KeyFrame內部研究專用

💥 賺翻天還要裁員!微軟自爆最恐怖真相:這不是AI搶飯碗,而是打工人的末日訊號!😱

獨特見解·7月2日週四·22 min中文

三句話摘要

微軟在財報向好的情況下仍裁員,揭示AI時代企業不再需要用「成長=招人」模式運營,就業市場正在悄無聲息地收縮。 微軟不只是在裁員,而是在用行動告訴市場:AI時代企業可以邊賺錢邊減人,就業安全不再來自公司成長,而取決於你的工作是否能被AI輔助後用更少的人完成。 公司成長與就業成長脫鉤 — 過去公司業績好自然多招人;現在企業可以同時實現收入成長、利潤成長,卻減少或凍結招聘。微軟就是活生生的案例:財報漂亮,人力預算卻被AI基礎設施投資吸走,資源優先流向算力和資料中心,而非員工。

重點整理

重點
  • 1

    公司成長與就業成長脫鉤 — 過去公司業績好自然多招人;現在企業可以同時實現收入成長、利潤成長,卻減少或凍結招聘。微軟就是活生生的案例:財報漂亮,人力預算卻被AI基礎設施投資吸走,資源優先流向算力和資料中心,而非員工。

  • 2

    AI成為官方合法的裁員理由 — AI不只是技術工具,更是資本市場最容易接受的人力調整藉口。說「裁員」會引發擔憂,說「AI轉型、優化組織、提升效率」則投資人叫好。這層心理包裝讓企業有更大空間進行人力壓縮。

  • 3

    看不見的機會消失最危險 — 不是已裁的人,而是原本應該被創造但沒創造的職位。公司凍結headcount、招聘頁面縮水、部門有人離職不補人——這些都難以統計,但對求職市場傷害同樣致命,尤其打擊初級崗位,斷裂人才梯隊。

  • 4

    AI改變是「每個職位需要多少人」,而非「工作本身消失」 — 銷售寫郵件改由AI輔助,公司就問「是否能少招銷售」;咨詢初稿由AI生成,公司就問「junior是否必要」。AI的真正威力在於壓縮組織規模,而非直接替代,這種「微幅提效導致結構性減員」是最隱形但最持久的衝擊。

實用技巧與重點

乾貨
  • 數據與規模:
  • 微軟Q3營收829億美元(年增18%)、經營利潤384億美元(年增20%)
  • 微軟計劃裁員2.5%(全球員工超過20萬,涉及數千人)
  • 2025年7月裁員~4%(約9,000人);5月裁員~6,000人
  • 美國2026年6月失業率4.2%、非農新增57,000個職位
  • 4月5月就業數據被下修74,000
  • 6月宣布裁員45,849人,AI佔31%(14,029個職位)
  • 今年AI已被引用在超過101,000個裁員公告
  • 微軟研究發現:
  • 分析20萬條Bing Copilot對話,高暴露職業:知識工作、辦公室行政、銷售、資訊溝通
  • 強調「AI applicability ≠ job displacement」(適配度≠崗位消失)
  • 受影響行業:
  • 科技先行,後續波及:金融、法律、咨詢、教育、媒體、行銷、客服、行政、保險、房地產、醫療
  • 任何涉及寫作、整理、搜索、溝通、標準分析、流程處理的職位都面臨結構調整
  • 微軟Copilot集成:
  • 嵌入Microsoft 365(Word、Excel、PowerPoint、Teams、Outlook)
  • 企業採購後自然會問:既然每人產出提升,能否少招人?
  • --

結論

結論

微軟不只是在裁員,而是在用行動告訴市場:AI時代企業可以邊賺錢邊減人,就業安全不再來自公司成長,而取決於你的工作是否能被AI輔助後用更少的人完成。

完整解析

詳細

微軟的這波人力調整看似矛盾,實則邏輯清晰。公司2026年Q3財報漂亮得不能再漂亮——營收829億美元年增18%,經營利潤384億美元年增20%。Azure在成長、Microsoft Cloud在成長、Copilot在推進。但就在這種增長背景下,微軟計劃削減不到2.5%的員工,涉及Sales、Consulting、Xbox Gaming等部門。更關鍵的是,這不是孤立事件:2025年7月裁員近4%(約9,000人),5月還有6,000人的裁員。這是一條持續的線。

