性能指标每季倍增、超八成代码出自AI——业界却称：岗位流失并非必然？

性能指标每季倍增、超八成代码出自AI——业界却称：岗位流失并非必然？

日前，Anthropic与谷歌DeepMind同时释放出看似相悖的信号：一面是AI执行效能呈指数级攀升，另一面是就业市场波澜不惊。究竟是AI实力不足，还是我们过度预估了其冲击力？

这或许是2026年最值得深思的AI就业议题。读完本文，你将获得对AI与就业关系的三个崭新认知，以及一套实用框架来评估你的岗位是否真正面临威胁。

「AI的矛盾性：它日益强大，却尚未跨越取代人类的临界点。」

过去两周，AI领域发生了两件看似相互矛盾的事件。

6月10日，Anthropic在官方博客中发出重要警示——AI正加速进入“自我进化”阶段，系统已能独立设计、训练并优化下一代版本。公开基准测试表明，AI完成独立任务的时间每四个月翻番。截至2026年5月，Anthropic内部数据显示，超过80%的代码合入工作由Claude完成，而该比例两年前仅为个位数。在涵盖130人的调研中，Claude辅助下的工作产出中位数是没有AI时的四倍。

同日，谷歌DeepMind的AGI经济学负责人、芝加哥大学经济学教授亚历克斯·伊马斯却在访谈中指出：目前尚无证据表明AI引发了岗位流失或白领大规模失业。软件工程行业的就业态势也未出现显著变化。DeepMind发言人认同此观点，称AI当前主要承担重复性任务，协助员工聚焦于机器难以胜任的工作。

一边是“AI已能胜任大部分编码工作”，另一边是“AI根本没有造成失业”。矛盾吗？或许并非如此。这正是理解2026年AI就业真相的关键切入点。

一、数据对照：AI能做什么，与AI实际在做什么，是两个不同命题

Anthropic提供的数据无疑令人震撼。

Claude能在12小时内完成原本需要人类数周才能搞定的复杂任务。在涵盖130人的用户调研中，使用Claude辅助后，工作产出中位数达到了未使用AI时的四倍。2026年4月，Claude独自修复了超过800个API错误。这些数字背后，是一个正快速逼近乃至超越人类执行能力的AI系统。

但请留意——这些数据描述的是“能力”，而非“替代”。

DeepMind的数据向我们揭示了另一层面的真相：AI并未在大规模替换人类，而是在让人类变得更高效。伊马斯的研究发现，哪怕是和AI关联最紧密的软件工程行业，就业数据也未出现明显波动。AI更多是在承担重复性工作，协助员工把时间投入到机器无法完成的创造性事务中。

核心差异：能力上限 ≠ 实际部署速度

AI能做的（能力），和AI在做的（现实部署），之间存在巨大的“采纳鸿沟”

这种“能力与现实”的差距，在产业界有着广泛印证。毕马威6月发布的一项调查揭示了一个关键事实：全球仅有26%的公司能够全面掌握AI成本，高达50%的企业对AI支出的监管能力十分有限，另有22%的企业完全缺乏透明度。当连成本都算不清楚时，企业谈何大规模部署AI替代人力？

这解释了一个看似矛盾的现象：AI在实验室里表现惊人，但在实际企业中，部署速度远低于预期。能力在指数级增长，但落地却在线性爬坡。

二、谁在忧虑？从TCS到Uber，巨头们的差异化策略

如果AI真的不会大规模替代人类，为何全球科技巨头都在调整自身的劳动力策略？

印度软件外包巨头塔塔咨询服务（TCS）给出了自己的答案。其董事长在年度股东大会上承诺“不裁员”，但同时明确表示将放缓整体招聘速度。他做出了一项惊人的预测：如果TCS拥有50万名员工，那么公司拥有50万个AI智能体的日子“已不再遥远”。这不是裁员，而是以人机协同替代增量招聘。

另一边的Uber则展现了完全不同的路径。该公司在2026年对人力资源部门进行了23%的裁员。CEO强调此举与AI无关，旨在提升团队效率。但业内观察人士注意到，这恰好是Uber在新任总裁推动下全面拥抱AI工作流的同步动作。

