周末读完Ben Casselman关于AI裁员的跟踪报道，顺手理了点头绪。从某种角度看，这早已超出单纯的技术替代命题，而是典型的制度供给滞后于生产力跃迁。现行劳动法对“算法解雇”的正当程序界定依然模糊，企业用效率模型重构人力配置时，合规成本低廉，但劳动者的摩擦性失业成本却被彻底外部化。管理学若只盯着短期财报搞组织扁平化，恐怕会陷入激励不相容的死循环。真正值得深究的是，如何通过社保网的精准托底与职业培训的信号定价，将技能重塑转化为人力资本溢价？目前宏观层面缺乏细颗粒度的追踪数据，不知各位手头是否有相关企业的转岗留存样本？咱们可以就着这些实证聊聊规则重构的边界。

楼主提到“算法解雇”的正当程序界定模糊，这个切入点很准。严格来说我倒是想起一个建筑史上的类似困境——营造法式推行时期，官式建筑标准化对民间匠人体系的冲击。

北宋李诫编修《营造法式》，本质上是把营造技术从师徒口传心授变成了可量化的模数体系。当时大量依赖经验判断的老工匠突然发现自己掌握的“默会知识”失去了议价权，这和现在算法接管管理决策的情形有几分相似。有意思的是，朝廷当时并没有配套的匠籍制度改革，导致技术标准化带来的效率红利，全让官造机构吃下了，基层匠人的转型成本完全没人管。

回到你说的“宏观层面缺乏细颗粒度追踪数据”这个问题。古建研究里有个教训值得参考：上世纪三十年代营造学社做全国古建普查，如果只盯着官式建筑的大木作，数据是很好看的，但一旦深入到各地民居的穿斗、抬梁混合做法，统计口径立刻就乱了。现在AI裁员的追踪数据，恐怕也是类似的问题——企业报上来的“转岗成功”样本，统计边界到底划在哪里？是内部转岗算成功，还是同行业再就业就算？离职后三个月找到工作算，还是半年？

你说的“社保网精准托底”我完全同意，但补充一点：托底不只是钱的问题。就像古建修缮，光拨银子不培养懂传统工艺的匠人，最后钱都花在表面功夫上了。职业培训的信号定价机制，关键得让技能本身有市场定价权，不然培训完了还是去送外卖，社保托得再稳也解决不了人力资本贬值的问题。

tesla_q，营造法式这个类比抓得准，但有个细节我想补充——你提到的“默会知识失去议价权”，在工程实践里其实还有个更麻烦的层面：标准化体系本身会反向淘汰掉那些无法被量化的技能维度。

我08年带过一个项目，给大连一家老船厂做数控改造。当时遇到的情况和你说的几乎一模一样：老焊工凭手感能判断钢板应力，新来的技校生只会看仪表读数。管理层觉得后者“可复制、可考核”，把前者全优化掉了。结果呢？头半年效率确实上去了，但遇到特殊钢材或者异形焊缝，仪表读不出问题，废品率直接飙到17%。后来不得不花三倍价钱把几个退休老师傅请回来当顾问。

回到你提的统计口径问题。企业报“转岗成功”这个数据，根因不是边界划在哪，而是谁在定义“成功”。就像我那个船厂项目，KPI里只记“人均产出”，不记“废品率”——因为废品率算在质控部门头上，和生产优化没关系了。AI裁员的追踪数据大概率也是这个毛病：HR部门报的是“离职后三个月内再就业率”，但没人去追“再就业岗位的技能匹配度”和“薪资降幅”。这两个指标如果不进统计模型，你拿到的数据就是典型的survivorship bias。

社保托底那个点我完全同意你，但想再往前推一步。你说的“让技能有市场定价权”，技术上其实可以做到——德国的工匠认证体系就是个现成模板，焊工分287个等级，每个等级对应明确的时薪区间。问题是国内职业培训现在走的是“发证模式”而不是“定价模式”，证发完了和薪资不挂钩，那培训就变成了沉没成本。这个不是技术难题，是制度设计上没把信号定价机制嵌进去。

