去年，32% 的受访者告诉 McKinsey，他们预期 AI 会缩减本机构的人力规模。今年，当被问及实际发生了什么时，使用 AI 的机构中有 14% 的受访者报告 AI 促成了人力规模下降——"不到去年调研中预期同期会有人力削减的那 32% 的一半"（McKinsey, 2026）。三分之二的受访者报告总就业人数几乎没有或完全没有与 AI 相关的变化。
这是该调研第一次能够拿自己的 AI 人力预测去对照一个已实现的结果。预测大约偏离了两倍。
随后这批受访者把预测调高了。39% 的受访者现在预期未来一年总就业将出现与 AI 相关的下降，高于去年的 32%。那个高估了两倍的估计值被向上修正，而非向下，而大量 2027 年运营计划正悄悄建立在它之上。
这项调研实际测量了什么
The State of AI 2026 年版共调查 97 个国家的 1,719 名参与者，数据采集期为 2026 年 5 月 4 日至 6 月 8 日。36% 的受访者就职于年收入超过 10 亿美元的机构，这意味着约三分之二在该门槛之下——这对中端市场读者而言具有不寻常的相关性，尽管该样本仍大于一家 200 名全职员工的机构。
背景之所以重要，是因为失灵的变量并不是采用率。89% 的受访者在至少一项业务职能中常规使用 AI。44% 表示 AI 正在全企业范围扩展，高于 38%。80% 报告个人生产力有所提升（McKinsey, 2026）。
所以顺序不是"AI 没来，所以人数没降"。AI 来了，生产力被报告了，而人数依然没降。与此同时，把至少部分 EBIT 影响归因于 AI 使用的比例同比持平于 37%，真正高绩效者的群体稳定在全部受访者的约 6%。
扩散发生了移动。已实现的人力削减没有跟上。
已实现的数据与 14% 相吻合
一项调研自己给自己打分，这很有意思。两个相互独立的数据集指向同一方向，那就是一项规划输入。
美国国家经济研究局（NBER）通过 The CFO Survey 样本访问了近 750 名企业高管，发现"几乎没有证据显示 AI 导致了近期总体就业下降，尽管较大的公司预期会有 AI 驱动的人力削减，而较小的公司预期会有温和增长"（NBER, 2026）。总体效应接近于零，而离散度才是结论：大型企业预期 AI 将在 2026 年使其就业减少约 0.8%，而较小企业预期小幅增加。真正在移动的是结构——常规文书类岗位下降，对具备技能的技术岗位的相对需求上升，既发生在企业内部，也发生在企业之间。
已公布裁员数据从第三个角度予以印证。截至 2026 年 9 月，美国雇主共宣布 573,195 个岗位裁减，比 2025 年前九个月宣布的 946,426 个下降 39%——这是自 2022 年以来 1 月至 9 月的最低总量。年初至今，AI 在 120,136 份裁员公告中被提及，约占全部裁减的 21%，这确实使其成为今年被提及最多的原因（Challenger, Gray & Christmas, 2026）。
请把这两个数字放在一起读，因为被单独引用的往往是第二个。AI 在一个不断收缩的总量里位居原因榜首。具体到 9 月，AI 只是第五大被提及的原因，3,961 个裁减，约占当月的 9%。第三季度裁减量比第二季度下降 43%。
在一个下降的分母上占比上升，这不是浪潮。这是一个正在降温的市场内部的结构位移。
为什么 AI 人力预测只在一个方向上出错
持续高估的预测误差通常是结构性的，而非随机的。Forrester 的 Predictions 2026: The Future of Work 点明了机制：针对尚不存在的 AI 能力所做的裁减。55% 的雇主报告后悔为 AI 而做的裁员，而 Forrester 预测，被归因于 AI 的裁员中有一半会被悄悄重新招回——以离岸方式，或以明显更低的薪酬（HR Executive, 2026）。
请注意最后一句中的不对称。这种回转不会作为修正出现在任何人的计划里。它出现为离岸支出、外包承包商科目和重新招聘成本，而这些都无法与最初的人力节省对账。即便预测早已失败，它在内部记录中仍未被证伪。
