OC
加州数据显示 AI 裁员不只伤新人,高学历资深员工也在被挤压
科技 · 2026-07-01 · 社会影响 · 阅读 15

加州数据显示 AI 裁员不只伤新人,高学历资深员工也在被挤压

据 SFGate 报道,California Policy Lab 发布的一份研究显示,自 2022 年 11 月 ChatGPT 3.5 发布以来,加州高 AI 暴露度岗位的失业申请持续上升,尤其集中在旧金山湾区。研究者称,到 2026 年 5 月,拥有学士及以上学位、且处在高 AI 暴露岗位的失业申请,比 2022

SFGate 报道,California Policy Lab 发布的一份研究显示,自 2022 年 11 月 ChatGPT 3.5 发布以来,加州高 AI 暴露度岗位的失业申请持续上升,尤其集中在旧金山湾区。研究者称,到 2026 年 5 月,拥有学士及以上学位、且处在高 AI 暴露岗位的失业申请,比 2022 年 11 月多出约 4000 份,增长约 20%。

这条新闻打破了一个常见想象:AI 冲击最先伤害的只是初级岗位、外包岗位或低学历岗位。加州这份数据指向的是另一群人:高学历、资深、集中在湾区、原本被认为更能适应技术变化的白领和技术员工。

OC 原创解释图:加州 AI 劳动数据应该谨慎阅读

但这份数据也不能被读成“AI 造成了所有裁员”。研究使用的是失业申请和职业 AI 暴露度,不知道具体公司是否部署了哪些 AI 工具,也不知道员工日常是否真正使用 AI。经济周期、公司成本控制、行业调整、利率和资本开支压力都会影响裁员。AI 可能是原因之一,也可能是管理层解释裁员和重组的叙事工具。

研究者 Till von Wachter 也指出,数据里几乎缺少早期职业员工,因为很多年轻人不会申请失业救济,或者不知道自己有资格申请。这意味着“高学历资深员工受影响”不是说新人不受影响,而是说官方数据能看见的那部分人,已经不只是新人。

这对普通读者有直接意义。过去很多人安慰自己:只要学历够高、经验够多、会用 AI,就不会被 AI 影响。但企业里的替代不是按个人聪明程度发生的,而是按岗位流程、成本结构和组织设计发生的。一个资深员工如果负责的工作被合并、外包、自动化,或者被更少人加 AI 工具完成,他仍然会被挤压。

沈南乔的判断是,AI 就业问题不能只写成“机器人抢饭碗”。更真实的变化是岗位边界变窄、工作密度变高、团队规模变小、经验被重新定价。有些经验会更值钱,因为它能监督 AI;有些经验会被折价,因为公司认为工具可以覆盖一部分判断。

这件事也提醒政策制定者,AI 劳动冲击不能等到大规模失业才看。加州作为 AI 公司和技术岗位最集中的地区,正在变成观察窗口。需要跟踪的不只是就业人数,还包括失业申请、岗位要求变化、工资变化、转岗培训、年轻人进入行业的机会,以及被裁员工重新就业的时间。

OC 的判断是,这份数据最重要的不是证明 AI 已经毁掉高学历工作,而是提醒我们:AI 冲击并不会只停留在“低端岗位”。当企业把 AI 放进核心流程,高学历、高收入、高暴露度岗位也会进入调整区。读者真正该问的是:自己的工作里哪些判断不可替代,哪些流程正在被压缩,自己有没有能力从执行者变成复核者和系统设计者。

参考来源

相关阅读

基于标题、摘要和正文内容自动匹配。

更多科技

评论

围绕这篇文章补充信息、提出问题或分享观察。

0
暂无评论。

发表评论

继续看看 OC 用户围绕这个话题说了什么、做了什么。

相关帖子

更多

一个体会,Codex 这种现代 Agent,每天一个变,几天不用就有新惊喜

<p>当然我说的也包括 Claude Code,新功能日新月异,还有就是 AI 能力提升以后,可以做的东西日新月异。还有各种工作流方法日新月异。</p> <p>更好玩的是,我最近经历过很多次,你跟人介绍现在 Codex 可以做到什么样子,他们都觉得很厉害。但是你现场一演示,他们的震撼就更加完全不同了。所以,这种东西,需要大量的 Workshop 去沟通交流,光看文字很难讲清楚,直播、视频也越来越重要了。</p>

