智東西
作者 茄子
編輯 程茜

智東西6月18日報道，昨天，獵聘、清華大學經管學院人工智能與管理研究中心聯合發布《AI時代技能趨勢報告》，報告中提到，當下，AI基礎算法與模型在AI勞動力中的需求已從2022年的約50%降至20%。

在國內的AI勞動力市場中，該報告發現，過去四年，AI智能體相關人才需求的環比增速達40%，AI應用人才需求為35%，AI倫理與安全技能需求長期穩定位居前三。整體來看，AI崗位需求已從“會做算法”走向“算法+應用+智能體”的復合結構。2025年Q3之后，AI人才需求向中高層級匯聚，領軍級人才需求在過去兩年實現倍增。

此外，獵聘CEO戴科彬透露，2026年以來全球科技行業共發生363起裁員事件，波及近15萬人，AI連續3個月成為裁員首要推手，日均裁員達974人。但值得注意的是，這些在裁員的公司利潤普遍上漲，亞馬遜利潤暴漲77%卻累計裁員3萬人，其中78%為L5-L7中層管理者。

他還提到，大語言模型會減少部分崗位，具身智能會創造新的長產業鏈，帶來新就業機會，例如白領側包括Agent產品經理、Prompt策略設計師、AI治理專家、AI工作流設計師等；藍領側包括機器人巡檢技術員、機器人裝配技師、人機協作安全監管員、工業AI訓練數據采集員等。

一、AI時代技能趨勢報告：7×4框架下的10個數據發現

清華大學徐心教授稱，在AI時代技能趨勢的研究中，研究團隊構建了一個7×4的分析框架。這個框架的構建經歷了“演繹+歸納”的雙重過程：演繹層面，該團隊參考了國際上成熟的AI技能分類體系——美國Lightcast的10個AI技能集群、英國SFIA的7個技能層級、歐洲ESCO技能數據庫，并結合中國本土企業實踐進行了適配。

歸納層面，該團隊從獵聘大數據出發，結合GitHub、Google Trends、CSDN、知乎等技術社區的熱門技能動態進行聚類驗證，最終收斂為7個AI技能領域和4個能力層級。

7個AI技能領域分別是：AI基礎算法與模型、生成式AI應用、AI智能體構建、AI多模態理解與生成、物理AI、AI數據算力與工程化部署、AI倫理安全與合規。4個層次分別是：入門級（使用成熟工具和模板）、進階級（獨立完成單一業務場景的AI項目落地）、專家級（打通多業務場景）、領軍級（設立標準、建立護城河）。

這一框架的底層邏輯有兩條主線。第一條是技術演進邏輯：AI從感知（讓機器“看懂”和“聽懂”世界，以CNN、RNN、Transformer為基礎）走向生成式（讓機器“創作”內容，以GPT、擴散模型為基礎）→走向智能體（讓機器“自主行動”，規劃、調用工具、執行多步驟任務）→走向物理AI（讓機器“進入物理世界”，通過機器人、自動駕駛、具身智能與環境交互）。

第二條是發展與治理并重：AI要產生生產力，必須“突出應用導向”，推動產業創新和賦能應用——為此需要算力、數據和工程化部署作為支撐，這是報告將“AI數據算力與工程化部署”獨立列為第六個領域的根本原因。徐心稱，這一領域在國際主流報告中尚未被旗幟鮮明地單列，是本次研究的一個獨特貢獻。與之對應，AI倫理、安全與合規作為第七個領域，體現了“健康有序”發展的治理邏輯。

10個核心數據發現：

發現一，AI能力生態圈從單一走向多元。2022年，AI基礎算法與模型占據了AI勞動力需求的半壁江山（約50%）；到2026年Q1，這一比例已降至20%。ChatGPT和DeepSeek是兩個明顯的分水嶺節點——每次新技術的出現，都伴隨著其他六類AI技能需求的大幅放量，而基礎算法與模型的絕對需求保持穩定。

發現二，各領域增速差異顯著。過去四年，AI智能體構建的技能需求環比增速達40%，生成式AI應用為35%。AI倫理與安全技能需求長期穩定位居前三。整體來看，AI崗位已從“會做算法”走向“算法+應用+智能體”的復合結構。

