亞馬遜計劃用機器人取代60萬崗位，AI如何重塑職場權力結構？

編者按

根據《紐約時報》近日的報道，亞馬遜正加速推進自動化戰略，計劃在未來數年內通過機器人系統取代超過 60萬個美國崗位。多名知情人士及內部戰略文件顯示公司希望在 2033 年前實現該目標。亞馬遜的機器人研發團隊正致力於將自動化應用於公司 75% 的整體運營流程，並預計到 2027 年可減少約 16 萬個美國崗位。

亞馬遜這一動作，再次引發社會審視和思考AI對就業崗位和職場生態的結構性影響。自OpenAl發佈ChatGPT至今不足三年，以人工智能為代表的新生產力已深刻重塑了工作場景的運行邏輯。AI正逐步承擔起重複性任務執行、創意內容生成與預測分析等原本依賴人力的工作，將員工從繁瑣事務中解放出來。

然而，百面對這場技術變革，員工的情緒卻顯得複雜而矛盾。他們真心讚歎AI先進的同時，也為如何趕上AI浪潮焦慮，為AI可能帶來的工作替代而擔憂。焦慮和擔憂來源於未知。亟待釐清的是，當A真正融入組織運行的肌理，它究竟代表着什麼?人類員工將如何與AI實現有效協作?而這項技術又將對現有組織結構產生怎樣的深遠影響 ?

AI不止是工具

傳統組織範式中主要討論的是「人」和「人」之間的關係，比如委託-代理關係，又比如管理者和員工的關係；「人」和「組織」的關係，比如員工如何通過中介變量（Mediators，如員工的知識技能、員工敬業度等）影響組織績效。

而AI時代，不能僅將AI看作是一個由先進技術包裝而成的工具。AI的出現，組織關係中增加了新的維度——從二維的「組織-人」，變成了三維的「組織-人-AI」。

這一範式轉變的深層影響，將直接作用於管理學和組織層級結構的核心。現有的組織結構，是建立在人類管理者管理其他人類員工的基礎之上的。管理者的核心職能是分配任務、監督進度和評估績效。而AI的引入，意味着組織中出現了能夠自主完成複雜任務的非人類「員工」。人類管理者無法用傳統的方式去「管理」一個AI智能體（例如，通過激勵談話或職業發展規劃）；人類員工也沒法通過傳統的方式和AI達成協作（例如，通過開會對齊工作目標）。這時候「管理者」和非人類「員工」（即AI）之間，人類員工和非人類「員工」之間、甚至是原本的管理者和人類員工之間的關係都會發生根本性的改變。

重新定義關係：人機協同三模式 

喬治·弗拉賈達基斯（George Fragiadakis）教授及其團隊把新範式中AI和人類的關係定義為人機協同（HAIC，Human-AI Collaboration），其具體關係可分為三類：以人為主、AI為主、共生。

1.以人為主（Human-Centric Model）：

在以人為主的模式下，人類保有任務的主要決策權。人類利用AI作為增強工具來提升能力，且AI短時間內無法在相關任務場景內取代人類角色。這種模式下，人類將AI用於重複性較高、或者數據密集型（DATA-Intensive）的工作。

典型場景：微軟、埃森哲等公司程序員通過GitHub Copilot（代碼輔助軟件）完成代碼編寫；放射科醫生通過AI-CAD工具完成乳腺癌篩查，降低工作量，提升篩查性能。

2.AI為主（AI-Centric Mode）：

此種模式是指將AI作為協作過程中的主要代理，由AI負責決策，並在最少的人為干預下完成任務（通常人類負責有限的升級問題解決，結果審閲等工作）。這種模式通常具有自動化運作特徵，AI能獨立執行任務，但通常只涉及AI與人類的單向交互。此種模式適合任務邊界清晰，且AI能力可完整支持的工作。

典型場景：Waymo無人出租車在美國鳳凰城、舊金山、洛杉磯全無人駕駛運營，截至2025年6月累計完成9600萬英里（無安全員）；沃爾瑪和服務商Symbotic合作，由AI調度系統完成百上千台移動機器人自主入出庫、拆垛、揀選與拼垛（人工僅在異常處置與上游質檢環節出現）。

