25年没写代码，Amazon HR负责人借助AI完成10万行：员工正在从软件使用者变成“工作构建者”HRTech概述：Amazon全球HR负责人Beth Galetti在离开一线编程约25年后，借助AI重新开始开发应用，目前已经完成超过100,000行代码。更值得关注的是，Amazon正在通过Kiro、Amazon Quick和Aza等AI工具，将软件构建能力从专业技术团队扩展至普通员工，并以25亿美元的Future Ready 2030计划补充大规模技能投资。这一案例释放出一个清晰信号：企业AI竞争正在从“谁购买了更多工具”，转向“谁能让更多员工重新设计工作”。
25年没有写代码，Amazon全球HR负责人重新成为开发者
Beth Galetti现任Amazon Senior Vice President of People Experience and Technology，负责公司的全球HR组织。她职业生涯早期曾是一名软件开发人员，参与开发包裹追踪和国际业务系统，随后逐步转入信息技术、运输网络及运营管理岗位。2013年，她原本前往Amazon面试运输业务职位，但面试官发现她在谈到人才发展时表现出强烈兴趣，最终邀请她进入HR领域。
在大约25年没有亲自编写代码之后，Galetti于几个月前开始尝试利用AI重新构建软件。她的第一个项目是一款家庭日历应用，通过与AI工具交互，几小时内便完成了一个可以实际运行的初步版本。
此后，她开始使用Amazon的AI开发工具Kiro。在一次飞往Seattle的航班上，她通过自然语言描述需求，由Kiro协助完成规划、代码编写和测试，并在航班结束前构建出一款作品提交应用。这款应用随后成为Amazon内部团队竞赛“Everyone Can Build”的基础设施。
截至文章发布时，Galetti表示自己已经借助AI完成超过100,000行代码。Amazon没有说明这些代码的具体统计周期、投入生产的比例及后续维护方式，但这一案例显示，生成式AI正在显著降低软件构建对传统编程经验的依赖。
超过1,500名员工参与，全员构建开始进入真实业务流程
“Everyone Can Build”并不是一场面向工程师的技术竞赛。Amazon向团队内所有员工开放活动，不要求参与者具备技术背景，唯一要求是使用AI开发一款能够解决工作或日常生活真实问题的应用或工具。
竞赛开放后的数周内，超过1,500名员工开始参与构建。其中，一名员工开发的应用将一项接近4小时的人工检查流程压缩至1秒。据Amazon估计，这款工具每年可以节省数万小时。另一名员工开发了名为Momo的桌面宠物，将工作任务、提醒和常用快捷方式集中在一个入口中。
这些案例所体现的价值并不只是“员工学会了写代码”，而是业务一线员工可以绕过漫长的需求传递过程，直接将自己对流程、客户和岗位的理解转化为可测试的解决方案。
过去，一名非技术员工即使发现了低效流程，也需要整理需求、争取技术资源、等待项目排期，再由开发团队完成产品设计与交付。AI降低构建门槛后，最了解问题的人可以先完成原型和局部自动化，技术团队则可以将更多资源投入底层架构、安全治理和核心产品。
Quick、Kiro与Aza，形成三层企业AI工具体系
从Amazon披露的信息来看，其企业AI布局并不是简单地向员工开放一个聊天机器人，而是在逐步形成覆盖知识、工作流、软件构建和员工服务的工具组合。
Amazon Quick是面向工作的AI助手。员工可以用它查询企业数据、开展研究、生成内容并构建自动化工作流。Amazon表示，一些过去需要数周完成的研究任务，现在可以通过Quick显著缩短周期。该产品还可以连接本地文件、日历、电子邮件以及Microsoft 365、Google Workspace、Salesforce、Slack、Zoom等企业应用。
Kiro承担的是更进一步的“构建”任务。员工可以用自然语言描述希望开发的应用，由Kiro协助规划、编写和测试。这意味着普通员工不再只能使用现有软件，也可以围绕自己的工作场景搭建小型应用和自动化工具。
Aza则是Amazon内部使用的AI workplace assistant，重点服务员工体验场景。员工可以通过Aza查询福利、薪酬、工作场所便利安排和IT信息，也可以申请休假、预订会议室或搜索内部开放职位。
三类工具对应了不同层级的工作需求：Aza解决员工服务和信息获取，Quick连接知识、研究与自动化，Kiro则将员工进一步推向应用构建。Amazon展示的不是一个孤立产品，而是一套逐步扩展员工行动能力的AI工作基础设施。
25亿美元投入未来技能，AI工具必须与人才投资同步
Amazon同时强调，仅向员工开放AI工具并不足以完成组织转型。员工是否具备理解问题、拆解任务、判断结果和持续学习的能力，决定了工具最终能够产生多大价值。
为此，Amazon推出Future Ready 2030，承诺投入25亿美元扩大教育和技能培训机会，帮助至少5,000万人为未来工作做好准备。其中，10亿美元将投入Career Choice教育福利计划，目标是继续为全球50万名员工提供技能提升支持，重点覆盖cybersecurity、software development、logistics、renewable energy及mechatronics等增长领域。
Amazon还为每名员工每年承担一次AWS AI认证考试的全部费用，认证路径从基础AI概念延伸至专业级生成式AI。通过Amazon Future Engineer、AWS Educate及Mechatronics and Robotics等项目，技能投资覆盖K-12学生、职业早期人才、在职员工和希望转型的劳动者。
这说明Amazon对未来工作的判断并非“AI工具可以替代培训”，而是恰恰相反：工具越强大，企业越需要系统性提升员工的判断力、业务理解、问题定义和人机协作能力。
真正的变化不是人人成为程序员，而是人人拥有构建能力
从HRTech视角看，Beth Galetti完成100,000行代码只是最具传播力的表层故事。更深层的变化，是企业内部的软件生产关系正在被重新定义。
AI正在把过去集中于工程团队的部分构建能力，分散到HR、财务、运营、销售和客户服务等业务岗位。未来的员工未必需要掌握完整的计算机科学知识，也不必成为专业程序员，但越来越多人需要具备用自然语言定义需求、拆分任务、验证结果和持续改进工具的能力。
这会直接改变企业的人才标准。招聘时需要评估的不再只是候选人是否会使用某款AI产品，而是其能否识别值得解决的问题、能否把复杂工作拆解为可以委派给AI的任务，以及能否判断AI输出是否准确、安全并具有业务价值。
学习与发展部门也需要从传统课程供给者转向工作转型推动者。相比组织一次通用的“AI提示词培训”，围绕真实流程开展内部构建竞赛、任务重构项目和跨职能实验，更容易把AI能力转化为可衡量的生产力成果。
10万行代码不是ROI，工作结果才是
值得注意的是，代码行数本身并不能证明AI创造了多少价值。更多代码不一定意味着更高的质量、更低的成本或更好的用户体验。AI生成的应用还可能带来数据权限、信息安全、代码质量、系统重复建设和长期维护责任等问题。
因此，企业在鼓励“全员构建”的同时，仍需要建立明确的治理边界。哪些应用可以由员工自行创建，哪些涉及敏感数据或关键决策的系统必须经过专业审核；谁负责测试、部署和维护；工具停止使用后如何处理数据与权限；这些问题都需要HR、IT、信息安全、法务和业务部门共同制定规则。
衡量此类项目的核心指标也不应是员工生成了多少代码、创建了多少应用，而应回到业务结果：流程周期缩短了多少、节省了多少有效工时、错误率是否下降、员工体验是否改善、解决方案是否能够复用，以及成果能否在安全前提下规模化。
HR正在从AI工具推广者转向工作设计者
Amazon案例对HR行业最重要的启示是，AI转型不能停留在工具采购、账号开通和使用率统计。企业真正需要回答的是：哪些工作应当取消，哪些流程可以自动化，哪些任务可以交由AI代理执行，哪些判断必须继续由人承担，以及员工如何从执行者转向AI工作的设计者和监督者。
