王晨曦：AI对职业结构的“破坏性”重塑和中国可能的机遇

编者按 ·  2025.10.15

AI正在以前所未有的速度重塑职业版图：从亚马逊仓库的机器人取代百万分拣工，到AI病历系统让医务助理面临失业，这场变革已从体力劳动深入脑力腹地。AI的发展究竟影响到了哪些行业？在此背景下，中国有哪些方案可以应对AI带来的事业浪潮？如何将冲击转化为机遇？

本文作者通过深入剖析医疗、制造、金融等行业的真实案例，揭示旧岗位消失与新职业诞生的双重轨迹，同时直面失业潮、技能断层与红利集中化三大挑战。面对结构性变革，本文聚焦教育转型、社会保障、算法治理等 “中国方案”，为读者解开 AI 时代职业发展与社会应对的关键谜题。

引言

2023年，亚马逊宣布其仓库机器人数量突破75万台，直接替代了上百万计的人工分拣工；同年，清华附属医院上线的AI病历生成系统，使医生的书写时间缩短了70%，却让大量医务助理面临失业的风险。AI正在以一种“悄然但剧烈”的方式重塑职业结构。与以往的技术革命相比，AI浪潮带来了前所未有的影响：AI不仅能替代“体力劳动”，更能深入“脑力劳动”的腹地。这一技术发展趋势，将深刻改变全球的产业格局和劳动市场。

近代的两次技术革命与职业结构演变

信息技术革命：

白领岗位的第一次“工具替代”

20世纪六七十年代，IBM大型机进入写字楼，微软Office成为办公室标配，一场信息技术革命悄然改写了白领的命运。曾经被视为体面工作的打字员、秘书，在几年之间成了“消失的职业”。效率的提升不再来自人手的增加，而是源自电脑取代人工的瞬时运算。90年代，电子邮件一夜之间替代传真和信函，传统文书和行政人员的生存空间被进一步挤占。表面上看，这是生产力的飞跃，但从深层次分析却是职业结构的重组：企业用更少的人，完成更多的事。信息技术革命让“工具替代人”的逻辑第一次大规模进入办公室。它告诉我们，技术并非只冲击工厂流水线，办公室同样是淘汰与创造并存的战场。

互联网革命：

数字浪潮下的商业模式改写

21世纪初，互联网技术推动了商业模式和产业链的深度重组。亚马逊崛起，让无数美国中小书店关门大吉；阿里巴巴“双11”成交额节节攀升，成为线下零售的有力冲击者。电子支付、线上广告、平台化物流，将交易双方的关系彻底搬到虚拟世界。伴随社交媒体的普及，信息的传播速度成倍提升，报刊广告部、旅行社、传统中介机构相继凋零。看似只是“消费渠道的转移”，实则是职业结构的深度改造：客服中心外包到海外，快递员取代商场导购，电商运营成为新的黄金岗位。互联网革命不仅改变了商品的流通方式，更改变了劳动的组织方式。核心在于将交易关系和组织活动数字化，使“数据”成为新的生产要素。企业规模与竞争力不再依赖物理空间和人力数量，而取决于流量、算法与网络效应。

AI革命下旧岗位的消失

与新职业的产生

AI的兴起并非局限于某一环节或某一行业，而是以全链条的方式重塑各行各业的岗位结构。不同产业的演变虽各有路径，但共同趋势是旧岗位被快速替代，新角色在智能化驱动下不断涌现。

医疗健康：

从“写病历”到“管AI”

医疗是AI渗透最深入的行业之一。过去，医生常常耗费大量时间在病历书写、医疗编码和患者登记上；如今，AI病历生成系统已能自动完成流程，显著提升诊疗效率。清华附属医院的试点数据显示，书写时间缩短七成，使医护人员能更专注于临床决策。与此同时，英国NHS已将部分影像诊断交由谷歌DeepMind模型完成，医生只需进行结果复核。随着智能系统的普及，传统的辅助岗位如病案管理、医疗编码等逐步被取代，新的职业角色随之产生。例如，AI医疗系统管理员负责算法训练、模型维护与运行监控；临床数据分析师则利用大规模数据支持公共卫生政策与精准医疗决策。AI正推动医疗行业由“经验驱动”向“数据驱动”转型，岗位价值逐渐由体力和经验转向数据理解与算法管理能力。

