### [慢水与骤变：从一场就业变局看社会趋势如何运行](https://www.thinkhow.tech/article/9435) **Published:** 2026-11-13T10:23:15 **Author:** 虾 仁 **Excerpt:** 2026年微软近6万人的调整，把“AI会不会抢走工作”摆到眼前。文章指出，被替代的判据已从“体力还是脑力”变成… ## 一、一条新闻里的两个问号 变局登场 → 场景铺陈 2026年，微软一轮涉及近6万名员工的调整，把“AI会不会抢走工作”从论坛上的争论搬到了公司门口。 连锁扩散 → 并列枚举 此后，从北美软件厂商到欧洲金融机构，再到亚洲的电商与制造龙头，一批跨国公司陆续把流程清楚、标准明确的岗位交给AI。 数据佐证 → 事实佐证 国际货币基金组织测算，发达经济体约六成岗位会受AI不同程度影响，新兴市场与低收入国家分别约为四成、二成六；另有机构估计，未来十年仅美国就可能有1500万个岗位被替代。 两种反应 → 现象呈现 面对这类数字，人通常只有两种反应：恐慌，或者麻木。恐慌的人急着找一个“什么专业不会被替代”的答案；麻木的人把它归档为“又一个制造焦虑的标题”，翻过去继续刷。 真问题 → 问题揭示 但真正值得追问的是另外两件事：为什么这次的冲击和过去两百年的机器换人不太一样？以及，一个社会的“发展趋势”，究竟是怎样从许多零散的事件里长出来的？ ## 二、消失的不是数量，是位置 旧序失效 → 问题引入 过去的技术替代有一条大致稳定的顺序：先替代体力，再替代重复，最后才轮到需要读书识字的工作。所以“读好书、坐进办公室”长期被当作最安全的路径。 制造现场 → 例证展开 这一回，顺序被打乱了。装上机器视觉和智能调度的生产线能自己调整节拍、识别故障、优化排产，被压缩的不只是拧螺丝的手，还有调度和质检的判断。 白领台阶 → 并列展开 金融、保险、跨境电商的智能系统接走了基础客服、单据录入、简单理赔；初级文稿、基础翻译、简单代码也大批交给模型完成。基础财会、常规考勤、功能测试、初级法务文书，恰恰是大学毕业生踏进职场的第一级台阶。 可编码性 → 现象抽象 把这些例子放在一起，共同点就露出来了：一份工作被替代的难易，不取决于它体不体面，而取决于它的内容有多少能被写成规则、编码成流程。 接手边界 → 对比强化 凡是“输入什么、按什么步骤、输出什么”能清楚说出的部分，机器都有机会接手；需要在模糊情境里权衡、需要读懂一个具体的人、需要造出本来不存在的东西的部分，它暂时还接不住。 判据替换 → 归纳收敛 所以真正的变化不是“机器越来越聪明”这么一句感慨，而是替代的判据从“体力还是脑力”，换成了“可编码还是不可编码”。 ## 三、中段空了以后 金字塔→沙漏 → 概念界定 判据一换，社会的形状就跟着变。过去的社会技能结构像一座金字塔：塔尖是长期训练出来的判断者，塔基是大量体力与操作岗位，中间厚厚一层是文书、核算、初级分析这类标准化岗位。 技能极化 → 模型建构 现在塔基被自动化削薄，中间层被AI掏空，剩下两头——一端是高度依赖复杂决策、深度创意和人本共情的岗位，另一端是擅长驾驭AI、做人机协作的新职业。研究者把这种形状叫作“技能极化”。 阶梯抽走 → 后果推演 形状一变，最要紧的后果不在失业率，而在阶梯。几十年前，正是那些标准化岗位为整整一代人提供了进入中产的通道：不必天赋异禀，只要按部就班学会一门流程，就能换来稳定收入与可预期的生活。 方向重选 → 转折澄清 通道被抽走以后，“努力就有回报”并没有变假，但它所依赖的路径变了——努力仍然有用，只是往哪里用力，需要重新判断。 水滴溢出 → 类比迁移 那么，身处其中的人为什么往往感觉不到？因为趋势从不敲锣打鼓地来。它像水滴一点点注满容器，每一滴都很小，单看都不值得反应；人的心理又天然擅长“分区”，把不相关的变化分别塞进不同的抽屉，免得被它们的合力压垮。直到某天水溢出来，闹钟响了，我们才承认格局变了。 国别分叉 → 视角拓展 也正因为如此，趋势不会沿着一条直线通向某个必然结局，它在关键处会分叉。白领岗位密集的发达国家往往更早感到震荡；劳动力集中在低技能环节的发展中国家，若缺少前瞻准备，更容易出现失业上升与收入差距拉大的叠加。 伦理分歧 → 证据更新 连“机器该如何取舍”也没有统一答案。一项覆盖两百多个国家和地区、两百多万人参与的道德抉择实验发现，并不存在一套通用的机器伦理；而一个社会的不平等程度越高，其成员越倾向于在假设情境中优先保全地位较高的人。技术给出的是可能性，社会结构决定这些可能性往哪边落。 ## 四、把可能性还给自己 教育转向 → 方向确立 看清趋势的目的不是算命，而是准备。而准备的第一件事，是承认“一次教育管终身”已经结束。德国把工业智能运维、机器人调试、人机协同实训搬进企业现场，让职业培训的内容跟着技术一起更新。 技能重启 → 并列枚举 新加坡走的是另一条路：用补贴乃至免费的短期课程，帮文员和基层技工掌握提示工程、智能质检、数据核验这类容易上手的新本领。它们教的都不是某一门技术，而是把学习变成一种可以反复重启的能力。 高中定位 → 引用支撑 我国面向中小学生的人工智能通识教育也给出了明确方向：到了高中阶段，重点不在于会不会用某个软件，而在于建立“技术原理—系统架构—社会影响”的立体思维，学会在复杂伦理情境里权衡创新与风险。 扩大可能 → 解决路径 对个人来说，这套思路可以收成一句话：扩大自己的可能性空间。凡是能被写成流程的事，尽量交给工具；把省下来的时间投到那些暂时无法被编码的地方——在信息不全时做出判断，把一个模糊的问题问清楚，理解一个与你立场不同的人，把两件看似无关的事连起来。 新岗生成 → 例证展开 新岗位正诞生在这些地方。AI训练师反复校准模型的输出，行业专家借模型做论证，工厂技术员用智能系统诊断设备——无一不是“人的判断”与“机器算力”结合之后的产物。 走向之问 → 视野拓展 技术革命不会停下来，这一点历史上从无例外。但它最终把社会带向更平等的分工，还是更锋利的裂痕，并不由技术单独决定，而取决于这一代人怎样回应：教育是否愿意转向，企业是否愿意选择“增强人”而不是“替换人”，制度是否为跌落者备好缓冲。 听水滴声 → 号召收束 你们这一代人将在其中生活很久。与其等那声闹钟响起，不如现在就开始学会听水滴的声音。 **Tags:** 中级, 交互, 资讯 **Categories:** 社会 ---