这份文件共八部分、十八条，落到操作层面可以归成四组动作：把蛋糕做大（强化 AI 的就业创造效应）、把冲击放缓（减缓替代）、把钱投在人身上（提升劳动者数字素养与转岗能力）、给底线兜住（权益、社保与分配保障）。四条线合起来，就是标题里的"就业友好型发展方式"。
理解这份文件，先要纠正一个常见误解：AI 对就业不是"岗位会消失"的单行道。劳动经济学近十年的任务模型（task-based model）给出的画面要复杂得多——技术往往消灭的是"任务"而非"职业"，同时又在别处创造新任务。政策的聪明之处，正在于它没有赌"市场会自愈"，而是主动去移动替代与创造两条速度的斜率。
一、先厘清：AI 对就业不是单一效应，是两条反向力量的赛跑
Acemoglu 与 Restrepo 把技术对劳动的净影响拆成两个方向相反的力量 [2][3]。其一是替代效应（displacement effect）：AI 承担了原本由人完成的任务，直接压低对劳动的需求，被冲击的主要是常规化任务——这正是 Autor、Levy 与 Murnane 提出的"常规偏好型技术变革"（routine-biased technical change）所指的那一类 [4]。其二是创造效应（reinstatement / 新任务效应）：AI 降低生产成本、提升生产率，推动产品价格下降与需求扩张，从而在其他环节新增岗位；同时 AI 本身还会直接催生一批全新职业。
这个框架解释了为什么"AI 会不会让工作消失"是个错位的问题。Autor 在 2015 年的回顾里就指出，过去两百年技术多是在消灭任务而非职业，并且新任务会不断把劳动"重新请回"生产线 [5]。净就业效应因此不是一个常数，而是创造速度减去替代速度的差额——它可能为正，也可能为负，且在不同行业、不同技能群体间高度分化。
把这一点想通，文件的两条主线就顺理成章了：既然净效应不是自动为正的，那就不能只靠"发展 AI"去坐等创造效应外溢，而必须同时减缓替代、主动创造。这正是文件第二部分（强化创造）与第六、七条（减缓替代、风险评估）并列的经济学基础。
二、政策的两条主线：一边减缓替代，一边强化创造
主线 A——减缓替代（第六条）。文件的逻辑很讲究：先让 AI 去"补人"而不是"替人"——优先在劳动力紧缺、环境高危的岗位推广应用（这些岗位本就招不到、留不住人）；对劳动密集型行业，则要"稳慎把握应用的范围、力度、节奏"，尽可能减少对从业人员的冲击；并首次提出"鼓励企业探索建立失业缓冲期制度"——在大规模推广 AI 时提前告知受影响劳动者、提供转型转岗支持。
主线 B——强化创造（第二、三部分）。深入实施"人工智能+"行动，鼓励东部布局核心产业、引导中西部承接数据标注与智能终端等上下游；以开源生态支持中小微企业与个体工商户低成本智能化升级，培育专精特新"小巨人"；加快开发数字化管理师、人工智能工程技术人员、人工智能训练师等新职业；同时挖掘传统工业、农业与服务业在人机协作中的数智化就业潜能。
三、就业友好型升级路径：不是不替代，而是有序替代
第七条提出的"人工智能应用就业风险评估机制"是整份文件最像"监管设计"的一条：综合评估 AI 应用对就业的影响，对市场准入领域可能造成较大就业冲击的应用场景，在评审时同步开展就业风险评估，并统筹做好转型转岗支持。换个说法——它把"就业影响"从一项负外部性，变成了需要事前评估、事中监控的准入条件。
这套思路与金融领域正在推的 AI 功能边界高度同构：此前讨论银行业保险业 AI 应用时，我们把它画成一张边界图——高频标准任务机器主导、低频极端任务人主导、中间地带人机协同 [6]。就业政策在宏观层面用了同一套逻辑：不是禁止 AI，而是给"替代"设节奏与缓冲，给"创造"开绿灯。二者的内核都是一句话——技术发展要可管理，不能裸奔。
四、劳动者侧：把投资投在人身上
文件的第四、五部分回答的是同一个问题——"人能不能跟上 AI"。把它们合起来看，其实是一条能力—机会—保障的三层逻辑，沿冲击发生的时间线层层递进：先让劳动者在冲击到来前"接得住"新岗位（能力建设），再让具备了能力的人在冲击之中"找得着"新机会（机会匹配），最后在转型过渡期"稳得住"（兜底保障）。三层不是并列清单，而是前后衔接的一条链。
能力层 · 培养与培训（事前）
