“白领末日”没来，客服岗位反而回暖：AI替代叙事，可能从一开始就讲错了

当“AI会取代你”成为流行口号，现实却开始拧巴起来

这两年，关于生成式 AI 的最响亮叙事之一，就是“白领大逃杀”。写代码的、做客服的、搞文案的、做基础分析的，好像都站在悬崖边，等着大模型轻轻一推。尤其在硅谷语境里，这种论调带着一种近乎宗教式的自信：模型每隔几个月就变聪明一截，办公室岗位自然会一排排倒下。

但现实偏偏不太配合这种戏剧化剧本。原文作者拿美国 Indeed 的客户服务岗位招聘数据开刀，指出一个不太符合“末日叙事”的现象：美国客服岗位在经历一段回落后，从 2025 年中开始反弹，如今已经接近疫情前的正常水平。换句话说，如果 AI 真像一些公司高管描述的那样，在短短两年内从“聪明高中生”进化成“聪明大学生”，那客服行业至少应该已经被打得满地找牙。结果并没有。

这件事有意思，不是因为它证明 AI 没用，而是它暴露了一个更尴尬的事实：很多关于 AI 替代白领的讨论，其实默认了一个前提——只要模型平均水平足够高，就能把整类工作端走。可现实中的工作，从来不是一张标准化考试卷。它更像一堆半结构化、充满例外、还要背责任的麻烦事。平均分高，不代表你能值夜班。

客服不是“回答问题”，而是处理烂摊子

客户服务是最容易被误判的岗位之一。因为在外行眼里，客服无非就是回答问题、查知识库、安抚情绪，听起来和今天的大模型能力高度重叠：能检索、能总结、还能讲礼貌用语。于是很多人自然得出结论——这不就是大型 FAQ 机器人吗？

问题在于，真正耗费客服团队时间和预算的，往往不是那 80%可以流畅回答的标准问题，而是最后那 20%的边角料：订单系统抽风了、退款规则互相冲突、用户遇到的是一个历史遗留 bug、物流状态显示签收但包裹没到、VIP 客户一边发火一边要求越权处理。这些情况很少有清晰答案，甚至公司内部不同部门都未必口径一致。

原文提到一个很典型的案例：有前大厂工程师分享，团队曾搭建过一个接入企业客服知识库的大模型系统，理论上能自动处理 90% 的客服案例。听起来像巨大成功，最后项目却被砍了。原因很残酷——剩下那 10% 才是最费人、最费时、最真正需要客服团队介入的部分。那套系统自动化掉的，更多像“你们的营业时间是什么”“怎样修改密码”这种低复杂度问答。它做成了一个更会聊天的帮助中心，却没真正解决客服工作的核心难题。

这其实是很多企业 AI 项目共同的命门。管理层在演示会上看到的是自动化率，业务团队在工单后台看到的是升级率、投诉率和责任归属。你能不能回答，和你能不能拍板，是两回事。一个模型如果把简单问题处理得飞快，却把棘手问题更晚暴露出来，企业未必会因此节约成本，反而可能把用户情绪推到更糟糕的节点。

白领工作的难点，不在“常规操作”，而在“例外情况”

原文用了一个有点学术、但很妙的词来概括这类工作：半可判定（semi-decidable）。翻成大白话，就是很多白领岗位并不存在一套完备、稳定、能覆盖所有情境的算法。你可以处理大量重复问题，也可以不断积累经验，让自己对熟悉模式越来越快，但总会遇到一些说不清、判不准、要跨部门、要重新定义规则的情况。

作者举了一个分红绿丝带的比喻。传送带上不断送来颜色介于红和绿之间的丝带，80% 一眼就知道该放哪边，剩下 20% 却让人犯难：这是偏红，还是偏绿？如果只是比赛速度，当然机器可以赢；但如果规则本身在模糊区间里失效，最后就不是分类问题，而是制度设计问题。你可能得承认：这不是红，也不是绿，我们需要新建一个类别。

这正是大量白领工作的真实面貌。软件开发里，日常 CRUD、套模板、修简单 bug，看起来都像 AI 的拿手菜；真正烧钱的，是架构分歧、需求不清、历史包袱、跨团队扯皮、线上事故的责任判断。咨询、法务、运营、财务分析也一样。文档可以自动生成，摘要可以自动写，表格可以自动清洗，可一旦碰上边界案例，问题就从“怎么做”升级成“该不该这样做、谁来承担后果”。

