2026年2月，一篇来自《卫报》的报道用了一个刻薄的标题：“雇主正在像涂花生酱一样发放薪酬——而工人正在为此付出代价”。这个比喻并不新鲜，但它在2026年初突然密集出现在Fortune、CNBC、WorldatWork等媒体上，本身就是一个信号。
所谓”花生酱式加薪”（peanut butter raises），是指企业将有限的薪酬预算像涂抹花生酱一样均摊给所有员工，无论绩效高低，人人拿到大致相同的涨幅百分比。这种做法在过去十年间被HR部门广泛采用，理由充分：操作简单、减少内部摩擦、避免绩效评估的主观性争议。但到了2026年5月，Fortune又发出了另一个信号——标题几乎是对2月那篇文章的直接回击：“企业正在抛弃’花生酱式’加薪，绩效付薪正在AI时代接管职场”。
4个月之内，同一家媒体，叙事方向完全逆转。这不是新闻周期的偶然波动，而是一场正在加速的结构性转变的表层折射。
第一层：发生了什么——一场正在分裂的薪酬实践
“花生酱”的短暂盛行与快速崩解
要理解这场逆转的速度，需要先理解”花生酱式加薪”为何在2025-2026年初短暂达到峰值。
WorldatWork在其2026年薪酬调查报告中指出，许多企业的2026年薪酬预算呈现出明显的”花生酱”特征——加薪幅度集中在一个狭窄区间内，高绩效与低绩效员工之间的薪酬涨幅差异极为有限。这一现象的直接驱动力是宏观经济压力：在通胀降温、招聘市场趋于平衡的背景下，企业的整体薪酬预算池收窄，HR部门倾向于用”公平分配”来掩盖”预算不足”的现实。
《卫报》的报道则从工人权益角度提供了另一个视角：均摊式加薪表面上看起来”公平”，实际上是一种管理惰性的产物。当高绩效员工与低绩效员工拿到相同的3%涨幅，前者的实际购买力提升与其贡献完全脱钩，长期效应是顶尖人才的隐性流失。
CNBC援引多位薪酬专家的观点，措辞更为直接：“花生酱式加薪可能让企业失去顶尖人才——这是一种极其短视的策略。” 这里的逻辑并不复杂：在劳动力市场上，顶尖人才的替换成本远高于给他们差异化加薪的边际成本，而均摊策略恰恰在这个等式上做出了错误的选择。
然而，Mercer的调查数据提供了一个重要的修正：“花生酱式加薪尚未成为主流”。这意味着，媒体报道所呈现的”花生酱泛滥”图景，在一定程度上是被放大的叙事——真实情况是，据Mercer调查显示，这种做法在特定规模和特定行业的企业中更为集中，而非普遍现象。
这个矛盾本身很有意思：为什么一个”尚未成为主流”的薪酬实践，会在2026年初引发如此密集的媒体讨论？答案在于它所代表的方向性焦虑，而非规模性现实。媒体对趋势的放大效应值得读者注意——报道密度不等于现实密度，但方向性信号仍然具有分析价值。
绩效付薪的反攻
到2026年5月，Fortune的新报道宣告了另一个方向：企业正在加速转向绩效付薪（pay-for-performance）。这不是一个新概念——绩效付薪的理论基础可以追溯到20世纪中期的管理学文献——但它在AI时代获得了全新的驱动力和实施工具。
据Fortune和多家行业媒体的报道汇总显示，越来越多的企业正在将AI能力纳入绩效评估框架，能够有效使用AI工具的员工在薪酬分配中获得更高权重。这不仅仅是”技术加分项”，而是正在成为薪酬结构重设计的核心变量。需要指出的是，这一趋势目前主要体现在科技、金融和咨询等AI渗透率较高的行业，其在传统行业中的扩散速度和最终覆盖范围仍有待观察。
第二层：为什么重要——AI正在制造一个新的劳动力断层线
产出差距的急剧扩大
理解这场薪酬革命的关键，不在于HR政策的技术细节，而在于AI正在对人类劳动者产出能力进行的实质性分层。
Stanford数字经济实验室发布的研究报告《煤矿中的金丝雀？关于人工智能近期就业影响的六个事实》提供了迄今为止最为系统的学术视角之一。这项研究的核心发现是：AI对就业市场的冲击并非均匀分布，而是高度集中在特定任务类型和特定技能层级上。那些工作内容高度可编码、可重复的岗位正在经历最快速的替代压力，而能够将AI作为杠杆工具的工作者，其有效产出正在以非线性速度增长。
