文章作者：于保平

文章来源：复旦商业知识

“AI替岗”引发的官司

近期，杭州市中级人民法院公布了一起“AI替岗“劳动争议典型案例。周某是杭州一家金融科技公司的AI大模型质检员，其主要工作是对AI模型与用户交互生成的答案进行正确性判定。随着AI技术不断迭代升级，原本需要人工完成的大量质检工作，开始被系统自动化替代。

企业基于技术进步进行成本优化，向周某提出调岗方案。公司要求其从主管降为普通岗位，月薪从2.5万元降至1.5万元。这一安排的本质，是将技术能力提升直接转化为人力成本压缩。周某认为，其负责的质检工作具有不可替代的监督价值。同时，公司未提供合理的技能转型路径，因此拒绝了该方案。

协商未果后，公司以“岗位被AI替代，客观情况发生重大变化“为由，单方面解除劳动合同。周某提起仲裁，质疑“AI替代“作为解雇理由的合法性。法院支持了周某的主张。法院明确指出，企业主动引入AI技术，属于为提升竞争力而进行的经营决策，并不构成《劳动合同法》中规定的“客观情况发生重大变化“。同时，公司提出的调岗方案中，薪资降幅高达40%，明显不属于合理协商范围。最终，法院认定公司构成违法解除劳动合同，并判决其按法定标准支付赔偿金。

随着AI的规模化应用，类似由“人机替代“引发的争议将不断增加。杭州中院发布的白皮书显示，2025年，全市新收劳动人事争议案件12359件，同比增长61.68%。其中，涉及人工智能、大数据等领域的案件逐步增多。

2026年2月27日，美国旧金山。一家名叫 Block 的支付公司向全体员工发了一封内部信。公司创始人、推特前老板杰克·多西(Jack Dorsey)在信里宣布：公司一次性裁掉 40% 的员工，从一万多人砍到不足六千人。理由只有一个，AI。在过去一年中，全球科技行业已有超过十万名员工因AI替代而失去工作。从客服、运营到中层管理，自动化浪潮正以前所未有的速度席卷大量岗位。

一个令人不安的悖论随之出现：被裁撤的员工，正是产品和服务的消费者。当大规模失业导致收入下降时，企业所依赖的市场需求将从何而来？

在以往的公共讨论中，这一趋势常被描述为一股不可阻挡的技术洪流，仿佛人类无法干预。有人甚至将其概括为“顺我者昌，逆我者亡“。

但经济学家布雷特·赫门韦·福尔克（Brett Hemenway Falk）与格里·佐卡拉斯（Gerry Tsoukalas）在2026年3月发表的论文The AI Layoff Trap中指出，问题可能不在于技术本身不可控，而在于市场竞争的基本逻辑。正是这种逻辑，将每一家追求自身利益最大化的企业，推向一条可能损害所有参与者的路径。

这是一种结构性陷阱。个体的理性决策，最终导致集体的非理性结果。这并非技术宿命，而是典型的市场失灵。理解这一点很关键。自动化决策不仅影响企业内部的成本与产出，也会影响整个市场的需求基础。当企业独享自动化带来的成本收益，却只承担裁员带来的极小部分需求损失时，就会产生“需求外部性“。

那么，在AI高速发展的背景下，我们能否在效率与需求之间，找到一条避免集体性经济收缩的路径？

需求外部性：被忽视的宏观悖论

The AI Layoff Trap这篇论文的理论建构，始于一个长期被忽视的现象：自动化决策的代价，会通过“收入—消费“渠道向整个市场外溢。论文设想了一个由多家企业组成的任务型竞争市场。在这个市场中，每家企业都可以选择用人工智能替代人类员工。自动化能够带来成本节约，而被替代员工的工资损失，则会通过消费能力下降，转化为整个市场的有效需求损失。

问题的根源在于，成本与收益的分配并不对等。企业可以独享全部成本节约，却只需要承担由裁员带来的极小一部分需求损失。可以用一个简单的例子来说明：假设市场中有十家企业参与竞争。当其中一家企业进行裁员后，它自身承担的需求损失，仅占总损失的十分之一，其余十分之九，则由其他企业或整个社会承担。只要企业节省的成本，高于自身承担的这部分需求损失，那么自动化就是一笔“划算“的选择。即便从整个市场来看，这一行为可能造成净损失。

