Oyster 向一千多名人力资源与人员管理专业人士提出了一个几乎没有任何「AI 准备度」调研会问的问题:当一名员工把自己的部分工作自动化之后,实际上会发生什么?只有 38% 的人说这个人会得到奖励。26% 说什么都不会变,24% 说他会被分配更多工作,6% 说这个岗位会缩编(Oyster, 2026)。把这个分布当作一张激励表而不是一条统计数据来读,你的组织正在向最善于自动化的那批人发出的信号就清晰了:找到节省,自己把腾出来的产能吃下去,然后保留旧的岗位说明书。
这不是培训问题。这是努力与回报失衡的问题,而且它位于你 2027 年预算里每一项 AI 素养计划的下游。
结论在分布里,不在那个适合做标题的数字里
单看 38%,听起来像是半杯满的结果。把四个结果并排放在一起,形状比任何单根柱子都更重要:预期会被分配更多工作的员工,几乎与预期什么都不会变的员工一样多,两者相加——50%——压过了「会被奖励」这一情形。还有 6% 的尾部预期岗位本身会收缩。
有一点方法论说明,因为它改变你该如何使用这个数字。这些是人力资源专业人士在陈述他们预期在自己组织内部会发生什么,而不是对可识别员工身上实际发生了什么所做的审计。Oyster 售卖全球雇佣服务,所以这是一份供应商调研,不是普查。它测得好的是制度性预期——也就是如果你问一位管理者上一次自动化成果是怎么处理的,他在非正式场合会告诉你的那句话。对于一个关于激励的问题,陈述出来的预期已经接近正确的测量工具,因为员工回应的是他们观察到的模式,不是内网上那份政策。
同一份报告提供了结构性的旁证细节。在过去十二个月里给既有岗位加上 AI 技能要求的公司中,62% 既没改岗位名称也没改薪酬。在把 AI 要求加进传统非技术职能——市场、人力资源、运营——的那三分之二公司中,46% 表示自己从未正式沟通过这项变更。而在会询问候选人「你亲手用 AI 做过什么」的 68% 公司里,53% 说这个答案不影响录用或薪酬决定(Oyster, 2026)。
回报路径不是有争议。它是不存在。
你的岗位架构已经过时
95% 的受访人力资源专业人士表示,自己公司的员工每天都在 AI 并不属于正式岗位说明书的岗位上使用 AI 工具。Oyster 对经由自家平台填补的岗位所做的分析,把正式要求定在 15%,是 2022 年 5% 的三倍——而这些岗位中有九成在职位名称里完全没有提到 AI(Oyster, 2026)。
95% 与 15% 之间的落差,就是问题所居之处。它不是测量假象,而是一种运营现实:AI 工作正在不承认它的岗位定义内部被完成,这意味着它无法被界定范围、无法被校准、无法被计酬,也无法成为晋升的依据。
从协调员这一层开始
发生率数据指向一个很具体的地方。在经由 Oyster 填补的岗位中,17% 的市场协调员岗位、15% 的招聘专员岗位和 10% 的运营协调员岗位明确要求 AI 技能。那就是协调员这一层——正是一个 50 到 500 名全职员工的运营职能所依赖的人群,也正是岗位说明书重写频率最低的人群。
这些同样是自动化成果最容易取得、最难被看见的岗位。一个用脚本消掉每周六小时对账工作的协调员,创造了真实的毛利改善,但它永远不会出现在任何记录系统里,因为没有任何记录系统在看着那个岗位。
为什么把自己的工作自动化,代价高于它省下的小时数
这里有一个合理的反驳:更多工作不是惩罚。给一位强绩效者更大的职责范围,你就是给了他一个成长型任务。很多职业生涯正是这样建起来的。
这个反驳只有在更大的范围被命名时才成立。两条互相独立的证据线表明,当它没有被命名时,动机上的代价很快到来,而且大于获得的产能。
第一条是因果性的。在一项以美国与荷兰的全国代表性样本开展的预注册实验中(合并 N=3,628),Nikolova、Milanova 与 Wang 只改变了附在完全相同的创意产出上的作者标签。当参与者被告知这项工作出自 AI 而非一名市场营销专业人士时,他们对任务意义的评分下降,而他们主动贡献一条自己原创作品的意愿相对 26% 的基线下降了 3.4 个百分点——在产出质量保持不变的条件下,自愿努力相对下降 13%(Brookings, 2026)。AI 的参与如何被框定,不是一条沟通层面的脚注。它是一个会移动努力的参数。