同一研究中还有两个细节加剧了代价。Forrester 称之为 "coasters" 的脱离感员工比例在 2024 年为 27%，2025 年为 25%，预计 2026 年将达到 28%——当留下来的人目睹过早裁减时，这个数字就会动。而 2025 年只有 16% 的员工在 Forrester 的 AI 准备度量表上得分较高，且准备度最高的恰是入门级岗位最先被取消的那一群体。
把规划错误说清楚
错误不在于对 AI 持乐观态度。错误在于把预期的人力削减当作已实现的基准来记账，提前了整整一年，然后在它之上叠加补员冻结。
预期变化是一项预测，而且现在已有记录在案的一年误差率。已实现变化是一项测量。只有其中一个该出现在一份要动真金白银的计划里。
诚实的反驳
三条限制，在别人说出之前先说清。
这是自报式调研数据，不是工资单。没人审计过这些机构的人数账册。在受访者层面把人数变化专门归因于 AI 属于判断，而归因恰恰是自报最薄弱的环节。同样的保留适用于 NBER 的数字——它们是高管预期，而非已实现的薪资结果。
样本并非逐年完全相同。McKinsey 表示其核查了同时完成 2025 年和 2026 年两轮调研的受访者，结论与总体样本一致；但样本构成的变化，确实限制了把 32% 与 14% 读作同一批人自我矛盾。
这项预期也可能只是来得早，而非错了。能力滞后于宣布，部署滞后于能力。一项为 2025 年所做、却在 2027 年落地的削减预测，是时点判断错了，而不是方向判断错了——而 NBER 的结构数据（常规文书岗位占比预计到 2028 年进一步下降）与同一方向的较慢、较有选择性的版本是一致的。可以站得住脚的主张关乎对时点的置信度，而不是方向。
在三条反驳之后仍然成立的结论更窄，但依然可操作：已实现结果的分布高度集中在"几乎没有或完全没有变化"上，而把分布尾部当作基准情形的计划，定价是错的。
在第四季度计划定稿前要重置的基准
四个动作，没有一个需要逆转对 AI 的战略立场。
1. 在计划文档中把预期与已实现分开。如果你的 2027 年人数模型中有一行是以 AI 驱动的削减作为依据的，请标明它依据的是你自己机构内已测量的变化，还是预期中的变化。如果是预期，就把它标注为携带上述误差率的预测。这是一次十五分钟的编辑，却改变了这个数字被质询的方式。
2. 把 AI 商业论证重新建立在吞吐量上，而不是全职人力编制上。周期时间、人均收入、错误率、单笔交易成本。NBER 关于生产力的结论指向同一方向：增益表现为基于收入的全要素生产率，与创新和需求渠道相关，而不是替代劳动的资本深化。如果这个论证只能靠人力削减才成立，那它就没有成立。
3. 把任何归因于 AI 的裁减置于"已证明"而非"被承诺"的能力之后。检验标准是一条有名字的工作流，在目标质量水平上运行，并在一个确定的时间段内有可测量的错误率——而不是供应商的路线图。正是这道单一闸门，把那 14% 与后悔的 55% 分开。
4. 为你仍然会拥有的团队做规划。这是大多数 2027 年计划缺失的一步。如果三分之二的机构看到的是与 AI 相关的人数几乎没有或完全没有变化，那么基准情形就是：你现在的在职名册大致就是你 2027 年的名册，而结构在底下发生位移。这就把真正的约束条件变成了能力问题而非成本问题：哪些胜任力坐在哪些岗位上，哪里的继任储备薄弱，以及哪些常规文书产能可以重新投放到 NBER 数据所称正在上升的技能型技术需求中。没有这张地图就决定的补员冻结不是节省；那是一次未经测量的能力损失。胜任力与继任测量，正是让这个决定站得住脚的仪表：9 宫格位置由每项胜任力的数据计算得出，而不是靠管理者的印象回忆；继任就绪度按每个关键岗位分别评定。如果你想要一份具体参照，Scovai 的绩效与继任模块记录了这套映射是如何构建的。
这些数据令人不适的地方，不是 AI 在人数上交付不足。而是一家机构可以跑出一个成功的 AI 项目——89% 的采用率、80% 报告生产力提升——最终人数却一样多，只是在做明显不同的工作。
这是一个披着 AI 人力预测外衣的人力发展问题。
在第四季度计划定稿之前，找出那条假定 AI 会让团队变小的人数预算行，并向它提一个问题：我们在测量它，还是仍然在期待它？如果答案是"在期待"，那么两倍的误差率现在已经在案——举证责任已经转到预测那一边。