说到古建普查那个教训，我倒是想起另一个类似的坑。90年代做工业普查，统计“技术工人数量”的时候，把会操作数控机床的都算成“高级技工”，结果数据好看得不得了。后来一细查，大部分人只会按启动键和急停键，连G代码都不会改。现在AI裁员的追踪数据，我怀疑也在犯同样的毛病

哈哈 看到你说算法解雇 我第一反应是想到法国去年有个案子 一个外卖员被平台算法自动判定为"低效骑手"直接封号 连申诉渠道都没有 后来才发现是系统把他在医院产检的等待时间算成了摸鱼 笑死 这算法还真不如我前夫懂人性

我去年生完娃重返烘焙间的时候 也差点被某个"效率优化系统"优化掉 理由是"出单速度低于平均值" 但拜托 我做的是千层酥啊 每一层折叠都要手感的 能跟流水线吐司一个标准吗

楼主说的技能重塑那点我特别有感触 但问题是 谁出钱让劳动者去学新技能？我在蓝带那会儿一年的学费够我爹妈在巴黎郊区付三个月房贷了 指望企业主动掏钱给员工培训转型 还不如指望我家猫学会开烤箱

lz说的"技能重塑转化成人力资本溢价"让我想起这学期改学生论文 有个学生写了句"AI时代的核心竞争力在于不可替代性" 我当时就想 这娃把问题想简单了

上个月带学生去企业调研 遇到个干了八年质检的大姐 被AI视觉检测系统顶了岗 公司给她的"转岗培训"是三天Excel速成班 笑死 这能转哪去

不过我觉得问题不全在制度 很多人根本不清楚自己的技能在市场上值多少钱 我表弟前年从汽车厂出来 非要去学什么区块链 我劝他先考个电工证他不听 结果现在区块链没学明白 电工证也没考 在家躺了半年

对了 whisper上次说他那边有个制造业转岗的数据 不知道整理出来没 我正好这学期有门课的论文题目跟这个相关 能给我参考下不？

meh_sr 你说的法国外卖员那个case，本质上是个data labeling的问题——系统把GPS静止状态错误归类为idle time，但缺少contextual metadata来区分"在医院"和"在咖啡馆刷手机"。这不是算法蠢，是feature engineering阶段就没考虑医疗场景的edge case。

千层酥的例子更典型。你做的这种pastry属于high-craft low-repeat的工作，标准化产线那套OEE指标（Overall Equipment Effectiveness）根本没法套用。我之前拍一个手工皮具作坊，老板也被SAP顾问忽悠上过一套排产系统，结果系统把缝线时间跟机器冲压对标，KPI全红。三个月后他直接把终端关了，回归纸质工单。

不过你说的培训费用问题，我有个不同视角。蓝带那种institutional training确实贵得离谱，但现在技能重塑不一定走那条路。YouTube上有个频道叫"Alex French Guy Cooking"，从机械工程转行做面包，全靠开源社区和迭代测试，三年做到出书。这就像从proprietary software切到open source——学习曲线陡，但边际成本趋近于零。

当然这不适用于所有人。你烘焙是手艺活，tacit knowledge占比高，靠视频学不来折叠面团的力度判断。但很多被算法优化的岗位，比如客服质检，其实转数据分析只需要SQL+基础Python，Coursera上几十刀就能搞定。问题在于信息不对称——大部分人不知道哪些技能有二级市场溢价。

我去年帮一个被裁的UI设计师朋友搭portfolio网站，发现他手绘功底极强但完全不会Figma。两周速成+作品集重构，现在时薪比原来高40%。这就像refactor代码——不是重写，是把现有模块用更高效的接口重新封装。

你家猫学会开烤箱的概率，可能比企业主动掏培训费高。但话说回来，法国那个CPF个人培训账户系统其实还行，每年自动充值500欧，累积可用。国内要是能搞个类似的，至少能把选择权还给劳动者。

楼主提到“宏观层面缺乏细颗粒度的追踪数据”，这个问题我最近正好在琢磨。严格来说，数据缺失不是技术问题，是采样框架的设计缺陷。

大多数AI裁员的追踪研究用的是企业层面的aggregate data——离职率、岗位削减数、自动化投入占比。但这类数据有两个盲区：一是时间维度上的滞后性，通常要等季度财报出来才能反推；二是完全捕捉不到“隐性替代”——就是那种岗位名称没变但工作内容已经被算法重构的情况。

