编者按：AI如何改变就业？此前，我们从职业入口、技能重塑到人机协同，持续讨论AI正在如何改变劳动者的处境。但这种改变不只发生在某一个职业阶段：它可能让年轻人更难进入职场，也可能让年长员工更早退出，或者工作得更久。今天我们继续追问——AI是否正在重新定义一个人的整个职业生命周期？

AI可能改变整个职业生命周期

波士顿学院退休研究中心（Center for Retirement Research at Boston College）的一项新研究发现，对企业内的老员工，人工智能可能产生两种截然不同的影响：它既可能促使一些年长员工提前离开职场，也可能帮助他们提高工作效率、延长职业生涯。

美国城市研究所（Urban Institute）发布的研究报告 “AI and Older Workers”也专门讨论了人工智能对50岁以上劳动者的影响。报告指出，AI同时带来机会和风险：AI可以帮助年长劳动者降低工作负担、提高生产率；然而，如果缺乏AI培训，年长劳动者可能成为数字转型中的弱势群体。

人们一直担心，人工智能的发展可能导致年轻职业人士被先进技术取代（参见我此前的文章《第一份工作正在消失》）。然而，上面这类研究告诉我们，人工智能的影响也正在波及年长员工。

波士顿学院的研究分析了ChatGPT出现前后，不同行业AI暴露程度与55岁以上劳动者职业退出之间的关系。论文作者、经济学教授杰弗里·桑岑巴赫（Geoffrey Sanzenbacher）在接受采访时表示，在受到人工智能影响较大的行业（例如程序员、会计等）中，55岁及以上的员工离职率正在上升。

这种职业退出既包括由于失业导致的被动离职，也包括员工主动选择离开岗位的情况。这表明，AI对年长劳动者的影响不能简单理解为“AI导致失业”。事实上，职业退出背后存在复杂的决策机制。

一方面，人工智能可能降低企业对某些岗位和技能的需求，使部分年长员工面临更高的就业不确定性。例如，当企业发现AI能够承担大量任务时，可能减少相关岗位，或者提高对数字技能的要求，使部分员工难以适应。这种情况下，职业退出表现为一种被动结果。

另一方面，AI也可能改变员工对于继续工作的成本—收益判断。对于一些年长劳动者而言，当AI技术快速进入工作场景后，他们可能认为继续学习新技能的成本较高，或者认为未来职业发展空间有限，因此主动选择提前退休或离开原行业。此时，退出并不是企业直接解雇造成的，而是劳动者根据新的职业环境做出的策略性选择。

由此，在研究AI对年长劳动者的影响时，需要区分两种不同机制：

第一种是“替代性退出”。这种情况类似技术替代理论所描述的过程，即技术降低了某些劳动技能的市场价值，使部分劳动者难以维持原有就业。例如，一名长期从事基础数据处理工作的员工，如果企业引入AI系统后不再需要大量人工完成这些任务，就可能面临岗位消失。

第二种是“适应性退出”。这种情况并非直接由岗位消失造成，而是劳动者在面对技术变化时选择退出。例如，一名接近退休年龄的员工可能认为学习新的AI工具投入过大，而退休反而是一种更符合个人利益的选择。

AI影响年长员工职业生涯的三种方式

根据桑岑巴赫的研究，人工智能可能通过三种方式影响年长员工的职业生涯长度。

第一，自动化可能取代部分年长员工的工作岗位，导致他们失业，或者完全退出劳动力市场。研究发现，当人工智能能够承担原本由人完成的任务时，一些年长员工可能面临更大的就业压力。他们可能失去原有岗位，如果无法找到新的工作机会，可能被迫离开劳动市场。

第二，采用AI带来的职业压力可能促使部分员工主动调整职业路径。一些员工可能会选择转向不涉及新技术应用的岗位，或者因为难以适应技术变化而提前退休。

个人电脑普及时期的研究显示，类似的“与技术采用相关的离职”（adoption-related quits）现象曾经出现过。这类研究揭示了一个重要机制：技术变革对劳动者的影响并不只是经由直接替代岗位发生，也可能通过改变工作要求、提高技能适应压力，促使部分劳动者主动退出原有职业。这类退出被称为“与技术采用相关的离职”，因为它的核心是技术适应压力（adaptation pressure）。

此外，一些关于计算机化（computerization）与劳动市场的研究发现，个人电脑的普及具有明显的“技能选择效应”。也就是说，技术并不是平均影响所有劳动者，而更倾向于奖励能够使用技术的人，同时增加无法适应技术变化者的压力。这一历史经验对于理解今天的生成式AI非常重要。