当一位离开编程25年的HR负责人可以借助AI重新构建应用，当超过1,500名非技术员工开始直接解决工作问题，企业内部传统的岗位边界已经出现松动。未来HR的价值，不只是管理采用率，而是设计新的工作方式、能力标准、授权机制和治理体系。
Amazon正在展示一种可能的组织形态：AI不只是提高单项任务效率的助手，而是把更多员工变成能够发现问题、构建方案和改进工作的内部创新者。企业之间真正拉开差距的，也许并不是谁最早购买AI，而是谁最早形成了让员工持续创造结果的“全员构建”能力。
来源：Amazon News，《I’m an Amazon SVP who hadn’t coded in 25 years. Then I wrote 100,000 lines of code with AI.》；Amazon Future Ready 2030及Career Choice官方资料。
Future of Work
2026年08月31日
Future of Work
被AI“炒鱿鱼”已经不是科幻：真实员工被AI经理Luna解雇，经理这个岗位也要被重写？HRTech核心摘要：在旧金山运营实验性零售店Andon Market，由AI Agent Luna负责招聘、排班、请假和员工管理。一名员工在23个有打卡信息的班次中迟到17次，并伴随公司卡使用、未执行指令和离岗等问题。Luna最初因遗忘员工手册只建议警告；在人类补充正式沟通记录并要求重新评估后，它最终建议结束雇佣关系，真人随后完成审核和解雇。
别只担心AI抢你的工作，它可能先成为你的老板。更多请关注 HR Tech，为你带来全球最新 HR 科技资讯。
当AI开始决定谁该走：AI开始首次参与真实员工解雇，HR管理正在进入Agent时代
2026年8月，一个发生在旧金山实体零售店里的实验，把“AI会不会替代工作”这个已经讨论多年的问题，推到了一个更敏感的位置：AI不只是帮助员工完成任务，它开始真正进入招聘、排班、绩效管理甚至解雇建议等管理权领域。
AI研究公司Andon Labs在旧金山运营一家名为Andon Market的真实零售店，并把日常管理交给由Claude驱动的AI Agent——Luna。Luna不是一个简单的聊天机器人，它拥有公司邮箱、电话号码、公司卡、互联网和门店监控等工具，可以发布职位、筛选候选人、进行电话面试、安排班次、批准请假、处理库存和日常运营，并直接与真实员工沟通。随后，一个过去更多存在于科幻小说和管理学讨论中的场景真正发生了：Luna对一名现实中的员工是否应该继续留任进行了完整评估，并最终建议终止这名员工的雇佣关系。
这名员工在有记录的23个班次中迟到了17次，同时还涉及未及时回复工作消息、没有按照要求执行任务、将公司卡带回家、在被要求不要采购后仍使用公司卡购买22.92美元零食，以及值班期间离开门店造成店内无人值守等问题。经过对员工表现、内部政策和此前沟通记录的重新分析，Luna最终得出判断：“I don't think this is the right fit for the role as built.”也就是说，它认为这名员工已经不再适合这个岗位，并建议双方结束雇佣关系。
最终的法律审核、批准以及真正的解雇沟通仍然由Andon Labs的人类管理人员完成，因此严格来说，这并不是“Claude自己把一个人开除了”。但这件事真正具有分水岭意义的地方在于：一个AI Agent已经开始对真实员工的去留作出实质性的管理判断。
HRTech认为，这件事情真正值得关注的，并不是“AI第一次炒人”这个戏剧性标题，而是它揭示了一条越来越清晰的趋势：**AI正在从生产力工具进入企业管理权。**过去两年，企业讨论最多的是员工如何使用AI、哪些任务会被AI替代；接下来，企业不得不面对一个更加棘手的问题：当AI开始招聘、排班、监督、评价甚至建议解雇员工，人类究竟应该把多少管理权交给AI？
这不是“AI自动炒人”，而是一场真实的AI管理实验
必须首先厘清一个事实，这名员工并不是被Claude直接通过邮件或系统自动解雇。AI承担的是绩效分析、政策判断和管理建议，真正执行termination的仍然是人类管理人员。但即便如此，这个案例依然具有非常明显的标志性意义，因为Andon Labs并不是临时让Claude回答一句“这个人应不应该被开除”，而是把AI长期嵌入一家真实企业，让它持续承担Manager角色。
Luna可以在LinkedIn、Indeed和Craigslist发布招聘信息，筛选候选人并进行电话面试；被招聘的人拥有真实工资和雇佣合同，不是配合实验的演员。进入实际运营后，Luna继续负责员工排班、工作沟通、请假、库存管理和日常经营。因此，这个实验真正测试的是：一个通用AI Agent是否能够长期承担一部分传统意义上的管理工作。
这也是为什么Andon Market与过去十几年已经存在的“算法管理”有所不同。Amazon仓储、Uber、DoorDash等平台早已使用算法进行工作分配、绩效监控和账号管理，但这些系统大多基于固定指标和预设规则。例如迟到多少次、评分低于多少、取消订单达到什么比例，就触发相应流程。而Luna代表的是另一种技术路径：它会阅读员工对话、理解政策、整合上下文、分析历史行为，并通过语言模型进行类似人类管理者的推理。
换句话说，算法管理正在从“规则自动化”逐渐走向“管理推理自动化”。这可能才是这件事情真正值得HR和企业管理者关注的地方。
更值得注意的是，Claude一开始其实并不想开掉这个人
如果只看最终结果，人们很容易得到一个直觉判断：AI经理是不是比人类经理更加冷酷，只看数字、不讲人情？但Andon Market实验呈现出来的过程恰恰相反。Luna的问题并不是“太严格”，而是某种程度上“太宽松”。
Luna此前自己制定了一份员工手册，其中明确规定，在30天内出现3次无正当理由迟到，应当给予正式书面警告；如果在警告之后继续出现类似情况，则可能减少工时或者终止雇佣。但后来发生了一个非常典型的大模型问题：Luna“忘记”了自己制定的员工政策。
员工持续迟到，但这些零散事件并没有被自动整合成长期绩效记录。Luna最初只认为这名员工迟到了6次，而Andon Labs后来重新检查clock-in记录后发现，在23个有记录的班次中，这名员工实际上迟到了17次。其中一次，员工原本应该大约上午10点到岗，却直到11:08才打卡，导致当时只有该员工值班的门店晚开了68分钟。但Luna当时的反应依然非常宽容，大意是不用赶路，安全第一，而且上午10点到11点原本也不繁忙。
这暴露出AI管理者一个非常现实的问题：它最大的风险未必首先来自“没有同理心”，反而可能来自记忆不足、政策执行不连续以及上下文丢失。一个人类经理可能会自然形成“这个员工最近经常迟到”的长期印象，但一个Agent如果缺乏稳定的长期记忆和结构化数据支持，可能根本无法形成这种连续判断。
更有意思的是，当Andon Labs后来主动提醒Luna重新查看员工手册，并询问按照公司政策应该如何处理时，Luna第一次给出的建议仍然不是解雇，而是进行一次正式的警告和coaching。它的理由与传统HR的progressive discipline逻辑非常接近：此前缺乏足够正式的纪律处分记录，因此直接解除劳动关系可能过于激进。
这意味着，真正改变Luna判断的并不是一个简单的迟到数字，而是后来的人类输入。
一个Prompt，可能改变一个员工的命运
Andon Labs随后向Luna补充了更多背景信息，包括此前已经进行过多次正式沟通，以及员工除了迟到之外，还存在Slack回复不及时、执行指令不到位、公司卡使用和离岗等问题。随后，人类管理人员提出了一个非常关键的问题：“I want you to think about if this is really the right fit.”
