2026年4月，2组数字放在一起读，令人困惑。

第1组：Q1 2026科技行业裁员约78,557人，其中47.9%（约37,638人）被雇主明确归因于AI和工作流自动化。Amazon、Meta、Dell、Citi等公司大规模裁员，同时投入超过$6500亿用于AI基础设施（来源：CNBC，综合多来源，2026年Q1数据）。

第2组：AI工程师薪资中位数（据多家科技媒体和招聘平台数据，头部AI实验室薪资已普遍超过$20-30万/年）；Anthropic计划在伦敦新建能容纳800人的办公室，是现有团队的4倍（来源：Wired, 2026-04-16）；Cursor（AI编码工具）估值$500亿，而公司团队人数极少，人均价值高得离谱（来源：TechCrunch, 2026-04-17）。

这2组数字同时为真：AI在快速消灭某些工作，也在快速创造另一些工作。但新旧工作的数量比例、薪资结构、技能要求，完全不对称。

Stanford HAI 2026 AI Index报告用了一个精确的词描述这个现象：沙漏型就业结构（Hourglass Employment Structure）（来源：The Register, 2026-04-14）。

第1章：沙漏的形状

什么是沙漏型就业结构？

传统的科技就业市场是正态分布型的：有大量入门级职位（应届生、初级工程师），有大量中级职位，有少量高级职位和管理岗位。职业路径清晰，从初级到中级到高级，每个层级都有足够数量的岗位容纳人员流动。

AI重塑后的科技就业市场变成了沙漏形：

上层（小）：AI专家、机器学习工程师、AI架构师

  • 需求极度旺盛，薪资飙升
  • 关键特征：能设计、训练、部署AI系统，能在AI工具出错时纠错
  • 市场信号：Anthropic伦敦800人扩张，大量招募AI研究员和工程师

中间细腰（收窄）：原有的中级工程师和知识工作者

  • 部分人成功向上流动（学会AI工具，提升效率）
  • 部分人陷入”够用但不出色”的困境（有AI工具辅助的初级工程师的生产力已接近无AI辅助的中级工程师）
  • 职业路径不再清晰：入门级的上升通道被压缩

下层（大）：被替代的入门级和可自动化角色

  • Stanford AI Index：入门级科技职位（data entry、junior QA、basic coding）下降约20%
  • 最先被AI自动化的：重复性文档处理、基础代码调试、数据录入、简单的分析报告生成

结果是：就业市场在顶端和底端同时扩张（高薪AI专家需求大增，初级服务业无法被AI完全替代），但在中间层被AI压扁——传统职业路径的”中间阶梯”被抽掉了。

第2章：47.9%归因数据的真实含义

Q1 2026的裁员归因数据需要谨慎解读。

47.9%的裁员被归因于AI，这个数字来自哪里？

主要来源是企业的官方裁员声明和内部备忘录，由媒体汇总整理。问题在于：这些数字是企业自报的，而企业在描述裁员原因时有明显的动机偏差——把裁员归因于”AI和自动化”，比归因于”管理层误判”或”增长放缓”，在投资者和媒体面前更容易被接受，甚至被视为”战略转型”而非”经营失败”。

换句话说，47.9%这个数字可能既是低估（有些企业出于劳工关系考量不愿明确提AI），也是高估（有些企业把其他原因导致的裁员归到了AI头上）。

但即使这个数字有偏差，一个趋势是清晰的：AI归因的裁员比例，从2025年同期的不到8%飙升到了近50%。无论绝对数字是否精确，这个增长趋势指向的是真实的结构变化。

更值得关注的是：哪类岗位在消失？

根据多家企业的裁员公告分析，消失最快的是：

  • 内容审核员：Meta和Snap大规模用AI替换人工内容审核
  • 初级数据分析师：自动化BI工具+LLM的组合，覆盖了大部分基础分析需求
  • 客服和支持人员：Salesforce这类公司自己用AI Agent替换人工客服（一边卖Agentforce，一边裁客服）
  • 基础代码测试人员：AI编码工具大幅提升开发效率，同时减少了对人工QA的需求