第二条是观察性的,并且指向可得的最廉价杠杆。Achievers Workforce Institute 2026 年对全球 3,000 名员工的调研发现,只有 19% 的人对在工作中使用 AI 有信心,18% 的人在适应技术变化时感到得到支持——但每周获得认可的员工,理解 AI 如何影响自己工作的可能性要高 84%,并且有 92% 的人表示,如果得到更好的认可,他们会付出额外的努力(Achievers Workforce Institute, 2026)。
把这三个发现按顺序排列。员工做了没人要求他做的 AI 工作。组织不为它命名,不重新界定范围,并且在四分之一的情形里以更大的工作量作为回应。
这个模式在职业健康研究里有一个名字。努力—回报失衡——持续的高投入对应着在薪酬、尊重、安全感或晋升上的低回报——是该领域更为稳固的构念之一;Siegrist 对三十年证据的批判性评述报告了暴露于努力—回报失衡之后,抑郁与缺血性心脏病风险出现一致且中度升高,并有前瞻性设计与生理中介机制的支持(Siegrist, Scandinavian Journal of Work, Environment & Health, 2026)。
要精确说明这确立了什么、没确立什么。这些文献都没有专门测量 AI 自动化,我也不主张「把自己的工作自动化」到人员流失之间存在已测得的效应。它确立的是:Oyster 所描述的那种结构——投入上升、回报被刻意压平——是整个职业健康文献中负面后果被记录得最充分的结构。你正在你最有能力的人身上运行一套已知有害的配置,而这与 AI 商业论证的假设恰好相反。
内部通道在同一时间收窄了
「先给范围,名头以后再说」这个隐含承诺,依赖的是一个今年转向不利于你的基础比率。Workday 2026 年 10 月的《全球劳动力报告》基于至少 250 名员工的客户的去标识化系统数据,发现同一家公司内部转入新岗位的流动在 57% 的雇主那里同比下降,而全球晋升率基本持平(Workday, 2026)。
所以,那位为了未来一次内部流动而吸收了自动化腾出产能的员工,手里握着的工具比十二个月前更弱。同时,同一批 Workday 数据显示,动手型 AI 能力的需求——构建工具、自动化工作流——在约 550 家大型企业雇主的招聘需求中,于 2025 年 9 月至 2026 年 7 月间攀升了 51%。外部市场正在为你那位未获回报的自动化者刚刚证明过的能力出价。
这笔不舒服的算术:你发现了这项能力,拒绝为它定价,然后把它存在的证据发布给了一个会为它定价的市场。
下一个绩效周期之前要定下来的事
修正方案范围窄、成本低,这正是应该在本季度做掉它、而不是把它折进 2027 年岗位架构项目的主要理由。
在内部问一遍 Oyster 问过的那个问题。 向你的管理者提出:你团队里上一个把自己部分工作自动化的人,后来怎么了?你不是在审计合规;你是在发现你的团队早已学到的模式。如果没有人能说出一个案例,那说明自动化正在不可见地发生,而这是更糟的发现。
在需要它之前把路径定好。 一条被命名、事先约定好的路径,从「这个我自动化了」通往一项关于职责范围、职位名称或薪酬的决定——带截止期限、带明确责任人——比它产生的结果更有价值,因为员工回应的正是它的存在。在绩效周期之前把它定下来,而不是在周期之中,那时每一场对话都会变成预算谈判。
在岗位层面而非个人层面重新界定范围。 如果 AI 工作已经进入某个岗位,那么该岗位的说明书对所有担任它的人都要改。那 62% 既没改名头也没改薪酬的公司,背着一项沉默的负债:一项未被记录的职责扩张,它会在一次申诉、一次薪酬对标或一次离职访谈中浮出水面。
测量能力,而不是自我申报。 大多数组织无法奖励自动化工作,原因在于它们看不见这项工作——胜任力数据活在那份在该工作出现之前就写好的年度叙述式评价里。按周期对照既定框架测量胜任力,并从这些数据而非管理者的记忆中读取潜力,这是「一条路径的承诺」与「一条路径」之间的差别。那就是绩效与继任系统所运作的那一层,也是上面任何一步要想在与校准会议接触后还能存活下来的前提。
先盯住协调员这一层。 AI 要求发生率最高、岗位说明书准确度最低、内部流动性最薄。从那里开始,你一周内就能找到案例。
本季度的决定
在你解决掉 AI 回报问题之前,你并没有 AI 技能缺口问题。你资助的每一小时素养培训,落在的是那些已经算过「把自己的工作自动化」给上一个尝试过的同事带来了什么的员工身上。那笔账他们算起来很便宜,你要把它翻过来却很贵。
所以在本周期关闭之前做一个决定:指定那个在员工说「这个我自动化了」时拥有答案的人——并指定他必须给出答案的截止日期。如果到季度末你两样都指不出来,你最好的那批人会继续自动化,而且会去别处继续。