AI 数字员工会替掉你的人吗、出事谁负责？
这两个问题经常被连在一起问。但它们其实有不同的答案来源。
会不会替掉人，答案在数据里。出事谁负责，答案在法条和判例里。 两边现在都有比较清楚的说法了，而且都比传言里冷静。
先把结论放前面：数据不支持"AI 批量替代人"这个说法。法律支持一件很具体的事：每一个在生产环境里跑着的数字员工，背后都必须有一个点名到人的负责人。
一、会不会替掉人：先看数据
结论是任务被拆走，不是岗位消失
2026 年的世界人工智能大会上，上海科技大学 CEISD 发布了一份报告，《AI 时代的中国劳动力市场：从职业消失论到任务重组论》。它的核心结论直接反驳了这两年的"就业末日"叙事：AI 不会批量淘汰职业。
它给出的替代单位是任务，不是岗位。同一个职业里，标准化程度高的那部分任务会被接管，其余部分保留给人。报告里有一个数字值得看：ChatGPT 推出之后，超过四分之一的新增招聘岗位存在较高的 AI 替代敞口。听上去很惊人。
但报告同时给出了另一个数字：同期大约 2100 万个岗位是由任务重组形成的，占全部招聘岗位的 18.6%。
也就是说，同一段时间里，任务被重新拆开、重新组合出来的岗位数量，规模并不小。
经合组织在《2026 年就业展望》里说得更直白：截至报告的数据，没有确凿证据证明生成式大语言模型已经大规模、系统性地摧毁就业。 报告认为青年就业恶化的核心驱动是宏观经济周期，而不是 AI 替代。
还有一项来自麻省理工学院的研究，结论也朝着同一个方向：AI 自动化真正具备经济效益的，只在以视觉能力为核心的 23% 的岗位里。其余 77% 的岗位，仍然依赖人力。
更值得看的是"反悔"数据
比预测更有说服力的，是已经发生的复盘。
一家职场转型服务公司在 2026 年 2 月调查了 600 名在过去一年里参与过裁员的 HR。超过四分之三的人说，公司曾因为 AI 等技术进步裁掉员工。但到了验收成果的时候：
- 只有 8.4% 的受访者认为，这轮由 AI 驱动的重组完全达到了预期，而且重来一次还会照原办法再做一遍
- 54.6% 的公司发现这轮裁员根本不值，因为 AI 需要的人工监督比原先预计的更多
- 35.6% 的企业已经重新补回超过一半此前裁掉的岗位，另有 32.7% 补回了一到一半
- 超过一半的公司，在裁员后六个月内就重新开始招人
另一项调查问了 2000 多名美国招聘经理。在那些因为引入 AI 而取消过岗位的企业里，32% 后来又把相同或相近的职位请了回来。请回来的原因排前三的是：
- 40% 发现 AI 补不上员工掌握的内部经验和业务背景
- 39% 缺的是人与人之间的关系维护
- 38% 低估了 AI 还需要多少人工检查和质量控制
研究机构 Forrester 在 2026 年初的判断更直接：预计一半被归因于 AI 的裁员会被悄悄逆转。 它还补了一句更值得注意的：岗位回来，不代表原班人马回来；一部分工作会转移到海外，或者被以更低的工资重新招人。
两个具体的例子
一家澳洲银行的客服岗。 2025 年，澳洲联邦银行裁掉了 45 个客服岗位，理由是 AI 客服上线后，每周需要人工处理的电话少了大约两千通。落地之后事情和判断完全不是一回事：客服来电没有减少，反而还在增加，留下来的员工需要加班，连主管都被拉来接电话。
一个月后，银行承认裁员评估有问题，撤回了这 45 个岗位的裁撤决定，允许受影响的员工回到原岗位。
IBM 的人力资源职能。 IBM 用 AI 承接了人力资源部门的职能。实际运行下来，AI 能处理大约 94% 的日常请求，但剩下 6% 满足不了，其中包括一些涉及伦理判断的困境。随后 IBM 宣布，计划到 2026 年把在美国所有业务部门的入门级招聘人数增加两倍。
IBM 首席人力资源官在解释这个决定时说了一句话，值得记住：如果企业不继续投入入门级人才招聘，三到五年之后人才储备就会枯竭。
那 Meta 的数据说明什么
有一组数据是反方向的，也必须摆出来。
Meta 内部数据显示，员工借助 AI 生成的内部代码修改同比暴涨 220%，但真正转化成面向用户的新功能或升级只增长了 36%。同一时期，重大技术和安全事故同比增加 40%，员工花在"救火"上的时间增加了 70%。
这组数字的意思不是"AI 没用"。它的意思是：中间的差额是审核、返工和修补的代价。 生成的那部分涨得很快，能上线的部分涨得慢，中间差出来的工作量，最后还是要人接。
所以你自己该查什么
把上面这些放在一起，一个可操作的结论是：关注环节，不要关注岗位名称。你的岗位里哪些环节会被拆走，才是要看的。
