AI 提效之后，劳动关系正在变成什么样？

最近一年，一个越来越常见的场景是：老板开始明确要求大家必须用 AI，而且还会直接给出目标，比如提效 30%-50%。问题在于，工资通常并不会同步上涨，但交付速度、工作量和响应频率却往往真的上去了。

这件事如果只是当成个体公司的管理问题，其实很容易误判。因为它背后并不只是某一个老板更贪或者某一个团队更卷，而是 AI 作为一种通用技术，正在重新定义劳动、雇佣关系、市场竞争和人的心理预期。

本文想整理几个问题：

• AI 现在到底怎样影响劳动关系、劳动本身和雇主；
• AI 怎样改变市场，以及产品/服务会被改造成什么样；
• AI 怎样影响劳动者的心理状态；
• 为什么很多人实际感受到的不是“轻松了”，而是“更忙了”；
• 未来几年，这些趋势会往什么方向走。

一、AI 现在怎样影响劳动关系

1. 先变的往往不是就业总量，而是劳动组织方式

国际劳工组织 ILO 在 2025 年的更新里提到，一个很重要的判断是：全球大约四分之一的劳动者处在某种程度会受到 GenAI 影响的职业里，但多数工作更可能是被改造，而不是立刻被完全替代。

这个判断很重要。因为它说明，AI 的第一波冲击，未必表现为“大规模失业立刻发生”，而更可能表现为：

• 工作流程被重写；
• 任务被拆分得更细；
• 一部分原本需要经验的工作被模板化；
• 雇主开始把原来“做不到这么快”的事，重新定义成“现在应该做到这么快”。

也就是说，AI 先改变的是劳动的组织方式，然后才会进一步改变岗位结构、收入分配和职业路径。

2. 雇佣关系从“按时间买劳动”转向“按结果买可调用能力”

过去很多岗位，本质上是公司购买一个人稳定的时间、经验和执行力。现在 AI 进入以后，雇主越来越像是在购买一种可持续调用的能力组合：

• 领域知识；
• 工具使用能力；
• 提示和拆解任务的能力；
• 复核与兜底能力；
• 与 AI 协作后的交付能力。

这会带来一个明显变化：同样是 8 小时，老板不会再只看“你做了多久”，而会更看“你为什么没有在 AI 帮助下做得更快”。

于是，AI 很容易从辅助工具，变成新的考核基线。

这也是为什么很多人的真实体验不是“减负”，而是“同样工资下，被要求产出更多”。因为技术提高的是潜在生产率，但潜在生产率并不会自动转化成工资，它首先会被企业当成新的绩效空间。

3. 算法管理正在扩张，管理权更强，解释义务更弱

OECD 在 2025 年关于 algorithmic management 的研究，把它定义为：用软件系统去完全或部分自动化原本由管理者执行的任务。它的好处很明显：效率更高、决策更一致、监控更细、排班更快、指标更容易统一。

但问题同样明显：

• 责任边界变得模糊；
• 员工很难理解系统为什么这么评分、这么排班、这么分配任务；
• 管理变得更高频、更细粒度；
• 对劳动强度和身心健康的保护更容易被忽略。

这意味着 AI 改变的不只是“怎么干活”，还改变了“谁有权定义你的工作表现”。以前你面对的是一个主管，现在你越来越可能面对一套指标系统、看板、自动化评分逻辑，甚至一个你无法申诉其判断依据的模型。

从劳动关系角度看，这会进一步增强雇主和平台一侧的组织能力，也会削弱劳动者对过程的可见性和谈判能力。

4. 对劳动本身的影响：从生产内容，变成监督流程

很多知识型劳动者现在都已经感受到一个变化：工作不再只是“从零写出来”，而变成：

• 把问题拆清楚；
• 让 AI 先生成一个草稿；
• 自己再筛选、纠错、复核；
• 最后承担责任。

这会让劳动本身发生几个结构性变化。

第一，劳动从“直接生产”转向“编排、判断、复核”。

第二，很多原本依赖隐性经验的工作，会被逐渐显性化和流程化。换句话说，以前靠多年积累才知道怎么做的事，现在会先被拆成 SOP，再被工具化。

第三，初级岗位会先承压。因为大量初级工作本来就是整理、归纳、改写、搜索、汇总和标准化输出，这恰好是当前 AI 最容易切入的区域。

第四，工作的边界会进一步模糊。既然“写初稿”的时间下降了，那老板就更容易把额外的修改、补充、比稿、调研、方案分支一起压进来。劳动时间不一定显著增加，但单位时间内的精神负荷和切换成本会明显上升。