这个”产出剪刀差”是绩效付薪革命的真正地基。根据多项行业研究和企业案例的综合判断，当一个能够熟练使用AI辅助工具的分析师，其单位时间产出可能达到不使用AI同事的数倍时（具体倍数因任务类型和行业而异，部分研究报告的估计区间为2-10倍），给这两个人相同的3%涨幅，在经济逻辑上是难以持续的。企业的薪酬体系必须响应这个新的现实，否则它就会在人才市场上系统性地输给那些已经调整过来的竞争对手。
CFO的感知与研究者的存疑
Fortune在2026年3月发布的一篇报道揭示了一个有趣的认知分裂：CFO们相信AI正在带来回报，但研究者们尚不确定。
这个分裂并非源于信息不对称，而是源于测量维度的不同。CFO们看到的是具体的效率指标——某个部门的处理速度提升了多少、某个流程的错误率下降了多少——这些都是可以在季度报告中呈现的数字。而研究者们试图测量的是更宏观的生产率增长，这需要更长的时间窗口和更复杂的因果识别。
这个认知分裂对薪酬政策有直接影响。当CFO们相信AI已经在产生回报时，他们更愿意支持将AI能力纳入绩效评估体系——因为这在逻辑上是一致的：如果AI使用者产生了更高价值，那么他们理应获得更高薪酬。这为HR部门推行绩效付薪改革提供了财务决策层的政治支持。
但这里存在一个值得警惕的风险：如果研究者的审慎最终被证明是正确的——即AI的宏观生产率回报被高估——那么基于AI能力的绩效付薪体系可能建立在一个尚未完全验证的假设之上。这不意味着趋势本身是错误的，但意味着企业在推进过程中需要保留校正空间。
薪酬压缩与岗位置换的双重压力
PRNewswire发布的一项研究报告提供了更为严峻的图景：AI正在同时推动企业内部的薪酬压缩（pay compression）和跨行业的岗位置换（job displacement）。
薪酬压缩是指，当AI工具使得原本需要高技能才能完成的任务变得可以由中等技能工作者完成时，高技能岗位的薪酬溢价会受到向下压力。这是一个与绩效付薪趋势表面上相悖、但实质上并行存在的现象：绩效付薪在拉大同一技能层级内部的薪酬差距，而AI能力渗透在压缩不同技能层级之间的薪酬差距。
这两个力量叠加，产生的是一个更为复杂的薪酬地形：在AI能力使用上领先的工作者薪酬上升，不使用AI的高技能工作者薪酬溢价收窄，而可被AI直接替代的任务执行者面临岗位消失的压力。这不是一个简单的”强者愈强”叙事，而是一个三维的重构过程。这一判断基于对当前多项研究和行业报告的综合分析，其最终演化路径仍取决于AI技术的实际渗透速度和各行业的具体适应模式。
第三层：大多数人没看到什么——这是一场价值判定框架的根本性重写
“花生酱”的消亡不是管理进步，而是测量技术的进步
主流叙事将绩效付薪的回归描述为企业管理理念的进步——从”懒惰的均摊”走向”精准的激励”。这个叙事是部分正确的，但它遮蔽了一个更深层的结构性变化。
绩效付薪之所以在过去几十年间反复被提出、又反复被放弃或稀释，根本原因不是企业缺乏激励意愿，而是绩效测量的成本和主观性问题。当你无法客观、低成本地测量员工A和员工B的真实产出差异时，任何绩效付薪体系都会退化为管理者主观判断的包装，最终引发内部公平性争议，并可能产生系统性的偏见（性别、种族、年龄等维度上的歧视风险）。
AI改变了这个等式的关键变量：测量成本。
当员工的大量工作通过AI工具完成时，这些工作留下了前所未有的数字足迹——提示词质量、迭代效率、输出准确率、与AI协作的工作流设计能力。这些数据在技术上可以被系统性地采集和分析，使得绩效评估从”管理者的主观印象”转向”可审计的数字记录”。这不是小的改进，而是绩效评估基础设施的代际跃迁。
换句话说，“花生酱”的真正掘墓人不是管理哲学的进化，而是AI工具使得人类劳动者的差异化产出变得可见和可测量。这是一个被大多数薪酬讨论所忽略的技术-制度交叉点。
需要补充的是，这种测量能力的提升目前主要适用于数字化程度较高的工作场景。对于大量依赖物理操作、面对面服务或高度非结构化创造性工作的岗位，AI驱动的绩效测量仍然面临显著的技术局限。这意味着”测量成本下降→均摊策略崩塌”的逻辑链条，在不同行业和岗位类型中的传导速度将存在显著差异。
绩效付薪的新基准：AI杠杆率
在传统的绩效付薪体系中，核心测量维度是”产出量”和”产出质量”。在AI时代，一个新的维度正在悄然成为核心：AI杠杆率——即一个员工能够通过AI工具将自身有效产出放大的倍数。