一家公司的成本账不会按岗位名称算，它会按环节算：线索谁整理、初稿谁写、会议纪要谁出、跟进谁盯、周报谁拉、复盘谁归档。一个"运营"头衔下面可能藏着十几个环节，其中一部分高度可标准化，另一部分必须人拍板。
真正需要警惕的，是岗位里那些高价值环节被拆走之后，人只剩下边角料。
这也是企业和员工都能用的一个自查动作：把你现在的工作拆成环节，逐个标注"输入是什么、输出是什么、好坏标准是什么"。标不出来的那些，就是还没想清楚的部分。
二、出事谁负责：法律这边已经说话了
起点：AI 没有法律人格
这一条是所有讨论的起点，而且没有争议。
法律责任的承担前提是具有法律人格。自然人、公司、依法成立的组织有。AI 智能体没有。 它不能拥有财产，不能以自身名义订立合同，不能独立承担法律责任。
所以由 AI 行为引发的责任，最终必须追溯到某个有人格的主体。真正的问题在别处：该由哪个主体负责。是程序员、模型提供方、系统集成商，还是部署它的那家企业。
2026 年 9 月 25 日，联合国人权事务高级专员办事处在一份关于智能体 AI 的声明里把这个原则说得很清楚：AI 系统的行为责任必须留在可识别的人与机构身上，AI 系统不应具有法律人格。
同一份声明列出了维持问责的五个要素，其中三个和企业的日常操作直接相关：
- 透明与可追溯，包括智能体链条的文档记录
- 一个可识别、且有权能覆盖或停止系统的人类决策者
- 责任与赔偿归属的清晰界定
已经生效的两条
加州 AB 316。 自 2026 年 1 月 1 日起，任何开发、修改或使用 AI 的被告，都不能主张"是 AI 自主造成了损害"作为抗辩。这条法律的适用范围覆盖整条 AI 供应链：基础模型开发者、微调方、集成方、企业部署方。
换句话说，"AI 自己干的"这句话，至少在加州，不能再作为免责理由。
欧盟的产品责任指令修订版。 修订后的指令明确把软件（包括 AI 系统）视为"产品"，对缺陷 AI 产品引入严格责任，要求成员国在 2026 年 12 月 9 日前完成实施。(注：欧盟委员会 2025 年 2 月撤回了单独的人工智能责任指令提案，理由是各方未能达成一致；责任问题改由产品责任指令和高风险条款承担。)
一个原则：买来的技术不能转移责任
新加坡法学院首席执行官 Yeong Zee Kin 参与制定过新加坡的 AI 治理框架。他在 2026 年 8 月的一次访问里说得很直白：最终，组织对其部署的东西负责，从供应商购买技术并不能转移这个负担。
他还给出了一个分层结构。如果企业把智能体做进自己卖出去的产品或服务，责任在它自己。如果企业订阅商用 AI 服务、并允许员工在它上面自建智能体，责任在两层：雇主层面对应的是"行动空间"，也就是智能体被允许活动的边界；员工层面则受内部 AI 政策的约束。
他的原话是：你不能只是买了软件、不设任何护栏、然后让人随便用。
判例透露的方向
因为 AI 智能体还比较新，而诉讼需要时间，目前还没有普通法判例直接回答"智能体造成民事损害由谁承担"。
但已有的判例给了方向。法院一般不会把软件或 AI 当作独立法律主体，而是透过技术系统，去找设计、部署、授权、使用或受益于这个系统的自然人或组织。
一个可以参考的案例是 Quoine Pte Ltd v B2C2 Ltd（新加坡上诉法院，2020）。案子涉及完全由确定性算法自动执行的交易，单笔执行过程中没有任何人类直接介入。系统出故障后，交易以当时市价约 250 倍的价格成交。法院多数法官认为，在分析这类错误时，应考察程序员在编写程序时的心理状态。
这个案子的对象是确定性软件，还没处理非确定性的智能体系统。但它的指向很清楚：法律后果归属于技术背后的人，而不是技术本身。
新加坡 IMDA 在 2026 年 5 月发布了一份关于 AI 智能体法律责任的讨论文件，英国司法任务小组在 2026 年 7 月发布了相关的法律声明。两份文件都没有给出确定结论，但都倾向于认为，现有的合同法与过失责任规则可以处理很多场景，只是在具体适用时会遇到新挑战。
一个必须自己检查的悖论
有一件事比法条更容易被忽略，它叫监督悖论。
企业采用 AI 智能体的目的，就是减少人的参与，这正是它的价值主张。但要治理这些智能体，又要求人的监督，这是问责的前提。两个要求方向相反。
这个悖论在有些场景里已经变成了形式。医疗领域有一个被反复提到的例子：一个人类顾问名义上监督着由 AI 管理的成千上万个案例，实际的人类判断趋近于零，"human in the loop"变成了一个法律上的虚构。
