附录 B：本书提到的案例与出处
这不是论文的参考文献表。这是一份“想深挖就顺藤摸瓜”的清单——全书正文里可以公开核查的外部案例、学者、法规和数据，在这里各占一行，告诉你它是什么、书里拿它说明什么、原始出处在哪儿。作者亲历但需要匿名处理的实务案例不在这里展开。
我们不假设你已经知道这些。所以每一条都写了人话解释。你可以只读正文，也可以拿着这份清单去查原文——后者会让你对某一章的判断多一层自己的底气。
B1 案例与一手材料
这一节混着两类东西：真有公司干过的事（Klarna、Cloudflare、Y Combinator 的创业方向清单、两个 GitHub 开源项目），以及可以直接翻开看的一手材料（斯坦福和 MIT 的落地报告、Google SRE 的工程手册、微软与 AWS 的官方文档、OpenAI 与 Anthropic 的岗位说明书）。放在一起是因为它们都能被你亲手打开核对；只想看“别家公司到底干了什么”，跳着看前两条和 Y Combinator、GitHub 那两条即可。
Klarna（瑞典先买后付公司） 它是什么：一家金融科技公司。其 2024 年 2 月 27 日公告称，AI 客服助手上线首月处理了两百三十万次对话，占其客服聊天的三分之二，工作量折合七百名全职客服；2025 年 3 月 14 日提交的 F-1 披露，AI 助手上线以来处理了 62% 的客服聊天，工作量折合八百多名全职客服，并说明了估算方法。 书里拿它说明什么：第 3 章用这两份公开披露区分工作量折算、人员实际变动、服务质量与投入。不同日期和口径的数字不能直接拼成“前后改口”，也不能据此诊断公司内部的决策过程。 可查线索：Klarna 2024 年 2 月 27 日公司公告；Klarna Group plc 2025 年 3 月 14 日 F-1。均属公司披露，不是独立效果评估。（第 3 章注①）
Cloudflare（美国网络基础设施公司） 它是什么：2026 年 5 月官方博客公告裁减 1100 多个岗位；而在这之前大半年，2025 年 9 月，它公告过一个 1111 人的实习生录用计划。 书里拿它说明什么：第 14 章用这两个数字并置，说明“AI 裁员、用实习生对冲”这类外部解读跑得有多快，以及老板不该照着新闻标题给自己定裁员时间表。 可查线索：Cloudflare 官方博客《为未来而建》，2026 年 5 月 7 日发布，网址为 blog.cloudflare.com/building-for-the-future/。实习生计划见同站 1,111 人实习生计划公告，2025 年 9 月 22 日发布，网址为 blog.cloudflare.com/cloudflare-1111-intern-program/。（第 14 章注①）
斯坦福数字经济实验室：51 个企业 AI 落地项目 它是什么：斯坦福大学数字经济实验室 2026 年 4 月发布的企业 AI 落地报告，覆盖 7 个国家、41 个组织的 51 个项目、超过一百万名员工，这些项目全都过了试点、能交出可量化的业务价值。 书里拿它说明什么：第 1 章用它证明真正的难点不在技术——51 个成功项目里 77% 把变革管理、数据质量、流程重写列为难点，一件都不是技术问题。第 8 章用它引出影子 AI：报告转引的一项行业调查显示，使用 AI 的员工里有七到八成用过未经公司批准的工具（这个比例是报告转引的外部数字，不是那 51 个案例的原创统计）。 可查线索：Elisa Pereira、Alvin Wang Graylin、Erik Brynjolfsson，《The Enterprise AI Playbook: Lessons from 51 Successful Deployments》，Stanford Digital Economy Lab，2026 年 4 月，p.7、p.13、第 89 页。（第 1 章注①②，第 8 章注①）
MIT 工业绩效中心：《Humans in the Loop》 它是什么：麻省理工学院工业绩效中心 2026 年 4 月 8 日发布的报告，作者是该中心执行主任 Ben Armstrong 和 MIT 航空航天系主任 Julie Shah。 书里拿它说明什么：第 4 章用它佐证“先动的是任务，跟着动的是人的位置”——它看的正是企业在生成式 AI 早期实验里，搜索、起草、汇总、判断、复核、沟通这些动作怎么被拆开又重新组合。书里同时提醒：这是早期实验的观察，不是大规模铺开后的定论。 可查线索：Ben Armstrong、Julie Shah，《Humans in the Loop: The evolution of work in early experiments with generative AI》，MIT Industrial Performance Center，2026 年 4 月 8 日。（Julie Shah 的航空航天系主任职务自 2024 年 5 月 1 日起生效，见 MIT News 2024 年 4 月 29 日公告。）（第 4 章注①）