我去年帮一个做外贸的朋友分析过他们公司的ERP上线数据。表面上看，上线后半年内只有一个客服被裁，但实际上整个跟单团队的日常决策权被系统吃掉了70%。原来需要三年经验判断的排产逻辑，现在系统自动给出建议，人的角色从决策者退化成了执行确认者。这种skill erosion在传统的人力资源指标里根本体现不出来，因为这些人还在岗位上，工资也没降，但他们的market value已经在悄悄贬值了。

简单说所以你说的“转岗留存样本”，我觉得关键不是样本量不够，而是我们追踪的维度错了。应该追踪的不是“谁被裁了然后去了哪”，而是“谁的决策权被算法替代了以及替代后他的技能曲线变化”。这个需要企业内部开放更细粒度的task-level数据，但大部分公司把这当商业机密。

btw，你提到的“激励不相容”这点很准。我补充一个角度：很多企业搞AI裁员时犯的错误，本质上和程序员过早优化一样——在没搞清楚bottleneck在哪的时候就开始重构核心模块。结果裁掉了一些看起来低效但实际上承担隐性协调成本的人，然后发现团队沟通成本暴涨。

有没有人做过跨行业的task-level技能贬值速度的对比研究？我直觉上觉得制造业和服务业的曲线形状应该很不一样，但没找到靠谱的数据。

pixel60 这千层酥的例子真是绝了，我拍过一家做和果子的老师傅，那双手能在三十七度室温下凭手感判断红豆馅的收稠程度，你让传感器来试试？
无语
说真的，你提到蓝带学费那段我特别有感触。之前接了个活，拍某互联网大厂的"员工再培训计划"，去了现场一看，好家伙，整得跟微商年会似的，最后能拿到补贴的全是内部推荐的"高潜员工"。那套系统的设计逻辑根本就不是为了让打工人转型，是为了让HR在ESG报告里多写两行漂亮话。

我倒是好奇，法国那边蓝带毕业的手工烘焙师，现在有人试着把你们的"手感数据化"吗？比如用压力传感器记录折叠力度之类的，既保了手艺又给了算法一个台阶下。这思路要是能成，算不算得上是打工人对系统的一种温柔反制？

tesla_q，你这个营造法式的类比让我想起LSE时读过的一篇paper，Acemoglu & Restrepo关于技术变革与技能需求错配的研究。不过我想从另一个角度补充——你提到的"默会知识失去议价权"这个判断，其实值得再拆解一层。

严格来说，北宋匠人面临的不只是"标准化替代经验"这么简单。营造法式推行的模数体系，本质上是在建立一个可审计的quality benchmark。以前你做的斗拱好不好，全凭老师傅一句话，现在有了材份制，几等材、几铺作，数字摆在那里。这其实是在降低信息不对称——但问题在于，降低的是谁的信息成本？官造机构作为买方，现在可以跨地区比价、跨工匠验收，议价权自然向买方集中。

这和现在算法解雇的情况有个关键区别。北宋的问题是度量标准统一了但市场没统一，匠人没法拿着"我会三等材以上大木作"这个credential去别处议价，因为需求端只有官造一家。但现在的AI裁员，算法黑箱的问题恰恰相反——不是标准太透明，而是太不透明。你根本不知道模型里哪个feature权重高，为什么你的"效率分"从上个月的87掉到了这个月的63。这种情况下，劳动者的议价权不是被标准化剥夺的，而是被信息不对称剥夺的。

说到你提的统计口径问题，这个确实是个methodology层面的硬伤。我在伦敦做金融分析的时候，经常遇到类似的问题——不同机构报上来的ESG数据，口径能差出30%。你问"内部转岗算成功还是同行业再就业算"，这其实取决于你用的是stock measure还是flow measure。如果用stock，只看当前在职状态，那三个月后离职的人就不在统计里了；如果用flow，追踪cohort的就业轨迹，数据采集成本会指数级上升。嗯企业没有incentive去做后者，政府想做但预算有限，最后就是现在这个局面——大家手里都是些cherry-picked的case study，谁也说服不了谁。

不过你最后关于职业培训定价权的观点我完全同意。说到底，skill premium不是培训出来的，是市场bid出来的。