3.共生（Symbiotic Mode）：

共生模式是一種平衡的夥伴關係，人類和AI相互增強彼此能力。這種模式的特點是雙向互動，共同決策，不斷交換反饋。這種模式在複雜任務中尤其適用，這也將是未來工作場景中人類與AI的主要合作模式。

典型場景：奧美系180（創意服務機構）與Adobe Firefly工具合作，反覆完成人機互動的「提示-審改、定稿」流程，在5天時間內創作了12種藝術風格的54萬張品牌圖像，實現人機共創；SAP客户使用AI Copilot Joule，在供應鏈、採購、財務等核心流程內讓員工和AI完成協作，由員工完成業務語境判斷，AI完成計算和流程生成。 

HAIC（人機協同）是工作場景中必然會出現的時代洪流。它的介入，給傳統的組織範式帶來新的變化，為組織的戰略流程重塑、架構設置革新、人才管理與激勵等方面帶來新的發展方向。

戰略流程重塑：從「換馬達」到「重構產線」

當組織在業務流程中引入AI,若採用以人為主（Human-Centric Model）和AI為主（AI-Centric Mode）的合作範式，則其對戰略流程的影響相對較小。在以人為主（Human-Centric Model）的模式中，人類的決策還佔中心地位，人類崗位/角色的職責範圍可能會擴大，流程環節可能會減少，但其不會帶來整體性、複雜的流程重塑。

而採用AI為主（AI-Centric Mode）模式的往往是AI Native的新場景，或者將原有業務場景完全AI化的新嘗試。此類場景一般業務邊界清晰，對原有組織整體的流程構成挑戰不大。

但如果希望通過共生模式（Symbiotic Mode）引入AI，則需要進行完整的流程重塑，單點/孤立的AI化改造往往不能滿足期待。一份來自BCG和MIT斯隆商學院的研究報告指出，如果只將AI簡單插入工作場景，而不做流程的改造，則AI能為其帶來的收益是那些完成流程改造實踐的1/5。全面改造現有流程以迎接新生產力，是一個必經階段。甚至，從歷史上看，這種對先進生產力的追求，往往也都伴隨全局性的流程改革。

經濟歷史學家沃倫·德瓦恩（Warren D.Devine,Jr）曾在《從傳動軸到電線：電氣化的歷史視角》中描述過在電力替換蒸汽動力的緩慢演變過程。十九世紀末，紡織業是工業革命的支柱產業，也是蒸汽動力的最大用户之一。

一個典型的紡織廠，其動力核心是一臺巨大的、位於工廠中心的蒸汽機。這台蒸汽機通過一個複雜的系統，帶動天花板上的主驅動軸、傳動皮帶和滑輪，再將動力分配給成百上千台織布機。十九世紀九十年代初，直流電動機開始出現在製造業中。作為新生產力，它憑藉清潔度、穩定的動力、易於控制等特點獲得企業主的青睞。當時開始了第一波電氣化的改造。在這輪改造中，絕大部分的改造方案是在原來放置蒸汽機的地方，換上巨大的電機，然后連接到原封不動的、舊有的整套皮帶和傳動軸系統上，以此驅動全廠的織布機。

這一階段的改革很難説是完全成功的。電機對蒸汽機的簡單取代並沒有直接帶來生產力的提升，生產成本也並未因為電機的採用而得到下降，甚至因為整體機械的適配、大規模電力供應限制等問題而導致了生產成本上升。直到二十世紀二十年代，新一代的工程師才意識到真正的電氣化革命不是換個馬達這麼簡單，而是要徹底拋棄巨大的中心傳動軸，為每一臺機器獨立供電，並以此為基礎重新設計整個工廠的生產流程，才能真正擺脫上一代蒸汽機的工作範式，發揮電力的優勢。

彼時彼刻恰如此時此刻，那是電力取代蒸汽動力的前夜，那麼AI突起的今夜呢？

麥肯錫合夥人拉里娜·伊（Lareina Yee）及其同事認為AI看似功能強大，卻無法在脱離人類幫助的情況下直接改善組織整體工作流，實現業務的AI化改造。如果AI化變革項目從開始便聚焦整個工作鏈路（涵蓋人員、流程、技術等各個環節），那麼其將有更大的成功概率。瞭解AI在每個環節中能發揮何種作用，是實現AI化變革價值的關鍵路徑。重新設計工作流的重要起點，有助於找到系統性解決問題的關鍵切入點，讓AI與人類高效協作，從而更有效地達成業務目標。

