AI时代，裁得掉岗位，裁不掉工作

AI落地很容易被量化成一组数字：节省多少人力，压缩多少成本，提升多少效率。但技术真正进入企业现场时，变化不会只发生在报表里。

从票据处理、凭证审核到客服、合规和审计，AI正在接手越来越多具体环节。它把工作拆成更细的任务，再重新接入流程、数据和人的判断。

安踏集团COO陈科从企业一线实践出发，探讨了技术能力如何进入真实流程，并最终转化为可持续的生产力。

一场注定失败的博弈

一家企业启动AI人员优化专项，管理层向各业务部门下达明确指令：后台岗位压缩30%~50%，限期完成。指令清晰，逻辑合理，毕竟票据录入、凭证审核、账目核对这类工作，AI早已可以胜任。

然而数月过去，指标迟迟无法落地。各部门的理由五花八门，却惊人地相似。客服部门说：“我们的客户需求太复杂，AI根本处理不了情绪化投诉。”财务部门说：“账务审核涉及合规判断，出了问题谁负责。”人事部门说：“这几个岗位都是老员工，直接裁员劳动仲裁风险很高。”每个部门都能说出一套逻辑自洽的理由，让裁员指令无处着力。最终，期限到了，汇报材料交上去了，人还是那些人，工作还是那些工作。

这不是个别现象。在与多家企业高层的交流沟通中，类似剧情反复上演：高层下达指标，部门想方设法规避，最终形成“表面达标、实质失效”的变革空转。

问题出在哪里？绝大多数企业犯了同一个错误：把人员优化当成一个执行问题，而它本质上是一个制度设计问题。你无法用行政力量战胜人性，但你可以用制度设计重塑激励。

为什么强推几乎必然失败

在传统科层组织中，部门规模与管理者的权力、预算、晋升机会高度绑定。这意味着，任何削减编制的举措，都在挑战部门管理者的核心利益。面对AI优化压力，他们不是在抵制变革，而是在理性地保护自己。这是制度激励的必然结果，而非个人品质问题。

高层的应对方式往往是：既然协商无效，就用行政指令强推。这个逻辑在短期内看似奏效，却埋下了更大的隐患。强制指标带来的不是真实的人员优化，而是一场全公司范围内的“数字游戏”：数据被粉饰，工作被重新包装，核心人才因感到不安全而主动离职，而真正应该被AI替代的冗余岗位却完好无损地保留下来。强推的结果，往往是留下了最不该留的人，逼走了最不该走的人。

更深层的问题在于，传统的优化逻辑以岗位为单位判断可替代性，而这恰恰给了部门最大的博弈空间。一个岗位的整体价值当然难以被AI替代，但这个岗位里80%的重复性工作，完全可以。把“岗位内的重复性劳动”和“岗位的整体价值”混为一谈，是部门得以持续抵制的核心话术，也是大多数AI优化项目的认知盲区。换句话说：AI替代的从来不是人，而是任务。一旦管理者真正理解这一点，博弈的土壤就会自然瓦解。

四条路径，各有边界

理解了上述困境，就能理解为什么不同的企业需要不同的路径。以下四种模式，代表了当前企业AI人员优化的主流实践，它们的核心差异在于：变革的动力从哪里来，阻力由谁承担。

路径一：行政指令——速度最快，风险最高

这是最直接的方式：由总部统一测算AI替代空间，向下级部门下达精简指标，通过考核与问责强制执行。它的优势是推进速度快、标准统一；它的致命弱点是，所有阻力都被压制而非消解，一旦监督松懈，变革成果会迅速反弹。

国内多家大型电信运营商曾集中推行这一模式：总部统一评估客服、账单处理、网络运维等后台岗位的AI替代空间，向各省分公司下达明确的人力压缩指标。短期内人力成本确实下降了20%~30%，但两年后复盘发现，大量被优化的工作以外包或返聘形式重新进入体系，实际净减员不足指标的一半。这不仅增加了合规风险，更透支了管理层在未来变革中的信用。行政指令能压缩编制，但压不住需求；能裁掉岗位，但裁不掉工作本身。

这条路径并非一无是处。对于管控文化强、业务高度标准化的组织，行政指令可以作为启动变革的破冰手段，在短期内打破惰性、建立压力。但它必须配合后续的制度建设，否则只是将问题延后。

适用场景：强管控、高度标准化的科层组织，作为变革启动手段而非长期机制。

路径二：任务分层——最通用的基础框架

这条路径从整个AI人员优化议题中最被低估的认知突破：不要问“这个岗位能不能被AI替代”，而要问“这个岗位里，哪些任务可以被AI替代”。 问题换了，答案就变了，博弈也就结束了。

真正可替代的从来不是人，而是工作中的特定任务。将所有工作任务按价值层级拆解：

这个框架的价值不仅在于精准，更在于它从根本上关闭了部门的博弈空间。当替代决策从“你们部门要裁多少人”变成“我们来一起测量哪些任务属于L1/L2”，主观抵制就失去了着力点。因为任务是客观存在的，数据是可以测量的。麦肯锡测算，典型L1岗位（数据录入、票据处理）的自动化替代概率高达85%，但57%的工作将被重构而非消失，岗位保留，内容向L3/L4迁移。世界经济论坛《2025年就业未来报告》也显示，到2030年，新增岗位将是消失岗位的两倍。