这种结构，会把市场推向经典的“囚徒困境”。对任何一家企业来说，引入AI替代人力，都是一个占优策略。无论竞争对手是否自动化，企业自身都能从中获益。从整体最优的角度看，企业之间本应有所克制，保留一定就业，以维持总需求。但现实中的竞争机制，恰恰推动了相反的结果。如果有企业单方面选择克制，不进行裁员，它就会在成本上处于劣势，只能看着竞争对手通过自动化降低成本、争夺市场，而自身却无法获得相应收益。

最终的结果是，所有企业都会被迫走向全面自动化。社会总需求随之收缩。到头来，企业的整体利润，反而低于彼此克制时的水平。这并不是财富在赢家与输家之间的重新分配，而是一个“没有赢家“的局面：工人的收入下降，企业的总利润也随之受损。

那么，如果市场中只有一家垄断企业，会发生什么？在这种情况下，这家企业将独自承担全部需求收缩的后果，其决策反而更接近社会最优。竞争者越多，每家企业分摊的需求损失就越少，过度自动化的激励反而越强。这一结论颠覆了传统直觉：在AI替代的冲击下，高度分散的充分竞争市场，可能比垄断结构更容易陷入严重扭曲。

红皇后效应：更强的AI，更深的陷阱？

如果AI不仅能帮企业降低成本，还能显著提升产出，那么更大的“蛋糕“，是否能够抵消需求萎缩的代价？The AI Layoff Trap给出的答案是否定的。

原因在于，一旦引入生产力优势，企业就会产生争夺市场份额的新动机。谁先采用高生产力AI，谁就能以更低成本生产更多产品，从而压低价格，抢占竞争对手的市场份额。问题是，当所有企业都采用同样的高生产力AI时，彼此之间的优势会被完全抵消。你抢我的，我抢你的，最终没有任何一家企业真正获得额外份额。

而从社会最优的角度看，决策只取决于总需求与总成本之间的权衡。生产力提升，在充分竞争下会通过降价传递给消费者，但名义总支出并不会因此增加。因此，最优的自动化水平，其实并不会因为AI更强而提高。

最终结果是，AI的生产力越强，企业在竞争中偏离最优路径的程度反而越大。所有参与者，都被卷入一场无休止的竞争之中。这种状态，类似《爱丽丝镜中奇遇记》中的“红皇后效应“：所有人都在拼命跑，却只是停留在原地。而在这场集体竞赛中，支撑经济运转的总需求，却在不断被侵蚀。

“红皇后“这一概念，源自英国作家刘易斯·卡罗尔（Lewis Carroll）的小说《爱丽丝镜中奇遇记》。书中红皇后对爱丽丝说：“现在你看，你必须拼命地跑，才能保持在同一个地方。“后来，美国生物学家利·范·瓦伦（Leigh Van Valen）提出“红皇后效应“，用以解释物种之间的协同进化：物种必须不断进化，才能在竞争中生存。但即使如此，各物种之间的相对竞争地位，往往并不会发生根本变化。

那么，现有的政策工具，能否解决这一问题？论文对多种政策进行了检验。全民基本收入（Universal Basic Income，UBI）通过向居民发放现金，确实能够增加需求，但并不改变企业的核心决策逻辑：企业节省的成本，依然大于其自身承担的需求损失。资本利得税同样难以奏效。比例税会在企业的边际决策中被抵消，只能在事后进行再分配，无法修正事前的激励扭曲。

论文认为，唯一能够使私人成本与社会成本对齐的方案，是对企业因自动化而产生的裁员行为征税。这样，每一家企业都需要为自身裁员带来的全部社会成本负责。最优的税率，正好等于单个企业外溢给其他市场参与者的那部分需求损失。

换句话说，如果一家企业裁员所导致的总需求损失中，有90%由其他企业或社会承担，那么税收就应覆盖这90%。在征税之后，企业的决策依据将变为“节约成本减去全部需求损失”。这一结果，正好等同于自动化对整个企业部门的净影响。至此，私人激励与整体最优目标实现一致。

税收收入，还可以用于支持被裁员工的再培训。随着再就业能力提升，就业收入回升，需求损失将逐步降低。相应地，未来所需的税率也可以下降，从而形成一个自我强化的良性循环。

中国语境下的AI就业图景

2025年8月，国务院印发《关于深入实施“人工智能+“行动的意见》，明确提出：到2026年底，重点行业人工智能应用场景普及率超过50%；到2027年底，智能终端与行业智能体普及率超过70%。这一政策定调，标志着中国AI产业进入规模化落地阶段。与此同时，算力补贴与税收优惠，降低了企业部署AI的成本门槛，加快了岗位替代的进程。

