生成式人工智能(generative AI)正以前所未有的速度重塑全球劳动力市场，在“替代”本身已几乎不可回避的背景下，本轮技术变革对就业的核心挑战，并不在于是否会发生岗位替代，而在于新岗位的创造速度，能否与岗位被替代的速度相匹配。

　　回顾历史上的技术革命，旧岗位的消失通常是在相对较长的时间跨度内逐步发生的。这一过程为新技术与生产组织的充分结合、新岗位的孕育与扩展，提供了必要的时间和空间，从而使就业结构得以实现相对平稳的渐进式转型。

　　但在生成式人工智能的冲击下，这一长期形成的“替代─创造”平衡机制，可能首次面临被打破的风险。首要原因在于，与以往技术革命主要解放或替代人的“体力”不同，生成式人工智能直接作用于人的“认知”乃至“脑力”，并进一步开启了对“手”的执行能力的替代，由此对就业结构形成了范围更广、差异更小的冲击。

　　在人工智能广泛进入实际应用的短短三年时间里，上述趋势已在多个专业领域中清晰显现：在编程领域，相关工具覆盖了大量开发场景，初级编码、测试和部署等任务的自动化比例持续上升，初级程序员岗位需求明显收缩;在内容创作领域，音乐、文案等作品的生成周期被大幅压缩，重复性创作岗位首当其冲。在行政事务领域，自动化智能体能够完成文件整理、邮件处理和数据抓取等标准化工作，行政、运营和助理等基础岗位的生存空间被持续挤压;在法律、金融等专业服务领域，合同审查、报告撰写和合规分析等任务完成时间显着缩短，入门级专业岗位几乎已完全暴露在人工智能的冲击之下。

　　如果说过去三年的变化已经令人目不暇接甚至感同身受，那么沿着当前的技术迭代路径，未来的冲击可能进一步加深“人已插不上手”的现实处境。

　　近期技术发展的明确方向，是实现“脑”与“手”深度结合的AI智能体。当认知能力与执行能力完成整合，人工智能将不再只是提供建议或辅助决策的工具，而是能够直接操作系统、调用接口、完成端到端流程的“数字员工”。换言之，人工智能正在从“帮助人类把工作做得更快”，转向“直接替代人类完成工作”。一旦这一技术路径全面落地，人工智能对人的替代将不再局限于内容生成或单一认知任务，而是扩展至完整的任务链条。

　　技术进步没有暂停键

　　生成式人工智能带来的潜在风险已广受关注，既然风险如此显着，技术进步是否可以放慢脚步，甚至主动按下“暂停键”?从现实的经济与制度约束来看，答案恐怕是否定的。生成式人工智能的发展节奏，并非单一企业或单一国家所能自主控制，而是被嵌入到一套高度刚性的全球竞争结构之中。在当前国际格局下，生成式人工智能已成为国家战略竞争力与科技企业核心壁垒的必争之地。任何一方放缓技术迭代节奏，都可能在模型能力、生态构建和应用场景占领上迅速被竞争对手拉开差距，并在后续竞争中陷入难以逆转的劣势。

　　这种竞争格局在经济学意义上构成了典型的“囚徒困境”。即便各方都清楚地意识到，技术竞赛的持续加速可能带来系统性风险，但在缺乏有效国际协调机制的条件下，任何单边减速的行为都会付出高昂的竞争代价。结果是，“不进则退、慢进即输”成为占优策略，现实中几乎不存在主动减速或暂停的可行空间。

　　与以往技术进步相比，生成式人工智能在扩散路径与成本结构上呈现出明显不同的特征。传统技术升级，尤其是以智能制造为代表的工业技术进步，往往依赖厂房改造、设备购置与产线集成等高额固定资本投入，其推广过程不可避免地呈现出行业分化、区域分布和时间上的渐进特征。设备需要逐台部署，岗位也通常是在具体生产环节中被逐步替代，就业冲击因此更容易被局部吸收和分散消化。

　　相比之下，生成式人工智能几乎不依赖具象化的大规模设备投入。通过云服务、API接口或开源模型，企业和个人即可在几乎同一时间接入相关能力。开源模型的扩散进一步压低了使用门槛，使模型能力可以被即时调用，并支持本地部署和低成本定制，其边际使用成本随着模型迭代和规模化应用持续下降，甚至趋近于零。