第三，生成式人工智能也可能帮助人们延长职业生涯。桑岑巴赫指出，如果AI能够提高劳动生产率，它可能带来更高的工资水平，并让员工减少重复性、低价值的工作，将更多精力投入到更有意义、更具创造性的任务中，从而使一些人能够工作更长时间。

第一种路径体现的是传统的技术替代逻辑，第二种路径是技术变化重新定义谁适合留在岗位上，第三种路径则展示了AI作为“能力增强工具”的可能性。最后的路径对年长员工而言具有重要启示：AI并不必然意味着经验被淘汰，也可能成为放大经验价值、延长职业生命的重要技术条件。

因此，AI对年长员工的影响取决于三个因素：岗位是否容易被自动化、员工适应新技术的能力如何，以及企业是否能够将AI设计为增强员工能力而非简单取代员工的工具。

哪种可能性最终成为现实至关重要。企业如何设计AI与员工之间的关系，将决定技术转型最终走向何方。如果企业将AI理解为降低成本、减少人员的工具，那么AI可能强化替代逻辑，使年长员工成为优先退出对象；但如果企业将AI视为增强组织能力的基础设施，通过培训、岗位重新设计人机协作模式，让员工利用AI提高效率，那么AI可能成为延长职业生命的重要工具。

这些方式说明，AI影响职业生涯的机制比“机器取代人”更加复杂。斯坦福数字经济实验室（Stanford Digital Economy Lab）关于AI影响就业的研究提出，AI可能改变的是整个职业生命周期。换言之，人工智能的影响并不只发生在“一个人是否会失去工作”这一节点，而可能贯穿劳动者从进入职场、技能积累、职业晋升，到最终退出劳动市场的全过程。我之前讨论的初级岗位正在消失的情况，位于职业生命周期的一端；AI也可能改变职业生命周期的另一端，即年长劳动者的职业延续。

除了需要关注这一生命周期的两端，斯坦福数字经济实验室的研究还提示，AI可能改变职业竞争中的代际关系。AI时代真正的分化并不是年轻人与老年人的竞争，而是能够将经验与人工智能结合的劳动者与无法完成这种转换的劳动者之间的差异。年轻劳动者更容易掌握AI工具，但如果缺少领域经验，可能难以判断AI输出是否可靠；年长劳动者虽然学习新技术可能较慢，但他们拥有大量隐性知识，如果能够与AI结合，反而可能形成新的优势。

所以，AI并非一种岗位替代技术，而是职业结构重组技术。不同年龄群体的职业稳定性和劳动参与方式都在发生变化，也即，人成为职业人的方式在发生变化。从这个角度看，AI时代最大的挑战是重新设计职业生命周期。

职业排序反映劳动价值的重新排列

当然，在这中间，永远需要考虑职业的AI暴露度，即职业受到人工智能影响的程度。从任务和能力的角度，AI暴露度可以用以下指标加以衡量：

首先是受大型语言模型影响的任务，即衡量某项工作中，可通过使用LLM将耗时减少一半以上的任务所占的比例。研究估算，大约14%的职业任务可能实现超过一半的时间节省。人工智能影响的基本单位不是整个职业，而是职业中的具体任务。一个职业通常由多个不同性质的任务组成。例如，一名律师的工作包括法律资料检索、文件撰写、案例分析、客户沟通和策略判断等不同环节；一名教师的工作包括备课、制作教学材料、批改作业、课堂互动和学生指导等任务。AI可能显著加速其中某些信息处理型任务，但并不意味着整个职业会被自动化。

其次是适合机器学习的任务，即考察某项工作中可能成功应用机器学习工具的任务所占的比例。这一指标衡量的是，一个职业中，有多少工作具有可以被算法学习和自动化处理的结构。比如，机器学习比较适合根据历史数据预测结果、识别模式、分类信息、自动检测异常等任务。然而，凡是需要高度情境判断的任务、需要复杂人际互动的任务、需要身体灵活性的任务，机器学习眼下都难以胜任。

第三是受人工智能发展影响的能力，指的是人工智能技术（不仅包括大型语言模型）能够模拟工作所需要的人类能力的程度。例如，AI在某些感知能力方面表现突出，包括语音识别、图像识别、文本理解，这些能力已经被大量应用于实际工作。但AI目前仍然较弱的一些能力包括爆发力、复杂身体协调、某些需要现实环境互动的能力等。

以上三个指标共同构成了职业AI暴露度（AI exposure）的衡量框架，旨在发现某一职业中的哪些任务和能力可能受到AI影响。一个职业的AI暴露度高，并不一定意味着该职业会消失，而意味着该职业中部分任务可能被AI显著增强或自动化。