Google SRE 的验尸文化（Postmortem Culture） 它是什么：Google 一批专门负责让线上服务不宕机的工程师（SRE，站点可靠性工程师）写事故复盘报告的一套硬规矩。 书里拿它说明什么：第 12 章用它说明组织怎么从“出了事找人”挪到“出了事修系统”——工程界这套经验是现成的，可以直接搬。 可查线索：Betsy Beyer、Chris Jones、Jennifer Petoff、Niall Richard Murphy 编，《Site Reliability Engineering: How Google Runs Production Systems》第 15 章 “Postmortem Culture: Learning from Failure”（John Lunney、Sue Lueder 撰），O’Reilly，2016，全文见 sre.google/sre-book/postmortem-culture。（第 12 章注①）
微软 Azure 云采纳框架与 Purview 审计日志 它是什么：微软官方的 AI 治理与安全文档。本书分别标注所引版本，不将访问时的功能当成永久能力清单。 书里拿它说明什么：第 13 章用它说明技术控制还需要组织接手。最小权限只开放本职工作必需的数据；Purview 在支持的应用与记录中提供交互、资源及检测标记。字段存在不等于全量覆盖或准确检出。事故响应则要提前安排关停、对外沟通、日志保存和关键业务演练。 可查线索：Microsoft，《Governance and Security for AI Agents Across the Organization》，Azure Cloud Adoption Framework，文档更新日期 2026 年 4 月 16 日，事故响应见 Agent Security 第 10 条；《Audit logs for Copilot and AI applications》，Microsoft Purview，所核版本更新日期 2026 年 8 月 26 日，2026 年 9 月 6 日访问，learn.microsoft.com/en-us/purview/audit-copilot。（第 13 章注①②）
AWS CloudTrail 数据事件异常检测 它是什么：亚马逊云 2025 年 11 月发布的数据事件检测功能，建立访问模式基线，检测到异常时生成事件；告警通知需要配置。 书里拿它说明什么：第 13 章用它说明机器可以帮助筛异常，但检测范围、漏检风险和异常处置仍须有人负责，不能把一项功能等同于全部治理完成。 可查线索：Amazon Web Services，《AWS CloudTrail launches Insights for data events to automatically detect anomalies in data access》，AWS 官方公告，2025 年 11 月 20 日。（第 13 章注③）
Y Combinator：Company Brain（公司大脑） 它是什么：YC（硅谷那家孵化了 Airbnb、Stripe 的创业营）每年公布的“我们想投什么”清单里的一个创业方向。讲的是把企业里散落的业务门道抽出来、理清楚、持续更新，让 AI 能读懂这家公司到底怎么运转。 书里拿它说明什么：第 7 章拿它当起点，然后往前追问一步——放到一家开了二十年的传统公司里，这件事还差什么。 可查线索：Y Combinator，《Request for Startups》（Summer 2026），www.ycombinator.com/rfs，“Company Brain” 条目。（第 7 章注①）
两个 GitHub 开源项目：技能提取 vs 反蒸馏 它是什么：一个项目专门把同事的工作方式、判断模式、处理风格提炼成 AI 能学的技能文件，到 2026 年 7 月已有两万多星标；另一个叫“反蒸馏”，干的事相反——把员工自己写的文档输出成一个看起来完整专业、其实核心判断已经被抽掉的清洗版，真东西留一份私人备份。 书里拿它说明什么：第 7 章用这一对项目说明提取与被提取已经同时开始，不再是推演。书里也标了边界：项目功能均为其公开自述，不是第三方评测结论。 可查线索：GitHub 项目 titanwings/colleague-skill（后更名 dot-skill），github.com/titanwings/colleague-skill，星标数取自 2026 年 7 月 26 日页面快照；GitHub 项目 leilei926524-tech/anti-distill，github.com/leilei926524-tech/anti-distill。（第 7 章注⑦）