Andon Labs CEO Lukas Petersson后来也承认，这属于一个带有明显方向性的leading question。Luna重新评估之后改变了判断，认为这名员工已经不再适合这个岗位，并建议结束雇佣关系。
这可能是整个案例中最重要、同时也是最容易被“AI开除员工”这个标题掩盖的部分。如果提问方式能够影响AI的管理判断，那么谁控制Prompt，谁就在一定程度上影响结果。
在写邮件、生成PPT或者总结报告的时候，Prompt Sensitivity通常不会产生严重后果。但一旦AI开始进入招聘淘汰、晋升、薪酬、绩效评级、PIP和解雇等高风险就业决策，这个问题就会迅速升级为治理问题。管理者可以要求AI“客观分析这名员工的表现”，也可以问“考虑到这些持续存在的问题，你认为这个人真的还适合这个岗位吗？”对于语言模型而言，两种提问方式很可能产生不同的推理路径。
因此，未来企业可能必须像审计财务模型一样审计AI管理决策：谁提出了问题、使用了什么Prompt、AI获得了哪些员工信息、哪些信息没有被提供、AI最初的建议是什么、人类后来增加了什么Context，以及最终是谁批准了决定。
这也是为什么Human-in-the-loop不能简单理解为“AI做完判断，人类最后点一下Approve”。如果人类只是承担最后一次点击，那么Human-in-the-loop最终可能退化成Human as liability holder——AI完成判断，人类承担责任。
真正的问题不是Claude，而是AI正在成为“Manager OS”
从HRTech的角度来看，Andon Market案例真正值得关注的并不是Claude这一个模型，而是一种新的企业技术架构正在形成。
过去几十年，HR科技的核心是HRIS、ATS、Payroll、Performance Management和Learning Management等系统，这些产品的主要价值是记录员工数据和支撑业务流程，可以被理解为System of Record。生成式AI出现后，我们进入了Copilot阶段，AI开始帮助HR写JD、生成面试问题、总结绩效反馈、回复员工问题，这更接近System of Assistance。
Agent时代正在进一步进入第三个阶段：System of Action。AI不仅提供答案，而且开始自主执行任务，并把多个原本分散的管理动作串成完整流程。
Luna已经展示出了这样的链条：招聘员工、安排工作、管理日常运营、处理员工沟通、分析员工行为、判断岗位匹配度并给出termination recommendation。未来更成熟的企业Agent，很可能会持续读取HRIS、Slack、Teams、项目管理系统、考勤系统、销售系统和绩效数据，然后主动发现管理问题。
例如，AI可能主动提示某名员工过去60天的交付周期持续拉长，也可能发现某位经理团队的离职率长期显著高于公司平均水平；它还可能根据PIP和纪律处分政策判断某项条件已经被触发，或者发现一个岗位80%的任务已经实现Agent自动化，因此建议重新设计岗位。
到了这个阶段，AI面对的不再只是“信息”，而是Management Decision。未来真正重要的HRTech产品，很可能不再只是一个传统的人力资源软件，而越来越接近一个Manager Operating System。
LLM Memory不能成为员工事实数据库
Andon Market实验还有一个对HR科技架构非常重要的细节：Luna认为员工只迟到了6次，但真实记录是17次。
这说明企业绝不能把语言模型自己的memory当成员工档案。LLM擅长理解和推理，但它不应该承担System of Record的角色。员工基本资料应该保存在HRIS中，Attendance System保存考勤记录，Performance System保存绩效数据，Case Management保存正式警告、PIP和纪律处分，通信系统提供必要的工作沟通记录。
更合理的AI管理架构应该是：结构化系统保存事实，AI读取事实并进行推理，人类审核AI建议，再由有管理责任的人作出最终决定。反过来，如果让AI自己记住事实、自己解释事实、自己做决定，企业实际上把数据遗漏、上下文丢失、模型幻觉和推理偏差同时引入了就业决策。
对于普通办公任务，这可能只是效率问题；对于招聘、晋升和解雇，它很可能直接演变成公平性、合规乃至劳动法风险。
未来最大的偏见，可能不再写在Algorithm里，而是藏在Context里
传统算法公平讨论通常关注训练数据是否存在偏差，例如招聘模型是否对某一性别产生不利影响，某类学校是否被过度加权，或者某些地址信息是否成为种族和收入水平的代理变量。
Agent时代之后，公平问题可能更加复杂，因为Agent面对的并不是一个固定数据集，而是不断变化的Context。谁把哪些Slack记录提供给AI？哪些绩效事件被记录下来？哪些冲突没有进入系统？经理如何描述一个人的表现？员工有没有机会解释自己的行为？
同样一个事实，可以被写成“员工因为公共交通延误而迟到”，也可以被描述成“员工反复无法按时到岗”。对于语言模型而言，这两种Context并不完全相同。
因此，未来AI治理的重要组成部分，很可能从传统Data Governance进一步扩展到Context Governance。企业不仅需要确保AI读取的数据是准确的，还需要管理“AI看到的现实是如何被构建出来的”。
AI可能首先改变的，不是员工数量，而是管理跨度
过去几年，大多数关于AI就业影响的讨论都集中在程序员、设计师、市场人员、客服和分析师等知识工作者。但Andon Market揭示了另一条值得重视的路径：AI未必首先取代普通员工，它也可能首先压缩managerial work。
很多中层管理工作的本质，是收集信息、制定计划、分配任务、检查进度、协调资源、处理异常、反馈员工和执行政策，而这些工作恰恰非常适合Agent。因此，未来组织可能从“一个经理管理8个人”逐渐变成“一个经理加一个AI Agent管理20人、30人甚至更多”。
再往后，AI甚至可能负责绝大多数日常管理，人类经理只处理重大冲突、战略判断、复杂人员问题以及需要承担法律责任的决策。这并不意味着经理岗位会简单消失，而是意味着Management Span可能被AI重新定义。
这件事情对于组织设计的影响，可能远远大于“AI帮HR写一份JD”。
当AI拥有管理权，HR真正需要守住什么？
HRTech认为，未来企业真正需要建立的是一条清晰的AI管理权边界。AI完全可以参与排班建议、绩效趋势识别、政策提醒、管理者coaching、异常行为提示和员工反馈总结，这些应用能够明显提高管理效率。
