一份最新报告显示，在6691名连续参与两期调查的受访者中，54.3%的人对“AI能够完成自己工作中的核心任务”感到不安，而62.0%的人担心“未来被更会使用AI的人替代”，后者高出7.7个百分点。与此同时，74.2%的受访者认为，学会使用AI能够提高自己的职场竞争力。

这组数据来自腾讯调研与复旦大学社会发展与公共政策学院社会发展科学智能研究中心联合发布的《当AI进入职场：公众认知、感受与行动——AI就业影响公众认知指数报告》。它揭示了一个微妙而重要的变化：人们对人工智能的焦虑，正在从“机器会不会取代我”，转向“别人会不会用AI取代我”。

（一）焦虑的参照系变了

过去讨论技术与就业，人们习惯问：“这个职业会不会消失？”但现实中的技术变革，往往不是整个职业被一次性“删除”，而是职业内部的任务被重新拆分：一部分交给机器，一部分继续由人完成，还有一部分在人机协作中被重新定义。国际劳工组织2025年的研究也指出，生成式AI对就业的影响更可能表现为工作内容的转型，而不是大规模、整齐划一的岗位消失。

这意味着，真正先到来的，可能不是一台机器宣布：“你的岗位已经消失”，而是招聘要求里多了一项AI能力，同事用工具完成了更多任务，管理者提高了绩效标准，原有经验的价值开始下降。

报告数据恰好捕捉到了这种转变。与担心自己的核心工作任务被AI替代相比，公众更担心“被更会使用AI的人替代”。AI不再只是一个外部技术变量，它正在成为劳动者之间重新分配效率、机会和职业安全感的工具。人们害怕的不只是机器，更是握在竞争者手中的工具。

（二）越熟悉AI，越能看见竞争

面对新技术，一种常见解释是：焦虑源于不了解，只要多做科普，恐惧自然会消失。但报告数据并不支持这种简单判断。

报告把受访者的AI素养分为入门组、进阶组和熟练组。熟练组的个人焦虑指数达到71.3分，比入门组的60.5分高出10.8分；与此同时，熟练组的适应信心指数达到84.8分，也比入门组的64.5分高出20.3分。也就是说，更懂AI的人，同时表现出更强的焦虑和更强的信心。

这看似矛盾，却符合技术进入工作现场后的真实经验。一个从未使用过生成式AI的人，可能只把它理解为能聊天、写文案的工具，对它能够进入哪些工作环节缺少具体判断。而经常使用AI的人，更清楚它在信息检索、文本生成、数据处理和方案制作方面能节省多少时间，也更清楚自己原本依赖的某些技能正在迅速贬值。他越了解AI，就越能想象竞争者如何利用它提高效率，也越容易发现原有职业壁垒正在变薄。

因此，AI焦虑并不完全来自无知，也可能来自知识。熟练使用者知道，今天的优势很可能只是暂时的：一种提示词技巧可能很快被产品功能取代，一个热门工具可能几个月后就被淘汰。技术熟练带来的不是一劳永逸的安全，而是更清楚地意识到必须持续学习。当“不断学习”从发展机会变成维持岗位的基本义务时，学习本身也会成为压力来源。

（三）“会用AI”不是单纯的个人技能

公共讨论经常把AI使用能力理解为个人选择：愿意学习的人获得机会，不愿学习的人被淘汰。但一个人是否“会用AI”，从来不只取决于学习态度。

可以把劳动者在AI时代形成的竞争优势概括为一种“AI职业资本”。它不是单一的技术技能，而是多种资源的组合：工具可及性、学习时间、任务理解、组织授权、数据资源和风险承担能力。不同工具的价格、网络环境和数据权限并不相同，固定就业者可能获得单位培训和真实项目练习，灵活就业者则往往要在接单和照护之外自行学习。高质量使用AI，也不只是把问题丢给模型，而是能够评价答案，识别错误，并把它嵌入真实工作流程。

经济合作与发展组织2026年发布的《AI时代的技能》报告指出，掌握高级AI技能的劳动者仍只占劳动力的一小部分，约为1%；更广泛的劳动者需要的是基础数字能力、AI素养和能够与技术互补的人类能力。如果把“会用AI”理解为一种职业资本，就能看到它的累积性：掌握更好工具的人获得更多实践，实践更多的人更容易形成成果，成果又帮助他进入更好的岗位。反过来，缺少工具和场景的人，即使参加了一次培训，也可能因为工作中用不上而迅速遗忘。

