自打 OpenAI 的 ChatGPT 问世以来，关于 AI 冲击职场可能会导致大家失业的声音就不绝于耳。经过这几年的迭代，如今 AI 在能力上也迎来跨越式发展，因此越来越多企业开始尝试将其引入工作流。

比如，亚马逊正计划实施该公司史上最大规模的裁员，将一次性裁撤超过 3 万名员工，原因则是他们开始使用 AI 来完成原本由人类执行的任务。事实上，亚马逊的这一决策并非孤例，尝试用 AI 代替人类以降本增效的情况在各国此起彼伏。

然而 AI 真的能代替人类吗？日前人力分析公司 Visier 发布了 2025 年的就业与招聘报告，对全球 142 家公司、共 240 万员工的就业数据进行分析，结果发现被裁员工中约有 5.3% 后续会再次被原雇主聘用。事实上，这一比例自 2018 年以来相对稳定，但近两年明显上升，且呈现出加速爬升的态势。

Visier 将这种情况形容为 " 企业与 AI 之间的冷静期 "，反映出企业面对 AI 工具实际能力和局限性的现实。尽管一些公司在引入 AI 后，确实能在部分流程提升效率，但真正的问题在于 AI 通常只能接管任务，而不是接管岗位。并且搭建 AI 基础设施，包括硬件、数据系统，以及安全框架，都需要大量资金的投入，而这些支出的实际费用往往会远超预算。

于是，当 AI 无法顺利接入工作流后，企业就只能重新召回被裁员工。这就好比当初马斯克入主 X 时也进行了大逃杀式的裁员，可 X 却直接陷入瘫痪，后续马斯克被迫重新将被裁的骨干给请回来。

无独有偶，今年夏季麻省理工学院（MIT）发布了题为《The GenAI Div，ide：STATE OF AI IN BUSINESS 2025》的 AI 产业研究报告。其中 MIT 指出，95% 的企业 AI 投资实际上未能产生经济效益，并被困在 " 高投入、零回报 " 的困境中。有企业主表示，" 领英上满天飞的 AI 革命，在我们这里仅仅体现为合同处理速度加快了些，本质上什么都没改变。"

有趣的是，世界经济论坛的相关研究表明，50% 到 60% 的典型初级任务（报告起草、研究综述、代码修复、日程安排、数据清理）已经可以由 AI 完成。可是理论与现实为何会出现偏差呢？即使抛开零售、能源、工业制造、农业等传统行业，在科技、媒体领域 AI 的表现也不尽如人意。

如今 AI 在大规模取代岗位的同时，却又为人类创造了新工作，来清理 AI 留下的烂摊子。越来越多的设计师、写作者、数字艺术家不再是 " 从零创作 "，而是弥补 AI 在复杂任务中不可避免的错误，即看起来像完成了工作的伪成果，也就是 "AI 工作垃圾 "（Workslop）。

有海外大厂的员工就在领英上吐槽，Workslo 就好像是垃圾食品，虽然看上去诱人，但缺乏营养、原创性和真实意义，并且他表示，" 我不仅要花时间验证 AI 生成的报告，还要召开额外会议，与多个团队核实信息，最后只能亲自重写。"

然而遗憾的是，如今 AI 产生 " 垃圾 " 几乎不可避免，这是由 AI 大模型的底层逻辑所决定的。

由于 AI 吸收的知识体系是靠海量质量参差不齐的文本统计权重，而不是像人类一样、通过循序渐进的教育构建出来的强鲁棒性和平滑性的知识网络。以至于所谓的 AIGC，其实是 AI 大模型从万亿参数组成的数据库中，围绕用户输入的关键词将内容进行排列组合再生成内容，而检索 + 拼接这一组合带来的结果就一定会出现与物理世界不一致的情况，也就是 AI 幻觉。

从某种意义上来说，目前 AI 无法胜任相关工作其实是一种另类的 " 知识诅咒 "。诸如 " 一直觉得 XX 大 V 很厉害，直到他说到了我的专业 "，这是互联网上网民吐槽大 V 翻车时常用的说法，毕竟没人是全知全能，所以就会在不熟悉的领域露怯。

但是有自知之明的人类往往只会在自己熟悉的领域高谈阔论，可 AI 就不一样了，因为它被创造出来的目的就是人类希望打造全知全能的工具。

尽管 AI 庞大的数据库使得它懂得很多，但是却存在幻觉。不仅如此，有相当多的人在使用 AI 时往往会给出一个模糊的目标，这就使得 AI 会在数以百万计符合条件的结果中选择。可一旦备选方案太多，能选中合乎用户心意选项的概率自然也就微乎其微了。

人类员工在修复 AI 工作结果时，相当于是不断给既有目标中添加约束条件，最终筛选出想要的结果。那么问题就来了，人类员工为什么不直接给 AI 设计一个结构化、标准化，且严谨的目标？其实答案是具备这种能力的高层次人才少之又少，毕竟当下许多企业使用 AI 是希望代替初级职位，而不是给自己找一个 AI 管理者。

总而言之，由于目前 AI 大模型的局限性，所以使用 AI 降本增效还是个伪命题，除了某些流程过于标准化的岗位，大家暂时还不必担忧自己会被 AI 取代。

【本文图片来自网络】