55 岁以上的程序员如今退出工作的预测比率，比 ChatGPT 出现之前高出 25% 以上。而在同一暴露度指数中排名最末的油漆工，变动仅约 2%（Sanzenbacher, CRR Issue Brief 26-13, 2026）。
这就是经验流失，而它的方向与你听过的所有自动化叙事完全相反。薪酬越高、技能越强，离开得越快。
大多数中型企业的运营团队用了十八个月担忧初级入口——AI 是否正在吞噬初级分析师岗位，22 岁的新员工是否还有发展路径。这份担忧有充分证据支持，但它只是管道的一端，而这条管道如今两端都在漏。
波士顿学院这份研究实际测量了什么
波士顿学院退休研究中心（Center for Retirement Research）2026 年 6 月发布的简报，由经济学家 Geoffrey T. Sanzenbacher 撰写，将 Current Population Survey 的纵向数据与塔夫茨大学 Digital Planet 的 AI 暴露度指数进行匹配，比较了 55 岁及以上劳动者在 2022 年 11 月生成式 AI 普及前后的离岗行为（Center for Retirement Research at Boston College, 2026）。
有两个设计选择值得关注。
第一，它使用的是观察到的实际离岗转移，而非自述的退休意愿。关于资深员工与 AI 的问卷调查衡量的是焦虑，这项研究衡量的是真实离开。
第二，它按测量出的暴露度对职业排序，而不是凭直觉判断哪些工作"看起来"可被自动化（Digital Planet, Tufts University, 2026）。程序员、会计和分析师位于高端，油漆工位于低端。这条梯度本身就是研究结论。
在暴露度最高的白领职业中，预测的离岗概率从约 8.7% 升至 11.1%——相对增幅超过 25%。在低暴露度一端，同样的计算约为 2%。影响在高薪岗位上最大，这颠覆了自动化在过去四十年中遵循的规律。
刚刚被逆转的职业续航优势
下面这个数字应当重塑你的人力规划。
在整个研究期间，高暴露度的资深劳动者的离岗率历史上一直低于低暴露度同龄人：11.7% 对 14.1%（Sanzenbacher, CRR Issue Brief 26-13, 2026）。高技能的案头工作正是让人们能够继续工作下去的原因。会计留下了；屋顶工的身体先垮了。
这一优势正在被侵蚀，而该简报指出，变化中有相当一部分源于失业而非自愿退休。这不是一群从容者选择提前离开的浪潮，而是一个原本职业最稳固的群体正变得不再稳固。
请把它与背后的采用率图景一起读：50 至 64 岁的劳动者中，仅约 18% 表示使用生成式 AI。暴露度正落在最不可能使用这项技术的群体身上。
对运营负责人而言，这一组合——高暴露、低采用、非自愿离岗上升——是一个具体且可干预的状况，而不是人口结构的必然。
同样值得厘清的是这里"离岗"的含义。58 岁离开工作，与 28 岁离开不是同一件事。资深劳动者很少能以同等级别重新进入职场；CRR 的表述是这些职业生涯被提前中断，而非暂停（Sanzenbacher, CRR, 2026）。从你这一侧看，这意味着当 AI 试点两个季度后表现不及预期时，这个人不会回到市场上让你重新聘用。知识离开的是整个行业，而不只是工资单。
经验流失打击的正是你补员最慢的岗位
把波士顿学院的发现，与年龄分布另一端的最佳证据并排来看。
斯坦福数字经济实验室基于覆盖数百万美国劳动者的高频薪资数据发现，在生成式 AI 被采用之后，AI 暴露度最高的职业中 22 至 25 岁劳动者的相对就业下降约 13%，而同一批职业中年长劳动者的就业保持稳定甚至增长（Stanford Digital Economy Lab, 2025）。
粗看之下，两个结果彼此矛盾。其实不然。斯坦福衡量的是职业内的人数；波士顿学院衡量的是 55 岁以上群体的个体离岗转移。一个是招聘信号，另一个是离开信号——两者可以同时成立。职业整体人数可以保持不变，而其资深端的具体个人却在更快流失。
真正重要的是运营层面的后果，而它并不好受：进入漏斗的初级人才更少，资深人员离开更快，中间夹着中型企业最薄的一层。 两万人的公司能消化这一切：它有替补席、有轮岗机制、任何岗位都有三个人可以合理接手。
