2026年5月5日，Coinbase CEO Brian Armstrong发了一封内部信。

他说，公司将裁减14%的员工，大约700人。原因有两个：市场波动，以及AI正在改变公司的运营方式。与此同时，他宣布了一个组织结构调整：Coinbase将取消纯管理层角色，把组织层级压缩到最多5层。

这不是一封普通的裁员声明。在那一天，类似的公告正在以不同的措辞从不同的公司发出。

一个数字的重量

先来理解那个数字：2026年到目前为止，AI相关裁员已经超过39000人。这个数字来自BusinessInsider的汇总统计，对应的分母是同期科技行业约84223个裁员岗位。

换句话说，超过四成的科技裁员，明确标注了”AI”是裁员因素之一。

当然，这个统计本身需要谨慎解读。裁员的真实原因往往是复合的——宏观经济波动、业务重组、战略收缩、组织冗余——AI只是被引用的诸多理由之一。正如OpenAI CEO Sam Altman自己说过的，一些公司正在把AI当作裁员的遮羞布，用来掩盖本来就会发生的成本削减。这种”AI洗裁员”（AI washing of layoffs）的现象，让这个数字的含义变得模糊。

但即使考虑到这种噪音，有一些案例是足够清晰的。

案例解剖：Coinbase、Block、Atlassian

Coinbase是2026年AI裁员浪潮中最新的一个案例。Armstrong的裁员逻辑直接而坦率：AI在改变哪些工作是必要的。他们不需要那么多人来做那些AI可以做的事情，而且他们相信未来公司需要的人会更少、但每个人的产出会更高。与此同时，他决定把组织架构扁平化到最多5层。这两个决定是相互关联的——更少的员工，更短的决策链，更快的响应速度。

Block是更早的一个信号。CEO Jack Dorsey在2026年2月的一篇X帖子中宣布，他将把Block的员工规模从逾10000人削减到不足6000人——近半员工离开。他的措辞非常直接：”AI工具配合更小更扁平的团队，正在开启一种新的工作方式，从根本上改变了构建和运营公司的含义。”更引人注目的是，他在随后的财报电话会议上补充：他认为”所有公司最终都会这么做”。这不是一个防御性的声明，而是一个预测。

Atlassian在2026年3月裁员约1600人（占全球员工总数的10%），CEO Mike Cannon-Brookes在SEC文件中写道：”说AI不改变我们需要的技能组合或某些领域所需的角色数量，那是不诚实的。它确实改变了。”值得注意的是，他同时表示，他计划未来五年工程师总数仍然增加——AI时代的效率提升，不必然意味着工程师的总量减少，但”做同样事情的人”会减少，因为每个人的生产力变高了。

这三个案例呈现出三种不同的裁员逻辑：

  • Coinbase：AI替代特定职能 + 组织扁平化双重驱动
  • Block：全面重构，AI作为底层逻辑的颠覆性力量
  • Atlassian：选择性精简，同时承诺技术岗位的总量增加

这三者之间的差异，揭示了AI对劳动力市场影响的复杂性——它不是一个均匀的力量，而是在不同的行业、不同的工作类型、不同的组织文化中，产生完全不同的效果。

那个”零回报”的研究

在讨论这个话题时，有一项经常被引用的研究值得注意：据第三方数据报告援引的研究显示（数据来源于一份对企业AI投资回报的系统性调查），截至2025年，大比例的企业AI投资在短期内未能产生可量化的正向回报。确切数字因研究方法不同而存在差异，但”大多数早期AI投资尚未产生规模回报”的结论在多个研究中得到一致体现。

这是一个相当惊人的数字，如果它是真的。但它同时也可能是一个时间尺度问题——就像互联网早期的大量投资在当时看来没有回报，但成就了后来20年的商业基础设施。

这里存在一个”先有鸡还是先有蛋”的悖论：AI要真正改变工作方式，需要大量的试错和学习。那些”零回报”的投资，其中许多是在为这个学习过程埋单。企业在学习如何用AI，AI系统在学习如何在特定领域发挥作用，整个生态系统正在经历一个效率低下的磨合期。问题是，这个磨合期有多长，以及多少企业能活着走到回报兑现的那一天。

同时，还有研究机构Robert Half的一项数据：在2000名招聘经理中，29%的人表示他们重新填补了此前因AI而被削减的职位。这个数字提示了一个更微妙的现实：裁员和重新招聘可能是同一个故事的两个章节——企业先用AI替代某些工作，发现效果不理想，再重新雇人来监督和修正AI的输出。这是一种效率的迭代，也是一种成本的转移。

“AI洗裁员”与真实替代

在整个讨论中，有一个核心问题一直没有被很好地回答：哪些裁员是真实的AI替代，哪些是AI叙事下的常规成本削减？

真实的AI替代，指的是AI系统已经可以以相当于或超过人类员工的水平完成某项工作，因此这个职位在经济上变得不必要。这种情况在一些明确的领域确实发生了：某些类型的客服、基础内容生成、数据录入、重复性代码审查。