一旦我们把讨论单位从“岗位”换成“任务”，博弈就失去了赖以生存的模糊地带。

当你谈论“岗位”时，你在谈论一个人的尊严和生计，自然会遭遇抵抗；当你谈论“任务”时，你只是在谈论效率，博弈便无处藏身。

德勤、普华永道的审计AI转型是这条路径的标杆案例。他们将凭证抽查、数据比对、底稿录入等L1/L2工作全面AI化，同时系统性地培训审计人员向风险研判、客户顾问方向转型。结果是人力结构显著优化，没有大规模裁员，没有组织抵抗。员工看到的不是“被裁员的威胁”，而是“职业升级的机会”，这才是AI人员优化应有的样子。

适用场景：全行业通用，尤其适合专业服务、职能后台，是其他路径的基础标准层。

路径三：内部市场化——从“要我变”到“我要变”

前两条路径的共同局限在于：变革动力来自外部压力，一旦压力减弱，惰性就会回归。有没有一种方式，能让部门自己主动推进AI优化？

海尔的实践给出了答案。海尔将传统职能部门拆解为独立经营的小微单元，财务、HR、数据、运维等职能服务明码标价、按单结算。业务部门可以自由选择购买内部人工服务、使用AI工具，或者采购外部服务商。

这一机制的精妙之处在于，当人工服务的价格高于AI替代方案时，订单自然萎缩。不需要总部下达任何裁员指令，平台小微会自己主动推进AI化、精简冗余、转型高价值服务，因为这直接关系到他们的收入和生存。市场是最诚实的裁判，它不需要说服任何人，只需要让每个人为自己的选择负责。

结果是，原本800人的HR团队精简至约10人，上万名中层管理者通过市场竞争自然出清。全程没有强制裁员比例，没有组织抵抗，因为每个人都清楚地知道规则，并在规则下做出了自己的选择。

京瓷的阿米巴经营、阿里的大中台小前台架构，都遵循了类似的内部市场化逻辑。这条路径的代价是：前期规则体系搭建复杂，通常需要1~2年磨合期，且需要警惕小微单元的短期逐利行为。值得注意的是，这一模式的难点不在于技术，而在于内部核算体系的设计，如果定价机制不合理，市场就会失灵，优化反而变成混乱。但这恰恰说明，真正可持续的AI优化，从来不是一道管理指令，而是一套制度设计。

适用场景：大型集团、数字化基础成熟的企业；适合作为长期转型的核心机制。

路径四：外部外包——最快落地，边界清晰

并非所有优化都必须在组织内部完成。有时候，最聪明的选择是重新划定企业的边界，把能交出去的工作交出去，把精力留给真正无法外包的核心能力。

对于L1/L2类标准化、非核心、低涉密的工作，将其整体剥离为AI SaaS服务、第三方外包或众包模式，企业内部仅保留核心决策与价值创造岗位。这是阻力最小、落地最快的路径。

头部电商企业已大规模实践：基础客服、订单处理、仓储分拣交由AI+外包团队承接，内部人员专注运营策略与高价值客户服务，相关岗位综合成本降低40%~60%，响应效率反而提升。中小微企业全面引入AI财税、AI人事系统，以每年数万元的工具成本替代数十万元的专职岗位，几乎没有任何内部阻力。

这条路径的边界同样清晰，它适合非核心、低涉密的标准化工作，绝不适合涉及企业核心竞争力的岗位。 数据安全、服务质量与能力外流，是必须在决策前认真评估的代价，而非事后补救的问题。

适用场景：中小企业、非核心标准化岗位，快速启动、低阻力的优先选择。

四条路径各有优劣，没有哪一条能单独解决所有问题。但这并不意味着企业必须从中选定一条，一用到底。真正有效的实践，往往是多路径的叠加组合。组合本身没有标准答案，但有一条共同原则：让制度替你做决定，而不是让人去博弈决定。

每一轮技术革命到来时，人类都曾陷入恐惧：蒸汽机会让工人失业，互联网会让实体经济消亡。但历史一次次证明，技术消灭的是任务，而不是人的价值。

AI也不例外。它正在消灭的，是那些本不应该由人来做的工作：机械的录入、重复的审核、无休止的数据比对。这些工作占据了无数人最宝贵的时间与精力，却几乎不需要任何真正意义上的人类智识。把这些工作还给机器，是对人的解放，而不是对人的剥夺。

真正值得担忧的，不是AI会取代人，而是我们是否有勇气和智慧，去重新定义“人的工作”究竟是什么。当L1和L2的任务全面交由AI承接，留给人类的将是更多的L3与L4，更复杂地判断，更深度地创造，更真实地连接。这不是遥远的愿景，而是已经在德勤的审计师、海尔的小微创业者身上发生的现实。

未来最具竞争力的组织，不是用AI替代更多人的组织，而是让每个人都能站在AI的肩膀上，做只有人才能做的事的组织。在那样的组织里，AI是基础设施，人是核心资产，效率是起点，意义才是终点。

AI时代的组织竞争，最终比拼的不是算力的强弱，而是制度设计的智慧。让AI的红利真正转化为组织的进化与每个人的成长。人机共生的未来已经到来，问题只是：你的组织，准备好重构工作了吗？

陈科 | 文

陈科是安踏集团COO

本文同步发表于《信睿周报》

获取更多 AI时代的科技参考

欢迎点击下方卡片关注 信睿科技评论