未來組織圖鑑：中心化、扁平、以任務為中心

1.組織中心化

在企業追求整體AI化的過程中，需要有掌控AI集中治理與分散執行的角色（如AI CoE，即AI治理團隊/AI卓越中心）。組織的AI化變革同一般的創新實踐不同。創新類工作採用自下而上的方式，往往能得到創意的涌現；而若企業AI化變革採用分佈式的、自下而上的方式運行則可能限制變革最終效果，造成資源的重複投入。組織沒有中心化的AI變革抓手，往往容易陷入以下三種陷阱： 

陷阱一：拿着錘子找釘子。在AI浪潮襲來的時候，各個部門有強烈的AI化訴求。為追求快速部署的效率，採用市場上現有的標準化解決方案往往會是他們的第一選擇。此時，AI幫助企業解決的是「標準化方案能解決」的問題，而不是「企業需解決的問題」。也由此，分佈式執行AI化改革的組織很難獲得一個整體最優的解決方案。

陷阱二：重複。不同部門有時會解決相似的問題，但部門牆往往會導致重複建設。以AI客服答疑訴求為例，大型組織中的人力資源部門的諸多政策需要通過AI完成員工答疑，財務部門同樣有相關的答疑訴求，此二者背后需要的AI能力類似，但往往人力資源部門和財務部門會獨立設計解決方案，而非選擇協同共享AI能力。

陷阱三：矛盾。當不同的部門採用不同的數據集和不同的模型解決相似的問題時，往往會得到矛盾的答案。格雷厄姆·肯尼（Graham Kenny）和金·奧斯特惠（Kim Oosthulzen）在《哈佛商業評論》中給出了一個生動的例子。一家總部位於澳大利亞的跨國銀行在推行AI化的過程中，財務部的風險管理AI基於傳統的信用評分和歷史貸款表現將特定客户羣體標記為高風險。與此同時，營銷部門的客户獲取AI根據數字行為和社交媒體數據將同一個客户羣體確認爲主要目標客户。這個矛盾的結論引起了內部嚴重的消耗。

2.層級扁平化

層級扁平化是組織在AI新範式中的一個典型的特徵。一方面，AI顯著增強人類員工能力，擴大人類員工職責範圍。在總體職責範圍不變的情況下，員工數量會得到減少。組織規模整體縮小也便帶來了組織的扁平化。另一方面，普通員工和中層管理者之間，中層管理者和高級管理者之間的邊界都在漫漶。畢馬威（KPMG）勞動創新部門的負責人埃德維熱·薩科（Edwige Sacco）曾發表觀點：普通員工因為得到AI的助力從簡單的工作中解放出來，獲得時間專注於更高難度的工作（比如為會議或戰略對話做準備）；而中層管理者則從方法論準備等工作中抽離出來，將時間花在直面客户問題、加強客户溝通，這些變化都讓他們更接近下一個層級的角色，而傳統層級隔閡也在過程中逐漸消失。

傳統管理者的核心工作是分配任務、監督進度和評估績效。而在AI範式的組織中，未來管理者的核心工作，將是組建由人類和AI構成的混合團隊，為團隊設定戰略目標和倫理邊界，並整合最終的產出。這要求一套全新的技能組合：更少的直接監督，更多的系統性思維、戰略情境設定和異常情況處理能力。這種轉變很可能會催生更扁平化的組織結構，傳統管理者的數量將減少，也許取而代之的將是一個新興的「人機協同編排者」階層。

3.任務型組織

任務型組織指以任務的端到端解決為核心，按照任務解決環路設置組織角色（人類員工&AI員工）的一種組織形態。任務型組織一般規模較小，設置靈活，其在決策指揮、信息流動、資源配置等方面具有優勢。微軟AI平臺產品副總裁（Corporate Vice President, AI Platform）阿莎·夏爾馬（Asha Sharma）和騰訊青藤教務長楊國安均認為任務型組織將在AI時代扮演重要角色。