5. 对雇主的影响：既是机会，也是新的组织难题

从雇主角度看，AI 带来的吸引力非常直接：

• 更低的边际内容生产成本；
• 更快的试错速度；
• 更强的标准化和复制能力；
• 对初级岗位的人力依赖下降；
• 更容易量化产出和跟踪过程。

但雇主也不是纯粹获益的一方。OECD 关于 workplace AI 的调查显示，整体上员工和雇主都倾向于认为 AI 对绩效和工作条件有积极影响，但研究也同时强调，培训和员工协商与更好的结果显著相关，失业焦虑也仍然存在。

这说明企业不是只要“上 AI”就能自然得到收益。真正困难的部分反而是：

• 流程怎么改；
• 风险怎么控；
• 输出质量怎么校验；
• 员工信任怎么建立；
• 谁为错误结果负责。

所以很多公司今天其实处在一种中间状态：战略上要求全面拥抱 AI，组织上却没有为此提供足够训练、权责边界和收益分配机制。于是最先发生的，往往不是组织升级，而是对员工提出更高交付要求。

二、为什么“提效了但不涨薪，反而更忙”会这么常见

这个问题不需要从道德上理解，直接从激励结构就能解释。

1. 生产率提升，不等于劳动者分到更多

AI 提升的是单位时间的潜在产出。但潜在产出能否转化为工资增长，要看劳动者有没有议价能力，或者有没有掌握不可替代的稀缺资源，比如客户关系、关键领域知识、流程控制权、最终责任权。

如果没有，那么生产率增长最先体现出来的，通常不是涨薪，而是：

• 同样人数做更多事；
• 招更少的人；
• 把过去两个人的工作压成一个人的职责；
• 把“以前做不到”升级成“现在应该做到”。

2. AI 很容易被拿来做“绩效抬杆”

一旦团队里有人用 AI 做得更快，原先的平均线就会失效。管理层会迅速把这件事理解成新的组织潜力，然后把个别人的高效率，外推成整个团队的基准效率。

这就是典型的绩效抬杆：

• 工具提高了一部分人的上限；
• 管理把这个上限当成新的均值；
• 结果是所有人的节奏都被拉高。

于是 AI 在现实中并不只是“节省时间”，它经常会把节省下来的时间重新吞回去，变成新的任务量。

3. 雇主会优先把 AI 用在控制成本，而不是分享收益

这几乎是企业的自然反应。尤其在增长压力大、市场不稳定、劳动力供给并不紧张的时候，企业首先想到的是：

• 少招人；
• 延缓涨薪；
• 用技术扩大管理跨度；
• 用更少预算换更多交付。

所以“要求必须用 AI 提效 30%-50%，但工资不涨”，并不是反常，而是现阶段非常典型的组织选择。它说明 AI 的收益分配机制现在主要偏向资本、管理和流程拥有者，而不是偏向普通执行者。

三、AI 对市场、产品和服务的影响

如果说在公司内部，AI 改变的是劳动关系；那么在公司外部，AI 改变的是市场竞争的速度和形态。

1. 市场会更快，但也更卷

AI 让很多产品和服务的试错成本显著下降。

过去做一个功能、一个文案方案、一个客服系统、一个市场分析报告，可能都需要多人协作、较长周期和较高预算。现在，很多行业都能先用 AI 快速生成可用但未必完美的第一版，再由人补齐关键部分。

这会带来两个直接后果：

• 新产品和新服务的供给会变多；
• 市场平均响应速度会变快。

当供给变多、速度变快时，竞争自然会加剧。于是企业会更倾向于追求：

• 更快上线；
• 更低成本；
• 更频繁迭代；
• 更细颗粒度的个性化服务。

这反过来又会继续把压力传导回劳动者，因为更快的市场节奏一定对应更快的内部节奏。

2. 产品和服务会越来越像“模型 + 工作流 + 数据 + 责任”

AI 时代，真正有价值的未必只是模型本身。大量产品和服务会变成四个部分的组合：

• 模型能力；
• 业务工作流；
• 私有数据和上下文；
• 最终交付责任。

这意味着很多中等复杂度、可模板化、可标准化的产品，会被迅速压价和同质化。真正能保住溢价的，往往是：

• 对行业场景理解更深；
• 能嵌入真实业务流程；
• 有私有数据；
• 能为错误结果承担责任；
• 能提供稳定服务和信任背书。

也就是说，AI 会降低很多服务的入门门槛，但不会自动消灭信任成本。模型可以生成答案，但客户真正购买的，往往仍然是“谁敢为这个答案负责”。

3. 全球市场收益并不会平均分配

OECD 在 2026 年关于 AI 与贸易的研究里给出一个很有代表性的判断：在其基准情景下，AI 带来的生产率提升，可能在未来十年把不同国家的人均实际收入增速每年抬高 0.1 到 0.95 个百分点，但各国收益差异会很大。落后国家可以通过更便宜的 AI 密集型进口品获得部分收益，但如果本国自身 AI 采用不足，在高暴露行业里的竞争力还是会被削弱。

