2022年11月至2025年9月间，美国劳动力市场中黏性最强的那一部分人群，其求职成功率下跌了13个百分点。而通常吸收周期性冲击的高流动性人群，跌幅仅为2个百分点（Federal Reserve Bank of Richmond, 2026）。在作者所考察的数据里，这一差距没有先例——大衰退时期没有，任何扩张期也没有。而2023年以来跌幅最陡的部分，集中在AI暴露度最高的职业四分位：程序员、财务分析师、工程师。
如果你2026年的人力规划假设脆弱之处在于初级人才管道、而资深人才板凳可按市场价替换，那么这个规划建立在一个被颠倒的前提之上。
初级层面的塌陷是真的。但损害不在那里。
由Katarína Borovičková与Claudia Macaluso撰写、8月12日发布的Economic Brief 26-26做了一件大多数劳动力市场评论会跳过的事：拆解。作者此前已经确认，近期失业率上升几乎完全是一个"流出"问题——人们并非以异常速度失去工作，而是找不到新工作。悬而未决的问题是：哪些人。
第一个切口是熟悉的。Current Population Survey区分被裁员者、主动离职者与新进入者。过去两年的主流叙事——AI正在关闭职业阶梯的最低一级——预测新进入者受创最重。数据的说法不同。新进入者的求职成功率确实下降，但作者形容这一降幅相对于被裁员者与主动离职者的跌幅而言并不显著，并在后续分析中明确将新进入者搁置一旁（Richmond Fed, 2026）。
这是一个范围有限的发现，值得精确表述：它并不意味着初级招聘是健康的。它意味着新进入者不是解释总量塌陷的那个边际。真正的动作在别处。
是黏性，不是工龄："主要类型"实际测量的是什么
第二个切口应当改变你阅读自家流失率看板的方式。
作者采用了Hie Joo Ahn、Bart Hobijn与Ayşegül Şahin在《The Dual U.S. Labor Market Uncovered》中提出的潜类型框架（NBER, 2023），该框架按劳动者与劳动力市场的黏附程度分类，而非依据任何可观察的资历凭证：
- 主要类型——约占人口55%，几乎始终在业，稳定且任期长
- 次要类型——约占14%，黏性强但更频繁处于失业状态
- 三级类型——约占31%，黏性弱，常处于劳动力之外
在任何常规周期中，承担调整的都是次要类型。尽管其人口占比最小，它几乎在数据覆盖的每一年都构成失业的主体。以比率衡量，衰退对主要类型的打击更重——大衰退期间，主要类型的求职成功率从峰值到谷底下跌19个百分点，次要类型为10个百分点——但两者的比例始终处在可辨识的范围内。
当前这一轮打破了这个比例。十三个百分点对两个百分点。那些几乎从不需要找工作的人，如今成了找不到工作的人。
一点转译上的谨慎："主要类型"是就业稳定性的统计分类，并非资历的同义词。它与你那些长期任职的分析师、工程师和财务人员的画像相关，但并不直接测量他们。请将该发现视为关于这一层级的强方向性信号，而非可套用于具体编制的系数。
AI暴露度分化有一个起始年份：2023
第三个切口让机制有了名字。作者遵循Michael Webb的方法，按职业任务内容与AI专利所描述的技术能力之间的重叠程度对职业评分（Webb, 2019），据此将劳动者划入AI暴露度四分位。
历史上，各四分位的流出率随经济周期同向变动，彼此之间只有微小的水平差异。2023年以来它们开始分化，暴露度最高职业的劳动者，其求职成功率跌幅最大。
最高四分位的构成，是中型企业运营负责人应当停下来细看的部分。高暴露职业包括程序员、财务分析师和工程师。最低暴露的是：建筑、餐饮服务、个人照护。这不是一个关于组织架构边缘地带的故事。这是一个关于支撑你的系统、你的财务结账和你的产品的那些岗位的故事。
已有文献预示过这一形态。Acemoglu与Restrepo关于工业机器人的研究发现，替代效应集中于暴露职业，同时伴随向低暴露工作的再配置——在这种模式下，总量就业数字仍然好看，而其下方的结构却剧烈位移（Acemoglu and Restrepo, 2020）。里士满联储数据补充的是：当前这一轮出现在流出端，而非离职端。企业并未以异常速度剥离这些劳动者。它们只是在这些人离开之后不再吸纳他们。
