2026年9月29日,麦肯锡全球研究院发布了一份82页的报告,名字很直白——《Workforce in motion:美国未来就业的技能与路径》。
同一份报告的测算里,藏着另一个数字:自2022年以来,美国招聘启事中要求”AI熟练度”的职业数量,涨了约11倍。
再往前翻四年——2019到2022年,疫情冲击之下,美国每年约有78.5万人跨职业流动,创下历史峰值。
一场比疫情更持久的迁徙,已经在路上。只不过这一次,报告给出的判断是:未来十年,美国创造的岗位可能比被替代的多——但前提是,人要走得过去。

3600万个岗位当量”搬家”,净增只有500万
先把账算清楚。麦肯锡的模型测算:AI和自动化理论上可以接手相当于现有工时54%的任务。听起来吓人,但账不是这么算的。
自动化确实会削减劳动需求,规模相当于约3600万个全职岗位当量,占当前工时的21%。但报告同时列出四种”对冲机制”——缓解过度工作(比如教师用AI每周省下5.9小时)、生产率引发新需求(审计师采用AI后就业反而增长4.3%)、催生新的工作活动(监督AI系统、处理异常)、以及法规与社会预期构成的替代壁垒——这些加起来,可以抵消约60%的冲击。
另一边,AI价值链和经济增长可能带来约4100万个岗位当量的新增需求:老龄化带来的医疗照护、基础设施与能源建设、数字经济。
两边相抵,净增约500万。
数字好看。但报告紧接着泼了盆冷水:约1100万美国劳动者,可能需要跨职业转换——摊到十年里,每年约77万人,是疫情前历史年均水平(约21.5万)的3.6倍。
疫情期间的78.5万,是两三年的短期冲击;这次,是连续十年的高强度流动。对培训体系、企业招聘和家庭收入安排来说,完全是两道不同的题。
岗位总量够,人过不去——这才是真正的难题。
一句话:这是一间”零件可替换”的公司。换掉模型,它还是它。
收银员的工牌没换,柜台换了
1100万听起来遥远,但另一组数字落在了几乎每个人头上。
麦肯锡估计,约72%的劳动者,至少15%的工作时间会转去做不同的任务。其中47%属于中度变化(15%—30%的工时改变),另有25%属于高度变化——超过30%。
换职业的只是少数,被改写工作内容的,是大多数。
报告举了几个职业,对照着看很有意思。
收银员属于高颠覆:就业预计从290万降至240万。但留下的那部分,不再是机械地扫码收款——自助结账和移动支付接手常规交易后,收银员转向处理支付异常、解答顾客问题,以及一件五年前不存在的工作:监督AI系统。
保险核保员属于增强:就业持平在8.7万。资料整理和核验交给AI,人多做风险判断、解释AI建议。
牵引挂车卡车司机是个反转:被普遍认为最可能被自动驾驶颠覆的职业,就业预计反而从130万增至150万——驾驶和货物搬运在工时中的占比不降反升。
暴露不等于风险。麦肯锡把这句话写进了报告的底层逻辑里:自动化采用率高的职业,未必流失最多岗位;真正的风险,是”需求下降”和”路径薄弱”的组合。
企业的人才盘点,也要从岗位名称深入到任务——哪些交给了AI,人新增了哪些判断、协调和监督。答案决定培训有没有用,也决定省出来的时间能不能变成新产出。
洗碗工到照护助理,技能重叠只有20%
对那些确实需要跨职业的人来说,路有多宽?
麦肯锡给每条转岗路径设了四道门槛:目标岗位是否增长、技能能否衔接、工资能否保住、法定资格证书要学多久。按此把路径分成三类——直接衔接、需要补技能、门槛较高,占比分别是14%、41%、45%。
也就是说,每7个需要转岗的人里,只有1个走得通”直路”。
三组具体路径,三种难法。
洗碗工转居家照护助理:技能重叠约20%,约30万人处在这类路径上。目标岗位工资高约12%,但要学日常照护、协助患者,法定基础培训至少一个月,雇主还普遍看重护理助理证书。这是”门槛较高”的一类。
包装工转生产装配:技能重叠约52%,约17万人。搬运、质量检查的经验用得上,但机械装配、钻孔、精细操作要重新练。目标工资约高10%,属于”需要补技能”。
办公室助理转项目经理:技能重叠约58%,约12万人。排程和协调经验是底子,但项目交付、业务拓展、质量管理要补课,雇主往往还偏好学士学位和项目管理证书。模型测算的目标工资高约154%——潜力最大,门槛也最高。
还有几组数字,堵住了”上培训班就能解决”的想象。
美国约85%的增长岗位要求某种证书或职业资格,其中38%是法律强制、47%是雇主偏好。在法律要求证书的增长职业里,只有高中学历的申请人,平均要训练约32个月;有学士学位的,约17个月。
约76%的增长岗位需要到现场工作——技能和工资都合适,岗位也可能要求搬迁或轮班。约四分之一的增长岗位仍落在工资最低的两档,医疗支持岗位增长最猛,但其中约92%的新增岗位工资偏低。
而转岗压力的分布,更是不平衡的:低收入劳动者需要换职业的可能性,是高收入者的约7.6倍;无学士学位者是1.8倍;女性和25岁以下劳动者各约1.6倍。
路不是没有,只是铺得不均。
推开转岗的门
成功之外,Virtual Biotech还干了件药企不爱提的事——研究”为什么失败”。
系统回顾性地盯上一个被终止的案例:vixarelimab(RO7622888 / KPL-716)治疗溃疡性结肠炎的 II 期,代号 Moonglow,ClinicalTrials.gov 编号 NCT06137183,由 Genentech 赞助,3 个臂、计划入组 210 人,最终因为无效性分析(不太可能达到主要端点)而终止。
系统从计算角度找原因:OSMR 在抗 TNF 治疗无应答者的成纤维细胞亚群里高表达,驱动了 JAK-STAT 通路的持续激活。结论是,单阻断 OSMRβ 可能压不住冗余的信号,并建议未来按生物标志物分层入组。
说清楚:这是计算推断,不是实验证明。但一家”公司”主动复盘自己从没做过的失败,本身就罕见——大多数组织只愿意讲成了的故事。
Headcount 开始不稳:从虚拟 CSO 到真实实验室
把三组案例并排放,规律自己浮出来。
收银员和卡车司机,同样暴露在自动化之下,一个需求收缩、一个反而扩张——差在”需求”这一侧。洗碗工和办公室助理,同样要跨职业,一个技能重叠20%、一个58%——差在”路径”这一侧。
AI时代的就业问题,从来不是”有没有岗位”的单选题,而是”路在哪里、通不通”的连线题。
麦肯锡把答卷分给了四方:企业要按技能规划岗位流动,把”多少员工转入了增长岗位、空缺岗位有多大比例由内部填补”写进AI转型的成绩单;政府要分担培训与过渡成本;教育机构要围绕真实岗位设计可累积的资质;劳动者自己,则要从目标岗位倒推准备——先选定一两个增长中的岗位,再对照技能差距、证书周期、工资和地点,找一条具体可走的路。
这比笼统地”学AI”,更接近问题的解法。何况留给准备的时间,已经被标了价:要求AI熟练度的职业数量四年涨了约11倍,适应力涨了5倍,韧性、好奇心和学习意愿各涨了3倍——连”愿意改变”本身,都成了招聘启事上的一行字。
1920年,约四分之一的美国工人在农场里;如今,这个数字不到2%。上一次大迁徙走了一百年,这一次的迁徙压缩在十年里。
AI抢走的从来不是岗位,是旧路;新码头不缺船,缺的是桥。