發現三，技能共現呈現規律性。哪些技能會同時出現在一個崗位中？數據顯示，AI基礎技術與算法和生成式AI應用、物理AI、算力工程化部署經常共現。AI勞動力市場需求已經從聚焦基礎算法，走向“算法+應用+智能體”的復合結構。

發現四，需求向中高層級匯聚。2025年Q3是一個轉折點——此后入門級和進階級需求有所下降，而專家級和領軍級持續增長。領軍級人才需求在過去兩年實現倍增。總體趨勢是從“獨立完成單一場景落地”向“聚焦復雜場景的系統設計”演化。

發現五，總體需求向中高層級匯聚。生成式AI應用層面，初級人才即可上手，體現了“技術平權”——AI不再是少數人的專利。數據算力、物理AI、智能體構建的最大需求集中在進階級和專家級，這是工程化落地的“中間力量”。AI倫理與治理則需要領軍級人才來把控方向。徐心將這一結構總結為三個詞——“應用平權，工程中間，治理領軍”。

發現六，AI職位與滲透率呈“雙峰分布”。AI職位數量最大的體量出現在30-40萬年薪區間，但AI滲透率（即該薪酬區間內要求AI技能的崗位占比）與薪酬成正比——薪酬越高，AI使用滲透率越大。這組數據基于北京、上海、深圳、杭州四個城市的統計，與美國一項針對2000家企業管理者的調研（美國管理者平均每周為工作使用AI約10小時）形成了有趣的呼應。

發現七，市場為復合能力買單。橫向看，七個技能領域之間的薪酬差異并不明顯；縱向看，層級差異顯著——專家級以上的薪酬明顯更高。高溢價來自“物理AI+治理安全”的復合能力。如果同時具備生成式AI和物理AI的復合能力，薪酬溢價達24.7%。高溢價的能力組合通常包含物理AI或治理安全，兩者同時具備的溢價最高。

發現八，3-5年工作經驗者是AI人才市場最大的增長源。具備3-5年工作經驗的成長型人才，是當前AI人才需求增長最快的群體。

發現九，AI需求向本碩學位延展。四年前，博士學歷的AI滲透率最高，這與當時基礎算法研究需要博士背景吻合。過去三年，碩士滲透率快速增長，已追上博士。本科和大專在過去一年也實現了倍增。

發現十，行業與城市差異明顯。行業層面，AI需求集中在IT、汽車、電子、金融，但制造、生活服務、科研已開始實質性使用AI，這區別于高盛2024年“大模型在制造業中幾乎沒有實質性使用”的判斷。

生成式AI在廣告、傳媒、文化、消費品行業使用較多，物理AI在汽車行業使用突出。

城市層面，北京凸顯“最大規模+最高滲透率”的雙重高地特征；上海是工程化與實體產業結合最突出的城市，汽車制造和物理AI場景明顯；深圳體現硬科技與制造鏈驅動，智能硬件、電子通信、半導體相關AI需求突出；杭州雖然總體規模較小，但金融屬性特征十分明顯。

關于物理AI的特別發現。在中國AI勞動力市場上，物理AI技能需求已排在7個領域的第4位，四個重點城市對物理AI的總體需求是AI智能體構建需求的3倍。這一特征顯著區別于PWC、麥肯錫等國際主流報告——后者幾乎尚未將物理AI作為獨立技能領域單列。徐心稱，這體現了中國長期以來“數實融合”國家戰略的落地效果。

面向未來，研究團隊將持續關注三個層面：個體層面（AI時代必要的能力要件+心境/審美/好奇心）、組織層面、生態層面。 徐心稱，智能已不僅僅是實驗室中的科學研究對象，智能作為生產要素的作用已然凸顯。

二、組織正從“People Cost”走向“Token Cost”

同道獵聘集團董事會主席兼CEO戴科彬談到了當下AI產業對組織和人才帶來的變化。

首先是全球裁員的結構性特征。2026年至今，全球科技行業363起裁員事件波及近15萬人，上月裁員近4萬人，創近兩年單月最高。AI連續3個月成為各行業裁員最常援引的理由，日均裁員974人，較去年同期加快44%。