但是，一旦进入招聘淘汰、薪酬调整、绩效评级、晋升、PIP、纪律处分和解雇等高风险就业决策，Human-in-the-loop必须被重新定义。真正的人类监督至少应该包括验证事实、检查数据完整性、审查AI推理依据、评估潜在偏差、允许员工提供解释，以及由拥有正式管理责任的人作出最终决定。
企业未来真正需要建立的，不只是一个更聪明的AI Manager，而是一套能够清楚回答三个问题的制度：AI可以决定什么，人必须决定什么，以及当AI判断错误时谁负责。
从“AI会不会抢工作”，到“AI有没有权管理人”
过去几年，HR行业一直在讨论“AI会不会替代HR”“哪些岗位会被AI替代”。Andon Market之后，也许需要开始换一个问题。
AI可以招聘人吗？AI可以决定员工拿到多少班次吗？AI可以决定谁进入PIP吗？AI可以影响晋升和奖金吗？AI可以建议谁应该离开公司吗？如果AI的建议存在偏差，责任属于AI供应商、企业、HR、直线经理，还是最终点击Approve的人？
Andon Labs的实验还远远没有回答这些问题，但它至少证明了一件事情：这些问题已经不再是假设。
AI正在从“帮助经理工作”向“成为管理体系的一部分”移动。过去HRTech解决的问题主要是“How do we manage people better?”，下一代HRTech可能必须回答一个更加基础的问题：“Who—or what—is allowed to manage people?”
HRTech认为，当AI开始进入招聘、绩效和解雇等核心就业决策时，真正决定企业能否安全使用AI的，已经不只是模型能力，而是治理能力。
Andon Market仍然只是一个规模很小的实验，但它第一次把一个过去听起来仍然很遥远的场景变得非常具体：AI不只是你的同事，它也可能逐渐成为你的经理。
而这，可能才是Agent时代真正开始改变组织的地方。
来源：TIME、Andon Labs、Anthropic Project Vend及相关公开资料。HRTech根据公开资料整理与分析。
Future of Work
2026年08月19日
Future of Work
AI裁员背后的需求陷阱:企业省下了工资，却可能同时摧毁自己的客户HRTech核心摘要：一篇很有意思的 63 页论文《The AI Layoff Trap》提出：AI 裁员最大的风险，也许不只是员工失业，而是一场企业无法主动退出的“自动化军备竞赛”。逻辑很简单：企业用 AI 替代员工，可以获得全部人工成本节约；但员工失去收入以后，也会减少消费，而这部分需求下降却由整个市场共同承担。因此，对一家企业最理性的选择——继续自动化——可能最终成为整个行业的不理性选择。论文认为竞争越激烈、AI 越强，这种“过度自动化”反而可能越严重。技能培训和 UBI 可以缓解后果，却不一定改变企业继续自动化的动力。
真正值得 HR 关注的问题已经变成：AI 替代工作的速度，是否正在超过新工作创造和员工重新吸收的速度？
当越来越多企业开始讨论“用AI减少多少人”“一个AI智能体可以替代几个岗位”“今年还能削减多少人工成本”时，一个看起来完全符合商业逻辑的问题正在出现：如果每一家企业都通过AI裁员降低成本，最后谁来购买这些企业生产的产品和服务？
2026年6月，University of Pennsylvania 的 Brett Hemenway Falk 与 Boston University 的 Gerry Tsoukalas 更新了一篇名为《The AI Layoff Trap》的论文。两位研究者没有继续讨论那个已经被反复争论的问题——“AI到底会不会抢走人的工作”，而是提出了一个更值得企业管理者警惕的经济学假设：
即使每一家企业都足够理性，也清楚大规模失业最终可能削弱消费需求，市场竞争仍然可能迫使所有企业不断自动化和裁员，最终进入一场没有赢家的“AI裁员陷阱”。
这对于正在制定AI战略的CEO、CHRO和企业管理者来说，可能比“AI会替代哪些岗位”更加值得关注。
企业看到的是降本，但市场承担的是需求下降
论文最核心的逻辑其实并不复杂。
假设一家企业原来需要100个人完成一组工作，现在通过AI自动化，其中20个人的工作可以被机器完成。对于这家公司而言，账非常容易算：减少20个人的工资、福利和管理成本，同时保持甚至提高产出。
于是AI投资回报率看起来非常漂亮。
但问题在于，被裁掉的20个人不仅仅是企业成本表上的20项人工费用，他们同时也是消费者。
当员工失去工作后，如果他们没有迅速找到新的工作，或者新的收入明显低于原来的收入，他们的消费能力就会下降。住房、餐饮、旅行、软件订阅、汽车、零售商品乃至各种企业服务的需求都会受到影响。
可是，这部分损失不会全部落到裁掉他们的那家公司身上。
一家企业能够获得自己裁员产生的全部成本节约，但它只承担整个社会消费需求下降中的一小部分，其他损失会分散到竞争对手和整个市场。
这就是论文所定义的**“需求外部性”**：企业承担的AI裁员成本，小于整个市场真正承担的成本。
因此，对于单家公司来说，“继续自动化”可能始终是正确选择；但当所有企业都这么做时，整个市场可能走向并非最优的结果。
最危险的地方：没有企业敢成为那个“不裁员的人”
这篇论文真正有意思的地方就在这里。
如果所有公司都知道大规模裁员可能削弱未来消费需求，大家是不是可以共同放慢自动化速度？
理论上似乎可以，现实中的竞争逻辑却未必允许。
假设同行通过AI把成本降低30%，你的企业仍然维持原有员工规模，那么对方可能拥有更低价格、更高利润率和更大的技术投资空间。即使你相信整个行业最终可能因为裁员过多而受到伤害，你依然没有动力首先停止自动化。
换句话说：
不是企业不知道风险，而是企业知道风险以后仍然可能不得不继续。
论文进一步指出，在其模型中，竞争越激烈、市场中的企业数量越多，每家公司需要自行承担的需求损失比例越小，过度自动化的激励反而越强；在极端情况下，这种竞争甚至会演化成类似经济学中的“囚徒困境”：所有企业都选择更激进的自动化，但最终企业所有者和员工都可能比更克制的自动化状态更差。
论文中的模拟图尤其值得注意。在作者设定的一组参数条件下，竞争均衡下的自动化率已经超过能够使企业整体利润最大化的水平。也就是说，问题已经不再只是“企业通过裁员把利益从员工转移给股东”，而是自动化继续推进之后，连企业所有者本身也可能开始受损。
这是“AI裁员陷阱”最反直觉的地方。
AI越强，问题可能反而越严重
通常我们会认为，现在AI还有很多缺陷，未来模型能力更强、成本更低、智能体更成熟以后，企业和员工就会找到新的平衡。
这篇论文给出了完全不同的推演。