普通高校与职业院校动态优化学科、增设 AI"微专业"、校企联合培养；实施"技能照亮前程"培训行动，依托公共实训基地开展项目制、订单式 AI 技能培训，并推进全社会通识教育。核心是让青年、农民工、转岗劳动者具备与 AI 协作的数字素养，在冲击到来前就把"接得住"新岗位的能力建起来。
机会层 · 智能就业服务（事中）
升级全国就业信息资源库与"中国就业"平台，探索"政策找人"的智能识别与精准推送；鼓励求职招聘大模型、智能面试、虚拟现实培训等新产品。本质是用 AI 本身去降低匹配摩擦、缩短求职周期，让已经具备能力的人真正"找得着"新机会。
保障层 · 过渡与兜底（事后）
对受 AI 替代影响的劳动者，按规定提供职业指导、技能培训、岗位推荐、创业支持，并及时足额发放失业保险待遇。这一层解决的是"过渡期怎么活"：前两层决定"能不能再就业"，这一层确保缓冲期制度真正落地，把冲击摊成缓坡而非断崖。
五、制度侧：权益、社保与分配三条底线
第六部分把视野从"有没有工作"拉到"工作好不好、分配公不公"，对应三条底线：
- 权益保障：研究人机协同下的劳动者基本权益，规范 AI 在人力资源管理中的应用，依法治理算法造成的就业歧视、虚假招聘、侵犯隐私与休息权。
- 社会保障：增强制度灵活性与包容性，扩大新就业形态人员职业伤害保障试点，鼓励灵活就业人员参加城镇职工基本养老保险。
- 收入分配：引导企业建立符合 AI 从业人员特点的薪酬制度，落实技能人才最低工资分类参考，培育"智能代理"等新型工作形态，让更多劳动者参与技术进步并从中获益。
这三条里，"算法歧视治理"和"新就业形态社保"是老问题遇上新场景；而"智能代理（agent）作为工作形态"则是对未来用工形态的提前框定——当一个人可能同时指挥多个智能体协同产出，传统的"雇主—雇员"与"工时—工资"框架都需要重写。
六、监测与应对：把冲击关进数据笼子
第七部分是闭环的"传感器"：强化 AI 相关产业与就业数据的跨部门共享，共建区域性、行业性就业数据智能监测分析模型；开展 AI 应用就业影响专项调查，持续跟踪渗透、岗位创造替代与技能需求变化；并将 AI 就业风险纳入规模性失业风险防范化解机制。简言之——先有能力看见冲击，才有能力应对冲击。
值得提醒的是，监测体系的有效性取决于"提前量"（lead time）。若模型只在失业已经发生后才报警，缓冲期就失去了意义。因此监测模型的设计目标应是在岗位消失之前捕捉到招聘收缩、工时下降、相关技能培训需求上升等前置信号——这是技术挑战，更是制度挑战。
七、给研究的八个问题
文件把方向指了，但"怎么做对"几乎全是开放的研究问题。下面这组问题，既贴着国办发〔2026〕29号文的十八条意见，也把笔者在金融科技研究中常用的几件工具——可解释人工智能、金融/产业关联网络、因果识别与机器学习、公司金融视角——迁移到劳动力市场治理上。下文八个问题即构成本课题的研究内容（子课题），每项均给出可实证的数据与方法落脚点、以及相对既有研究的增量（亮点），可直接作为课题申报与论文选题的抓手。
可解释的 AI 就业风险评估框架（XAI + 政策）
构建"可解释"的就业风险评估模型：不仅输出冲击概率，还能归因"哪些任务、哪些区域、何种节奏"被替代，直接对接文件第七条的准入同步评审。亮点：把可解释 AI 从金融风控迁移到劳动力市场治理，模型可审计、可监管。落脚点：岗位任务字典 + 大模型标注 + SHAP/因果森林，在区域—行业层面跑通。
产业关联网络下的冲击传导（金融网络方法迁移）
用投入产出与供应链网络刻画 AI 冲击沿产业链的上游—下游与区域间溢出，识别"枢纽行业"与"脆弱节点"。亮点：以金融网络、系统性风险的分析框架研究就业的系统性风险。落脚点：中国投入产出表 + 工商注册 + 社保就业数据，构建产业—就业关联网络。
职业 AI 替代弹性的可解释测度（ML + 计量）
用中国岗位任务字典 + 大模型自动标注"任务可被替代/增强"的概率，构建可解释的 AI 暴露指数并估计替代弹性。亮点：指数本身可解释（任务级归因），区域与技能的异质性是核心增量。落脚点：微观职位数据 + 文本/大模型标注。
净就业效应的双通道分解与因果识别（计量/ML）
把 AI 采用对就业的影响分解为"替代"与"创造"两通道，用行业—企业微观数据 + 事件研究/工具变量/双重差分识别生成式 AI 的净效应。亮点：聚焦生成式 AI（而非旧式计算机化），做到通道级因果。