但值得注意的是，這些公司的利潤普遍在漲。亞馬遜單季凈利潤302.55億美元，同比暴漲77%，創歷史最高，但2024-2026年累計裁員約3萬人，其中78%裁員員工為L5-L7中層管理者。甲骨文季度歸母凈利潤43.04億美元，同比增25.59%，2026年裁員約3萬人，一個47人裁員的團隊中44名中層被裁，同比減少93.6%。利潤增長與裁員并行，這一現象的背景是：AI大幅提升了單個員工的生產力，組織正在經歷“中層塌陷”。

戴科彬分享了他的硅谷見聞：美國CS專業畢業生（包括名校）目前很難找到工作，大廠只發實習offer，不發全職offer。在中國獵聘平臺上，2026年1-5月的數據顯示，初級崗位需求明顯下降，銷售類初級崗位同比降14.47%，商務類降10.50%，品牌類降9.74%。互聯網技術崗位降幅更為顯著，機器學習崗位對1年以下經驗人才需求降71.43%，圖像算法降66.67%，軟件測試降52.94%。“Vibe coding”使非技術人員也能通過AI輔助完成編碼工作，不需要那么多工程師坐在電腦前寫代碼。

從2023年到2026年，AI大模型究竟是怎樣影響整個人才就業市場的變化？戴科彬用一張AI基礎設施的演進圖做了類比：互聯網的發展經歷了從電腦到網絡到4G到應用的過程，AI同樣遵循這一邏輯，從大模型到存儲/芯片到服務器/數據庫，再到應用/服務。AI推理基礎設施的建設正在催生應用層爆發，未來會出現大量AI Agent應用，就像當年的小紅書、滴滴一樣。

戴科彬認為，AI對組織的沖擊可以拆解為五個層面：

個人層面，每個人都是一專多能。一個人可以同時管理多個Agent，實現多任務并行。以前約會議需要截圖發給助理，現在直接丟給Agent自動完成——助理不會被取代，但工作方式徹底改變。他現場提問有多少人擁有自己的Agent，并建議大家盡快“養龍蝦”（部署AI智能體，源于OpenClaw開源項目）。

組織層面，從部門之間的協作變成人機組成的項目組協作。科層制的部門墻正在被打破，Agent可以快速組建項目組，跨部門協作效率大幅提升。

同時，工作范式從串聯任務SOP轉向并聯多任務，突破時間與空間的限制。戴科彬指出，以前產品開發是串聯式，用戶調研、寫需求、開會確認、UI設計、開發，但現在多個任務可以同時并行，因為人被AI“分身”了。

第三，組織內部從層層匯報的上傳下達，變成老板直達一線，中間層的管理價值需要重新定位。

成本結構層面，HR未來要算的是Token Cost（Token消耗量），而非People Cost（人頭數）。一個團隊用了多少個GPT賬號、消耗了多少Token，正在成為衡量組織效率的新指標，組織的設計與ROI需要重新定義。

但戴科彬認為最核心的變化是：人類歷史上最重要的一次變化——Skill開始與人分離，打破人類技能的生成和傳承范式。

傳統做法是建知識庫、案例庫，再培訓，效果因人而異。新做法是萃取最佳實踐者的技能（Skill），沉淀在組織中。具體路徑是：Data+Know-How+Workflow→Skill→AI模型→AI Agent→完成任務→產生數據反饋回模型→形成飛輪。“組織可以人來人往，技能永久沉淀。”他說。

關于人才審美，他回溯了自己在2023年提出的框架：決策力、擔當、創新、審美，AI幫不了人做判斷、拍板、擔責，這些仍是人的核心價值。

他繪制了中國版的中等技能塌陷圖景：初級白領向兩個方向流動，一是向上走人才專業化（中高端人才知識資產化，知識與經驗沉淀為Skill/Agent），二是向下走向白領藍領化（長期雇傭向任務交付轉變）。

在具身智能方面，戴科彬指出，中高端人才的知識與經驗正通過Skill/Agent的方式沉淀，而藍領勞動者也正在經歷“科技勞動力化”。物理AI發展相對較慢是因為缺乏人類動作過程的數字化數據。但VLA（Vision-Language-Action Model）和World Model正在突破。