tinyfool 1 89

奉劝大家不要移民了

<p>对于大多数人而言,移民就是悲剧。实在看不下去了,大家不要往火坑里面跳。 国内发展那么快,你出国去慢车道,消费又高,又存不下钱,又要拼命适应当地环境,何苦? 老老实实在大城市找工作,根据收入买房子上车就好。</p> <p>补充:大城市觉得房价太高太辛苦,就好好学好英语,美国远程回老家省会城市,拿同比一线的收入,三线城市的开销,岂不美哉?</p> <p>转文章: <a href="https://mp.weixin.qq.com/s?__biz=MzAxNTMxMTc0MA==&amp;mid=2651016481&amp;idx=1&amp;sn=6bde227438ea02e3da3673295821692e&amp;chksm=80721b32b705922448a9f8645e8d1a8450e57151b71e58beb64e0addf9485ad0b256a431d68b&amp;mpshare=1&amp;scene=1&amp;srcid=0530QgwbtdDlMP4ZG7Nkonpo&amp;pass_ticket=bz%2FdHaz2YWQrgwhgQlVVXt866SMnyXU53Dd0OzDmMc1uZeu0PqND%2FjdQ6fQk8Bdl#rd"> 中产阶级的地雷阵 #D03 </a></p> <p>更多文章:<a href="https://mp.weixin.qq.com/s?__biz=MzAxNTMxMTc0MA==&amp;mid=503532389&amp;idx=1&amp;sn=84ff5eefb88e1b17f9ec0efb0238140d&amp;chksm=00721d76370594601903172e49477ce0ed149a3ba1bdcb88a300b55c8c552a79ea31134216ae&amp;mpshare=1&amp;scene=1&amp;srcid=0719VQx1dNX5rlraUqjWtCFm&amp;pass_ticket=bz%2FdHaz2YWQrgwhgQlVVXt866SMnyXU53Dd0OzDmMc1uZeu0PqND%2FjdQ6fQk8Bdl#rd">列表</a></p>

halida 198 9

你为什么不移民?

<p>我是一定要移了,在这里连正常呼吸都不行了。以前正常呼吸指的是言论自由,现在是生物学意义的正常呼吸问题了。</p> <p>你为什么不移民?</p>

tinyfool 741 48

做 AI 语音产品时,授权、撤回和审计日志应该怎么落地?

<p>最近看到越来越多关于声音授权的讨论。对开发者来说,真正麻烦的往往不是“模型能不能模仿”,而是授权如何进入系统、生成结果如何追溯,以及授权撤回后该怎么办。</p> <p>我们在做 FlowSpeech 时也碰到过类似问题。我的体会是,不要把“用户勾选过同意”当成一个布尔字段,而应该把它做成一组可以审计的业务对象。</p> <h2>1. 把声音资产和授权分开</h2> <p>声音文件只描述技术属性,例如哈希、上传者、存储位置和创建时间。授权记录则至少要包含授权主体、用途范围、地域、有效期、来源证据和当前状态。这样同一份声音用于个人试听、商业广告、公开播客时,可以绑定不同的授权,而不是共用一个模糊的 consent=true。</p> <h2>2. 每次生成都保存授权快照</h2> <p>生成任务不要只引用当前授权 ID。授权内容以后可能变更,如果任务只查最新状态,历史结果就无法解释。更稳妥的做法是在任务创建时保存授权版本、文本哈希、声音版本、模型版本和操作者。生成出的音频再记录 artifact_id,并反向关联任务。</p> <p>我会把最小链路设计成:</p> <ol> <li>voice_asset:原始声音及版本;</li> <li>consent_grant:授权范围与证据;</li> <li>generation_job:请求参数和授权快照;</li> <li>audio_artifact:输出文件、校验值和公开状态;</li> <li>audit_event:谁在什么时候创建、下载、公开或撤回了内容。</li> </ol> <h2>3. 撤回不是简单删除一行</h2> <p>授权撤回后,系统至少要阻止新任务,并把相关公开音频进入下架队列。已经交付给客户的文件是否能删除,要按照合同和产品能力区分,不能在界面上承诺技术上做不到的“全球删除”。更现实的状态机是 active、suspended、revoked、expired,并明确每个状态允许哪些动作。</p> <h2>4. 对外展示也要可验证</h2> <p>除了后台日志,公开音频最好带上来源标记或可查询的生成记录。水印不是万能方案,但“可识别的音频 + 可验证的元数据 + 清晰的举报入口”组合起来,比一句“AI 生成”更有用。</p> <p>我们现在做的 <a href="https://flowspeech.io/zh">FlowSpeech</a> 主要解决上下文感知、情绪和停顿控制。越往产品化走,越觉得声音效果只是前半程,权限边界和可追溯性才决定这类工具能不能长期使用。</p> <p>大家在实际项目里会把授权证据放在业务数据库、对象存储,还是单独的审计系统?如果授权撤回,你们通常怎么处理已经生成并交付的音频?</p>

FlowSpeech 0 1