失业缓冲期的因果评估与最优设计（因果 + 强化学习）
把缓冲期设计（告知期长度、培训强度、内部流转比例）作为处理变量做因果评估，并用强化学习模拟"最优缓冲组合"。亮点：从"评估制度"走向"设计制度"，让 RL 参与政策寻优。落脚点：失业登记/社保数据 + 企业用工面板。
企业侧：AI 投资、人力资本结构与劳动力成本（公司金融）
从企业层面考察 AI 采用对雇佣结构（技能极化）、劳动力成本、劳动力份额与全要素生产率的影响，并连接资产定价（AI 公告的市场反应）。亮点：把"就业冲击"落到企业财务与治理，这是公司金融视角的增量。落脚点：上市公司 + 税务/社保微观数据。
数字素养与转岗培训的因果效应（实验）
对"技能照亮前程"等政府培训做 RCT 或匹配估计，比较通识型 vs 岗位型、线上 vs 实训的就业转化率。亮点：用实验证据定位培训设计的杠杆点，资政价值直接。落脚点：培训台账 + 再就业追踪数据。
区域公正转型与劳动力流动网络（网络 + 区域）
研究 AI 产业链"东部创新—中西部承接"的区域分工对就业的空间溢出、跨省劳动力流动网络与错配。亮点：把公正转型（just transition）落到中国区域协调语境。落脚点：跨区域社保/迁移数据 + 网络分析。
这八个问题有一处共识：它们都不是"AI 会不会取代人"的二元判断题，而是"怎样的制度与技术设计能让创造效应压过替代效应"的可实证、可评估的真问题——把研究议程从哲学拉回工程，也把笔者的金融科技工具箱从"模型如何在金融里用得稳"延伸到"技术如何在社会里落得稳"。这八个问题已凝练为一个独立的国家社科基金选题（含选题依据、研究意义、创新之处与主要研究目标），详见仓库 docs/proposals/nssfc-ai-job-market-topic.md，可单独用于申报论证。
写在最后
国办 29 号文最重要的信号，不是它列了多少条措施，而是它把"就业友好型"写进了 AI 发展的目标函数——技术进步的账，不能只算生产率，还要算就业与分配。对一个研究金融科技、可解释 AI 与金融网络的学者而言，这份文件也是一面镜子：我们过去关心的是"模型如何在金融里用得稳"，现在要关心"技术如何在社会里落得稳"。
而对于每一个可能被 AI 触碰到岗位的人，这份文件给出的答案不是"别怕，市场会解决"，而是"国家会帮你把坡铺缓、把梯子架好"。剩下的，就是研究者和政策执行者一起，把这套闭环真正跑起来——先看见冲击，再减缓冲击，最后让创造跑赢替代。
若想从金融场景的角度对照"AI 的功能边界与人的不可替代性"，可延伸阅读《把人机互动做成护城河》；关于数智化已成为经管研究第一热点的背景，参见《从 1355 个立项看经管研究风向》。
参考资料
- 国务院办公厅（2026）. 关于适应人工智能技术发展助力构建就业友好型发展方式的意见. 国办发〔2026〕29号（2026-10-16 印发，2026-10-23 中国政府网公开发布）.
- Acemoglu, D., & Restrepo, P. (2018). The Race Between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, 108(6), 1488–1542.
- Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30.
- Autor, D. H., Levy, F., & Murnane, R. J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. Quarterly Journal of Economics, 118(4), 1279–1333.
- Autor, D. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3–30.
- 国家金融监督管理总局（2026）. 关于银行业保险业人工智能安全开发应用的指导意见. — 见《把人机互动做成护城河》参考文献 [3]。
- 人力资源和社会保障部（近年）. 新职业（人工智能训练师、数字化管理师等）发布与职业技能标准. — www.mohrss.gov.cn
评论
加载中…