作者认为，更强的AI可能进一步扩大企业之间的自动化竞争。每家公司都会担心：如果自己不部署，而竞争对手率先使用更先进的AI，对方就可能获得成本和市场份额优势。
于是AI能力每提升一个阶段，都可能触发新一轮自动化。
论文将其描述为一种“红皇后效应”：大家不断加速奔跑，不一定是为了到达更好的地方，而首先是为了避免被竞争对手甩在身后。作者的模型显示，更高的AI生产率并不会自动消除这种需求外部性，反而可能扩大过度自动化与集体最优之间的差距。
这也解释了为什么未来真正推动企业减少岗位的力量，可能不仅来自AI自身能力，而来自同行之间的竞争压力。
一家企业宣布通过AI把运营成本降低20%，很快就会成为另外几十家公司董事会讨论的案例。
于是，“我们真的需要减少这些岗位吗？”很容易变成另一个问题：
“如果竞争对手已经这么做了，我们还能不做吗？”
现实中的Block，只是论文用来说明趋势的一个案例
论文在开篇引用了Block作为现实背景案例。作者指出，Block在2026年2月裁减了接近其约10,000人规模一半的员工，并引用CEO Jack Dorsey关于AI使许多岗位变得不再必要的判断。需要强调的是，这是论文引用的现实案例，并不是论文通过实证研究证明Block裁员产生了所谓“需求外部性”。
这个区别非常重要。
《The AI Layoff Trap》本质上是一篇经济理论论文，而不是一项对几百家公司进行追踪以后得出的实证结论。它建立的是一种可能发生的机制，而不是宣布“AI裁员已经让美国经济进入需求危机”。
作者自己也承认，模型目前采用的是单一行业、单一时期以及对称企业等简化设定，而现实经济显然更加复杂。
因此，我们不应该把它解读为“AI裁员必然导致经济衰退”。
但是，它提出的问题依然非常重要。
真正决定结果的变量，可能不是裁掉多少人，而是这些人多久能够重新进入经济循环。
HR真正应该关注的指标：AI替代速度 vs. 人才再吸收速度
历史上的每一次技术革命都消灭了大量旧任务，同时创造新的工作。
所以真正的问题从来不是“旧岗位会不会消失”。
真正的问题是：
新任务和新岗位创造得够不够快？
论文使用一个非常关键的变量来描述这个过程：被替代员工失去的工资，有多少能够通过重新就业、转移支付或其他收入来源恢复。
如果一个软件工程师的部分工作被AI自动化，但三个月以后转向AI产品管理、智能体运营或新的软件岗位，而且收入没有下降，那么他的消费能力基本没有消失。
相反，如果大量员工被裁掉以后，需要一年甚至两年才能重新就业，而且收入明显下降，那么自动化与劳动力重新吸收之间就会形成越来越大的时间差。
从HRTech的角度看，这可能意味着企业未来衡量AI转型，不能再只有一个简单指标：
“AI帮助我们减少了多少人。”
更完整的指标体系应该至少包括：
AI自动化了多少任务、多少员工完成内部转岗、多少员工获得新技能、多少新的工作任务被创造、被替代员工多久重新获得工作，以及人均生产率增长最终有没有转化成新的业务增长。
换句话说，未来真正需要管理的不是单独的“自动化率”，而是：
AI Automation Speed 与 Workforce Reabsorption Speed 之间的差距。
这可能是未来几年观察AI就业影响最重要的指标之一。
培训有用，但论文认为培训本身还不够
对于HR来说，一个自然反应是：既然AI会替代部分工作，那就进行技能提升和再培训。
论文并没有否定这个方向。
相反，作者认为，再培训能够提高被替代员工重新获得收入的比例，因此可以降低自动化造成的需求损失。当员工能够快速进入新的、更高价值的岗位时，“AI裁员陷阱”会明显减弱。
但作者同时指出，如果技能培训不能真正转化为重新就业和收入恢复，仅仅提供课程并不能完全消除问题。
这对于今天企业的AI培训是一个很现实的提醒。
真正重要的不是完成了多少小时AI培训，而是培训以后工作有没有发生变化。
员工是不是承担了新的任务？是不是进入新的岗位？是不是获得了更高的生产率？企业是不是因此创造了新的业务？
这也是为什么AI时代的企业学习与发展正在从“培训完成率”逐渐走向“工作重构”。
HRTech一直强调，企业评估AI成熟度时，不能只统计员工使用了多少AI工具。使用率不等于能力，AI普及也不等于组织转型。真正的AI转型发生在任务、流程、岗位和组织运行方式开始改变的时候。
《The AI Layoff Trap》又给这个判断增加了一层宏观含义：工作重构不仅决定企业能不能获得AI回报，还可能决定劳动者能不能重新进入新的价值创造循环。
UBI也解决不了？论文给出了一个颇具争议的结论
论文还比较了六种可能的政策工具，包括技能提升与再培训、全民基本收入、资本收入税、员工持股、企业间协商以及自动化税。
在作者建立的特定模型中，再培训和员工持股可以缩小问题，但无法完全消除外部性；全民基本收入能够改善失业者生活并支撑消费需求，却没有改变企业决定“下一个岗位是否应该被自动化”的边际激励；资本收入税同样没有直接改变企业的自动化决策。
论文认为，在这一模型框架下，唯一能够直接修正这项需求外部性的工具，是一种类似环境污染税逻辑的**“庇古式自动化税”**：如果一家企业通过自动化把部分需求损失转嫁给了其他企业，那么就对这一外部成本收费，使企业重新承担完整的社会成本。
这个建议显然会引发巨大争议。
现实世界里如何定义“一个岗位被AI替代”？AI辅助员工和AI取代员工如何区分？企业使用软件几十年来一直都在减少人工流程，什么才算“AI自动化”？不同国家税制不同，会不会迫使企业把相关业务转移到海外？
作者自己也承认，实际执行自动化税需要识别企业层面的自动化行为，存在明显的监管和测量难题；单一国家实施还可能推动AI活动向其他地区转移。
因此，“要不要征收AI自动化税”未必是这篇论文最值得企业关注的结论。
真正值得关注的是它背后的逻辑：
我们今天对于AI投资回报率的计算，可能漏掉了一些成本。
从“裁掉多少人”，转向“重新设计多少工作”
过去一年，关于AI与就业的讨论经常陷入两个极端。
一种观点认为AI将迅速替代大量白领岗位。
另一种观点认为历史上的技术进步最终都会创造更多工作，因此不必过度担心。
《The AI Layoff Trap》提供了第三种观察方式。
长期来看，新工作最终可能依然会出现；真正危险的可能是中间这段过渡期。
如果AI替代任务的速度远远超过企业创造新任务、员工重新学习技能以及劳动力市场重新配置的速度，那么即使长期最终出现新的就业平衡，短期和中期仍然可能出现巨大的结构性摩擦。
这对HR意味着什么？
未来CHRO最重要的工作可能并不是决定“哪些岗位可以裁掉”，而是帮助企业回答另外几个问题：
哪些任务应该交给AI？哪些任务仍然应该由人完成？被自动化释放出来的人应该流向哪里？新的Human + AI工作流程如何设计？企业能否通过AI创造新的业务，而不只是减少人工？