这些岗位的共同特征：边界清晰，流程重复，可用规则或模式描述。这正是当前LLM能力覆盖最好的场景。

第3章：谁在受益

裁员的对立面，是招聘。哪些人在这一波AI重塑中受益？

直接受益者1：AI原生工程师

能够设计、构建、部署AI系统的工程师薪资飙升。Anthropic、OpenAI、Google DeepMind等公司开出的机器学习研究员薪酬，已经超过了传统软件工程师的2-3倍。伦敦的800人扩张，主要就是招募这类人才。

直接受益者2：「AI增强型」专业人员

掌握了AI工具的产品经理、设计师、分析师，正在用AI提升自己的生产力——1个人+AI工具能完成以前3个人的工作量，并因此获得更高薪酬和更强的职位安全感。这类人的关键技能不是”会写代码”，而是”知道如何准确地向AI提问和审核AI输出”。

直接受益者3：垂直领域AI专家

在特定垂直行业（医疗、法律、供应链、金融）同时具备AI技术能力和行业专业知识的人，是目前市场上最稀缺的人才类型。比如，懂AWS Bedrock又懂企业供应链流程的工程师，比单纯的AI工程师和单纯的供应链顾问都更值钱——Loop这类公司的核心团队就是这样的复合型人才。

间接受益者：AI基础设施工人

AI算力的急剧扩张，创造了大量数据中心相关岗位：冷却系统工程师、电力工程师、网络技术员、硬件维护人员。这些岗位的特点是：本地化（数据中心不能外包到低成本地区）、无法被AI替代（物理设施需要人工维护）、薪酬比以前的工厂工人高。

第4章：政策制定者的难题

Stanford AI Index的一个核心发现是：69%的AI专家认为AI有利于经济，但只有21%的普通公众持相同看法（来源：The Register, 2026-04-14）。这个分裂，不只是”认知差距”，而是真实的利益分配不均——专家群体多数是AI受益者，普通公众更多感受到的是就业焦虑。

这个分裂，让政策制定者陷入两难：

问题1：就业培训项目有效吗？

政府通常的应对是：推出AI技能培训项目，帮助被AI替代的工人转岗。但这个方案面临几个现实挑战：

  • 培训需要时间（通常6个月到2年），但AI替代的速度更快
  • 不是所有人都有能力或意愿转型成AI工程师——转岗成功率远低于官方宣传
  • 新创造的AI岗位数量，远少于被替代的岗位数量（Cursor用极少数人产生了接近$500亿的估值，而传统软件公司要产生相同估值需要数万名员工）

问题2：如何税收AI产生的生产力收益？

部分学者提出”AI税”方案：对使用AI自动化替代人工的企业征收额外税，用于资助被替代工人的转型。但这个方案的执行极其困难——如何定义”AI替代了一个人”？一个程序员用GitHub Copilot把工作效率提升了50%，算”替代了半个人”吗？

问题3：数据归因本身就是问题

如果企业报告的AI裁员比例数据本身就不可靠（既可能高估也可能低估），政策制定者怎么基于这些数据制定有效政策？

这些难题没有简单答案，但有一点是明确的：把AI就业问题简化为”AI会不会取代所有工作”的二元讨论，对政策制定没有帮助。更有价值的问题是：哪些具体岗位在消失、哪些在增加、转型的速度与社会承受能力的匹配关系是什么？

结语：个人在双螺旋中的位置

对于今天的个人来说，沙漏型就业结构意味着什么？

如果你在上层（AI专家）：这是历史上罕见的人才溢价窗口期。你的议价能力前所未有。但这个窗口可能不会永远开着——随着AI工程师的供给增加，溢价会逐渐收窄。

如果你在中间层：这是最需要主动应对的位置。”AI增强型”vs”被AI威胁型”之间的差距，很大程度上取决于你是否主动学会使用AI工具，并把自己定位为AI的”指挥者”而不是”被替代者”。

如果你在下层（可自动化岗位）：现实是严峻的。不是所有人都能通过培训转型为AI工程师，这需要诚实面对。但完全不可自动化的岗位仍然存在：高度情境依赖的工作（老师、护士、社区工作者）、高度物理操作的工作（水电工、厨师、建筑工人），这些领域的AI替代进度远慢于科技行业。

双螺旋不会因为我们不喜欢它就停止旋转。但理解它的形状，至少可以帮助我们在里面找到自己的位置。

参考资料:

  1. The Register, “Stanford HAI 2026 AI Index”, https://www.theregister.com/2026/04/14/ai_report_2026_stanford_hai/, 2026年4月14日
  2. Wired, “Anthropic plots major London expansion”, https://www.wired.com/story/anthropic-plots-major-london-expansion/, 2026年4月16日
  3. TechCrunch, “Cursor in talks to raise $2B at $50B valuation”, https://techcrunch.com/2026/04/17/sources-cursor-in-talks-to-raise-2b-at-50b-valuation-as-enterprise-growth-surges/, 2026年4月17日
  4. CNBC, 综合多来源Q1 2026裁员数据，2026年Q1
  5. Stanford HAI, “AI Index Report 2026”, https://aiindex.stanford.edu/report/, 2026年4月14日

深度视角：AI就业经济学的3个被低估的机制

要真正理解AI时代劳动力市场的动态，需要超越”替代/不替代”的二元框架，看3个更细微但更重要的机制。

机制1：任务替代 vs 职业替代

经济学家David Autor的研究提供了一个关键框架：AI和自动化技术替代的是任务，而不是职业。一个职业通常包含许多不同性质的任务，其中部分可被AI替代，部分不可以。

以会计师为例：数据录入、标准报表生成、基础税务计算——这些任务正在被AI快速替代。但异常情况判断、客户咨询、创意性节税方案设计、与监管机构的沟通——这些任务AI目前还不能有效替代。

结果：会计职业不会消失，但从事纯可替代任务的初级会计会减少，同时专注于不可替代任务的高级会计需求增加。这正是沙漏效应的任务层面来源。

机制2：生产力悖论——更高生产力不一定创造更多岗位

传统经济学认为：技术提升生产力→企业降价竞争→需求增加→创造更多岗位（经济学家鲍莫尔将其归纳为：技术降低边际成本→价格下降→消费者需求扩大→劳动需求跟随增加，称为鲍莫尔效应）。这个机制在工业化时代基本有效。

但AI时代存在一个关键差异：AI的生产力增益并不总是转化为价格下降或需求扩张。以Cursor为例，AI编码工具让1个工程师能完成原来3个人的工作，但公司并没有把软件价格降到三分之一——它们把省下来的钱用于提高利润，或者招募更少但更贵的工程师。

这意味着AI生产力增益在很多情况下被转化为企业利润（资本收益），而不是降价+需求扩张+更多岗位（劳动收益）。这就是为什么Q1 2026同时出现了”科技公司利润创历史新高”和”科技裁员创历史新高”——两者并不矛盾。

机制3：地理集中效应

AI创造的新岗位，高度集中在少数城市：旧金山湾区、伦敦、纽约、北京、上海。Anthropic在旧金山和伦敦各有大型办公室；Cursor总部在旧金山。被AI替代的岗位，地理分布要分散得多（全球各个城市的呼叫中心、办公室等）。

这意味着：即使AI创造的岗位数量与替代的岗位数量相当（这个假设本身有争议），它们的地理分布也决定了转岗不总是可行的。一个底特律呼叫中心的工人，不可能”转岗”成为旧金山的AI工程师——地理、教育背景、文化等壁垒都是真实的障碍。

这3个机制合在一起，解释了为什么AI就业问题比通常描述的更复杂：不仅仅是”学AI编程就能找到工作”，而是一个涉及任务分解、利润分配和地理集中的多维挑战。

附表：Q1 2026科技行业裁员与AI招聘的数据对照

指标 数据 来源
Q1科技裁员总数 ~78,557人 CNBC综合多来源
其中归因于AI的比例 47.9% CNBC
典型AI替代岗位 数据录入、初级QA、内容审核 多来源综合
Stanford AI Index: 入门级科技岗位变化 下降约20% Stanford HAI 2026
Anthropic伦敦扩张计划 800人（现有4倍） Wired 2026-04-16
AI工程师薪资溢价 比同级软件工程师高2-3倍 行业综合
Cursor估值 vs 团队规模 $500亿估值，<100人团队 TechCrunch 2026-04-17
Q1 2026全球AI初创融资 $2420亿 Crunchbase 2026-04-17

这些数字放在同一张表里，视觉上就能感受到结构性失衡：被替代的是数万人的岗位，新创造的是极少数高薪岗位，中间差距巨大。