这背后的意思很简单：AI 的好处确实会扩散，但扩散不代表平等分配。

对企业是这样，对国家也是这样。能掌握算力、模型、平台、数据、关键应用场景的一方，会拿走更大份额的收益；只做末端执行和低附加值整合的一方，很容易被压缩利润空间。

4. AI 还可能加剧财富分化

IMF 在 2025 年关于 AI adoption and inequality 的研究里提出了一个很有意思的区分：AI 未必一定像过去的自动化那样同时扩大工资不平等和财富不平等。因为 AI 可能优先冲击一些高工资岗位的任务，从而在某些条件下压低工资差距。

但另一方面，财富不平等仍然可能扩大。原因是：

• 高收入群体的任务很多和 AI 是互补关系，而不只是替代关系；
• 他们更容易拿到资本回报；
• 企业在自动化高工资任务上有更强动力，于是资本收益上升得更快。

这也是为什么我觉得，未来真正值得警惕的，不只是“有没有岗位消失”，而是“新增价值究竟被谁拿走”。

四、AI 对劳动者心理和心态的影响

1. 最强烈的感受通常不是失业，而是不确定性

心理压力很多时候不是来自已经失去工作，而是来自你不知道自己还值多少钱，不知道自己的技能还能维持多久，不知道半年以后公司会不会用新的标准来评价你。

这种不确定性会带来三种很常见的感受：

• 一直在追赶，永远跟不上；
• 不敢停下来，怕一停就落后；
• 明明更努力了，但对未来反而更没有把握。

对很多知识工作者来说，这种压力比纯粹加班更消耗人，因为它侵蚀的是职业身份的稳定感。

2. 无力感来自“必须适应”，但又没有参与权

JFF 在 2026 年的调查里提到几个很值得注意的数据：

• 只有 36% 的劳动者认为自己得到了足够的 AI 培训和资源，低于上一年的 45%；
• 56% 的劳动者表示，雇主没有就 AI 工具如何用于他们的工作征求意见；
• 47% 的劳动者认为自己需要因为 AI 去获得新技能，其中 29% 认为这种需求就在未来一年内；
• 初级职业阶段劳动者里，40% 表示因为 AI 已经在改变或考虑改变职业规划。

这里最关键的并不是“大家在焦虑”这么简单，而是：人被要求改变，但没有被充分赋予改变所需的资源、训练和决定权。

这会制造一种很典型的心理结构：责任在你，控制权不在你。

3. 心态上的撕裂：既离不开 AI，又害怕 AI

很多人对 AI 的态度并不是单纯的支持或者反对，而是一种撕裂状态：

• 不用 AI，怕被淘汰；
• 用了 AI，又怕自己的价值被证明其实没那么高；
• 借助 AI 做得更快，本应轻松一点；
• 但组织看到的是“你还能再做更多”。

于是，AI 成了一个很矛盾的东西：它一方面提高了个人能力，另一方面又削弱了个人对自身能力稀缺性的信心。

4. 但心理影响也不是单向度的

这一点也要说清楚。并不是所有 AI 使用都会恶化劳动者感受。OECD 的研究指出，培训和员工协商通常和更好的工作体验有关。JFF 的研究也提到，如果劳动者对技术如何在工作中被使用更有影响力，其工作满意度会明显更高。

所以问题并不只是“有没有 AI”，而是：

• AI 是作为赋能工具进入工作，还是作为压强工具进入工作；
• 劳动者是否有学习资源；
• 是否能理解系统逻辑；
• 是否对使用方式有发言权；
• 是否分享到了收益。

如果这些条件缺位，AI 就更像是管理强化器；如果这些条件存在，AI 才更可能成为减负工具。

五、未来趋势：我比较认可的几个判断

1. AI 会从“加分项”变成“默认要求”

未来几年，很多岗位对 AI 的要求会像今天对 Office、搜索引擎、协作软件的要求一样，从可选技能变成基础设施级能力。

问题不在于你会不会打开一个模型，而在于你能不能：

• 把问题拆成机器和人分别适合处理的部分；
• 把 AI 嵌进工作流；
• 对结果做验证和修正；
• 在更短周期内交付可用成果。

换句话说，“会不会用 AI”很快不会构成优势，“离开 AI 还能不能负责关键环节”才是新的差异来源。

2. 初级岗位会减少，但不会简单消失

更可能发生的事情是：

• 一部分初级岗位被削减；
• 剩下的初级岗位门槛提高；
• 培养路径变短，但要求更高；
• 原本靠大量重复工作完成的 apprenticeship 被削弱。

这对年轻劳动者会特别不友好。因为很多人成长，本来就是靠做大量基础工作逐渐进入复杂工作。但如果基础工作先被 AI 吃掉了，职业成长的台阶就会变少。

3. 企业会继续要求提效，但真正稀缺的是“能被信任的人”

