AI 自动化了任务，为什么有些职业的从业人数反而增加？
ChatGPT 发布之后，一个听上去极其合理的预测流行起来：全球搜索会走出一条陡峭的下滑曲线。逻辑简单得几乎无懈可击——一件事从“翻十条蓝色链接”变成“一句话直接拿到答案”，中间那个网站入口按理不该活得比过去更好。
但公开数据没有画出这条曲线。Graphite 基于 Similarweb 估算，全球主要传统搜索网站的月均访问量，从 2023 年第一季度约 814.6 亿次降到 2025 年第四季度约 806.9 亿次，累计只减少约 0.94%。这个口径既不是全部查询，也不是覆盖到 2026 年年中的完整序列，但它足以否掉“搜索已经崩塌”这个直觉版本。数据
放射科也让同一套直觉撞了墙。医学影像一度被视作最容易被 AI 自动化的专业之一，然而一项基于美国 Medicare 登记数据的研究显示，放射科医生从 2014 年的 30,723 人涨到 2023 年的 36,024 人，九年之间增长 17.3%。这只能说明影像 AI 的采用与医生增员可以发生在同一时期，不能证明前者促成了后者。但它已经把同一个问题逼到台面上：机器越来越能干，为什么服务使用量与从业人数没有按直觉下降？研究
真正出错的可能不是我们对 AI 能力的估计，而是我们头脑里那张看不见的静态图：社会每年只需要一亿次搜索、读一亿张片子、算一百万份账。机器多做一份，人就必须少做一份。这是一块永远不会长大的蛋糕。许多最直观的“AI 抢工作”剧本都从这里开场，而这一步，可能就已经错了。
量尺没换对，坍塌就成了错觉
想判断 AI 有没有替代搜索，别急着看总趋势图，先看图里量的到底是什么。搜索量、外链点击和搜索入口，是三件不同的事。
DataReportal 引用 GWI 对 54 个市场在线成年人的调查：每月使用搜索引擎的比例在 ChatGPT 发布后并没有立刻下滑，反而一路升到 2024 年第二季度的 82.4%，直到 2025 年第四季度才回落到 79.3%。掉下去的是 3.1 个百分点的用户覆盖率，不是每个人搜索的次数，也不能把整段变化都归到 AI 头上。来源
真正明显萎缩的是另一处。Pew 对美国 Google 浏览面板的比较发现，在没有 AI 摘要时约有 15% 的访问会点击传统搜索结果；一旦页面上出现 AI 摘要，这个比例降到 8%，而摘要引用的来源链接仅在约 1% 的访问里被点开。对依赖 Google 外链的网站来说，这确实像一场坍塌；但对 Google 而言，用户仍然完成了一次搜索，对用户而言，答案可能已经在结果页上拿到了。Pew
第一层错位在这里露了出来：搜索这件行为并没有等比例消失，被搜索送到外部网站的流量却在大幅消失。整个内容产业感到的凉意是真实的，但那不能被翻译成“人们不再搜索了”。
覆盖率不等于替代率。即便所有人都上了 AI，也不代表每次 AI 使用都对应一次原本会去 Google 的搜索。写邮件、改代码、总结自己电脑里的文档、生成插图，本来就不算 Google 的生意。反过来，一次 AI 对话也可能制造新的搜索：模型给出候选品牌，用户再去 Google 找官网、看最新价格、比对替代品，最后跳进网站或 App 完成交易。Similarweb 的调查显示，在 AI 提及某个品牌之后，40% 的受访者会再去 Google 搜索它，36% 会用 Google 比较替代品——这是调查证据，不代表全世界，但足以说明 AI 与搜索完全可能是同一条决策链上先后两步，而不是抢同一块固定份额。Similarweb
方向相同但证据边界更窄的一条旁证来自 Google 自己：它披露过，美国和印度会触发 AI Overviews 的部分查询，AI 摘要让后续搜索增加了超过 10%。这是公司内部、限定市场与限定查询的数字，只能说明互补关系可能存在，不能外推成全球规律。Google
还有一层看不见的迁移。AI 要给出最新事实时，经常在后台调用检索，用户只是不再亲自打开那个结果页。搜索框可能衰落，检索能力却会进入后台。就像自来水铺开之后，人们去井边打水的次数骤降，社会的总用水量却没有跟着骤降。今天没有统一口径把这些后台调用完整还原出来，所以这仍是一个有根据的推断，而不是已经被测量出来的事实。但它足以提醒我们：一个可见入口的低迷，不等于一种能力的退场。
蛋糕不是固定的：效率上去，人未必下来