獵聘旗下“新超人”品牌正在幫助具身公司收集第一人稱視角的人類勞動視頻數據——通過頭戴設備（egocentric視角）記錄雙手動作，采集運動數據用于模型預訓練和后訓練。

大語言模型會減少部分崗位，但具身智能會創造新的長產業鏈（生產、制造、運營、維護），帶來新就業機會。他列舉了新興崗位：白領側包括Agent產品經理、Prompt策略設計師、AI治理專家、AI工作流設計師等；藍領側包括機器人巡檢技術員、機器人裝配技師、人機協作安全監管員、工業AI訓練數據采集員等。

三、AI變革的關鍵不是“+AI”，而是組織底層邏輯的重構

清華大學楊斌教授拋出了一個核心隱喻——“AI次方”（AI?）。從去年3月14日（π日）起，他就開始倡導這個概念，對當時熱議的“AI+”或“+AI”提出了不同的看法。

他解釋道，“AI次方”并不是單純強調AI的指數級發展速度，而是一種理解AI時代的心智模式。與“AI+”或“＋AI”所代表的工具疊加、技術賦能不同。AI被置于指數的位置，而底數則是組織、商業模式、人才本身。如果底數小于1，指數越大，結果反而越小。對企業而言，真正需要關注的不是AI本身有多強，而是自身這個“底數”能否在AI作用下完成重構。

他回顧了兩個AI里程碑。2016年AlphaGo第37手，在人類看來無法理解、無法解釋的落子，最終戰勝了李世石，這是一個在專門領域攻堅克難的突破。而2022年ChatGPT的預覽版，激發的是人類最自然的工具——自然語言，這才是對人的真正解放。他引用兩句話來做對比：“AI is really something”（AI很了不起）和“AI is actually everything”（AI就是一切），后者才是對AI更精確的刻畫。

楊斌認為，對多數現有企業而言，AI Native是“別人的戲”，他們面臨的是AI Transformation（AI轉型）。他將AI對組織的影響程度分為了五個層次：AI native（原生）、AI first（優先）、AI only（唯一）、AI-ed（被AI化）、AI proof（AI打不倒）。多數企業的目標不是變成AI原生，而是完成AI轉型。

他提到了兩個歷史參照，左邊是1956年達特茅斯會議的青年科學家們提交的proposal，四位助理教授向基金會申請15000美元，最終獲批7500美元，人類歷史上第一次提出了“Artificial Intelligence”。值得注意的是，這份proposal中已經出現了“improve themselves”，機器自我改進。右邊是邀請數學家Ray Solomonoff參加達特茅斯會議的信函，信中寫道“Can we count on you?”，強調人與人之間的協作。這兩者之間的張力，一頭是機器自我改進、人不在回路中，另一頭是人與人之間的咬合與協同，至今仍在延續。

他也引用了索洛在1987年的“生產力悖論”作為第二個參照，“計算機時代無處不在，唯獨不在生產力統計中”。AI同樣可能經歷期望膨脹后的回撤，真正的生產力影響可能要晚10-15年才在統計中顯現，這并非否定AI，而是提醒大家保持耐心。

對教育和人才培養，楊斌認為，當前的教育模式，講臺、黑板、整齊的座位，本質上是普魯士教育體系的產物，不過100多年的歷史。這種模式是工業時代的產物，人被機器賦予位置，培養的是“NPC”，在一個巨大系統中扮演功能性角色。而AI時代將顛覆這一切。

他以今年5月在新加坡總統午餐會上的分享為例：清華大學主動變化，停辦了一些本科專業、推行書院制轉型；上海出現了像“知春創新中心”這樣的新型教育機構，從高中生中直接選拔人才；職高和技能培訓重新受到青睞。這些現象背后有一個共同信號，學位作為“信號”的價值，正在被更高效的“技能信號”替代。

他有兩個建議。一是戒掉日刷AI公眾號的習慣——那些每天都在更新的內容重復性極高，真正值得關注的是100年后歷史學家會用放大鏡研究的事情。二是卸載搜索引擎——作為一種決心，學會“unlearn”（反學習），主動擺脫舊習慣和舊思維的束縛。他提到，今年春節前后大廠還在用紅包策略爭搶流量，很多人和AI之間還保持著單回合互動的傳統方式，說明習慣和執念對人的束縛有多深。