随着内容生成、代码生成、分析生成越来越便宜，真正贵的东西会变成：

• 对业务后果负责；
• 理解复杂上下文；
• 和客户、团队、组织做协调；
• 在不确定条件下做判断。

所以长期看，最有价值的劳动者可能不是“最会写提示词的人”，而是那些既能利用 AI 扩张能力，又能在关键节点承担责任的人。

4. 劳动争议会越来越多地围绕几个新问题展开

我觉得未来几年和 AI 相关的劳动争议，大概率会集中在这些问题上：

• AI 是否被用来单方面提高绩效标准；
• AI 监控和评分是否透明；
• 出错责任到底由谁承担；
• 是否提供了足够培训；
• 提效收益是否应部分回流给劳动者；
• 是否因为 AI 改造导致事实上的工作量扩张。

换句话说，未来劳动关系的重点，可能会从单纯的工时和工资，进一步扩展到数据、监控、模型决策、流程控制和收益分配。

六、回到现实：如果老板要求用 AI 提效 30%-50%，你该怎么理解

如果一句话总结，我会这样说：

这不是 AI 在单独压榨你，而是组织正在把 AI 转化成新的劳动标准，而收益暂时主要被组织拿走。

因此，眼下最现实的观察不是“AI 会不会替代我”，而是：

• 我的工作里哪些部分已经被当成可以被压缩的流程；
• 我是不是只在做容易被标准化和替代的环节；
• 我有没有掌握业务上下文、最终责任、客户关系或关键判断权；
• 我能不能把自己从纯执行者，移动到复核者、编排者、负责人和问题定义者的位置上。

如果不能，那么 AI 带来的很可能就是更高强度的劳动；如果能，那么 AI 才可能成为你的杠杆，而不只是你的考核器。

我自己的一个基本判断是：未来真正区分劳动者处境的，不只是 AI 能力，而是劳动者有没有在组织里占据一个不容易被价格化、模板化和随时替换的位置。

七、结语

AI 并不只是一个新工具，它更像是一台重新分配劳动价值、管理权力和市场收益的机器。

所以它带来的核心问题，从来不只是技术问题，而是关系问题：

• 谁定义效率；
• 谁决定标准；
• 谁承担风险；
• 谁拿走收益。

如果这些问题不被认真讨论，那么很多公司口中的“AI 赋能”，最后都会落成劳动者的现实感受：工资没涨，工作更多，节奏更快，人更焦虑。

但反过来说，如果未来组织治理、培训机制、劳动协商和收益分配能够跟上，AI 也并不是只能通向更坏的劳动环境。它完全可能把一部分人从低价值重复劳动里解放出来，让工作更像判断、创造、协作和负责。

问题不在于 AI 本身，而在于我们准备用什么样的劳动关系去容纳它。

参考

1. ILO, Generative AI and jobs: A 2025 update: https://www.ilo.org/publications/generative-ai-and-jobs-2025-update
2. OECD, The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers: https://www.oecd.org/en/publications/the-impact-of-ai-on-the-workplace-main-findings-from-the-oecd-ai-surveys-of-employers-and-workers_ea0a0fe1-en.html
3. OECD, Algorithmic management in the workplace: https://www.oecd.org/en/publications/algorithmic-management-in-the-workplace_287c13c4-en.html
4. OECD, AI meets trade: Global linkages and the cross-country distribution of the gains from AI: https://www.oecd.org/en/publications/ai-meets-trade_13081644-en.html
5. IMF, AI Adoption and Inequality: https://www.imf.org/en/publications/wp/issues/2025/04/04/ai-adoption-and-inequality-565729
6. Microsoft Work Trend Index: https://www.microsoft.com/en-us/worklab/work-trend-index
7. JFF, Worker Anxiety Over AI Is Growing, and Employers Aren’t Preparing Employees for What’s Next: https://www.jff.org/newsroom/press-releases/worker-anxiety-over-ai-is-growing-and-employers-arent-preparing-employees-for-whats-next-new-survey-finds/