在政策推动下，AI的渗透已从互联网行业扩展至实体经济全链条，呈现出两个特征：一是标准化岗位优先被替代，二是对白领与蓝领形成“双线冲击”。基础行政与数据录入岗位的替代率，预估可达95%。RPA结合OCR的处理效率，可达到人工的15至30倍。客服与电话销售领域，智能客服替代率已达88%至92%，运营成本仅为人工坐席的十分之一。在金融柜面业务中，国有大型商业银行的智能柜台覆盖率已超过85%，传统柜面业务量下降超过60%。在智能制造领域，一些领军企业的“黑灯工厂”，在用工减少50%的同时，实现了102%的效率提升。

岗位替代的加速，正在转化为显性的裁员趋势。自2025年以来，科技、金融等行业中，由AI驱动的裁员不断出现。例如，有头部互联网企业以AI替代数千名客服和初级工程师岗位；部分全国性股份制银行，在后台运营与审核岗位上裁员约30%。AI替代，正从重复性体力劳动，向规则性较强的白领知识型岗位延伸，直接冲击消费市场的核心就业人群。

与发达经济体相比，中国的经济结构存在三方面脆弱性，这些因素放大了“AI裁员陷阱“的触发概率及其潜在影响。

第一，行业竞争高度分散，需求外部性被显著放大。中国制造业和服务业中，中小企业占比超过99%，市场集中度较低，呈现“大市场、小企业“的结构。在这种环境下，单个企业缺乏协调能力，容易陷入“囚徒困境“。正如论文所揭示的：一个行业中的企业越多，每家企业需要承担的需求损失比例就越小，推进自动化的动机就越强。中国当前的市场结构，使这种外部性问题被放大到了较高水平。

第二，就业结构承压，收入替代率偏低。中国劳动力市场既面临总量压力，也存在结构性矛盾。低技能劳动者占比较高，这部分人群一旦因AI失业，再就业难度较大，收入恢复速度较慢。换句话说，再就业后能够获得的收入，往往明显低于原有水平。研究表明，再就业收入恢复越慢，每一次裁员带来的需求损失就越大。在中国，这种收入恢复滞后的问题，会直接削弱居民的消费能力。

第三，内需依赖增强，但消费韧性相对不足。近年来，内需已成为中国经济增长的重要动力，但居民消费率仍有提升空间。中低收入群体是消费的主力，他们对收入变化高度敏感。一旦收入下降，消费也会随之减少。如果AI替代集中冲击这一群体，就可能通过“消费乘数效应”，放大总需求的收缩，形成负向循环：替代导致失业，失业导致收入下降，收入下降抑制消费，消费不足又迫使企业进一步裁员降本。

在这一链条中，企业数量多，使需求损失难以被单一企业内部消化；再就业收入恢复缓慢，使损失难以及时修复；而中低收入群体的高消费敏感度，则进一步放大需求收缩。这三重结构性因素叠加，使中国比多数发达经济体，更容易陷入论文所揭示的系统性风险。

效率迷思与制度措施

显而易见，AI自动化浪潮正在强化一种认知惯性：用机器替代人力、压缩成本，就等同于效率提升。但这一判断，混淆了两种根本不同的效率概念。

在企业自身的账本中，自动化的净收益，是节约成本减去企业自身承担的那一小部分需求损失。只要节约的成本大于这部分损失，裁员降本就符合股东利益。但从整个经济体系来看，这项决策的真实社会净收益，应当是“节约的成本减去因工资流失而导致的全部消费需求收缩”。

当总需求损失大于成本节约，但成本节约又大于企业自身承担的那一小部分损失时，就会出现典型的激励错位：在微观层面，每家企业都有动力推进自动化；在宏观层面，却造成社会总剩余的净损失。这不是财富在不同主体之间的转移，而是一个“整体受损“的结果。总量意义上的“蛋糕”，不仅没有变大，反而变小了。

由此，“效率“这一概念在AI时代面临重新定义。如果忽视需求基础，单纯推进自动化竞争，就如同在一艘正在漏水的船上拼命排水。每家企业都在自己的账本上提高效率，却在整体上削弱了支撑市场运行的需求基础。生产率的提升，如果不能建立在有效需求稳定的前提之上，就会演变为“无需求的生产”，系统层面的效率反而下降。