这也是为什么我一直觉得，“AI替代白领”这个说法太粗糙。它把工作理解成一组可拆分的技能，却忽略了工作背后真正值钱的东西：上下文、判断力、协调能力，以及承担错误后果的资格。你可以把一个岗位里的许多动作自动化，但岗位本身并不会因此瞬间消失。很多时候，它只是在悄悄变形。

历史已经演过很多遍：技术先吃掉任务，再重组岗位

如果把时间轴拉长一点，这场争论其实不新鲜。上世纪办公软件普及的时候，也有人担心文员和会计会被大面积消灭；互联网搜索和知识库兴起时，大家又说信息工作者会极速缩水；RPA（机器人流程自动化）最火的那几年，企业也一度相信大量后台岗位会被“无痛替代”。结果呢？有些基础任务确实没了，但更多岗位变成了“人机协作的新版本”。

生成式 AI 的不同之处，在于它第一次把“像人说话、像人写作、像人总结”做到了足够惊艳，于是让很多人误以为“像”就等于“能负责”。这是一种很容易上头的错觉。尤其当产品演示永远挑最顺滑的场景，企业高管又喜欢在财报电话会上强调效率红利时，外界更容易把工具能力直接外推成组织变革。

可组织变革从来比模型迭代慢得多。一个客服团队能不能缩编，不只看模型答题能力，还要看企业流程是不是足够标准化、知识库是不是干净、权限能不能放给系统、法务和合规敢不敢签字、出问题后谁承担责任。很多公司最后发现，接入 AI 并不意味着裁员按钮自动亮起，反而意味着你得先补一遍自己几十年积累下来的系统烂账。这个过程一点都不性感，甚至很土。

从这个角度看，客服招聘回暖并不神秘。企业经历了最初一轮“先接 AI 再说”的冲动之后，开始回归经营现实：自动化能帮忙，但无法接住所有复杂场景；用户对低质量 AI 客服的忍耐也在快速下降；真正的成本，不只是工资，还有流失、投诉、品牌伤害和二次返工。于是一些本来想“省到底”的公司，又把人招了回来。

真正值得警惕的，不是岗位瞬间消失，而是工作的价值被重新定价

这并不意味着白领可以高枕无忧。恰恰相反，AI 对办公室工作的冲击，可能比“直接裁掉一半人”更隐蔽，也更持久。它首先会压缩初级、标准化、可模板化任务的价值，让新人更难靠这些任务完成职业起步。以前一个初级分析师、助理程序员、基础客服，虽然做的大多是脏活累活，但这些工作本身就是训练场。现在 AI 把这部分工作吞掉一半，企业未必会立刻裁光老人，却很可能减少对新人的入口。

这会带来一个很现实的问题：如果年轻人越来越少通过低风险任务积累经验，那么几年后，那些能处理“最后 20%复杂问题”的成熟人才从哪来？这是今天 AI 效率叙事里最容易被忽略的一环。企业当然喜欢说“我们把员工从重复劳动中解放出来”，但很多重复劳动，本来就是职业能力形成的脚手架。脚手架拆太快，楼未必立得住。

另一个更值得追问的问题是：当 AI 成为白领工作的基础设施，企业到底是在追求服务质量，还是只是在追求更便宜的平均值？如果行业普遍接受“80%的用户需求被差不多地满足就行”，那我们得到的也许不是效率革命，而是一种更会说漂亮话的低配服务社会。你明明遇到了复杂问题，却被系统一路柔声安抚、反复转接，最后发现没有一个人真正理解你的处境。这种体验，很多人这两年已经在航空、银行、电商平台上尝过了。

所以，原文那句粗粝的判断虽然情绪很重，但打中的地方并不浅：所谓“白领 AI 末日论”，很大程度上是一种把技术能力、资本想象和现实组织复杂性混为一谈的叙事。AI 的确会改变白领工作，已经在改变；但它更像一把重塑任务结构的刀，而不是一颗瞬间炸平写字楼的炸弹。

接下来真正有看头的，不是谁先喊出“一个人干十个人的活”，而是谁能把 AI 嵌进真实业务流程里，同时保住复杂案例的处理质量、人类判断的责任边界，以及职业培养的通道。说到底，办公室不是竞技场，企业也不是大模型 benchmark。工作之所以难，不是因为大多数时候我们不会做，而是因为总有一些时刻，规则突然不够用了。那一刻，靠的从来不只是答案生成速度。