表面上,人們習慣性地歸因於「AI搶飯碗」。但這個解釋只抓住了表層。微軟真正透露的是就業市場的根本性轉向:從「公司擴張=招人」變成了「公司擴張≠必然招人」。過去的邏輯很簡單——業績好就多招人、收入增長就擴團隊、新業務就開新崗位。現在這套邏輯開始失效。微軟不是因為沒錢才裁人,而是因為它覺得錢要花在別的地方:GPU、資料中心、雲端運算容量、AI人才、Copilot生態。錢流向了機器和算力,而非人力。這就是AI時代的融資方式——企業要維持利潤率給股東交代、要砸數百億做資料中心,就必須在別處擠錢。人力成本是企業最大的成本之一,自然被盯上。

但更冷的現實是,美國整體就業市場也正在變冷。官方失業率看似還好(2026年6月4.2%),但細節卻在說謊:6月非農只新增57,000個職位,4月和5月數據還被合計下修74,000。勞動參與率降到61.5%——這不是大家都順利找到工作,而是一部分人退出了勞動市場,不再被失業率完整反映。真正的變化是「低裁低招」:公司不大規模開刀,但也不給你太多進來的機會。招聘頁面少了幾個崗位、HR凍結了headcount、經理說先用Copilot頂一下。這些都不會出現在裁員公告裡,但對就業市場傷害同樣致命。

微軟的另一份研究很有啟發性——分析了20萬條Bing Copilot對話,發現使用者最常用AI做的是資訊蒐集、寫作、教學建議與溝通。微軟還計算了「AI applicability score」,量化某些職業任務和生成式AI的重疊度。但這裡有個關鍵澄清:applicability不等於job displacement。一個職位的任務適合AI輔助,不等於這個崗位明天就消失。真正發生的更像這樣:某項工作裡的30%任務被AI加速了,公司就開始問「能不能少一個人」。以前10個人配團隊助理,現在8個人加Copilot能不能做掉?以前junior做資料整理和初稿,現在senior帶著AI能不能直接上手?這才是最現實的衝擊——AI不直接取代整份工作,而是壓縮崗位數量。

這個邏輯會蔓延到所有行業。金融分析師會發現AI能整理財報、提取數據、生成初步報告;律師助理會發現AI能檢索案例、起草文件;客服會發現AI能處理標準問題;程式設計師會發現AI能寫樣板程式碼、解釋錯誤。這些職業不會一夜消失,但每個職位的任務結構會變,招募需求就會跟著變。最危險的不是有經驗的人,而是剛入場的人。初級崗位本來就是訓練場——新人透過重複工作學行業、學判斷、學客戶。現在AI直接接管這些重複環節,公司會覺得初級員工不划算。問題是,如果沒有初級員工,未來高階人才從哪裡來?這是很多公司還沒算清楚的帳。短期看砍junior很爽,成本馬上下降;長期看人才梯隊斷了,幾年後公司會發現市場上全是缺經驗的人和太貴的老手。

最後,AI還改變了企業對人力的預期。以前企業買工具是為了幫人做得更好,現在企業買AI是為了少花時間、少犯錯、少用人、提高產出。如果AI不能幫企業減少成本或增加收入,企業不會大規模採購。換句話說,AI的商業價值裡天然包含「壓迫勞動需求」這一項。這意味著就業成長和公司成長會開始脫鉤。未來的員工安全感不能再來自「公司很大、行業很熱、財報很好」——這些都不夠。真正重要的是,你的崗位是否處在公司願意繼續投資的人力環節裡。如果工作主要是搬運資訊、整理格式、寫標準文本、重複溝通,風險就高。如果工作涉及客戶信任、複雜判斷、業務責任、跨部門推動、創意決策、現實世界執行,風險相對低。但也要警惕一個陷阱:當所有人都學會AI時,AI技能本身也會快速貶值。真正值錢的是能用工具解決真實業務問題、能判斷AI哪裡錯、能管理AI帶來的風險。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。