波士顿学院退休研究中心据此列出了AI暴露度最高的五类职业和最低的五类职业。AI暴露度最高的职业包括网页与数字界面设计师、网页开发人员、数据库架构师、计算机程序员以及数据科学家。相比之下，AI暴露度最低的职业包括露天采矿挖掘和装载机械操作员、采矿顶板锚杆操作员（地下矿山安全生产的核心岗位，主要负责巷道顶板支护、钻孔作业和锚杆安装）、医院护理辅助人员、喷漆和涂装工人以及玻璃纤维层压和制造工人。

可以发现，AI暴露度最高的五类职业之间存在一个共同特点：它们通常涉及数据处理，并结合编程工作。而AI暴露度最低的五类职业，其工作任务则要求：对机器设备进行实际操作；开展身体性的劳动；或与人进行直接互动。简而言之，AI暴露度最高的是可以被计算的认知劳动，最低的是依赖身体、情境和关系的劳动。

这里存在一个反直觉现象：过去，人们通常认为自动化首先影响的是低技能、重复性的体力劳动，而高技能知识劳动更加安全。但生成式AI的发展改变了这一逻辑：由于AI首先突破的是语言处理、信息分析和符号生成能力，因此大量白领和知识型职业反而成为AI暴露度较高的领域。与此同时，那些需要身体协调、情境判断和复杂人际互动的职业，由于依赖现实世界经验，其自动化难度反而较高。AI可能使过去“蓝领更早退休、白领工作更久”的职业生命周期差异缩小。

就年长员工而言，还存在另外一个重要的反直觉现象：在AI出现之前，高AI暴露职业中的资深员工实际上往往比其他职业中的同类员工更容易保持就业，因为这些职业通常具有较高收入、较好的工作条件和更强的职业稳定性。AI改变了这一优势结构，使部分经验型劳动者开始面临新的压力。多年积累的经验能否被重新嵌入人工智能辅助的工作体系之中，对于高AI暴露职业中的年长员工是个重大考验。

AI造成了新的年龄歧视

然而，AI带来的风险不一定来自技术本身，也可能来自社会和组织对老年劳动者的已有偏见。城市研究所发布的研究简报就曾提出一个重大问题：当企业引入AI之后，年长劳动者面临的困难究竟来自他们真实的技术适应能力不足，还是来自企业对于年龄与技术能力之间关系的刻板印象？

AI可能创造一种新的年龄歧视机制，即“技术年龄歧视”（technological ageism）：社会对于年长劳动者学习新技术的意愿和能力存在负面假设、企业培训机会不足，以及数字技能和技术资源的不平等。这样的机制不是直接因为年龄排斥员工，而是以“技术能力”的名义重新强化年龄差异。

Briggs、Butrica和D’Elia（2026）的讨论指出，真正危险的是社会将年龄错误地等同于“技术不可适应”。AI时代需要避免的不是老年人被技术淘汰，而是老年人被关于技术能力的年龄偏见提前淘汰。

这种偏见主要体现在三个方面：培训偏见、能力偏见和留任偏见。

培训偏见认为投资年轻员工更“值得”， 因此在引入AI工具时，可能优先向年轻员工提供培训机会，而减少对年长员工的技术支持。这种做法表面上是基于效率考虑，但实际上可能强化原有的年龄差距。

该偏见可能形成一种“自我实现的循环”。企业因为认为年长员工难以掌握AI，所以减少培训；由于缺乏培训机会，年长员工确实更难适应AI；随后企业进一步认为他们不适合技术环境。最终，年龄偏见并不是因为年长劳动者缺乏能力而产生，而是因为组织没有提供平等的技术适应条件。

能力偏见将年龄错误等同于技术能力不足。企业和社会倾向于认为年长劳动者天然缺乏技术能力、创新能力和学习能力。而实际上，技术能力与年龄并非简单线性关系。一个55岁的工程师可能比一个25岁的新人更容易理解AI输出，因为他拥有几十年的专业知识。

能力偏见的问题在于，它把不会使用某一种新技术错误地解释为整体能力不足，从而低估了经验在AI时代的价值。技术使用能力只是劳动能力的一部分，远非全部。一个劳动者长期积累的专业知识、行业经验、情境判断、问题解决能力、人际协调能力和组织理解能力，同样构成其职业价值的重要来源。尤其是在AI时代，人工智能虽然能够快速处理信息、生成内容和识别模式，但它仍然需要人类对结果进行解释、评估和应用。

所以，不应信奉过于狭窄的“技术决定能力”论，即认为谁掌握最新技术，谁就更有能力。因为AI时代真正重要的能力不是单纯操作AI工具，而是能够将AI嵌入专业实践之中，进行判断、监督和创造。需要给予年长劳动者机会，让他们将过去积累的经验转换为与AI协同工作的能力。