阿莎·夏爾馬（Asha Sharma）認為，傳統的組織架構是基於「人」建立的科層制，而在AI時代組織構建的核心是「任務」。傳統的組織架構圖（Org Chart）會被工作圖（Work Chart）/任務網絡（Task network）取代。組織將按照可度量的任務迴路（Task Loop）安排，而不是按照固定的職能（Lane）來設計。楊國安也有類似觀點。他認為任務型組織是基於未來的機遇，強調Owner（而不是Leader）。傳統的科層制組織層次分明，分工明確且標準化，適合穩定環境，而任務型組織適合充滿不確定性的環境。

AI時代的組織架構變化並不會一蹴而就，它可能在組織中以試點/特區的形式開始，逐漸完成革新。組織中心化、層級扁平化和打造任務型組織不是全新的組織課題，不過AI的出現，讓這些組織方向得到了實現的技術基礎，也為打破原有的組織板結提供了改革的契機。

你的崗位，需要「重新定價」

在任務型組織的大方向下，無論是以人為主（Human-Centric Model）、AI為主（AI-Centric Mode）還是共生模式（Symbiotic Mode），都將更加側重對任務結果的衡量，並且根據任務結果設計短期薪酬激勵方案。

在目前的技術邊界下，HAIC（人機協同）完成的任務一般都有SOP（Standard Operating Procedures），確定的結果以及明確的結果衡量標準（evals，即評測方法及標準，其設定是AI產品/功能上線前需要着重準備的內容）。因此，直接根據任務結果完成激勵有其實現基礎。同時，在共生模式（Symbiotic Mode）下，對人類員工的衡量標準會也會從原先相對寬泛的OKR/KPI指標，下探到任務級的SLA（Service Level Agreement，服務水平協議），比如延迟、吞吐、產品可用性等。

AI時代會更加側重對任務結果的衡量還有一個可比案例。Open AI董事長佈雷特·泰勒（Bret Taylor）創辦了一家為ADT、Sonos、Casper等企業提供客户服務的AI Agent公司Sierra。Sierra區別於其他傳統2B軟件服務公司的核心點在於其商業模式——只對結果進行收費。也就是説當AI Agent自主解決客户打電話或聊天的案件時，需要付費；如果AI Agent將客户電話轉移到真人身上，它將不收取任何費用。佈雷特·泰勒（Bret Taylor）認為這種為結果付費的商業模式應該成為未來AI Agent行業的標準商業模式。由此也可見，對任務結果直接進行衡量（Measure the Value），將是AI時代管理過程中的重要發展方向。

在薪酬激勵側的另一個課題是預測定價。AI實踐整體尚屬於早期，有時雖然HAIC（人機協同）任務有明確結果，但任務結果與業務價值之間無法完成直接關聯，此時便需要通過預測定價，完成薪酬激勵方案設計。

預測激勵分為兩種：

方案一是仍在任務型組織方向內，預測任務結果和實際的業務價值之間的關係，其本質是對市場反饋的預測。

方案二則是迴歸傳統的薪酬方案，對崗位/角色的價值進行預測定價。「以崗定薪，以績定獎」是經典的薪酬設計理念，那麼在HAIC的工作模式將如何影響員工的薪酬定價？假設員工A善用AI工具，員工B是普通員工，員工A的工作產出是員工B的10倍，現在要給員工A額外的薪資激勵，請問此部分是屬於「調整的崗位薪資」，還是「獎勵薪資」？答案也許是——「調整的崗位薪資」。

員工A和員工B雖然在為同一類任務結果努力，但其履職所需要的技能，工作職責的範圍其實已經發生了較大的變化，其工資的調整更像是「一個人干了10個人的活，拿3個人的錢」。選擇重新定價「崗位薪資」而非設計「獎勵薪資」的方式完成HAIC工作模式下的員工激勵還有另一個原因——避免「AI厭惡」。

埃默里大學（Emory University）教授傑西·博克施泰特（Jesse C. Bockstedt）研究發現當薪酬激勵規則定為「因參與者任務表現好而獲得激勵」時，他們表現出更強的同人類員工進行合作傾向（減少同AI的交互），哪怕有確實的證據表明在相同任務上與AI的合作將帶來更好的效果；而當把薪酬激勵規則改為「因任務表現不佳而扣減薪酬」時，對AI合作的厭惡即被消除。