OpenAI 与 Anthropic 的 FDE 岗位说明书 它是什么：两家 AI 公司公开招聘页上的“前线部署工程师”（Forward Deployed Engineer）岗位说明书。 书里拿它说明什么：第 22 章用它说明这个岗位的成功标准长什么样。OpenAI 那份写的是三件事：生产采用、可量化的流程影响、评测驱动的反馈。Anthropic 那份要求交付能进生产工作流的 MCP servers、sub-agents、agent skills，还要把可重复的部署模式沉淀回产品和工程团队。 可查线索：OpenAI，《Forward Deployed Engineer》招聘岗位说明书，openai.com/careers，2026 年；Anthropic，《Forward Deployed Engineer, Applied AI》招聘岗位说明书，Anthropic 官方招聘页，2026 年。（第 22 章注①②）
Meta「Claudeonomics」内部排行榜 它是什么：关于员工自建用量看板的媒体报道，正文仅保留其出现与撤下，不复述未经本轮逐项核验的消耗估值。 书里拿它说明什么：第 16 章用它提出“用量排名是否代表工作结果”的管理问题，不以撤榜证明成本反噬，也不把不同媒体的转引算作独立经营证据。 可查线索：Fortune，2026 年 4 月 9 日 Meta 员工用量看板报道，fortune.com/2026/04/09/meta-killed-employee-ai-token-dashboard/。（第 16 章注②）
亚马逊 KiroRank 非正式用量看板 它是什么：Business Insider 2026 年 5 月 29 日报道的员工非正式看板，公司发言人确认已停用。 书里拿它说明什么：第 16 章借此追问用量指标与工作结果的区别，不据撤榜推断全公司成本或高管动机。 可查线索：Business Insider，businessinsider.com/amazon-ai-leaderboard-tokenmaxxing-2026-5，2026 年 9 月 6 日核查。（第 16 章注③）
美团：王莆中“养虾”公开演讲的网易转载实录
它是什么：网易号“互联网坊间八卦”于 2026 年 8 月 14
日转载的一份王莆中公开演讲实录；本书内部留存快照仅用于核对该转载的第 4–6
页过程叙述。 书里拿它说明什么：第 19
章把它作为归因型读者案例，提示工具扩散后仍须由业务、组织与技术共同承接；它不构成美团官方复盘、独立经营审计，或本书框架已被经营结果验证的证据。
可查线索：网易号“互联网坊间八卦”转载《美团王莆中最新演讲全文，中小企业如何正确的使用
AI？（实录）》，2026 年 8 月 14 日；内部留存快照
SHA-256：5b366254b37a5f5efd181ee905c11668f038e32f0b965595393fe1f6aeb7a1e6。（第
19 章注②③）
B2 学者与理论
Yu 等：AI采用、HR实践与员工福祉 它是什么：以既有AMO框架组织HR实践建议的综述；同时关注心理、社会和身体福祉，不是本书岗位工具的验证实验。 书里拿它说明什么：第6章引入能力、动机、机会三个检查方向；第16、17章回用这一视角，区分复用、贡献和参与的条件。不以少分享证明藏私，不把转岗单案说成AMO干预有效。 可查线索：Yu, S., Kawasaki, S., Magni, F., Yu, K. Y. T., & Munusamy, V. P. (2026). “Optimizing AI adoption through HR practices: Systematic review and theoretical framework for improved employee well-being.” Human Resource Management Review, 36, 101152. DOI: 10.1016/j.hrmr.2026.101152。（第6章注④；第16、17章回指）