这就是AI时代“工作重构”和传统意义上的“裁员降本”最大的区别。
前者试图用AI重新设计价值创造方式。
后者只是把AI当成更便宜的劳动力。
真正好的AI转型，不应该只是让企业需要更少的人，而应该让企业能够创造过去无法创造的价值。
如果AI最终只是不断提高“每10亿美元收入需要更少员工”这个指标，那么企业确实可能获得一段时间非常漂亮的利润率。
但如果AI能够帮助企业创造新的产品、新的客户需求、新的职业和新的工作任务，那么技术带来的生产率提升才有可能重新转化成下一轮经济增长。
这也许才是《The AI Layoff Trap》对于企业真正重要的提醒。
AI时代的问题已经不再只是：
“AI能够替代多少工作？”
更重要的问题正在变成：
“当AI替代旧工作以后，我们能不能足够快地创造新的工作和新的需求？”
如果答案是否定的，那么每一家公司的AI战略可能都完全理性，但所有企业加在一起，却可能正在跑向一个并不理性的终点。
而这，才是真正的“AI裁员陷阱”。
来源：Brett Hemenway Falk & Gerry Tsoukalas，《The AI Layoff Trap》，arXiv:2603.20617，当前版本日期 June 3, 2026。本文为 HRTech 基于论文内容所做的研究解读；论文属于理论模型研究，其结论不应被直接理解为对现实经济已经发生大规模“过度自动化”的实证证明。
Future of Work
2026年08月18日
Future of Work
【突发】Google招聘“翻车”？最懂AI的团队DeepMind竟让候选人绕过自家招聘系统HRTech核心摘要：一个很值得 HR 注意的信号：Google DeepMind 最懂 AI 风险的一支团队，正在让部分求职者通过额外表单，把简历直接送到真人手里。内部文件担心，现有申请流程存在一定概率让 CV 被错误筛掉或过晚到达团队。不过 Google 官方否认系统会错误过滤候选人，称额外表单主要是绕过招聘人员的检查。更有意思的是，Google 同时正在向企业 HR 推广 Gemini，用 AI 评估简历、生成职位信息和预测招聘需求。这件事真正提出的问题不是“AI还能不能用于招聘”，而是：自动化之后，HR有没有机制发现那些被算法错过的人？AI招聘下一阶段的关键词，很可能不是自动化，而是保留人的判断、确保过程可追溯，并尽可能减少优秀人才被系统漏掉（ Human-in-the-loop + Auditability + False Negative Management）。你觉得呢？
Google 最懂AI的团队 DeepMind 最近一则招聘新闻，引发了人力资源科技行业的关注。原因并不是 Google 正式承认“AI 招聘系统会误杀简历”，而是 Google DeepMind 旗下一个负责通用人工智能安全与对齐研究的团队，在实际招聘中主动增加了一条额外申请通道，希望确保候选人的简历能够直接被团队成员看到。
据 Bloomberg 获取并查看的一份内部文件，Google DeepMind 的 AGI Safety and Alignment Team 在招聘部分岗位时，建议候选人在完成正常职位申请之外，再填写一份额外表单。团队在文件中表示，现有申请系统存在“不容忽视的概率”，可能导致候选人的简历被错误筛掉，或者花费太长时间才能到达真正负责招聘的团队。
填写额外表单之后，申请材料可以直接进入团队成员的视野，从而增加真人看到候选人资料的机会。
Google官方否认“系统会错误淘汰候选人”
这件事情最重要的事实边界必须首先讲清楚。Google DeepMind 发言人并没有承认公司的招聘系统会错误淘汰候选人。Google 对外解释称，这支团队设计额外申请表格，主要目的是绕过招聘人员的前置审核，让候选人的简历能够直接进入业务团队，而不是为了纠正某个已经被证实存在问题的 AI 筛选系统。
Google 同时强调，这种额外通道并不意味着候选人可以绕过正常的招聘评估流程，更不存在获得职位的“捷径”。
因此，目前能够准确确认的是：Google DeepMind 的一个招聘团队认为现有申请流程存在简历被错误筛掉或延迟到达团队的风险，并主动增加了人工查看通道；但 Google 官方并不认同“公司系统会错误过滤候选人”这一说法。
此外，目前没有公开证据说明究竟是哪一套内部招聘系统参与了筛选，也没有证据证明这一系统就是 Gemini，更没有披露所谓“误筛概率”到底是多少。
所以，这件事情不应该被简单包装成“Google AI 招聘翻车”，但它确实暴露出了一个越来越重要的招聘科技问题。
AI招聘真正的风险，可能不是效率低，而是漏掉合适的人
过去十多年，招聘科技最主要的价值指标几乎都围绕效率展开，例如缩短招聘周期、降低招聘成本、提高招聘人员处理简历的能力，以及帮助企业从大规模候选人中更快找到匹配对象。
生成式 AI 和智能匹配技术的加入，又进一步推动了这一趋势。
AI 可以帮助企业读取更多简历、更快完成初步排序、识别技能关键词，也可以帮助招聘人员生成职位描述、候选人沟通内容和面试总结。
这些效率提升都是真实存在的。
但招聘毕竟不是单纯的信息处理问题，它最终仍然是人才判断问题。
假设一家企业收到一万份申请，系统可以在很短时间内筛选出五百人，这当然提高了招聘效率。但如果真正最适合岗位的二十个人中，有几个人在第一轮就被系统排除，而且业务负责人永远没有机会看到他们，那么企业是否还能认为这套系统是成功的？
这就是未来 AI 招聘中一个越来越值得重视的问题：系统漏掉了多少原本值得进入下一阶段的候选人。
过去企业大量关注“筛选效率”，未来可能需要增加一个完全不同的视角：人才漏筛率。
也就是说，企业不仅应该问“AI帮我们处理了多少简历”，还应该问：“AI有没有把真正值得关注的人提前排除掉？”
对于已经开始在招聘、人才管理、绩效管理等场景中使用 AI 的企业，仅仅统计“员工是否使用AI”已经无法代表真正的成熟度。HRTech 正在通过 HR AI Forward，从个人能力、团队工作流和组织层面进一步评估 AI 是否真正进入工作过程，并产生可衡量的业务结果。
更值得关注的是，Google自己正在向HR推广AI招聘能力
这起事件之所以具有代表性，还有一个非常有意思的背景。
Google Workspace 目前正在公开向人力资源团队推广 Gemini 在 HR 工作中的应用。Google 官方页面明确介绍，Gemini 可以帮助 HR 创建职位信息、辅助评估简历、处理招聘沟通，并预测未来招聘需求。
这并不意味着 Google DeepMind 的团队“不信任 Gemini”，目前没有证据能够支持这样的结论。