两种策略，同一个趋势

TCS选择“放缓招聘+不裁员”，Uber选择“直接裁员23%”——路径不同，目标一致：降低人力依赖

这里出现了一个微妙但重要的区别：

TCS的模式——“自然缩减”：通过不招新人，让AI逐步替代离职员工的岗位。表面上没有裁员，但团队规模在自然缩小。这种模式的优点是社会冲击小，缺点是转型周期长。

Uber的模式——“快速切割”：直接裁员，快速完成人力结构优化。优点是转型迅速，缺点是可能误伤有价值的人力资本。

DeepMind的伊马斯教授特别警告了这种“快速切割”的风险。他指出，当下行业内出现了一种错误风气——认为企业不裁员就代表AI转型进度落后。受这种“错失恐惧症”影响，很多企业单纯为了营造拥抱AI的假象选择裁员，最终反而让自身运营状况变差。

这或许是目前最值得警惕的AI就业误区：把“裁员”等同于“拥抱AI”。

三、为何AI尚未“取代”人？三个被忽视的结构性障碍

如果Anthropic的数据是真实的——Claude确实能让130人的产出翻四倍——为何劳动力市场毫无波澜？

答案藏在对AI本质的三个误解中。

障碍一：执行能力 ≠ 判断能力

Anthropic在警告AI自进化的同时，也承认了一个关键事实：当前AI在“做什么”和“如何把控方向”上，依然力不从心。Claude可以修复800个API错误，但它不知道应该优先修复哪些。它可以让产出翻四倍，但它不知道这个“四倍”是否指向了正确的方向。

这意味着：AI擅长“把事情做对”，但不擅长“做对的事情”。而在职场中，决定一个人是否被替代的，往往不是执行速度，而是判断力。

障碍二：代币成本是真实存在的经济约束

毕马威的数据揭示了一个被严重低估的现实：代币计费正在让企业财务部门陷入前所未有的困境。部分客户AI代币使用量激增六倍，有企业在短短几个月内就耗尽了全年预算。当Anthropic等服务商的账单呈指数级增长时，“全面替代人工”就不再是一个经济上合理的选择。

这解释了为何80%的代码由Claude完成，但软件工程师岗位依然稳定——因为让Claude写80%的代码，成本可能已经接近雇佣一个中级工程师了。

障碍三：组织惯性比技术更顽固

技术可以一周部署，但组织变革需要数年。TCS作为印度最大的单一软件服务出口商，拥有50万名员工。要让这样一个巨型企业完成AI转型，即便技术已经成熟，组织架构、文化认同、管理流程的全面改造也需要至少3-5年。

这正是为何“AI已经很强”和“AI还没有改变就业市场”可以同时为真——前者是技术事实，后者是组织现实。

四、对比视角：字节跳动AI制药拆分与摩尔线程MusaCoder的启示

同一周内发生的另外两件事，从不同维度为“AI与就业”提供了有趣的参照。

字节跳动AI制药业务在6月启动拆分与独立融资。这个成立于2021年、由刘凯负责、核心成员约50人的团队，凭借Protenix和Seedfold等模型，以及Anew Labs平台在药物发现管线上的实际成果，获得了独立运作的资本背书。与此同时，摩尔线程发布了基于国产GPU MTT S5000的代码大模型MusaCoder，在KernelBench评测中Overall Pass率达到93.2%，超越了Claude Opus 4.7、DeepSeek-V4 Pro等国际主流模型。

这两个案例看似与就业话题无关，但揭示了一个更深层的趋势：

AI正在创造新的岗位类型，而非简单地消灭旧岗位。

字节跳动AI制药团队50人，却完成了传统制药公司数百人团队难以实现的蛋白结构预测。摩尔线程的MusaCoder开源，直接为国产AI生态催生了“GPU算子开发”这一全新职业方向。AI不是把人类从工作中驱逐出去，而是在重新定义“工作”本身。

AI时代的就业不是“零和博弈”

旧岗位消失的速度 ≠ 新岗位创造的速度。两者之间的“时间差”才是就业冲击的真正来源。