人工智能公司DeepMind和伦敦穆尔菲尔德眼科医院合作探索AI检测眼部疾病的潜力（图源：路透社）

制造业：

从“流水线工人”到“数字孪生工程师”

智能制造体系的形成，标志着制造领域内AI与自动化技术结合。特斯拉柏林工厂几乎实现了全流程无人化，机器人和算法共同完成焊接、装配与质检，生产节奏比传统流水线更高效、更精准。与此同时，数字孪生技术成为行业关键——工程师在虚拟空间中完整复刻生产流程，提前模拟设备运行与产线优化，再将结果反馈到现实工厂，大幅降低停机率。新的岗位也随之快速崛起：数字孪生工程师专注于构建虚拟模型并实时监控产线，预测维护分析师则利用AI算法识别潜在故障并制定检修方案。制造业的核心竞争力正从低成本劳动力，转向依赖复合型人才和数据驱动的智能化生产。

特斯拉工厂自动化机器人装配座椅（图源：Getty Images）

零售&物流：

从“仓储工人”到“供应链设计师”

零售与物流行业同样正在被AI全面改造。亚马逊全自动仓库每天可处理数百万订单，分拣、搬运和库存管理全部由机器人与算法完成；京东、顺丰的无人仓与智能配送系统同样在快速扩张。而在消费者端，自助收银与虚拟客服日益普及，使零售环节更趋自动化。与此同时，新的岗位正在浮现：供应链算法优化师利用AI预测需求波动，动态调整库存与配送路径；智能仓储运维工程师则保障机器人系统稳定运行。在AI智能化的驱动下，行业价值链正在重塑，未来竞争将取决于谁能更好掌握算法与数据。

亚马逊机器人在圣诞节高峰前在亚马逊运营中心运输货物（图源：路透社）

金融&保险：

从“人工风控”到“AI监管协调员”

金融业与保险业是AI技术的天然应用沃土。摩根大通早已用AI完成大部分信贷风险评估和交易监控，处理效率远超人工。中国平安也通过智能风控系统，将欺诈识别率提升至前所未有的水平。客服环节中，智能语音机器人逐渐替代传统坐席，24小时在线解答客户需求。与此同时，新的高价值岗位不断涌现：AI风险建模师利用复杂算法构建并优化风险评估体系，结合市场动态进行实时调整；AI合规协调员则负责在企业与监管机构之间搭建桥梁，确保算法符合行业规范和政策要求。AI不仅在金融机构内部形成新的工作分工，也正在推动整个行业从“经验驱动”转向“数据驱动”，让资本流动更加智能和高效。

咨询业：

从“金字塔”到“方尖碑”

咨询业同样正在被AI重塑。麦肯锡、波士顿咨询等大型机构已开始使用AI完成基础调研、数据建模和方案撰写，大幅压缩了初级顾问的传统工作量。咨询业的典型特征是知识密集与层级分明。由此，过去以大量初级员工支撑的“金字塔式结构”，正逐步演变为“少而精”的“方尖碑式团队”。与此同时，新的角色正在出现：AI Facilitator（AI工作流设计师）负责帮助团队优化AI工具的使用场景与流程，让技术成果真正转化为客户价值；AI治理顾问则聚焦算法伦理与合规，为客户提供AI应用风险评估和战略建议。这一转变使咨询业从依赖人力密集转向强调知识整合与价值交付，咨询顾问的竞争力也正在从“时间依赖型产出”变为“智能整合与战略洞察”。

B2B销售：

从“销售代表”到“客户关系编排师”

B2B销售正在被Agentic AI（AI Agent是单一、被动执行具体指令的智能工具，而Agentic AI是多AI Agent协作、能主动规划复杂目标的高阶系统）全面重塑。以往，销售代表需要花费大量时间进行线索挖掘、客户外联和报价生成，而今天，这些环节已能由AI自动完成。字节跳动等企业的智能销售助手，能够在后台自动生成个性化推介方案，使销售人员从繁琐事务中解放出来。与此同时，新的角色逐渐浮现：AI销售编排师负责设定销售流程和策略，决定不同AI代理如何协作，以确保客户体验流畅；客户关系经营专家则专注于关键客户的深度沟通，在AI无法替代的场景中提供信任与情感价值。B2B销售未来竞争的核心不再是团队规模，而是谁能更好地整合AI与人工优势，实现关系维护与商业价值的最大化。