这一区分在运营上很重要，因为它意味着信号不会出现在你的裁员追踪表里，也不会出现在你所在行业的编制公告里。它只出现在一位胜任且有经验的人需要多久才能落地——这是一个几乎没有任何运营团队测量的指标，而它描述的既是别人的再招聘条件，也是你自己的。
作者在因果关系上很谨慎，我们也应如此。这一模式一致于自动化替代暴露职业的解释，也一致于田野证据：生成式AI提升任务层面的生产率——尤其对经验较少的劳动者——其方式可能重塑招聘结构（Brynjolfsson, Li and Raymond, 2025）。跌幅究竟由AI本身驱动，还是由恰好压在同一批职业上的总量条件驱动，是该系列下一篇简报的明确主题。相关性已被记录；分解尚待完成。
反对意见："这是宏观数据。我们的流失率没问题。"
大概确实没问题。而这正是问题所在。
这里有两套机制在起作用，两套都颠覆了标准解读。
资深层流失率平稳是外部选项疲弱，不是敬业度的胜利
如果你那些有经验、高AI暴露度的员工留了下来，基准率现在给出了一个与恭维版本并列的第二种解释：他们走不了。高黏性劳动者的求职成功概率下跌13个百分点，意味着通常用来验证你留才成效的外部市场并未出清。你的敬业度调研分不清"忠诚"与"被困"。你的遗憾流失数字会一直漂亮下去，直到求职成功率回升的那一刻——然后就不再漂亮了。
这不是不信任你的员工的理由。这是停止把流失率当作资深层健康首要证据的理由，转而阅读带有独立信号的东西：内部流动申请、管理者上报的离职风险，或员工主动披露的外部offer比例。
遣散费如今比它的定价更贵
标准重组模型把一个岗位视为可再获取的：现在裁掉，条件变化时按市场价重新招聘。该模型对"再获取"的定价基于历史求职动态——而这恰恰是本简报所说已经断裂的东西。一个在外部难以被重新雇用的人，对称地也难以被你重新获取：困住他的那道摩擦，同样困住你日后重建这项能力的可能，因为你会去招聘的那个人才池，正是那个不流动的池子。
对一家200名全职员工的公司里一个高AI暴露度的资深岗位而言，本季度的问题不是"没有这个席位我们能否运转"。而是"如果十八个月后我们需要这项能力，届时市场是什么样子，我们又为搞清楚这一点付出了什么代价"。内部再配置——把这个人调到相邻流程、数据治理职能或AI监督岗位——在这笔账上胜过遣散的频率，远高于电子表格的暗示，因为电子表格里装着一个过时的再获取成本。
季度结束前可做的三个决定
- 在每一个高AI暴露度岗位的遣散案例中，重新给再获取成本定价。这不是理念转向——是一个数字。如果你的模型假设一位资深分析师或工程师可在60天内按市场价补位，请追问：在该画像求职成功率下跌13个百分点的情况下，什么证据支撑这一假设？在它站不住的地方，仅凭成本，内部再配置就应排在裁撤之前。就拿你已经标记待审的那两三个岗位来跑一遍；你不需要一项政策，你需要的是真正摆在面前的那几个案例里的一个修正数字。
- 不要再把资深层流失率平稳读作留才绩效。在季度复盘中加一个问题：我们有什么独立证据表明这一层是出于选择而留下？如果答案只有"他们没走"，你拥有的不是证据，而是一种市场状况。
- 在做编制规划之前审计哪些岗位落在暴露四分位，而不是之后。Webb的分类是公开的，且落到职业层面。把你自己的组织架构映射上去只需一个下午，就能告诉你人力规划的哪些部分正暴露于一个运行失常的再招聘市场。
这些决定都不要求你对"是否是AI造成了这一分化"表态。它们只要求承认分化确实存在，并且集中在多数规划视为可替换的那一层。
窗口本身就是结论
这份数据令人不安之处在于：它的暂时性会惩罚拖延。高AI暴露度劳动者的求职成功率被压低，恰恰在最难替代的那批人身上给了你异乎寻常的挽留力——而且是免费给的、无形给的，不需要你做任何决定。它同样会到期。当流出率恢复正常，你以为自己赢得的留才就会重新分解回一个市场，而且在你最承受不起流失的那个四分位里分解得最快。
本季度的决定不是要不要裁。而是你正当作可替换来处理的那些岗位，是否恰恰是劳动力市场已悄悄停止供给的那些——以及你更愿意现在就知道，代价是一个下午的梳理；还是十八个月后才知道，代价是一场搜寻。