从经济思想史的角度看，传统经济学对技术进步通常持乐观态度，认为创新会扩展生产可能性边界，并最终通过市场机制让所有参与者受益。但The AI Layoff Trap的分析，对这一判断提出了重要限定。当AI的生产力优势被引入后，更大的“蛋糕“不仅未能抵消需求收缩，反而加剧了激励扭曲。AI越强，企业为争夺市场份额而加速自动化的动机就越强。在所有企业同步行动的均衡状态下，市场份额的争夺会相互抵消，结果类似《爱丽丝镜中奇遇记》中“红皇后“的处境：必须不断奔跑，才能停留在原地。均衡结果与社会最优之间的差距，反而随着技术进步而扩大。

这一悖论的核心，并非简单的“财富从劳动转移到资本”。在过度自动化的均衡状态下，劳动者收入与企业利润可能同时下降，社会总福利出现净损失。这是一种纯粹的效率损耗，而非零和博弈。在竞争性市场结构下，技术效率的极致提升，完全可能走向社会福利的反面。

目前的政策讨论，往往本能地将AI替代理解为“劳动力市场冲击”。在这种叙事下，政策目标被设定为通过再培训和失业救济，帮助劳动者重新进入市场。这种供给侧视角，隐含了一个未经充分检验的前提：技术进步本身是正向的，问题只在于劳动者能否及时适应。

但The AI Layoff Trap的研究表明，问题的关键并不在劳动力市场，而在产品市场中的激励机制扭曲。即便所有失业者都成功转型，只要企业的私人成本与社会成本之间的偏离仍然存在，过度自动化的“囚徒困境“就会反复出现。单纯强调“让劳动者适应技术”，相当于在下游应对结果，而没有改变上游的激励结构。

因此，AI治理需要发生方向性的调整：从以供给侧为主的被动应对，转向以需求侧为核心的主动协调。政策设计的重点，不应只是帮助劳动者适应AI，更应关注如何使AI的应用节奏，与社会总需求的承载能力保持一致。

扬·丁伯根提出的“丁伯根法则“提供了重要的方法论启示：要同时实现多个政策目标，就必须配备数量相当且相互独立的政策工具。换言之，不能用单一手段解决多重问题。面对技术效率提升、就业稳定与总需求维持等目标，仅依赖单一政策工具，无法纠正产品市场中的结构性扭曲。只有将激励机制调整、产业政策引导与社会保障体系协同设计，才有可能走出“技术越先进、需求越收缩“的困境。

社会层面可能的对策有哪些？

目前来看，矫正“需求外部性“的关键工具，是对企业因AI替代而产生的裁员行为征税，使企业为自身决策承担完整的社会成本。在中国的现实情境中，计税的核心，应锚定“单位岗位替代所造成的边际需求损失”。被替代岗位的收入越高、对应的消费能力越强，税率就应相应提高。征收范围可以优先聚焦于标准化程度高、替代率高、就业密度大的领域，例如客服、基础行政、柜台业务和重复性流水线岗位，以避免税基过度泛化，影响政策精准性。

税收收入应实行专款专用，全部用于支持劳动者转岗培训、失业过渡性收入保障和技能提升，形成“技术收益反哺劳动者“的闭环机制。随着培训体系不断完善、再就业质量逐步提高，劳动者收入恢复速度加快，需求损失也会相应下降。长期来看，税率可以随之逐步降低，使这一制度具备“自我弱化“的动态特征。

在产业政策层面，需要对激励机制进行调整。从“替代率优先”，转向“协同率优先”。目前，部分AI补贴以效率提升为主要依据，客观上强化了通过裁员获取短期收益的激励。未来的政策设计，可以将“就业创造率“和“岗位转型成功率“纳入考核指标，重点支持人机协同的应用场景。例如，由AI承担重复性工作，由人类负责判断、沟通与创造，从而形成更加稳定的就业结构。

结语：技术要“为人民服务”

从Block大规模裁员，到全球范围内超过十万个科技岗位的消失，经济学家所揭示的“裁员悖论”，并非夸张的担忧，而是可以被严谨推导的系统性风险。这一问题的本质在于：个体企业基于理性做出的自动化决策，在分散竞争的环境中，会汇聚为整体层面的非理性结果。技术效率的持续提升，如果缺乏需求侧的支撑，最终可能损害整体利益。

但这并不是技术本身的宿命，而是市场机制失灵所发出的信号。中国正处于AI规模化落地的关键阶段。既不能因风险而停滞不前，也不能放任无序替代持续发生。

The AI Layoff Trap的意义，并不在于否定AI，而在于提醒我们：当私人成本与社会成本出现偏离时，制度性的矫正就变得必要。技术的价值，从来不只是替代人，而应当是让人拥有更高质量的生活，更强的创造能力，以及更有尊严的工作方式。