最后他點出人之所本。在《西游記》取經團隊中，沙僧是典型的NPC，孫悟空雖神通廣大但也有局限，而唐僧和豬八戒反而是“人之所本”，唐僧代表目的性（Purpose），豬八戒代表創造例外、打破常規的能力。這些是AI難以替代的人的核心價值。無論是OPC（One Person Company）還是其他新的組織形態，都不應忘記：底數上的組織與人，才是決定最終結果的根基。

四、AI時代，人做AI監護人，組織進化為AI型組織

同道獵聘集團副總裁把冉擔任主持人，與清華經管學院教授郭迅華、獵聘CEO戴科彬圍繞“AI時代的人才審美與組織進化”展開深度對談，核心議題從“什么是AI人才開始”。

戴科彬將AI人才分為三大類。上層是AI領導能力，能設計架構、重新思考組織戰略；中層是AI技術人才，做算法和工程結構，量不多但專業深度要求高；下層是AI應用型人才，包括銷售、設計、營銷、文員等普通職能崗位，人人都需要具備AI工具使用能力，這個框架從2023年提出至今仍然成立。

把冉補充了一組數據作為佐證，2025年全年要求AI工具能力的崗位翻倍，2026年仍在翻倍，并且已經出現了對Agent能力的明確要求。

在能力遷移的問題上，郭迅華將能力分為兩類。一類隨經驗積累而增長，另一類可以跨場景遷移。前者正在被AI吸收，比如程序員快速定位代碼bug的能力正在被AI替代。后者即元能力，才是人的核心價值所在。他提出了整場圓桌最具穿透力的概念——“監護關系”，人與Agent之間就是這種關系。Agent有能力、能學習但不能擔責，像一個天才少年，人要做三件事，設定目標、培育把關、承擔責任。這個“監護人”的身份重新定義了人在AI時代的位置。

落實到選人標準上，戴科彬提出從“變”與“不變”兩個維度來判斷。變的是工作方式，候選人用哪些AI工具、怎么與AI對話，是搜索式還是對話式，這決定了他是把AI當搜索引擎還是當協作對象。不變的是人的底色，誠實正直、堅韌不拔、面對新環境的學習能力，這些AI替代不了。

關于文科生的機會，郭迅華從十年前就堅持一個觀點，文科生學計算機沒有劣勢，進入自然語言編程時代反而有優勢，因為計算機語言也是語言，而語言能力是文科生的長項。

戴科彬用一個真實案例回應。他有一個朋友在長沙雇了上百號文科生寫劇本，在東京做漫畫融合，去年做的短劇App月凈利潤1000萬。他說，“能把事情描述清楚的人，AI就能幫到他”。

郭迅華提出了AI組織的三個特征。AI像水電一樣無處不在；任務的最小單元從“人”變成“人+Agent”；組織開始形成AI參與決策的權責體系。相應地需要三個轉變，從技術部署轉向能力生長，AI是在業務一線“長”出來的，不是部署下來的；從替代思維轉向共生結構，抵制減員降本的誘惑，因為技術最大的價值在于解放人的創造力；從職能劃分轉向任務編排，未來組織是人機協同的任務網絡，員工是騎手，Agent是馬匹。

戴科彬用獵聘三年“黑客馬拉松”的實踐驗證了這種生長。第一年全員講PPT，第二年做Demo，第三年Demo已經落地可用。安全崗員工自己手動構建了AI面試輔助工具“面寶”，還有人做了OKR自動對齊的“歐寶”。

他稱，只要把基礎設施做好，一線員工的創新力會自己爆發，組織進化的動力正在從老板驅動轉向一線生長。

整場圓桌最后落在兩個建議上。郭迅華說管理者要先讓自己成為合格的Agent監護人，再識別組織中潛在的卓越監護人，創造環境讓他們脫穎而出。

戴科彬給了六個字：“放下、清零、打開”。放下過去的包袱，清零舊知識，打開自己重新擁抱這個世界。技術是平權的，不要恐懼被替代