这个例子对企业有直接影响。如果你的方案是"配一个人看着这些数字员工"，那要诚实地回答一个问题：这个人看得过来吗？ 如果他实际上只做了盖章的动作，那么出事后，这个"监督者"既保护不了客户，也保护不了公司。
只有一种做法是站得住的
综合上面的法条、判例和声明，能站住的方案只有一种：每一个在生产环境里跑着的智能体，都要有一个具名的人类负责人。
这里要的是一个点名到人的个体。团队和部门都不算。他不需要批准每一个动作，但他对结果负责，他会盯表现，并且他手上有经过测试的、能真的介入的机制。
这件事可以今天就做。拿一张纸，把正在跑的或准备上线的每一个数字员工写下来，每一行右边写一个名字。写不出名字的那一行，就是还没准备好上线的那个。
三、留痕：出事之后你要能证明什么
追责的另一个前提是证据。如果事后说不清发生了什么，"谁负责"就变成了各说各话。
联合国那份声明把"智能体链条的文档记录"列为五个要素之首。一份行业建议清单列出了需要保留下来的东西，适合直接拿来当检查项：
- 智能体被批准的目的和活动范围
- 模型和工具的版本
- 策略决策的记录
- 人工批准的记录
- 实际执行的动作
- 发出的网络请求
- 控制测试的结果
- 被允许的例外
- 事件响应演练的结果
另一个方向是前置的监控。业内有一个做法叫"守护型智能体"，用一组智能体专门持续监控主流程，识别异常并告警。
Gartner 在 2026 年的一个预测值得摆在最后：到 2026 年年中，新型的、非法的 AI 知情决策将在全球 AI 供应商和采用 AI 的企业中产生超过 100 亿美元的补救成本。
这个数字和前面那些"反悔"数据说的是同一件事：成本不在买系统那笔钱上，在它出错之后的处置上。
四、我们做数字员工时的处理方式
上面那些原则，落到产品上是几个很具体的机制，都是公开写在产品页上的。
每一个岗位都有五项放行门禁，并且"创建者不可自审"。 写这个岗位的人，不能是批准它上线的人。这一条直接对应"每一个智能体要有自己之外的负责人"。
五类高风险动作走审批，超时默认不放行。 这五类是：外部发送、对外发布、删除用户数据、付费调用、写入外部系统。审批超时的时候，系统默认不执行，不是默认执行。这个方向叫 fail-closed，它决定了出错时是"漏做"还是"做错"，而这两种的代价差很多。
留痕是内建的。 每一次动作、每一次审批、每一次策略判定都有记录。出事之后要能回答"什么时候、谁批的、动了什么"，这件事不能等到出事之后再补。
计费按实际用量走，并且有影子计费。 这条和"能不能算过来账"有关：如果成本口径不清，你无法判断"用数字员工替代某个环节"到底划不划算，而前面那些反悔数据，多数就败在算不清账上。
最后说一句和这篇文章立场有关的话。我们是卖数字员工的，所以这篇文章有利益相关。正因为如此，前面那些"反悔"的数据我一条都没省。
我们的判断是：会让人后悔的是先把人减掉、再让 AI 去找活干，而不是用了数字员工本身。 顺序反了，省下来的是人力成本，付出去的是质量、安全和声誉成本，而后者的账单来得慢。
如果你的团队正在考虑这件事，先做两件事：把工作拆成环节，给每个环节写上负责人的名字。这两件事不需要买任何东西。
常见问题
问：所以到底会不会裁员？
从已有的复盘数据看，因 AI 名义进行的裁员里，有相当一部分被逆转了。但这不是保证。真实的影响方式是任务被拆开重新组合，所以你要关注的是自己负责的环节，而不是岗位名称。
问：数字员工出错了，是我们的责任还是供应商的？
法律起点是 AI 没有法律人格，责任要追溯到人或机构。你从供应商购买技术，并不能转移这个负担。具体由供应链上的哪一个主体承担，要看合同约定和具体情形，但"购买即免责"是不成立的。
问：人看着不就行了吗？
"配一个人看着"只有在下列条件下成立：他看得过来、他有真的能介入的机制、他的名字在记录里。如果一个人名义上监督上千个案例，这个安排挡不住责任。
问：我们规模很小，这些是不是离我们很远？
加州 AB 316 和欧盟的规则主要约束在那些司法辖区经营的业务。但"AI 不能成为责任终点"这个原则，客户在出事时是直接按常识理解的。小公司的承受力更弱，所以这件事对小公司更重要，不是更不重要。
相关阅读
延伸阅读：为什么说2026年是AI数字员工爆发元年？、AI 数字员工 vs 人工运营：30 天实测对比报告、8 个 AI 数字员工，替你干完一个运营部的活。
数字员工在我们这里怎么编排、怎么过质量门禁，AI 中心里有完整的岗位和编队说明。