AI叙事下的常规裁员，指的是企业本来就需要精简，AI提供了一个方便的理由——它听起来更像是面向未来的战略调整，而不是遇到了财务困难。

这两种情况的政策含义截然不同。如果是真实替代，那么社会需要认真面对再培训、社会保障网络、技能转型的问题。如果是叙事包装，那么关注点应该放在经济结构而非AI本身。

大多数真实情况，可能在这两端之间的某个地方。AI确实改变了某些工作的必要性，但它也为本来就想削减成本的管理者提供了一个新的”好故事”。区分这两者，对公共政策制定者而言至关重要，但极其困难。

Coinbase的5层结构实验

让我们回到Coinbase的那个细节：最多5层的组织结构。

这是一个值得独立关注的信号。传统大公司通常有8-12层的管理层级：从CEO到C-suite，到VP，到总监，到经理，到团队负责人，到员工。每一层都有信息传递、决策审批、资源分配的功能，也有相应的延迟、失真和成本。

Coinbase要把这个压缩到5层，意味着：平均管理跨度必须扩大，每个管理者需要直接管理更多人；决策需要下沉，更多人需要有更大的自主权；对齐成本降低，但协调复杂性可能上升。

这个结构的理论基础是：AI工具能够承担过去需要管理层做的大量信息处理和决策支持工作，因此人类管理层的数量可以减少，而不损失组织的协调能力。这个理论是否成立，取决于具体业务的复杂程度、AI工具的实际能力，以及组织文化的成熟度。

如果这个实验成功，它将成为AI时代组织设计的一个新模板，可能被广泛复制。如果失败，它将成为一个警示：仅仅削减管理层并不能自动提高组织效率，你需要的是AI与人类决策者之间真正有效的协作架构，而不只是人更少、层级更短。

Block的做法更激进——几乎减半员工规模。Atlassian的做法更保守——精选性削减，同时承诺技术岗位总量增加。Coinbase的5层结构则是一个介于两者之间的结构性实验。

这三家公司，2026年正在用真实的组织当实验室，测试AI时代企业应该长什么样。

谁会是赢家？谁将承担代价？

站在2026年看这一切，有几件事似乎是清楚的：

赢家包括：能快速学习AI工具的知识工作者（他们的产出提升，价值上升），提供AI效率工具的公司，以及那些成功完成组织转型的企业（如果它们的转型是真实的，而不只是裁员的包装）。

处于不确定区的：中层管理者，他们的角色传统上依赖于信息的汇聚和传递，而这正是AI最擅长的领域之一。如果组织层级压缩成为趋势，这个群体的就业前景将深刻改变。

承担成本的：那些在AI浪潮中失去工作的人，尤其是那些技能相对单一、转型成本较高的群体。39000人是一个数字，但每个数字背后有一个真实的人，有家庭、有贷款、有无法轻易被”再培训”替代的生活现实。

这场变革的速度，在某种程度上决定了社会能否平稳吸收它的冲击。如果变革足够缓慢，劳动力市场有时间适应，教育体系有时间更新，社会保障网络有时间调整。如果变革足够快——比如在5-10年内完成大规模的技能替代——那么这些缓冲机制将无法及时发挥作用，社会的撕裂风险将大幅上升。

Dario Amodei曾经警告过这种”快速替代”的风险，尽管他现在已经转向了更乐观的Jevons悖论叙事。但无论是哪种叙事，都无法改变一个现实：对于那些今天失去工作的700名Coinbase员工，以及那些被Block或Atlassian裁减的数千名员工而言，抽象的经济理论并不能直接解决他们的问题。

一场没有剧本的实验

2026年，AI裁员这件事正在以一种前所未有的速度和规模展开。

39000人，是截至目前的数字。这个数字在未来几年可能会大得多——也可能不会，如果Atlassian那种”减少但同时增加”的模式成为主流的话。

我们现在处于一个既不知道终点是哪里、也无法预测路径的历史节点。工业革命提供了一个历史类比，但那场变革花了几十年；这场变革，AI的迭代速度可能会让时间压缩到几年。

Coinbase的5层结构，Block的重组实验，Atlassian的”诚实的不确定性”——这些都是真实发生的、没有剧本的组织实验。它们的结果，将在很大程度上告诉我们，AI时代的公司到底应该长什么样，以及那种形态对人类意味着什么。

这比任何关于AI能力的技术讨论都更贴近我们每个人的生活——无论你今天在哪家公司工作，无论你的职位叫什么。

对个体的意义：如何在这个时代保护自己

面对这场变革，一个普通的知识工作者应该怎么思考自己的处境？

首先，需要诚实地评估自己工作的可替代程度。 有一个粗糙但有效的框架：如果你的工作主要由以下内容构成——整理信息、汇总报告、生成标准化文档、执行重复性分析——那么你的工作在AI冲击下的脆弱性较高。如果你的工作核心是：判断力（在不确定情境下做复杂决策）、关系建立（说服、谈判、培养信任）、创意方向（定义问题而非解决问题）、跨系统协调（将分散知识整合为行动）——那么你相对安全一些，但也不是无懈可击的。

