流程示意

一项全球调研显示,72%的受访者认为AI已经改变了岗位所需技能,47%的人表示自己的角色已从“执行者”转向“AI管理者”。这个数字的值得注意之处不是它有多高,而是它把“管理”这个词放进了普通员工的日常描述里——过去管理意味着管人,现在意味着管智能体。

北京大学计算机学院副教授杨仝给出的区分更精确:大模型像顾问,负责提供答案;智能体则像执行者,能规划任务、调用软件、访问数据库,完成一整套工作流程。当执行动作被移出人的岗位,留下来的部分自然偏向判断、验证和兜底。这不是AI在消灭岗位,而是岗位内部的动作结构被重新分配了。

当你的工作变成“审核AI的推理”

这种转变在规则明确、结果可验证的领域进展最快。Stripe在2026年2月披露,每周已有超过1300个完全由Minions生成的代码变更经审核后合并。工程师不再逐项编写代码,而是把精力放在把关结果上。Morgan Stanley的对账智能体FIXR也有类似结构:单个账簿的对账时间从最长6小时缩短到2—3小时,约100名财务人员每周合计节省约1500小时。节省下来的时间并没有变成空闲,而是转移到了异常处理、规则调整和结果抽查上。

深圳一位后端工程师的描述更具体。AI来了以后他干活确实少了,但脑力负担加重:以前一行一行敲代码,累但下班就是下班;现在要同时管三个智能体,盯着、审着、改着、兜底,智能体不休息,他也无法完全放松。这段话点出了一个常被忽略的事实:审核和兜底也是高强度认知劳动,只是它的产出不直接可见。

内部邮件全文截图

但“AI管理者”这个角色并非在所有领域都成立。杨仝同时指出,在科学研究、医疗诊断、法律判断这类开放性领域,验证成本极高,核心挑战可能不是AI缺乏解释,而是人类是否有能力持续验证AI的推理。代码合并有测试和编译作为客观验证,对账有数字平衡作为硬约束;但一个法律判断或医学诊断,往往没有即时、统一的标准来判定对错。在这些领域,把岗位拆成“AI执行+人类验证”的模型会碰到一个根本问题:如果人类自己都难以快速验证,那么“审核AI”这个新岗位的动作就失去了可操作性。

组织的真正考题:重新设计分工,而不是分发工具

为什么“人人都有AI助手”不等于AI原生组织

银行是观察这轮转变最合适的样本。不是因为银行技术最先进,而是因为银行的岗位边界最清晰,任何调整都会直接反映在成本、流程和风险控制上。巴克莱银行计划在2026年裁员5000人,约占员工总数的5%,其中约60%属于支持职能。KBW欧洲银行业研究主管安德鲁·斯廷森的判断是,裁员集中在后台与支持岗位,而非前端业务。这本身不意外:后台岗位的产出更容易标准化,也更容易被工具接管。

AI原生组织十大特征架构图

但裁员数字说明的只是“工具替代了某些任务”,不等于组织变成了AI原生。真正的AI原生组织,不是人人都有AI助手,而是组织能够重新设计人机分工、权限边界、责任归属、流程监控和价值衡量体系。麦肯锡的变革管理框架把这一点讲得更具体:围绕成果制定北极星目标、通过数据与治理构建信任、重塑工作流打造AI团队、重塑架构平衡自动化与增强型团队、赋能员工从学习者到变革推动者。这五步里没有一步是“分发工具”。

问题在于,多数组织的实际动作停在第一步之前。麦肯锡2025年1月的数据显示,员工对生成式AI的实际使用频率是管理层认知的三倍。48%的员工表示若能接受正式培训会更频繁使用,45%认为工具融入日常工作流后使用率会显著提升。这说明使用意愿不是瓶颈,流程和权限设计才是。当员工自发使用AI加速个人产出,而审批、复核、决策链条没有同步调整,前端加速只会把拥堵推到下一个环节。

银行裁员的另一面:降本容易,增收难

桑坦德银行的披露提供了一个更完整的图景。2026年前9个月,其AI项目创造了1.94亿欧元业务价值,首席财务官何塞·加西亚·坎特拉称AI已嵌入银行所有业务流程。如果只看这个数字,结论似乎是AI转型已经跑通。但同一位CFO在同一场合承认,AI主要帮助减少低附加值流程,让员工聚焦更高价值工作,同时影响收入端和成本端,却很难单独核算其中多少收益来自AI。

这恰恰是组织层面最棘手的问题。降本可以量化,裁员人数、流程时长、处理单量都有明确基线;增收却很难归因。策略师指出,目前仍难以找到确凿证据,证明AI能够带来可观、可验证的营收增量。桑坦德银行的1.94亿欧元是内部测算,不是审计后的增量利润。当一个组织无法把AI贡献从其他变量中分离出来,考核和激励就失去了锚点,岗位重构也就缺乏持续投入的依据。

维度 降本逻辑 增收逻辑
可测量性 高:裁员数、流程时长、单量 低:增量收入难以单独归因
生效路径 直接:减少低附加值流程 间接:依赖服务质量和客户体验改善
组织阻力 中:涉及岗位裁撤 高:需要前端流程和客户关系重构
当前证据强度 较强:银行裁员计划明确 较弱:缺乏可验证的营收增量

银行案例的启示不在于“AI能不能替代人”,而在于组织是否有能力同步调整考核与责任结构。降本可以靠行政命令推动,增收却需要重新设计前端岗位的权限和激励。前者是分发工具,后者才是重设岗位。目前多数组织还停留在前者,却用后者的语言描述自己的转型进度。