而在 200 人的公司里，知道对账逻辑为什么有那条例外的，只有一个人。
随他们一同离开的是什么
一次资深离职的成本，不是你不再支付的那一行薪酬，而是从来就没有列入任何一行的两样东西。
第一是隐性流程知识——某个系统为何被配置成现在这样的、未被记录的原因。每家中型企业都运行在这一层之上，而它恰恰在持有者离开之前始终不可见。它是因 2019 年一份合同而存在的收入确认例外，是那个必须打电话而不能发邮件的供应商，是那条看似冗余实则不然的查询。这些都不在手册里，绝大多数也不在第二个人的脑子里。
这里还有一个二阶版本，AI 让它更尖锐而非更缓和。文档助手和代码助手擅长描述系统做了什么，却拙于还原系统为何如此构建，因为那套推理从未被写下来供检索。抬高你暴露度的工具，并不会填上它自己撕开的缺口。
第二样是可测量的，也是多数运营计划忽略的。与更熟练的同事共事，会为经验较少者带来真实的人力资本增益——其效应大到能在日后的薪资上体现，并在多个独立研究团队之间保持一致（Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024）。你的资深员工不只是在产出成果，他们本身就是身边所有人的培训投入。
一边失去这项投入，一边又减少初级招聘，复利就会朝错误的方向运行。你损失的不只是一个人头，而是整个团队变强的速度。
暴露度集中在哪里
程序员、会计、财务分析师和技术文档撰写者是受影响最深的画像——在一家 50 至 500 人的公司里，这意味着财务、工程，以及那个维系整个技术栈连贯性的小型内部系统职能。并非巧合的是，这些也正是替补者达到产能所需时间最长的岗位。
这个论点可能错在哪里
三点保留意见，直说，因为作者本人也这样说。
这是对一个近期拐点的早期分析。ChatGPT 之后的窗口很短，短窗口上的估计很脆弱。
混杂因素确实存在，简报中也点了名：政府研发支出削减，以及 AI 原生初创公司的异常招聘动态，都可能恰好在所研究的高暴露职业上使估计产生偏差（Center for Retirement Research at Boston College, 2026）。部分被测到的离岗，可能归因于这些力量而非 AI 替代。
而且暴露不等于替代。在暴露度指数上得分高，意味着某岗位的任务与模型能力重叠，并不证明模型真的做了这份工作。
三点保留之后仍然成立的是：承重的是方向，不是小数点。高技能年长劳动者数十年来的职业续航优势正在收窄，而且在暴露度最高的地方收窄得最快。即便该发现被大幅打折，也仍然把你的风险指向同一个群体。
在 50 至 500 人的公司里，什么会改变
三个动作，都不需要预算审批。
做一次暴露度 × 司龄的交叉表。 拉出你的编制，用简报中的职业类别把每个岗位标记为高或低 AI 暴露，再与年龄或司龄交叉。你只找一个数字：你暴露度最高的工作，有多少掌握在职业生涯最后十年的人手里。多数运营负责人从未算过这个数，并且会对结果感到意外。
在紧急发生之前，把"在场"转化为文档。 同事间的学习效应真实存在，但需要在场（Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024）。凡是交叉表标出集中风险的地方，现在就为知识提取投入资源——一份成文的运行手册、一段录制的流程讲解、一位被指名的第二责任人。人还在职时这很便宜，人走之后则不可能。
专门补上这一群体的采用缺口。 50 至 64 岁人群中生成式 AI 使用率约为 18%，承受最高暴露度的群体，恰恰是对这项技术最不熟练的群体。面向资深技术人员的定向赋能，是少见的既降低被替代风险、又同时提升产出的干预——而且比替换他们便宜得多。
本季度的一个决定
看看你的组织架构图，找出既处于高暴露度、又由距退休不足五年的人担任的岗位。然后诚实回答一个问题：如果这个人周五提出辞职，需要多久才会有另一个人能做这份工作——不是这些任务，而是这份工作？
如果答案要用"季度"来衡量，你就背着一项未被定价的负债，而波士顿学院的数据说，它对应的概率刚刚上升了。
今年中型市场写下的每一份 AI 人力计划都在保护入口，几乎没有一份在保护出口。经验流失不是 HR 到 2030 年才要处理的退休问题——它是运营问题，而且从 2023 年就已经开始。
请为你没有预料到的那次离开做预算——那个你无法替代的人的离开。