其次，与其对抗变革，不如成为使用AI工具最熟练的人。 这不是”向AI妥协”，而是一种现实的选择——就像当年打字机代替手写不是文字工作者的终结，而是门槛的重定义。那些最早深入使用AI工具、真正理解它们的能力边界的工作者，将在过渡期中获得不对称的优势。他们既能提高自己的产出，也能更准确地判断哪些工作值得投入、哪些不值得。

第三，要关注自己所在的组织是否有清晰的AI整合策略，还是仅仅在削减成本。 一家公司用AI来提升每个人的能力，和一家公司用AI来替代人力以削减支出，对员工的意义截然不同。前者是一种增强，后者是一种替代。早期识别这两者的差异，对于职业规划至关重要。

最后，要认真对待技能的可迁移性。 在一个组织形态快速变化的时代，依附于特定公司或特定岗位的稳定性在下降，而依附于自身能力的稳定性在上升。那些在多个情境下都能发挥价值的技能——批判性思维、清晰的书面和口头表达、理解复杂系统的能力、在模糊情境下做决策的能力——将比那些高度特定化的技术技能更有韧性。这不是说技术技能不重要，而是说它们需要以更通用的认知能力为底层支撑。

我们正在经历的，不是一次”职业颠覆”，而是一场深刻的职业重定义。那些能够主动定义自己工作的边界，而不是被动等待被定义的人，将是这场变革中最有可能找到立足点的人。

那39000个已经失去工作的人里，有多少人提前做了这些准备，我们不知道。但他们的处境，是一个真实的提醒：这场变革已经不在讨论阶段了。它正在发生。

政策层面的缺位

有一件值得注意的事：在这场波及数万人的就业变革中，政策层面几乎是缺席的。

美国没有针对AI驱动裁员的专项政策框架。现有的就业保护体系——劳动法、再就业培训基金、失业保险——是为工业时代设计的，它们假设就业的替代是缓慢的、地域性的、可预测的。AI驱动的变革打破了所有这些假设：它快速、跨行业、难以精确预测，而且受冲击最重的往往是受教育程度较高的白领，这与过去的技术性失业模式截然不同。

再培训政策是一个经常被提到的解决方案，但它的效果存疑。将一名中层管理者培训成一名数据科学家，需要多少时间、多少成本、多少成功率？这些问题的答案，与政策倡导者描绘的蓝图之间，往往存在巨大的落差。有研究表明，大多数接受再培训的工人最终并没有获得与原职位相当的收入，即使他们完成了培训项目。

欧盟在这一领域走得稍微靠前——欧盟AI法案对”高风险”AI系统的使用做出了一些限制，其中包括可能影响就业的决策系统。但这些法规主要针对AI决策的透明性和公平性，而不直接限制因AI引发的裁员行为。

最终，我们面对的是一个政策滞后的典型案例：技术的速度远超法律和社会保障体系的适应速度。这不是任何人的”失职”，而是一个结构性的挑战——在一个民主政治体系中，政策的形成需要时间，但技术的变革不等人。

这个滞后本身，就是那39000人的处境的一部分原因。他们站在两个时代的缝隙里：旧的体系已经无法保护他们，新的体系还没有来得及建立。

理解这一点，并不能改变他们现在的处境。但它告诉我们，这场变革的成本不仅仅是被裁员工的个人问题，也是整个社会如何面对技术加速时代的制度性挑战。39000，是今年的数字。这个数字，还会继续增长。

当Coinbase宣布最多5层管理结构，当Block将员工砍掉近一半，当Atlassian坦诚地说”AI确实改变了我们需要的人数”，这些公司的领导者都在做同一件事：诚实地面对一个新现实，并以他们认为合理的方式应对它。这既是他们的权利，也是他们对股东的责任。

但在这些商业决策的另一侧，是一个社会责任的问题，目前尚无人真正负责：这39000人，以及未来更多的人，他们的重新融入由谁来保障？这个问题，在2026年的讨论中依然缺席。而这个缺席，比任何单独的裁员决定都更值得关注。

技术的历史告诉我们，每一次大规模的生产力革命，最终都带来了就业的净增长——工业革命如此，电气化如此，互联网时代如此。但每一次，这个”最终”都意味着数十年的过渡期，期间有大量真实的人承受着代价。我们没有理由假设AI时代会例外，也没有理由假设代价会更小。39000人，只是这个过渡期最初的记录。未来这些数字会如何演变，取决于技术、政策、组织形态和社会文化的共同作用——而不是任何单一力量可以决定的。

参考资料：