01 触发事件

2026 年 5 月，Bloomberg Technology 报道，美国一些被认为最受 AI 影响的职业，在 2025 年连续第二年出现明显岗位流失，领跌的是 customer service representatives，以及某些秘书和 salespeople。

这不是“某公司裁了一点人”的零散新闻。

这是按职业维度出现的、连续两年的下行信号。

我没看到 Bloomberg 这篇简述里更细的原始样本口径，也没在内部跑过 BLS 或 payroll 微观数据，所以不能把它夸大成“AI 已全面改写美国就业市场”。但仅凭“连续第二年”这一个事实，已经足够把它从情绪新闻抬到结构新闻。

空白处真正重要的是：被替代的不是最难、最贵、最核心的知识工作；而是流程足够标准、沟通可模板化、错误成本可控、能被 manager 拿来直接压 headcount 的岗位。

这才是这则新闻在说的事。

连续第二年出现重度岗位流失，领跌的是 customer service representatives，以及某些秘书和 salespeople

如果只把它理解成“AI 很火，所以就业受影响”，就看浅了。

02 这事的真正含义

真正的含义，不在 AI 会不会替代人。

问题在于，企业已经开始把 AI 从 productivity software，改写成 labor substitute。

这两者差别很大。

前者的采购逻辑是“给现有员工更强工具”，预算通常挂在 software line item；后者的采购逻辑是“减少未来招聘、压缩外包坐席、降低 support ratio”，预算会回到 CFO 和业务负责人那里。这时决定成败的，不再只是模型 benchmark，而是 end-to-end unit economics：每解决一个 ticket 的 token 成本、human escalation rate、平均处理时长、合规风险、夜间峰值 SLA。

也就是说，AI 的商业化重心正在从 model capability，转向 workflow capture。

customer service 特别关键，因为它是第一个大规模满足四个条件的白领岗位：输入是文本或语音，输出是模板化响应，质量可抽检，且企业本来就有 BPO、脚本和 KPI 体系。换句话说，这个岗位早就被“软件化”过一次，AI 只是把最后那层人力抽掉。

秘书与部分销售岗位也是类似逻辑。

不是这些岗位“更不重要”，而是它们离 structured workflow 更近，离组织 chart 上的 headcount 更近，离 CFO 的 spreadsheet 更近。

我可能误判的一点是，新闻里说的是“AI exposed roles”，并不等于每一个岗位流失都由 AI 直接造成。宏观经济、利率、行业景气度、企业 hiring freeze 都可能放大这个结果。但即便如此，AI 曝露度高的职业连续两年更差，本身就说明企业的替代优先级已经出现了明确排序。

这对 AI 供给侧也有一个含义：最先被验证的，不会是最强模型，而是最便宜、最稳定、最易接入的模型。

因为当客户要替掉 500 个坐席时，真正会被定价的是每 1000 个会话的总成本，而不是 demo 里那 3 个百分点的回答优雅度。

这也是为什么 token 经济学开始比单点智能更重要。

prompt caching、batch API、长 context 的实际计费方式、KV cache 命中率、routing 到不同模型的 fallback 策略，这些过去在 builder 看来偏 infra 的东西，会直接变成劳动力替代项目的毛利率来源。

03 历史类比 / 结构对照

这更像 2014 年前后的 AWS，而不是 2022 年的 ChatGPT。

2022 年的 ChatGPT 时刻，市场关心的是“原来这东西真能用”；2014 年的 AWS 时刻，市场开始意识到“原来很多 IT 组织结构是可以被外包成 API 的”。前者是能力震撼，后者是预算迁移。

今天这波岗位流失，更接近后者。

企业不是突然相信 AGI 了。

企业只是发现，一部分沟通型、协调型、检索型工作，终于可以被塞进一个可计费、可监控、可审计的系统里。这和当年公司把自建机房迁到 cloud 很像：不是因为 cloud 在所有指标上都完胜，而是因为它把一个原本需要人和流程维护的能力，改造成了 on-demand service。

如果再往前找类比，我会想到 2008 年金融危机后的企业运营逻辑变化。危机之后，很多企业学会了长期压缩 back office、提高每个员工承载的流程密度。AI 现在扮演的角色，有点像那一轮 cost discipline 的技术延伸版。

我没在这些企业内部看过 headcount planning memo，所以不能断言董事会已经把 AI 当成正式裁员工具。但从职业分布看，组织显然先拿最可模块化的岗位开刀，而不是先碰研发、战略、管理层。