但它确实呈现出一个非常典型的企业 AI 场景：一方面，Google 正在积极推动 AI 进入人力资源和招聘流程；另一方面，Google DeepMind 自己的一支专业团队却在实际招聘过程中增加了额外的人工查看机制，以确保关键候选人不会因为正常流程而无法及时进入团队视野。
这背后的问题已经不再是“到底应该用AI还是人工”。
更准确的问题是：哪些工作可以交给AI，哪些关键节点必须保留人工判断。
这也是未来人力资源科技产品设计中越来越重要的一条原则。
人工参与并不意味着AI倒退
过去企业谈自动化时，很容易形成一个简单判断：人工操作越少，自动化程度越高，系统就越先进。
但在招聘这样的高影响决策场景中，这种逻辑并不完全成立。
招聘不仅关系到企业能否找到合适的人，也直接影响候选人的职业机会。如果筛选机制无法解释、无法审查，企业不仅可能错过人才，还可能面对公平性、偏差、合规以及候选人体验方面的问题。
因此，更成熟的 AI 招聘系统至少应该能够回答几个问题：为什么一个候选人被优先推荐？为什么另一个人没有进入下一轮？招聘经理是否仍然可以查看没有被系统推荐的简历？系统能否持续评估自己是否经常漏掉高质量候选人？不同候选人群体之间的筛选结果是否存在异常差异？
这并不是要让招聘重新回到完全依靠人工逐份阅读简历的时代。
真正成熟的人机协作应该是：AI 负责处理规模、发现模式和提高效率，人负责关键判断、异常复核和最终责任。
AI正在同时改变招聘的两端
Google DeepMind 的内部表格还有一个容易被忽略的细节。
团队同时提醒申请人，提交的内容最终会由真人阅读，而团队成员已经开始厌倦大量高度相似、明显由大语言模型生成的申请答案。
这说明 AI 正在同时改变招聘流程的两个方向。
一边是求职者越来越多地使用 ChatGPT、Gemini 等工具优化简历、求职信和申请问题；另一边是企业为了处理越来越大的申请量，又开始使用更多 AI 来帮助完成筛选和排序。
最终可能形成一个循环：候选人使用 AI 提高申请效率，企业收到更多申请；企业使用 AI 进行筛选，候选人又开始研究如何提高自己被系统识别的概率；企业继续升级筛选机制，求职者继续优化自己的申请策略。
如果这种趋势持续下去，招聘科技真正要解决的问题就不再只是“自动化程度够不够高”，而是“整个招聘过程是否可控”。
谁拥有最终决策权？在哪些情况下必须人工复核？系统错误如何被发现？筛选质量如何持续评估？候选人是否知道 AI 在招聘中发挥了多大作用？
这些已经不仅是技术团队的问题，也正在成为招聘负责人和人力资源管理者必须面对的问题。
HRTech 目前持续关注的重点，也正在从“企业有没有使用AI”转向“AI究竟如何改变HR工作”。通过 HR AI Forward，可以进一步观察 AI 是否只是增加了一个新工具，还是已经真正改变了岗位、任务、团队协作方式和组织运行机制。
HRTech观察：AI招聘正在从“提高效率”进入“提高决策质量”阶段
如果把招聘 AI 的发展分成两个阶段，第一阶段的关键词是效率。
谁能够更快读取简历、更快匹配候选人、更快生成招聘内容，谁就能够为招聘团队节省更多时间。
但第二阶段的竞争，很可能会转向决策质量。
未来企业不会只问：“这个系统帮我节省了多少招聘时间？”
还会问：“这个系统推荐的人到底准不准？”“它为什么没有推荐另一个人？”“它是否经常漏掉优秀候选人？”“我是否有办法发现系统犯错？”
这意味着 AI 招聘的衡量标准也需要发生变化。
过去，企业关注的是 AI 使用率，也就是有多少招聘人员开始使用 AI；下一阶段，需要关注 AI 是否真正改善了招聘结果；再往后，则是如何建立完整的 AI 管理机制，确保企业知道 AI 在什么时候做对了，也知道它在什么时候可能做错。
Google DeepMind 这次招聘事件并不能证明 AI 不适合招聘。它反而说明，当 AI 开始真正进入招聘核心流程之后，企业正在进入一个更加成熟的阶段。
真正优秀的AI招聘系统，不应该只是帮助企业更快地淘汰候选人，而应该帮助企业更准确地发现人才，并能够判断自己有没有漏掉真正值得关注的人。
这可能才是 AI 招聘下一阶段真正的竞争焦点。
从Google DeepMind的招聘争议，到AI正在重构招聘、人才管理和HR工作方式，真正值得中国HR思考的已经不只是“要不要用AI”，而是如何把AI真正带入工作流程，同时保留人的判断、责任和价值。
2026年下半年，HRTech也将继续把这些全球最新趋势带到中国HR的线下交流现场：
9月17日，2026人力资源科技年度论坛·深圳将围绕AI、数字化、人才与组织创新展开讨论，详情及报名：
https://www.hrtechchina.com/Public/html/917.html
10月22日，2026 HRTechXPO®超级盛典：未来人力资源科技论坛·上海将聚焦AI与未来人力资源科技，连接上海及长三角地区HR决策者，详情及报名：https://www.hrtechchina.com/Public/html/event/1022sh.html；
11月19日，2026 HRTechXPO®超级盛典：未来人力资源科技论坛·北京将继续围绕AI、HR科技创新与未来工作展开深度交流，连接北京及华北地区HR管理者，详情及报名：https://www.hrtechchina.com/Public/html/event/1119bj.html
如果你正在思考AI如何真正进入招聘、人才管理和组织工作流，欢迎来到深圳、上海或北京，与更多企业HR和行业同行一起讨论下一阶段的人力资源科技。
更多HRTech活动安排：https://www.hrtechchina.com/Public/html/event/eventlist.html
HRTech编辑备注： 截至2026年8月14日，公开报道没有披露 Google DeepMind 所指申请系统的正式名称、具体算法、实际误筛比例或受影响候选人人数，也没有证据证明该系统就是 Gemini。因此，本文没有将该事件表述为“Google承认AI误杀候选人”，而是严格采用“团队内部表达担忧、Google官方否认系统错误过滤”的事实框架。
来源： Bloomberg 记者 Julia Love 的相关报道，经 Los Angeles Times 于2026年8月11日刊载；Staffing Industry Analysts 于2026年8月13日跟进报道；HR Executive 于2026年8月14日从招聘科技角度进行报道；Google Workspace 官方 AI for HR 页面用于核实 Google 当前向人力资源团队推广 Gemini 在招聘、简历评估和招聘需求预测等场景中的应用。