这个概念的引入（据笔者基于行业趋势的分析框架提出，而非某一特定机构的标准化术语），意味着薪酬评估体系正在从测量”你做了什么”转向测量”你能用AI做什么”。这是一个范式级别的转变，其影响远超薪酬本身：
第一，它重新定义了”高绩效员工”的画像。 传统意义上的高绩效员工，往往是专业知识最深厚、经验最丰富的人。在AI杠杆率框架下，高绩效员工是那些能够最有效地将AI能力转化为业务价值的人——这不一定是专业知识最深厚的人，而可能是学习速度最快、提示词工程能力最强、对AI工具边界最有感知的人。
第二，它制造了一个新的职业风险层级。 那些专业知识深厚但AI适应能力弱的资深员工，正在面临一种特殊的职业困境：他们的历史价值无可置疑，但他们的边际产出增速正在被AI原生工作者超越。根据当前趋势的推断，这个群体的薪酬处境预计将在未来2-3年内变得极为复杂——但最终走向取决于各行业AI工具的实际成熟度和企业的具体实施节奏。
第三，它使得”公平”的定义本身成为争议焦点。 当一个员工因为不愿意或不擅长使用AI工具而绩效落后时，这是”绩效差异”还是”工具使用偏好差异”？企业有没有义务提供AI培训？如果员工经过培训仍然无法有效使用AI，这是否构成合理的降薪或解雇依据？这些问题目前在法律和HR实践层面都没有清晰的答案。
均摊的政治经济学：谁在为”花生酱”辩护
反对绩效付薪、支持均摊式加薪的声音，在主流报道中往往被描述为”管理惰性”或”短视”。但这个定性过于简单，它忽略了均摊策略背后的真实利益结构。
均摊式加薪在以下几类主体中具有真实的支持基础：
中层管理者：差异化绩效评估意味着管理者必须做出明确的排名判断，并向被评为低绩效的员工进行解释。这是高摩擦、高情绪成本的管理工作。均摊策略将这个负担外包给了”预算有限”这个客观理由，大幅降低了管理者的心理和时间成本。
中等绩效员工（即大多数人）：在任何正态分布的绩效曲线上，中等绩效员工构成最大的群体。均摊策略对这个群体最为有利，因为他们在差异化体系中获得的薪酬涨幅通常低于均值。
工会和劳工权益倡导者：均摊策略天然与集体谈判逻辑兼容，而差异化绩效付薪则倾向于个体化劳动关系，削弱集体议价能力。
理解这个利益结构，才能理解为什么”花生酱”在经济学上明显低效的情况下，仍然能够在大量企业中持续存在。它的消亡不会是线性的，而会在不同行业、不同规模的企业中呈现出高度不均匀的速度。这一判断基于对组织行为学和劳动经济学基本原理的分析，而非对特定企业的内部数据观察。
第四层：这意味着什么——3个可能的未来轨迹
以下3个轨迹是基于当前公开信息和趋势的推断性分析，而非确定性预测。每个轨迹的实现概率和时间线取决于AI技术发展速度、监管环境演变和企业实际采纳率等多个变量。
轨迹一：AI能力两极化加速，薪酬分配曲线急剧拉长
最直接的预测路径是：随着AI工具在职场中的渗透率持续提升，能够有效使用AI的员工与不能有效使用AI的员工之间的产出差距将继续扩大，推动企业薪酬分配曲线从”正态分布”向”幂律分布”演变。
在这个轨迹下，顶尖的AI原生工作者将获得与其产出匹配的大幅薪酬溢价，而无法适应AI工具的员工则面临实际薪酬购买力的持续下降（名义薪酬不变但相对价值收缩）。Stanford研究所指出的就业效应将在薪酬层面得到镜像反映。
这个轨迹对企业的人才策略有明确含义：AI培训投入的ROI预计将超过大多数传统培训项目，因为它直接影响员工的可测量产出，从而影响企业在绩效付薪体系下的薪酬支出效率。当然，这一判断的前提是AI工具在特定岗位上确实能产生可量化的产出提升——这在数据处理和内容生产等领域已有初步证据，但在其他领域仍需更多验证。
轨迹二：绩效评估基础设施的军备竞赛
如果绩效付薪成为主流，企业将面临巨大的评估基础设施建设压力。传统的年度绩效评估周期和管理者主观打分体系，无法支撑AI时代所需的高频、客观、多维度绩效测量需求。
这将催生一个新的HR科技市场：专注于AI辅助绩效评估的工具——能够追踪员工的AI工具使用效率、输出质量评分、协作贡献度量化等维度。这个市场目前截至本文发布时暂无公开的规模数据，但根据HR科技领域的投融资趋势和企业需求信号判断，其潜在需求已经清晰可见。