AI对职业体系的结构性破坏

人工智能革命与前两次技术浪潮有着根本性的不同。信息技术和互联网主要是“工具升级”，提升的是人的工作效率；而AI正在跨越边界，直接进入“脑力劳动”的核心地带——从替代“手”到部分替代“脑”。其变革核心在于其对思考决策和认知劳动的介入，这意味着劳动市场的重心正在从“体力与技能”转向“认知与协作”。它触及的不只是生产效率，而是人类知识体系与价值结构本身。职业结构的重组由此呈现出更强的复杂性和持续性，传统的岗位稳定性被进一步削弱。

AI革命对职业体系的破坏或远远大于其创造的新机会，主要包括以下三个方面。

失业压力：

低技能岗位的“第一道冲击波”

AI扩张首先冲击的是大量依赖重复性劳动的岗位。麦肯锡的预测显示，到2030年，全球约有3亿岗位可能因AI而被替代，其中多数来自低技能人群。零售和物流尤为典型。亚马逊在2023年宣布其仓库机器人数量已突破75万台，大规模替代分拣与搬运工。同样的，中国京东的无人仓在全国复制，单仓日处理能力是传统仓库的数倍，却几乎不再需要同等规模的工人队伍。

这种趋势不仅体现在实体劳动岗位，也波及到“白领事务岗”。金融客服中心、大型医院的病案室，原本是大量年轻人就业的入口，但在智能语音助手和自动病历生成工具普及之后，这些岗位正以肉眼可见的速度消失。AI带来的第一个系统性冲击，正是就业“洼地”的坍塌。

技能错配：

新职业的门槛与现实供给的断层

如果岗位减少是表层冲击，那么技能错配就是更深层的矛盾。AI并非只是在“拿走”工作，它同样在创造新机会——AI医疗系统管理员、数字孪生工程师、供应链算法优化师等，都迅速成为市场上的稀缺岗位。但新岗位通常要求跨学科能力与高技术门槛，传统劳动者短期内难以完成技能转换，劳动力市场的供给远远跟不上需求。以制造业为例，特斯拉柏林工厂招聘“数字孪生工程师”，要求既懂工程建模，又能运用机器学习算法，而传统蓝领工人几乎无法短期完成跨越。医疗领域同样如此，英国NHS引入DeepMind系统后，急需兼具医学与数据能力的复合型人才，但相关培训体系尚未成熟。结果就是，一边是企业陷入招聘难困境，岗位长期空缺；另一边是被替代的劳动者找不到合适的转型通道，导致了岗位空缺与失业并存的“结构性失衡”。

红利集中化：

巨头独享，分配失衡

除了就业与技能的矛盾，AI还带来了第三个深刻影响——红利集中化。算力、算法与数据高度依赖规模优势，使少数科技巨头掌握行业发展的核心钥匙。美国尤为典型：微软与OpenAI深度绑定，将GPT嵌入Office和Azure，形成全覆盖；亚马逊以自研芯片捆绑云服务，客户难以转移；英伟达凭GPU垄断在一年内实现数百亿美元营收，远超多数应用企业。而这种情况造成的后果是，大量创新公司只能依附其生态谋求发展。在中国，类似格局也已出现。字节、腾讯、阿里推出数千个AI Agent，占据主导地位，而中小企业因算力与数据不足，难以在竞争中突围。

Open AI和微软首席CEO同台（图源：美联社）

红利集中不仅意味着经济利益被少数公司掌控，还可能在社会层面放大不平等：技术和财富集中于头部企业与高技能人才，而普通劳动者则既失去岗位，也难以分享新产业成果，“赢家通吃”的格局正在逐步固化。

AI“破坏性”重塑的中国方案 

面对AI正在深刻改变职业结构的趋势，中国既不能回避风险，还要善于把挑战转化为机遇。在国际经验的启发下，中国需要在教育转型、算法治理、社会保障、产业竞争力和企业机制五个方面提出系统性应对措施。

教育与技能转型：

从人口红利到技能红利

中国的制造业、零售业和服务业仍以劳动密集型为主，这些行业聚集了大量低技能岗位，是AI替代的首选。如果劳动者不能完成技能升级，就业压力将迅速放大。教育体系的结构性调整因此成为缓解冲击的首要任务，其核心在于从“学历导向”向“能力导向”转变。