这也是为什么简单号召“人人学习AI”远远不够。学习当然重要，但真正的问题是：谁提供学习机会，谁承担时间成本，谁提供合法合规的使用场景，谁允许劳动者在工作中试错？如果这些条件不被讨论，AI素养就容易被包装成新的个人责任——获得收益被解释为个人努力，遭遇淘汰则被归因于没有及时学习。

（四）效率提高了，压力也可能随之而来

对劳动者来说，AI最直接的吸引力是提高效率。报告显示，在工作中使用AI的追踪受访者中，79.0%认为AI让自己可以把更多时间用于判断或创造性工作。这与许多实验研究的结论一致：AI能够减少信息搜集、文本整理和初步起草的时间，让劳动者把精力放在更复杂的环节。

然而，节省下来的时间究竟属于谁，是一个典型的劳动过程问题。假如一名员工过去一天完成五项任务，使用AI后可以完成八项，企业可以选择减少重复劳动、缩短工时、提高工资，也可以把八项任务重新定义为新的最低标准，并继续追加任务。技术本身并不决定哪一种结果，决定结果的是组织中的权力关系。

在现实职场中，后一种情况并不少见。当AI工具普及之后，过去被视为额外能力的高效率，可能迅速变成基本要求。劳动者并没有因为技术而变得更轻松，只是单位时间内需要完成更多工作。AI还可能推动岗位边界的扩张：过去由不同人员承担的写文案、做设计、分析数据等工作，可能被要求由一名员工同时完成。技术降低了部分任务的准入门槛，也为岗位合并提供了理由。

更值得警惕的是，AI也可能把优秀劳动者的经验转化为组织资产。客服人员的高质量回答、设计师的表达风格、程序员的解决方案，都可能成为训练和优化系统的数据。一旦个人经验被沉淀到工具中，组织对特定劳动者的依赖就会下降。劳动者既是AI的使用者，也可能是AI能力的无偿供给者。

（五）治理重点：让技术红利更公平地分配

如果AI正在把人机竞争转化为人与人之间的竞争，那么治理就不能只关注技术研发和岗位数量，还要介入竞争规则。

就业监测应当从“职业消失”转向“任务变化”。职业名称往往变化缓慢，内部任务却可能迅速重组。只有看到岗位中哪些任务被自动化完成、哪些任务的时间占比上升、用人数量和工资如何变化，才能提前识别转岗和培训需求。

培训不应只是劳动者的“个人投资”，也应成为技术转型中的基本权利。政府可以提供基础AI素养和公共培训，企业负责与本单位流程相关的在岗训练，平台则应为依赖其规则和工具的新就业群体提供可获得的学习支持。培训时间是否计入劳动时间、费用由谁承担，也应当明确。

组织在部署AI之前，应当向劳动者说明技术将用于哪些环节、是否影响绩效考核和人员配置、数据如何使用、出现错误由谁负责。劳动者不仅是被培训的对象，也应当参与工具测试和流程设计。最了解工作细节的人往往正是一线劳动者，他们能够识别技术在真实场景中的边界。

如果AI显著提高产出，效率红利不应只表现为裁员和工作加码。企业可以通过工资增长、奖金、缩短工时、增加休假和职业晋升，让劳动者分享收益。只有当劳动者能够从技术进步中获益，才会形成更稳定的合作预期。同时，技术变化会造成岗位切换和收入波动，灵活就业者尤其缺少组织缓冲，职业伤害保障、失业支持、培训补贴和跨地区可转移的社会保险，可以降低劳动者尝试新岗位的风险。

最后，教育和职业评价不能只强调工具效率，还应重视批判性思维、社会沟通、专业判断和责任能力。这些能力不是技术的剩余部分，而是人机协作能够安全运行的基础。

对多数劳动者来说，最先到来的可能不是一台机器宣布“你的岗位已经消失”，而是招聘要求增加了一项AI能力，同事用工具完成了更多任务，管理者提高了绩效标准，原有经验的价值开始下降。但AI如何影响就业，并不是由模型能力单方面决定的。组织怎样部署技术、是否提供培训、如何设定绩效、怎样分配收益，公共政策能否提供转岗支持和社会保障，都会改变最终结果。

真正需要追问的，不是“谁学会了最新的提示词”，而是：谁拥有学习时间和使用机会，谁能够把AI嵌入有价值的工作，谁有权判断技术的边界，谁分享由此产生的效率红利，又是谁承担转型失败的成本。

人工智能时代的就业治理，归根结底不是帮助人跑赢机器，而是避免技术把人与人之间原有的距离拉得更大。

　　主 编丨单镜宇

　　编 辑丨杨瑞

　　审 校丨月泰雨

　　来 源丨央视网