把搜索与放射科并排放到一张纸上，那个悄悄假定的静态模型才会显形。AI 让每个人的效率翻倍，好像自然就该只留下一半人。这个算式的漏洞不在除法，而在分子被偷偷写成了常数。
一个更接近现实的粗略公式是：
岗位数 ≈ 总需求 ÷ 人均产出
自动化提高人均产出，动的是分母；但它同时可能通过降价、提速、扩大可及性、抬高质量，把分子放大。最后是增员还是减员，要看两边谁跑得更快。
经济学把这种可能性的一部分叫作需求反弹。某种能力变便宜以后，市场并不总是消费同样多、然后把省下的钱收起来，而经常发明更多用法。布料便宜了，人们不只是把两件衣服的钱省下来，而是买了窗帘、床单、家具面料。软件便宜了，公司不只是维持原来那套系统，而是给更多内部流程写软件。当提问和拿到初步答案都变便宜时，人们也开始问过去嫌麻烦、觉得不值得问、甚至根本不会问的问题。
服务业还多一股力：标准升级。一项检查过去排期长、成本高，医院只能留给高风险患者；当设备、AI 和流程让它更快，筛查范围可能扩大，报告时效也可能从几天缩到几小时。原本“有一份报告”就够，后来还可能要求更细的分层、更早的发现、更完整的随访。技术不只可能压低旧标准的成本，也可能抬高社会愿意购买的标准。
于是分析 AI 对就业至少要同时看三股力：旧任务被替代，生产率变化引发的需求扩张，以及新任务的出现。Acemoglu 和 Restrepo 把就业当作这些力的净结果，而不是简化成一张“机器已经会做什么”的清单。论文 这也解释了为什么覆盖率只能解释一部分：AI 没覆盖到所有人确实会拖慢替代，但即使覆盖率继续爬升，只要它同时让更多人提出问题、接受检查、使用软件、抬高服务标准，总量仍然可能不降反升。关键不在“多少人碰过 AI”，而在每省下一单位成本，市场会补上多少新的需求。
稀缺换了位置：机器替代任务，市场重写职业
职业不是一个不可再分的方块。放射科医生这份活里，既有图像筛查、病灶标注、报告初稿，也有结合病史判断、决定下一项检查、处理疑难、跟临床科室沟通、向患者解释，还要为诊断承担责任。AI 在前一组任务上突飞猛进，不等于它已经端到端接管了后一组工作。
美国放射学会的行业材料描绘了一种很现实的压力：影像量的增长跑得比医生供给更快，机构希望用 AI 缓解任务负担。这里的因果要说得克制。影像量增长既可能来自人口老龄化，也可能来自设备普及、临床指南更新、支付制度调整，医生人数上升更不等于 AI 创造了岗位。我们能确认的只是——单位任务被自动化、服务总量在扩张、专业人员短缺，这三件事能够同时存在。ACR
这时发生的不是稀缺消失，而是稀缺换了位置。模式识别变便宜以后，结合上下文的判断成了新的瓶颈；报告初稿变便宜以后，疑难裁决、沟通与责任相对更稀缺。搜索大概率也在经历同样的迁移。过去稀缺的是“找到几篇相关网页”，如今稀缺的是判断来源是否可靠、如何综合互相冲突的信息、哪一条结论可以据此行动。AI 可以几秒给出十个选项，人的活儿却可能从“想出一个选项”变成“排除九个看起来合理但其实不适用的选项”。执行变便宜，不代表决策也变便宜。
机器替代任务，市场重写职业。AI 面对的不是“放射科医生”或“会计”这个词，而是一组任务；市场面对的也不是旧岗位说明书，而是成本改变之后被重新组合的服务包。一个职业可能总人数增加，同时内部最标准化的那些岗位大量收缩；也可能岗位名称没变，日常工作、能力门槛和责任边界已经完全换了内容。
电子表格提供了一个更窄、也更清楚的例子。与 1980 年相比，美国少了大约 40 万名簿记员与会计文员，却多出 60 多万名专业会计。几十年的变化不能全归到软件头上，但结构方向富有启发：手工加总、抄录、制表在退，分析、审计、解释、咨询在涨。OECD 这组总量变化并不意味着失业的会计文员能无成本转成专业会计；它只说明社会需要的能力构成在改变。
倒 U 型：今天没减员，不等于明天不减
需求反弹不是技术乐观主义的护身符。它有一个前提：便宜之后市场还愿意继续多买。如果需求逐步饱和、生产率仍然继续提升，那么分母终究会跑赢分子，就业曲线可以从上升翻转为下降。
19 世纪的纺织业是这个生命周期最清晰的教材。以动力织布机为代表的累计机械化过程，把 1810 到 1910 年间织一码布所需的劳动减少了约 98%，工厂织工的人数却在相当长时间里持续增加。布料价格下降，普通人多买衣服、多买家用织物，需求扩张跑赢了单位劳动下降。Bessen