也因此，方案二的預測定價，就是定出這個「新」崗位/角色，到底「能多拿幾個人的錢」。此時的預測，可以首先選取定價維度，再形成各維度之間的函數關係，以此形成預測定價。具體的函數關係設定與不同組織的實際情況息息相關，但定價維度的選擇在不同的組織間有一定的共性。

有些定價維度可以跨HAIC的不同模式共用，比如市場稀缺度、時間窗口緊張度。有些定價維度則會根據不同的HAIC模式而有所差異化。比如在以人為主（Human-Centric Model）模式下定價時可以考慮原崗位薪資、AI效能倍數（使用AI帶來的效能提升），但共生模式（Symbiotic Mode）則無法使用，因為共生模式一般會伴隨完整的流程改造，嵌入其中的人類員工崗位/角色與原有崗位差異較大；再比如崗位半衰期（崗位生命周期）對於以人為主（Human-Centric Model）模式和共生模式（Symbiotic Mode）相對重要，而對於AI為主（AI-Centric Model）中的人類員工定價可能就不是關鍵因素。不同的組織在不同的時間窗口，會有不同的定價維度選擇，也會構建出不同的模型關係。下文展示部分建模可能相關的維度，供參考。

二十世紀二十年代，電力取代蒸汽動力，開始廣泛使用於生產環境中；二十一世紀二十年代，AI忽地出現，潛入人們的工作和生活。大變革里，有人嗟與歎，沉浸在上一個時代的余暉中；有人鼓與呼，為迎接新世界的到來而高歌。你我現在就處於這樣一種時刻，矛盾、衝突、迷惘，興奮，緊張。但，希望正在此時此地孕育。二十世紀二十年代，茨威格寫下《人類羣星閃耀時》；一百年后的今天，AI開始與人共存。自此后，也許，閃耀的不只有人類的光芒；也許，人類在宇宙中也將不再孤獨。

參考資料：

1.Fragiadakis, George, et al. "Evaluating human-ai collaboration: A review and methodological framework." arXiv preprint arXiv:2407.19098 (2024). 

2.Teevan, Jaime, B. Hecht, and S. Jaffe. "The new future of work." Microsoft Internal Rep (2020).

3.Lauritzen, Andreas D., et al. "Early indicators of the impact of using AI in mammography screening for breast cancer." Radiology 311.3 (2024): e232479.

4.https://waymo.com/intl/zh-cn/safety/impact/

5.https://ir.symbotic.com/news-releases/news-release-details/symbotic-acquire-walmarts-advanced-systems-and-robotics-business?utm_source=chatgpt.com

6.https://blog.adobe.com/en/publish/2024/10/15/announcing-2024-adobe-firefly-partner-award-winner-runners-up?utm_source=chatgpt.com

7.https://www.sap.com/products/artificial-intelligence/ai-assistant.html?utm_source=chatgpt.com

8.Ransbotham, Sam, et al. "Expanding AI’s impact with organizational learning." (2020).

9.Devine, Warren D., Jr. "From Shafts to Wires: Historical Perspective on Electrification." The Journal of Economic History (1983).

10.Yee, Lareina, M. Chui, R. Roberts, and S. Xu. "One Year of Agentic AI: Six Lessons from the People Doing the Work." McKinsey & Company (2025).

11.Kenny, Graham, and K. Oosthuizen. "Don’t Let AI Reinforce Organizational Silos." Harvard Business Review (2025).

12.HBR Editors. "How AI Is Redefining Managerial Roles." Harvard Business Review (2025).

13.Zou, Yunjin, and Lan Xue. "非常規任務應對的組織學解釋：任務型組織的生成邏輯與運作機理——基於智能體模擬仿真的分析." Journal of Public Management (2025).

14.https://www.theverge.com/decoder-podcast-with-nilay-patel/773904/sierra-ceo-bret-taylor-ai-agents-openai-bubble-interview

15.Bockstedt, Jesse C., and J. R. Buckman. "Humans’ Use of AI Assistance: The Effect of Loss Aversion on Willingness to Delegate Decisions." Management Science (2025).

本文來自微信公眾號「中歐商業評論」，作者：沈凱傑，36氪經授權發佈。