　　模型一旦完成升级，能力便可被同步复制并快速扩散，技术进步不再沿着“企业─岗位─工序”的路径逐步传导，而是直接作用于大量工作流程和任务单元。在这一过程中，工作任务的执行成本正整体性地向更低水平移动。从编程、内容创作与编曲，到合同审查、报告撰写与数据处理，大量原本依赖人类完成的认知型任务，其成本优势正在向人工智能转移。

　　由此，一些岗位在统计意义上仍然存在，但其内部任务结构已被持续拆解和重组。对于规则明确、流程标准化、重复性较强的认知任务而言，人类劳动的相对价格正在下降，企业在短期内以技术替代人力的激励随之增强。

　　更值得关注的是，这种任务执行成本的快速下降，未必能够与新任务和新岗位的创造速度同步匹配。当既有任务可以被低成本、规模化地自动完成时，企业更容易通过延后招聘、重组岗位内容或直接以技术完成任务来应对需求变化，而新任务的形成、新工作的出现，往往仍依赖组织调整、商业模式探索和不确定性的逐步消化。在这一过程中，岗位替代与岗位创造之间可能出现阶段性的速度错配，从而对就业结构形成持续调整压力。

　　面对生成式人工智能快速重塑岗位结构的现实，首要任务是尽快建立覆盖任务与技能层面的就业动态监测与预警系统，对重点行业、职业和区域劳动力市场的早期风险与趋势进行研判，为政策制定提供前瞻、实时、精准的依据。

　　实现这一目标，首先需要改变观察劳动力市场的基本单位。传统以“行业”和“职业”为核心的统计框架，已难以反映岗位内部正在发生的结构性变化。生成式人工智能并非整体性地“消灭职业”，而是以任务为单位重组岗位内容。因此，有必要以更为原子化的“任务和技能”取代“行业和职业”，识别哪些具体任务正在消失，哪些技能正在快速贬值或转向，从而把握职业内部的真实调整路径。

　　这一转向对底层数据与方法论基础设施提出了更高要求。现有指标体系在更新频率、对新岗位和新技能的覆盖，以及对中国劳动力市场的适配性方面均存在不足。仅依赖既有公开指标，难以支撑对生成式人工智能冲击的精细化研判。因此，有必要在严格保障数据安全与隐私合规的前提下，系统整合招聘平台、灵活用工平台等高频数据资源，构建以“任务─技能”为核心的动态监测体系，在就业数量发生显性变化之前，尽早识别任务消失、岗位重组与需求转移的信号，为政策介入争取时间窗口。

　　职业培训需加强前瞻性

　　更关键的是，监测的终点不应是预警本身，而应直接服务于教育与培训体系的前移调整。本轮生成式人工智能冲击的核心矛盾，并不在于劳动者是否具备长期适应能力，而在于转型速度与再匹配效率能否跟上任务替代的节奏。对个体而言，真正的风险往往源于技能调整方向不清、培训选择失准，从而在关键时期错失转型窗口。

　　因此，公共部门有必要将基于任务和技能的监测结果，直接转化为教育与培训的指引信号，前移至学校教育、职业教育和在职培训体系之中，明确哪些技能需求正在下降，哪些能力更可能与人工智能形成互补，哪些技能具备跨行业迁移潜力。通过提高培训方向的针对性和前瞻性，可以显着缩短再培训与再就业周期，降低转型过程中的试错成本，防止短期冲击固化为长期结构性失业。

　　最后，在坚持技术进步方向不可逆的前提下，必须同步强化转型期的风险管理。在当前国际竞争格局下，主动放缓人工智能发展既不现实，也不可行。但本轮技术变革的速度、广度与深度显着超过以往，如果政策反应滞后，短期就业冲击极易在不同阶层之间累积并放大，演化为系统性风险。因此，在持续推进人工智能研发和应用的同时，必须同步完善社会保障、收入支持、再培训和劳动力市场缓冲机制。政策的关键作用，并非阻止技术进步，而是防止劳动者因无法跨越短期调整成本，而被永久性排除在新的就业结构之外。

　　(张丹丹为北京大学国家发展研究院副院长;李嘉为新加坡管理大学经济学院院长)