留任偏见体现为在技术转型中优先淘汰年长员工。当AI改变岗位结构时，企业可能倾向于保留年轻员工，而让年长员工成为优先退出对象。

企业引入AI系统管理员工的绩效、培训和晋升，算法往往会继承并放大人类社会对年长员工的刻板印象。北京大学心理与认知科学学院的研究指出，AI在描述年长群体时，呈现出显著的“高热情、低能力”特征。也就是说，AI倾向于将年长员工描述为缺乏主动性、决断力和专业行动力的个体。这样，当企业使用AI评估内部员工的“领导力潜质”或分配核心创新项目时，AI系统会自动给年长员工打低分，把优质资源留给年轻人，完成隐性的“留任偏见”淘汰。

企业若在AI转型中陷入这种偏见，短期内看似降低了成本，长期却可能付出巨大的代价：比如企业隐性知识的断崖式流失；把关与风控防线的失守；以及团队信任与敬业度的瓦解。当年轻员工看到年长同事仅仅因为年龄和技术转型就被迅速抛弃时，会产生强烈的“职业中年危机”预期，从而降低对企业的忠诚度，导致短期功利行为盛行。

企业和社会应该怎么做

企业必须从技术至上转向以人为本的人机协同。这意味着企业不应仅仅关注AI能够替代多少人工、降低多少成本，而应重新思考人工智能如何增强人的能力、改善工作质量，并塑造人与技术之间的关系。

重构员工的职业身份：明确 AI 是“副驾驶” （co-pilot）而非替代者。将员工的绩效评价从生产数量转向复杂的批判性思维、创新构想以及客户、同事建立连接的能力，保护员工的专业自尊。

许多专业人士的职业自豪感建立在他们多年的专业技能之上。当企业要求他们用AI替代大部分原创工作时，员工会产生强烈的“去技能化”之感，觉得自己的核心价值被贬低为“给算法打下手”。这种“我多年的积累变得毫无意义”的存在主义危机，会促使专业人才选择离职，寻找依然尊重人类独创性的环境。

给予技术采纳的自主权：避免AI部署的“一刀切强制”。允许团队在不同场景下弹性探索AI工具，鼓励自下而上地寻找 AI的落地方式，赋予员工说“不”或调整工作流的权力。

许多企业在没有提供足够培训的情况下，实施硬性指标强制员工在业务中使用 AI，甚至要求员工用自己的工作数据去训练未来可能取代自己的AI模型。这种道德上的背叛感是导致员工主动离职的重要推手。

建立“包容性再培训”与跨代协同：针对年长员工提供契合其认知习惯的 AI 应用培训，重点强调如何用 AI 放大现有业务经验，同时建立“年轻人教工具，资深员工教业务”的双向导师制。

建立心理安全网：向员工明确传递一个核心信号：使用AI的目的，是释放员工的时间和精力，使其能够从事更高价值、更具创造性的工作，而不是借助AI提高效率后再减少岗位。用制度消除员工“训练AI等于砸自己饭碗”的恐惧。

从整个社会来讲，人工智能可能改变人们持续工作的时间长度，而这一因素对于未来社会保障制度改革具有重要政策意义。

未来退休制度不能仅依据传统因素（如身体劳动强度、健康状况或收入水平）判断人们工作多久，还需要考虑：

职业受到AI影响的程度——哪些岗位会被自动化改变，哪些岗位会因AI增强而延长职业寿命；

劳动者适应技术变化的能力——同样年龄的员工，如果拥有不同的数字技能、学习能力和领域经验，其职业前景可能完全不同；

企业是否提供转型支持——AI带来的职业变化不一定意味着退出劳动市场。如果企业能够帮助员工学习新技能，让AI成为辅助工具，年长员工可能继续创造价值。

可见，AI对社会保障制度的影响不仅仅是就业问题，更涉及未来社会如何重新定义“工作年龄”和“退休年龄”。如果AI延长了劳动者的有效职业周期，那么社会保障制度可能需要重新考虑传统的年龄划分标准，例如逐步调整退休政策、鼓励弹性就业、支持终身学习，使劳动者能够根据自身能力和意愿决定退出时间。但如果AI加剧了技术排斥，使部分年长劳动者被迫提前离开职场，那么政策重点则需要转向技能培训、就业保护和防止技术性年龄歧视。

未来的养老政策不能仅仅关注如何保障退休后的生活，也必须关注如何帮助劳动者延长具有生产力和尊严的职业生命。需要创造一种能够适应AI时代的新型职业生命周期，让愿意并且能够继续工作的劳动者拥有机会，同时保障那些因技术变化而无法继续工作的劳动者获得支持。