Meta 与 Klarna 的 AI 用工回撤：自动化为何仍离不开人

AI 正在重塑企业如何配置团队，但 Meta 和 Klarna 的经历说明：让 AI 替代整项职能，远比自动化其中一部分工作困难得多。

Meta 在完成首轮人员调整后，停止了 Project OT 第二轮重组的规划；Klarna 则在“AI 优先”的客服模式带来较低质量的体验后，重新招聘人工客服。共同的结论并不反对 AI，而是很务实：AI 擅长大规模处理结构清晰、重复性高的工作；面对模糊情境、结果核验、例外处置和客户关系时，人仍不可或缺。218

Meta：小团队加智能体的设想，碰上复杂流程的现实

路透社报道，Meta 的“Project OT”（Organization Transformation，组织转型）原计划分两轮推进：先在 2026 年 5 月进行首轮调整，再在 11 月继续重组。Meta 在首轮中裁减约 10% 的员工，随后取消了对 11 月调整的规划。Meta 也确认该项目存在，并称其为一项为期一年的计划，涉及成本削减、团队结构重组以及向优先领域调配人员。2

这并非普通意义上的降本计划。其设想是由规模更小的员工团队配合 AI 智能体完成工作。但现实中的难点在于：更多代码、草稿或任务产出，并不必然等于更可靠的产品交付。

在跨系统、跨团队的复杂流程中，仍需要人来明确目标、协调衔接、测试结果、识别失误，并在问题出现时承担责任。Meta 并未停止投入 AI 或使用 AI 辅助工作；变化在于，公司不再确信智能体能力足以按原定时间表支撑第二轮广泛人员调整。2

Klarna：处理量上去了，服务质量未必跟上

瑞典金融科技公司 Klarna 的案例，则呈现了客服场景中的同一问题。其 AI 助手能够处理付款、退款、退货等常见咨询，并承担了相当大比例的标准客服对话。17

不过，Klarna 后来不再坚持纯粹的“AI 优先”姿态，开始恢复招聘人工客服。报道显示，首席执行官 Sebastian Siemiatkowski 承认，公司削减人工能力的力度过大，损失了重要的经验和专业判断。AI 对复杂、模糊或带有情绪压力的问题应对不足，因此公司开始重建人工客服能力。1819

关键不在于 AI 没有价值，而在于它对常规问题的高效率，不能自动延伸到争议付款、特殊情况、监管相关问题或客户情绪升级等场景。自动化服务要真正有效，必须预留清晰的人工升级通道，并让合格的人员对最终处理结果负责。20

更可持续的模式：AI 是杠杆，而不是所有岗位的替身

Meta 与 Klarna 的调整，指向了一种更稳健的组织设计：

• 优先自动化可预测任务。 当输入标准化、结果易验证、错误容易纠正时，AI 的价值最清晰。
• 在关键决策点保留人。 涉及跨系统背景、利益权衡、专业判断、责任归属或关系维护时，人仍是核心。
• 把升级机制写进流程。 客服和其他高风险流程不能让用户困在自动化循环里，必须能转交给具备处理能力的人。
• 衡量最终结果，而不只看活动量。 代码生成更多、首次响应更快、处理量更高，都不足以说明流程更好；还要看质量、解决率、安全性和客户信任是否受损。

因此，AI 不会让岗位变化停止发生。更可能发生的是团队重组、技能要求改变，以及专做常规任务的岗位减少，而不是人类工作在短期内整体消失。

招聘数据：需求在向技术能力重新配置

科技行业的招聘趋势与这一判断一致。SignalFire 的数据显示，大型科技公司的整体招聘量比 2019 年基准低 25%，而软件工程岗位招聘仅低 11%。因此，软件工程师在这些公司的招聘中占比升至 55%，高于 2019 年的 46%。49

这并不能证明所有变化都由 AI 引起。商业周期和疫情后的人力调整同样会影响招聘。但数据至少显示：更精简的组织并未不再需要技术人才，需求更多转向能够构建、部署、评估、保障安全并监督自动化系统的人。

更值得警惕的，是初级职业阶梯变窄

斯坦福数字经济实验室研究人员基于覆盖数百万美国劳动者、截至 2026 年 6 月的行政薪资数据发现，尚无证据表明 AI 已在全经济范围引发大规模岗位替代。但在高度受 AI 影响的职业中，22—25 岁劳动者的就业水平，比其若与受影响较小的同龄群体保持相同增长速度时应达到的水平低 19%；有经验劳动者没有出现类似差距。这种调整主要体现为年轻人招聘减少，而非离职增加。35

这里的 19% 是相对“未能同步增长”的缺口，并非 AI 直接消灭了 19% 岗位的计数。但它凸显了一项现实风险：当 AI 接手一部分入门级、重复性工作，企业提供给新人积累经验、走向更高职位的机会可能随之减少。

企业该从中学到什么

问题已经不是“要不要用 AI”，而是“AI 在哪里能改善流程，又不会抽走让流程保持可靠的人类能力”。

Meta 叫停第二轮规划、Klarna 重招客服，都提醒企业应以最终结果检验自动化：产品是否顺利交付、判断是否准确、问题是否真正解决、客户是否仍有信心，以及出错后的恢复成本是否可控。

在 AI 表现稳定的环节，它能放大较小团队的能力；但在不确定性高、后果严重的环节，更合适的方案通常是“人机协同”，而不是“无人化”。AI 正在改变团队的构成与杠杆率，真正可能胜出的企业，是把自动化用于提升人的工作，而非把它当作绕开人类工作的捷径。