劳动市场走弱并不一定从大规模裁员开始。它可能始于这样一个时刻：一名几乎一直有工作的劳动者发现，下一个岗位不再容易找到。即使这种变化尚未表现为庞大的失业存量，失去跳槽通道也很重要，因为它会改变员工是否更换公司、协商薪酬、忍受重组，或继续留在不再合适的岗位。
里士满联邦储备银行的一项最新分析识别出了这一模式。该发现对专业服务和技术相关企业尤其重要，但需要审慎解读。数据表明出现了异常分化，也存在一个合理的 AI 作用渠道；但它们尚未证明 AI 导致了这一降幅。
警报来自流量，而不是失业率
失业率是一个存量指标：某一时点被归类为失业者的人数占劳动力的比例。再就业率则是一个流量指标：失业者转为就业者的概率。即使底层转换变得不利，存量指标仍可能看上去稳定。
美国劳工统计局解释说，大约四分之三的当前人口调查家庭会连续两个月接受访问，因此可以估算这些流量。其劳动力状态流量序列追踪就业、失业和退出劳动力之间的移动。这种方法能揭示很小净变化背后隐藏的大量流动。不过，它仍是经过分类和统计调整的调查证据，而不是对职位空缺或企业招聘决策的直接普查。
里士满联储的研究者又加入了基于模型的分类。在该框架中，主要型劳动者约占人口的 55%，几乎一直处于就业状态。次要型劳动者约占 14%，与劳动市场联系紧密，但更经常失业；尽管人口占比较小，他们却构成大部分失业及其正常周期波动。因此，主要型劳动者情况恶化，即使他们仍只占失业人群的一小部分，也可能具有重要经济意义。
稳定劳动者的外部选择明显减弱
从 2022 年 11 月高点到 2025 年 9 月低点，主要型劳动者的估算再就业率下降了 13 个百分点，而次要型劳动者只下降 2 个百分点。研究者称，这种差距不同于此前的衰退；以往各组都会随周期走弱，而次要型群体仍承担大部分调整。
直接结论并不是稳定劳动者突然成为失业最多的人群。事实并非如此。变化在于，他们重返就业的历史优势大幅缩小。Business Insider 对该研究的报道描述了现实后果：有经验的劳动者在寻找新职位时，面对更艰难的求职过程。
这会削弱员工的外部选择，即相对于留在现任雇主处的可信替代方案。当外部选择减弱时，即使没有裁员潮，自愿流动也可能下降，薪酬议价也会趋弱。对企业而言，这可能在短期内缓解薪酬压力并减少非自愿流失；但也可能形成更慢、更低效的匹配过程，让成长中的企业难以吸引那些不愿承担跳槽风险的人。流动更低并不自动意味着生产率更高。
AI 暴露度是一种带有机制的相关性
技术方面的结果更鲜明，但其因果性弱于标题可能暗示的程度。研究者按照职业任务与 AI 专利所描述能力的重合度对职业排序。程序员、金融分析师和工程师属于较高暴露职业，建筑、餐饮和个人护理则较低。2023 年以前，各暴露组的再就业率大体同步；此后，高暴露职业的降幅最大。
这背后存在合理机制。如果 AI 让现有团队产出更多，企业可能减少新增岗位，或要求每名新员工掌握更广泛的技能。著名的实地研究 Generative AI at Work发现，在其客服场景中，AI 助手使平均生产率提高 14%；新手和低技能员工提高 34%，而最有经验员工的效果很小。这说明技术可以改变同一职业内部的生产率分布，但并不意味着这些百分比适用于整个经济，也不能证明企业必然裁减人数。
其他解释仍然有力。AI 高暴露岗位集中在一些经历过疫情期间扩招、随后成本整顿，并对融资环境敏感的行业。企业可能因需求不确定、预算重置或此前招聘超前于收入而保持谨慎。暴露指数可能部分识别了这些行业，而非单独识别技术冲击。里士满联储作者也明确把总体因素与技术特定因素的归因留给后续研究。
招聘和工资行为可以区分两种叙事
这种区别对投资者很重要。普遍的低招聘环境应当随着需求走弱，压低许多职业的空缺创造和再就业率。技术特定渠道则应当在控制行业、雇主增长、利率敏感度和此前过度招聘后，仍集中于高暴露岗位。它还应体现在职位构成中：入门岗位更少、任务要求更广，或使用工具的岗位人均产出更高。
企业证据能够检验这一机制。投资者可以把披露的员工人数与收入和工作量比较，观察采用 AI 的公司是减少外部招聘还是仅重新部署员工，并跟踪高暴露职业的工资增长和跳槽流量。若生产率上升、产出稳定而招聘持续偏弱，替代论将得到加强。若预算恢复后高暴露岗位招聘反弹，则更支持周期解释。
能够改变本文判断的证据，不会是又一条高管关于就业未来的预测，而应是采用、空缺、招聘、工资和产出之间的匹配模式，最好能细化到企业和职业层面。在此之前，里士满联储的发现更适合作为流动性警报。美国最稳定的劳动者似乎更难把经验迅速转化为新的岗位匹配。AI 可能是原因之一，但现有数据尚未把机器影响与招聘周期分离。