然而，这里存在一个深刻的悖论：用AI来评估人类对AI的使用能力，这个循环会产生什么样的系统性偏差？当绩效评估本身被AI化，谁来审计评估AI的公平性？这是一个在当前讨论中几乎完全缺席的问题，也是本文认为最值得行业关注的盲区之一。
轨迹三：新的劳动关系法律框架将被迫建立
AI时代的绩效付薪，不可避免地将触发劳动法律框架的更新压力。现有的劳动法在大多数司法管辖区是基于”工作时间”和”工作内容”设计的，而非基于”AI杠杆率”或”数字产出密度”。
当企业开始基于员工的AI使用能力进行差异化薪酬分配时，至少可能产生以下几类法律灰色地带：
年龄歧视风险：如果AI工具使用能力与年龄存在负相关（这是一个需要严格数据支撑的假设——目前部分调查数据显示年龄与新技术采纳速度存在一定相关性，但因果关系远未确立，且个体差异极大），那么基于AI能力的绩效差异化是否构成隐性年龄歧视？这是一个尚无法律判例明确回答的问题。
技术获取公平性：如果员工因为没有高质量的家庭网络环境或个人设备而无法在工作时间外练习AI工具，基于AI能力的绩效评估是否在无意中惩罚了低收入员工？
监控与隐私边界：追踪员工AI工具使用行为的绩效评估系统，与工作场所监控之间的边界在哪里？欧盟的GDPR框架和美国各州的隐私法规将如何适用？
这些问题目前都没有清晰的法律答案。但历史表明，当新技术与劳动关系发生深度交叉时，法律框架的滞后往往以5-10年计（参考互联网时代的零工经济立法进程）。在这个窗口期内，企业将在相对宽松的监管环境中推进薪酬重构，而工人则在缺乏法律保护的情况下承受这场重构的代价。
反驳与综合：绩效付薪不是万能药
在为AI时代绩效付薪趋势提供系统性论证之后，必须正视这个方向的内在局限。
反驳一：绩效付薪在历史上的失败率极高。
绩效付薪不是新想法。麦肯锡、德勤等咨询机构在过去20年中多次发布报告，记录了绩效付薪体系在实施过程中的系统性失败——包括激励扭曲（员工优化可测量指标而非真实价值）、协作破坏（个人激励与团队合作相冲突）、以及评估主观性引发的内部政治。AI工具的引入改善了测量精度，但无法消除这些结构性问题。
反驳二：AI产出的质量测量远比数量测量困难。
当前AI工具能够相对容易地测量产出数量（处理了多少任务、生成了多少内容），但对产出质量的测量仍然高度依赖人工判断。在创意、战略、关系管理等高价值工作领域，AI辅助产出的质量评估仍然是一个未解决的技术问题。在这些领域强行推行基于AI使用率的绩效付薪，可能产生严重的激励扭曲。
反驳三：测量能力的提升不等于测量公平性的提升。
这是一个容易被忽略的区分。AI使得绩效测量在技术上更加精确，但”精确”与”公平”是两个不同的维度。一个能够精确追踪员工每小时AI工具使用频率的系统，可能在技术上无可挑剔，但如果它系统性地低估了那些通过深度思考而非高频AI交互创造价值的员工，那么它的精确性反而会放大不公平。这提醒我们，测量工具的设计本身就包含了价值判断。
综合判断：
绩效付薪的回归是真实的趋势，但它不会以纯粹形式实现。更可能的结果是一个混合体系：在可量化产出的职能（销售、客服、数据处理、内容生产）中，AI驱动的绩效付薪将快速推进；而在高度依赖判断力和关系资本的职能（战略、研发、高管层）中，均摊与差异化的混合将持续更长时间。
“花生酱”不会完全消亡，它会退守到那些AI测量能力尚未覆盖的职场角落。
对工作者的真实含义：3个行动框架
这篇文章的分析对象是宏观趋势，但宏观趋势最终落地在每一个具体的职场个体上。以下是基于上述分析的3个具有操作性的框架：
框架一：主动测量自己的AI杠杆率。
不要等待企业的绩效评估系统来定义你的AI能力价值。主动记录你通过AI工具实现的产出提升——时间节省、质量改善、新能力获取——并将这些数据转化为可以在薪酬谈判中使用的证据。在绩效付薪体系下，自我测量和自我叙事能力本身就是一种竞争优势。
框架二：区分”AI替代”和”AI增强”的职业定位。
Stanford研究的核心发现之一是，AI对就业的影响高度依赖于工作内容的性质。如果你的核心职业价值在于执行可编码的重复性任务，你面临的是替代压力；如果你的核心价值在于判断、综合和关系管理，AI是你的放大器。清醒地识别自己在这个坐标上的位置，是制定职业策略的前提。需要注意的是，大多数真实岗位并非纯粹的”替代”或”增强”，而是两者的混合——关键在于识别你的工作中哪些部分属于哪个类别，并主动向”增强”端迁移。