这也是一个重要提醒：AI 对劳动市场的影响，不会先从“最聪明的工作”开始，而会先从“最容易度量、最容易标准化、最容易接 API”的工作开始。

很多人过去把 AI adoption 讲成一条能力曲线。

我更倾向于把它理解成一条组织摩擦曲线。

模型是否足够聪明只是起点；岗位是否能被拆成 machine-readable workflow，才决定替代会不会真实发生。

04 对 AI builder 意味着什么

对 AI builder 来说，这个月该调整的，不是 slogan，而是 GTM 和 product surface。

第一，别再把“通用 AI assistant”当默认入口。

如果就业冲击最先出现在 customer service、秘书、销售支持这类岗位，那么说明最先被验证的产品形态，是垂直 workflow agent，不是横向 chat。你卖的应该是 resolution rate、case deflection、response SLA、seat reduction，而不是“更聪明的 copilot”。

第二，重新审视 pricing。

按 seat 收费的逻辑，在 labor substitution 场景下会越来越弱。客户真正关心的是 per outcome pricing：每次解决工单、每次完成预约、每次成功分类与转单的成本。只要你的产品还停留在“每用户每月 30 美元”，你就还在 software procurement 的框架里；而市场正在转向 headcount procurement。

第三，token 成本要写进产品战略，不是写进 infra 备注。

如果一个 support workflow 80% 请求可由便宜模型完成，15% 走中档模型，5% 才升级到 frontier model，那么 model routing 就不是技术优化，而是 moat 的一部分。builder 需要把 caching、context trimming、structured output、工具调用失败重试、human-in-the-loop 切换阈值，全部看成 gross margin machinery。

这点对 API 消费者尤其直接。

同样一个客服 agent，Sonnet 级别模型和小模型混合 routing 的利润结构，可能和全程跑 frontier model 完全不是一回事。我没在你的具体流量上测过，所以不敢给固定配比，但方向很清楚：未来胜负更多取决于 orchestration，而不是单模型崇拜。

第四，distribution 会压过“裸能力”。

因为企业不会为一个模型多聪明 10% 而重构客服系统，但会为一个能直接接 Zendesk、Salesforce、HubSpot、电话系统、内部 knowledge base 的 agent 试点预算。谁能嵌进现有 workflow，谁就先拿到真实数据，再用这些数据反哺 prompt、policy、fine-tuning 和 escalation 逻辑。

第五，别误读“岗位被替代”这件事。

这不自动意味着纯应用层会赢。

恰恰相反，谁掌握模型接入、routing、可观测性、成本优化、审计链路，谁更接近企业级 deployment 的控制点。很多应用公司最后会发现，自己一半价值在 UX，另一半价值在 AI infra abstraction。这也是 token gateway、multi-model access、policy layer 这类基础设施会持续存在的原因。

05 反方观点 / 风险

我可能错得最大的地方，是把一条就业新闻过度战略化。

Bloomberg 这条信息目前只告诉我：AI 暴露度高的某些职业，连续第二年出现明显岗位流失。它没有自动证明因果链已经闭合。也许这些岗位本来就因为宏观放缓、企业去杠杆、BPO 外迁、组织扁平化而在收缩，AI 只是一个被媒体放大的解释变量。

第二个风险是，替代速度可能被高估。

很多 customer service 任务看似标准化，但真实环境里充满长尾异常、情绪安抚、权限判断、赔付边界、合规要求。模型 demo 能过，不等于企业敢把 headcount 真砍掉。尤其在高监管行业，human override 可能长期存在，AI 最终只把岗位从前台转移到质检、审计和 exception handling。

第三个风险是，劳动替代并不必然等于应用公司赚钱。

市场可能会迅速把这类 workflow 做成 feature，而不是独立产品。CRM、客服套件、云联络中心、本地系统集成商，甚至 BPO 自己，都可能把 AI 自动化内建进去。到那时，独立 AI startup 拿到的不是超额利润，而是被平台吞掉的功能溢价。

第四个风险是，模型成本继续下滑后，moat 反而更薄。

如果更便宜的开源模型或 cloud provider 托管模型，已经足够覆盖 80% 的客服与秘书场景，那么应用层的 switching cost 未必像今天想象得那么强。客户最终可能保留的是系统集成商、数据管道和 compliance vendor，而不是最早那个 AI agent 品牌。

最后一个我不想回避的反方是：这可能不是 AI 的“iPhone moment”，而只是一个缓慢、分散、没有赢家通吃的企业自动化周期。

如果是这样，那么最受益的不会是 headline 最响的 model lab，也不会是最会讲 AGI 故事的创业公司，而是那些把 token 成本、workflow 接入、审计能力、distribution 做到极致的基础设施与 incumbent 软件公司。

如果我必须压一句判断，我会说：这条新闻不证明 AI 已经接管劳动市场，但它足以证明，AI 已经进入 headcount 预算表。

而一旦进了预算表，行业就不再按 demo 速度定价，而按替代效率定价。