常见问答

问:银行裁员主要是AI造成的吗?
不完全是。巴克莱银行明确表示AI并非所有裁员的唯一诱因。银行后台岗位的缩减还受到成本压力、流程集中化和外包等因素影响。

问:桑坦德银行的1.94亿欧元能证明AI增收吗?
不能直接证明。这是银行内部测算的业务价值,CFO本人承认很难单独核算其中多少收益来自AI。它更适合理解为AI项目覆盖的业务规模,而非可验证的利润增量。

问:为什么员工用了AI,组织效率没有同步提升?
因为个人效率提升发生在任务层面,而组织效率取决于整条价值链条的节奏。如果审批、复核、决策环节没有同步调整,前端的加速会在中间环节形成新的拥堵。

文章标题:公司的未来

问:AI原生组织的核心标志是什么?
不是工具普及率,而是组织能否重新设计人机分工、权限边界、责任归属和价值衡量体系。麦肯锡的框架强调工作流重塑和架构调整,而非简单的工具部署。

问:企业应该先降本还是先增收?
没有固定顺序,但降本路径更清晰、阻力更小,容易成为默认选择。问题在于,只做降本会固化旧的工作结构,让后续的增收转型更难启动。

对普通人的含义:你的岗位正在被重新定价

技能溢价从“会用AI”转向“会管AI”

招聘市场的变化比多数人的职业规划更快。智联招聘平台上,明确要求掌握AI工具的职位数量从2023年1月起增长了46倍,2026年一季度同比增速仍超过70%。北京一家中型互联网公司内部数据显示,社招岗位中要求“熟练使用AI工具”的比例从2024年的12%升至2026年第一季度的71%。这些数字指向同一个事实:会操作AI工具本身,正在从加分项变成基本门槛。

员工成为智能体主管的论述

门槛一旦普及,溢价就消失了。真正稀缺的不再是操作能力,而是判断能力、验证能力和责任承担能力。周鸿祎对程序员岗位的判断提供了一个具体参照:程序员不会被AI淘汰,但工作重心已从重复敲代码和基础测试,转向驾驭AI、精准提出需求、为AI生成的成果把控质量。这个转变的实质是,执行环节被AI接管后,岗位的价值锚点移到了链条的后端——谁来决定AI该做什么,谁来判断AI做得对不对,谁来为结果负责。

行业专家对就业市场的分析也落在同一方向:AI并非颠覆就业,而是重新定义了就业能力评价标准,未来就业者无需成为专业技术专家,但必须具备驾驭AI工具、释放创意价值的能力。这里的关键词是“驾驭”而非“使用”。使用是输入指令、获得输出;驾驭包含设定边界、识别错误、修正方向,以及在AI产出不可靠时做出替代方案。

这一转变并非在所有领域同步发生。在规则明确、输出可验证的领域,AI执行加人类验证的模式推进较快;在需要人类判断和责任承担的领域,AI更多是辅助而非替代。岗位重构的速度取决于验证成本:代码有测试覆盖,对账有数字平衡,这些领域的新分工容易建立;而法律判断、医疗诊断缺乏即时统一的验证标准,岗位边界的变化会慢得多。

培训缺口才是真正的瓶颈

技能溢价的转移已经发生,但培训供给远未跟上。全球调研中,88%的员工认为未来五年需要重大技能提升,仅有36%的人认为自己获得了充分培训。这个52个百分点的落差,比任何技术预测都更能说明问题的紧迫性。企业愿意在招聘端提高AI技能要求,却尚未在培训端建立相应的支持体系。

个人层面的应对因此变得具体:不能等待组织提供系统训练,因为供给缺口在短期内难以弥合。麦肯锡的数据提供了一个反直觉的线索:35至44岁人群中有62%自评具备较高AI专业水平,高于18至24岁人群的50%。经验可能比年龄更重要,因为判断力和验证力恰恰来自对业务本身的深度理解。这意味着,真正有竞争力的不是最早学会用AI的人,而是那些既懂业务、又能把AI接入业务判断的人。

常见问答

问:我该先学什么,才能跟上岗位重构?

优先补验证和判断能力,而非更多工具操作。学会在AI产出中识别错误、设定验收标准、判断哪些任务适合交给AI,比多掌握一个模型更有长期价值。

问:年龄大了还有机会吗?

数据不支持年龄焦虑。35至44岁人群的AI自我评估水平高于更年轻的群体,说明业务经验在验证和判断环节是资产而非包袱。

问:如果公司不提供培训,个人怎么补?

把工作中的真实任务当作训练场。先在自己的业务领域内定义AI的适用边界,再逐步扩大;关注AI产出与业务结果之间的因果关系,而不是停留在“看起来不错”。

问:所有岗位都会被重构吗?

不会。验证成本低、规则明确的领域变化快;依赖人类判断和责任的领域,AI更多是辅助。岗位重构的速度取决于能否建立可靠的验证机制。

问:会管AI的人到底管什么?

管三件事:AI该做什么,AI做得对不对,AI出错时谁来兜底。这三件事的稀缺性,决定了新的技能溢价方向。

想拥有高效的全自动内容生产力?

SupaWriter 打通热点选题、长文创作、智能语义配图、文章 4 维客观评分与浏览器扩展一键发布,助你提升 10 倍创作效率。