框架三：将AI培训视为薪酬谈判的筹码，而非福利。
当企业开始将AI能力纳入绩效评估体系时，企业提供的AI培训资源本身具有了货币价值。在入职谈判和年度薪酬谈判中，明确要求获得高质量AI工具的访问权限和培训资源，是一个被大多数工作者忽视的谈判维度。
结语：这是一场关于”谁的劳动值多少钱”的根本性重写
“花生酱式加薪”的兴衰，表面上是一个薪酬设计的技术问题，实质上是企业对一个根本性问题的回答方式在发生改变：在任何给定时刻，人类劳动者的差异化价值是否可以被客观测量，以及这种测量是否应该直接映射到薪酬差异上？
过去几十年，这个问题的主流答案是”可以测量，但测量成本太高，差异化映射会产生太多摩擦，所以我们用近似均摊来简化”。AI改变了这个答案的第一个前提：测量成本正在急剧下降。当测量成本足够低时，均摊的经济合理性就会崩塌。
但这里有一个更深的问题被大多数讨论所回避：谁来决定测量什么，以及如何测量，本身就是一个权力问题。当企业获得了前所未有的能力来测量员工的数字行为轨迹，并将其转化为薪酬差异时，这个测量权力的边界在哪里？谁来监督测量体系的公平性？这不是一个纯粹的技术问题，而是一个需要劳动者、企业、监管机构和社会共同参与回答的治理问题。
Stanford的研究提醒我们，AI对就业市场的影响正处于早期阶段，很多效应尚未完全显现。CFO们对AI回报的乐观感知与研究者的审慎存疑之间的张力，提示我们这场变革的真实轮廓仍在成形之中。本文的分析框架基于截至2026年中期的公开信息，随着更多实证数据的积累，部分判断可能需要修正。
“花生酱”的消亡是真实的。但它留下的空间将被什么填满——是真正意义上更公平的价值测量，还是一套新的权力工具——这个问题的答案，将在未来5年内逐渐清晰。
对于每一个在这场变革中的职场个体而言，最危险的选择是被动等待。这场重构不会征求你的意见，但它会要求你的回应。
参考资料
-
Companies are abandoning ‘peanut butter’ raises as pay-for-performance takes over the workplace in the AI era — Fortune, 2026-05-09
-
Employers are spreading raises like peanut butter – and workers are paying the price — The Guardian, 2026-02-01
-
‘Peanut butter’ pay raises could cost companies their top performers, according to experts — CNBC, 2026-02-22
-
AI Is Compressing Pay and Accelerating Job Displacement Across Corporate America — PR Newswire, 2026年发布
-
CFOs believe AI is paying off. Researchers aren’t so sure—yet — Fortune, 2026-03-26
-
Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence — Stanford Digital Economy Lab, 2026年发布
-
‘Peanut butter’ pay raises are not yet mainstream, Mercer finds — HR Dive / Mercer, 2026年发布
-
In 2026, many employers are ditching merit-based pay bumps in favor of ‘peanut butter raises’ — Fortune, 2026-02-02
主题分类：劳动力变革