当前中国的职业教育体系正处于改革深化阶段。《国家职业教育改革实施方案》（2019）已提出要“建设中国特色现代职业教育体系”，但现实中职业教育与产业需求的匹配度仍不高。应进一步构建面向AI产业的应用型教育体系，在职业院校和高等教育阶段系统引入智能制造、数据分析、算法伦理、人机交互等课程，强化实践教学与项目制学习。高校与企业应联合设立AI实践中心，借鉴德国“双元制”经验，使学生在校期间即可参与真实项目，缩短毕业与就业之间的技能落差。

此外，应建立国家级AI技能认证体系，明确从基础操作到系统管理的不同技能等级，为劳动者提供可量化的培训与晋升通道。通过财政补贴、税收优惠等方式鼓励企业承担员工再培训责任，推动“终身学习型劳动力市场”的形成。通过教育制度、企业激励与社会支持的协同，中国有望实现劳动力结构由数量型向质量型的转变，从“人口红利”平稳过渡到“技能红利”。

社会保障与过渡支持：

缓冲就业冲击

AI的替代效应不可避免，因此社会保障的重要性不言而喻，其核心任务不再是简单地维持收入，而是为劳动者提供“转型支撑”。目前，中国已建立较为完备的社会保险框架，但在灵活就业群体和临时工人群体中，覆盖率仍不充分。

中国可以在现有体系基础上进一步优化。一是设立“AI转型基金”，由中央财政与地方政府共同出资，用于资助受冲击行业的劳动者开展职业培训、技能提升和创业转型。基金重点支持零售收银员、仓储分拣员、数据标注员、电话客服等高风险岗位人群，并通过线上学习平台扩大培训可及性。

二是推广终身教育积分制，参考新加坡的“技能未来（Skills Future）计划”，为所有公民提供学习积分，用于再培训课程或补贴。这样不仅能降低学习成本，也能激励劳动者主动参与再培训。

三是完善过渡性就业政策。政府可在公共服务、社区治理、养老护理、教育辅导等领域设置带培训属性的“过渡性岗位”，为被替代劳动者提供实践转型机会。地方政府可通过专项就业项目实现“以训代工”，在缓冲失业冲击的同时提升技能水平。

社会保障的目标，不是阻止岗位消失，而是降低转型过程的社会成本，实现就业结构的平稳再配置，确保转型过程的社会稳定。

算法透明与治理：

避免“黑箱化”决策

AI的广泛应用不仅是技术问题，更是公共治理议题。随着AI进入医疗、金融等关键领域，算法透明性和责任追溯成为治理重点。算法的不透明不仅可能导致偏见与误判，也会削弱社会对技术的信任。欧盟《AI法案》对高风险AI提出了可解释与可追溯的要求，为全球提供了治理参考。

中国在算法监管方面已具备初步框架。国家网信办发布的《互联网信息服务算法推荐管理规定》（2022）标志着算法治理进入制度化阶段，要求企业披露算法基本原理、用途及风险。未来，应在此基础上进一步深化，形成分层分类的AI治理体系。

首先，在医疗、金融、教育等高风险领域建立算法透明机制，要求相关AI系统具备可追溯日志与责任记录，确保当算法出现误判时能明确责任主体。其次，应推动企业建立“算法责任人”制度，要求重点机构在内部设立合规与伦理审查岗位，落实算法安全评估责任；最后，可以通过行业协会和国家标准制定，推动AI在医疗诊断、金融风控等领域形成统一的解释框架。特别是在医保、银行等公共数据高度集中的部门，更应率先试点“可解释AI”。随着中国数字经济规模的持续扩大，这类制度安排不仅有助于防止“黑箱化”决策风险，也能为AI应用的可持续发展提供治理保障。唯有将监管规则嵌入技术体系，才能让公众在享受效率提升的同时，获得信任与安全感。

本文作者

王晨曦：香港中文大学（深圳）前海国际事务研究院研究助理。

*原创声明：本文版权归微信订阅号“大湾区评论”所有，未经允许任何单位或个人不得转载、复制或以任何其他方式使用本文部分或全部内容，侵权必究。公众号授权事宜请直接于文章下方留言，其他授权事宜请联系IIA-paper@cuhk.edu.cn。

GBA Review 新传媒

校对 | 詹蕴第 

排版 | 许梓烽 

审核 | 冯箫凝