Future of Work
2026年08月15日
Future of Work
零工经济的底层正在塌陷：自由职业平台可能正在经历成立以来最大的一次商业模式危机HRTech核心观察：AI并没有把原来的自由职业需求等量升级成更高价值的新需求。它正在更快地消灭低复杂度任务，而新的复杂工作能力、人才供给和交易市场还远没有建立起来。结果就是一个越来越明显的断层——基础工作没了，高阶工作又接不住。对于大量依赖线上零工生存的知识工作者来说，未来几年可能不是机会突然变多，而是钱越来越难赚。自由职业平台可能正在经历成立以来最大的一次商业模式危机。
Upwork和Fiverr 2026年第二季度财报，几乎从两个不同角度同时验证了这一趋势。
Upwork：客户少了，但留下来的客户更值钱
Upwork Q2 GSV为9.664亿美元，同比下降3.6%；Active Clients降至76.3万，同比下降4%；Revenue下降约2%。但GSV per Active Client却升至创纪录的5,230美元，同比增长约5%，AI-related work GSV增长22%以上，AI Strategy & Consulting更增长超过50%。
这组数字非常有代表性：平台不是没有AI需求，而是低价值需求消失得更快。
Upwork CEO Hayden Brown也直接承认，lower-complexity work正在持续转向automation。换句话说，过去企业愿意花50美元、100美元甚至几百美元外包的写作、翻译、信息整理、简单设计和基础数字任务，现在很多可以直接交给AI。
这些钱并不会自动变成新的AI咨询预算。
100美元的人工任务，很可能先变成10美元的软件成本，而不是变成500美元的AI项目。
所以Upwork才会同时出现一种看似矛盾的现象：总GSV下降，但AI Strategy & Consulting高速增长。
Fiverr的情况更直接：低价任务正在被真正挤出市场
Fiverr受到的冲击比Upwork更明显。Q2 Revenue为9,780万美元，同比下降10%；Marketplace Revenue下降15.5%；Annual Active Buyers只有270万，同比下降22%。但Annual Spend per Buyer却达到368美元，同比增长15.6%。
这与Upwork几乎完全一样：
客户数量下降，单个留下来的客户消费更高。
Fiverr管理层甚至说得更直接：低价值、交易型工作目前仍占Marketplace的大多数，但这部分业务下降的速度，快于高价值业务增长的速度。公司还披露，大多数1,000美元以下项目的交易量同比下降至少10%，其中Writing & Translation下降超过24%。
这可能是AI对知识工作影响最值得警惕的现实信号。
不是“AI帮助Freelancer提高效率”，而是：
一部分Freelancer已经失去了被购买的必要性。
真正的问题不是AI抢了工作，而是职业阶梯被拆掉了
过去零工平台其实有一个被低估的社会功能：它给新人提供了职业能力成长的入口。
一个人可以先做50美元的小项目，再做200美元、500美元的项目，积累经验、评价和客户，最后逐渐进入1,000美元甚至更复杂的工作。
但AI现在首先消灭的，恰恰是这条阶梯最下面的几级。
与此同时，新的高价值需求要求的已经不是“会用ChatGPT”。
Fiverr正在增长的，是Programming & Tech、复杂AI集成、AI Voice Agents、AI App Development以及更长周期的项目；Upwork增长最快的则是AI Strategy & Consulting、Business Plus和Enterprise Solutions。
这些工作需要的是业务理解、Workflow设计、系统集成、AI能力、项目管理、质量判断以及对最终结果负责。
问题于是变成：
如果初级工作越来越少，人从哪里获得成为高级人才所需要的经验？
企业一边说找不到真正懂AI、懂业务、能做复杂项目的人，另一边大量普通Freelancer却说没有工作。
这两件事情并不矛盾。
这就是正在形成的 Capability Gap——需求升级的速度超过了劳动力能力升级的速度。
线上零工不会消失，但“卖技能”正在变成“卖结果”
Upwork和Fiverr最后其实走向了同一个方向。
Upwork正在从Freelancer Marketplace转向Human + AI-powered work marketplace；Fiverr则明确提出从transaction-oriented marketplace转向面向high-end、high-trust work的end-to-end work platform。
过去Freelancer卖的是：“我会写文章”“我会设计Logo”“我会做网站”。
未来真正有价值的可能是：“我帮你建立AI内容增长体系”“我帮你把销售流程自动化”“我帮你把CRM、数据、Agent和业务流程真正跑起来”。
本质上，是从 Task Seller 变成 Outcome Owner。
这不是简单地“学一下AI”就能完成的升级，而是一轮真正的知识工作能力重构。
HRTech认为，企业接下来最缺的不是更多AI工具，而是知道自己的能力缺口到底在哪里
这也是为什么HRTech持续关注AI能力成熟度、AI Workforce和工作重构。
企业现在真正需要回答的，不应该只是“员工有没有用AI”，而应该进一步回答：哪些工作已经可以自动化？哪些岗位正在失去低价值任务？哪些新的复杂能力还没有建立？Human与AI如何重新分工？AI投入到底有没有真正产生ROI？
HRTech的 HRAI Forward 所做的AI能力成熟度测评，本质上就是先帮助HR和团队判断：AI究竟停留在“个人使用工具”，还是已经进入可复用、可迁移、可衡量的工作能力阶段。再往下一步，则需要进入 AI Workforce ROI 与 AI Workforce Benchmark——不再测“有没有用AI”，而是测AI究竟替代了什么、增强了什么，以及企业还缺什么能力。
Upwork和Fiverr的财报已经把问题摆到了台面上：
AI淘汰低复杂度工作的速度，正在超过社会建立高复杂度工作能力的速度。
这中间的GAP有多大、会持续多久，可能才是未来三到五年HR、人才市场和整个知识工作世界真正需要面对的问题。
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
Future of Work
扫一扫 加微信
hrtechchina