但增长没有永久。Bessen 后来的研究把美国纺织就业在 20 世纪中叶的转折主要解释为需求逐渐饱和，贸易等因素在此之上又加深了就业损失。纺织、钢铁、汽车都出现过类似的就业倒 U 型：早期降本扩市场，中期产量和岗位一同上涨，后期市场接近天花板、自动化仍在推进，岗位于是回落。NBER 把它叫作“倒 U 型”，价值不在于它是一条规律，而在于提醒我们：一个职业当下的方向不能被外推成永远的方向。
ATM 讲的是同一个故事，只是切片更近。1988 到 2004 年，美国平均每家城市分行需要的柜员从约 20 人降到 13 人，但城市分行数在同一时期增长了 43%，柜员总岗位一度并未按单店效率同步下滑，工作重心也从数钱转向客户关系与销售。Bessen 随着移动银行铺开，自动化范围又从柜台任务扩展到部分分行服务；美国劳工统计局预计 2024 到 2034 年间柜员岗位再减少 13%——但这项预测本身也提醒不要把降幅全部记到移动银行头上。BLS
农业更像另一面。1948 到 2017 年，美国农场就业减少 81%，劳动时数减少 83%。机械化并不是唯一原因——非农就业机会、家庭农场结构变化都参与其中——但粮食需求比信息、软件和医疗筛查更容易撞到天花板。一个人不会因为粮食便宜十倍就吃十倍的饭。USDA
所以今天传统搜索网站访问没有崩塌、Medicare 登记的放射科医生没有减少，与一种解释相容：需求扩张、新任务与责任边界可能暂时抵消了部分效率提升。现有结果不能确认各项因素分别贡献了多少，更不能推出“未来也会这样”。与其给职业贴上安全或危险的永久标签，不如判断它现在大约走到了倒 U 型的哪一段，以及哪些条件会让曲线掉头向下。
人数没减，未必等于从业者赢
总人数是最容易统计、也最容易误导的指标。一个职业人数在涨，从业者仍然可能面对单项服务价格下跌、工作节奏加快、绩效标准抬高、议价权削弱。技术带来的收益还可能主要流入平台、设备供应商和大型机构，而不是完成工作的那个具体的人。
宏观增量也不能自动兑换为个体安全。旧岗位消失、新岗位在另一个城市、要求另一套技能、属于另一家公司——对统计表来说是“结构升级”，对被裁掉的人却是真实的收入中断。会计师增加，不会让失去工作的会计文员无成本地成为审计师；放射科总体短缺，也不代表每一项基础阅片都能保有原来的价值。
更隐蔽的风险落在训练阶梯上。资深专家不是从天而降的，他们通常在大量初级任务里养出直觉：看过正常与异常的差别，犯过成本低的错，学会什么时候该怀疑自己的第一判断。如果 AI 优先接管基础阅片、简单编码、资料检索和报告初稿，资深者短期会更高效，新人却可能失去成为资深者所需的练习。眼前节省下来的初级工时，会不会在几年后表现为专家断层？这目前只是待验证的风险——AI 也可能通过即时反馈、案例生成和模拟训练创造新的训练方式——但组织如果只算眼前账，往往要很多年后才看见代价。
把这些累加起来，一个职业的健康度就不再是“总人数是否上升”能回答的。它还要看：技术带来的收益如何分配，单位时间的劳动强度是否上升，旧从业者能否负担转型成本，新人还有没有可靠的成长台阶。人数没有减少，只说明“系统还用了多少人”，没有说明这些人过得怎样，也没有说明下一代专家从哪里来。
回到搜索与放射科
现在再回头看开头那两桩反直觉的事，故事已经不必再讲一次静态的自动化悲剧。传统搜索网站访问没有崩，不等于外部网站没有受伤——外链点击正在显著缩水，依赖搜索分发的内容生产者会因此受伤，只是它不是“人类不再搜索了”的证据。Medicare 登记的放射科医生没有减少，也不等于每一位医生都从 AI 中拿到了红利——总量安稳的背后，具体医生的日常任务、工作强度和收入结构可能已经在被重新排列。
把这些线索合到一起，会看到 AI 并不是从固定蛋糕上替自己切一块、让人少吃一块。它既可能把蛋糕做大，也会重新分配每一块的价值。一种能力被 AI 做成廉价品之后，需求会不会随之扩大，新的瓶颈会落在哪里，出错的代价又由谁承担，才共同决定从业者的处境。
其中有一组特别值得警惕的高风险组合：需求已经饱和、工作可以端到端自动化、出错责任可以转移给机器或平台。任何一项单独出现都不足以决定命运，部分自动化在需求增长不足的行业里也可能造成减员；三项叠加，会显著抬高系统性减员的风险。初级任务被抽走以后，训练阶梯能不能被新的训练系统重新搭起来，还决定了短期的效率红利会不会变成长期的能力断层。
搜索把答案送到结果页，放射科把模式识别交给模型，看上去都只是机器多做了一步。真正改变人的，却是省下来的成本有没有唤出更多需求，以及最后那一步判断和责任仍由谁承担。职业的边界，往往就在这里重新划定。