Papagiannidis 等：责任AI治理的三类实践 它是什么：组织责任AI治理实践的范围综述及概念框架，区分结构性、程序性、关系性实践；相关关系仍需进一步实证研究。 书里拿它说明什么：第13章说明最低规则不是全部治理，第19章检查权责、运行和参与是否落实。不把六角色表、90分钟会议或责任单元归为论文已经验证的方案。 可查线索：Papagiannidis, E., Mikalef, P., & Conboy, K. (2025). “Responsible artificial intelligence governance: A review and research framework.” The Journal of Strategic Information Systems, 34, 101885. DOI: 10.1016/j.jsis.2024.101885。（第13章注⑦；第19章回指）
Michael Polanyi（波兰尼）——隐性知识 他是什么人：最早把“隐性知识”这个词讲清楚的哲学家。核心意思是：人知道的东西，常常多于他能说出来的东西。他举的例子是认脸——你能从一百万张脸里认出一个人，却说不出你是怎么认出来的。 书里拿他说明什么：第 7 章用他给“员工 know-how 为什么提取不出来”打地基。 可查线索：Michael Polanyi，《The Tacit Dimension》，University of Chicago Press，1966 年，第 4 页。（第 7 章注②）
Nonaka 与 Takeuchi（野中郁次郎、竹内弘高）——组织知识创造 他们是什么人：研究日本企业为什么能持续出新产品的两位学者，把隐性知识和显性知识之间的转换放在组织知识创造的核心位置。 书里拿他们说明什么：第 7 章用来支撑“个人经验怎么变成组织资产”这条转换路径不是新发明。 可查线索：Ikujiro Nonaka、Hirotaka Takeuchi，《The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation》，Oxford University Press，1995 年。（第 7 章注③）
OECD（经合组织）——四类知识 它是什么：发达国家的政策研究机构。在讨论知识经济时区分过 know-what、know-why、know-how、know-who 四类知识。 书里拿它说明什么：第 7 章用这个四分类把“公司到底该提取哪一类知识”说细。 可查线索：OECD，《The Knowledge-Based Economy》，文号 OCDE/GD(96)102，1996 年，四分类章节。（第 7 章注④）
Daniel Miessler——公司是一堆算法 他是什么人：长期写 AI 与安全的独立技术博主，读者以工程师为主。他的判断是：公司说到底就是一堆算法的集合，不管产品多特别，运作起来还是一条条步骤管道；他还有一句更狠的——可解释性是新的货币，一旦 AI 能看见公司每一步怎么走，它就会挨个识别冗余并消灭掉。 书里拿他说明什么：第 7 章用他把“员工隐性经验不会一直是护城河”推到极致，同时明确标注这是个人博客的判断、不是研究结论。书里还追了一笔：他在文末留口子说后面会写哪些人类工作能留下来，但他后来写的是“公司理想员工数是零”和“只要 AI 干得了公司就不会再雇人”，那个正面答案一直没给。 可查线索：Daniel Miessler，《Companies Are Just a Graph of Algorithms》（技术博客文章，非研究论文），2024 年 5 月 6 日，danielmiessler.com/blog/companies-graph-of-algorithms；《The End of Work》，2024 年 8 月 26 日，danielmiessler.com/blog/real-problem-job-market；《The Bubble Is Labor》，2025 年 12 月 8 日，danielmiessler.com/blog/the-real-bubble-is-human-labor。（第 7 章注⑤⑥）
M.C. Elish（伊利什）——道德溃缩区 她是什么人：人类学家，专门研究自动化系统出事以后责任落到谁头上。她提出 moral crumple zone（道德溃缩区）：自动化系统出问题以后，责任很容易被压到那个离事故最近、但实际控制权有限的人身上。汽车的溃缩区吸收撞击保驾驶员，道德溃缩区吸收的那一下保的是系统，赔进去的是人。 书里拿她说明什么：第 10 章用它解释为什么“人工确认章”危险——盖章的人看起来在控制系统，实际只是替系统吸收责任冲击。 可查线索：M.C. Elish，《Moral Crumple Zones: Cautionary Tales in Human-Robot Interaction》，Engaging Science, Technology, and Society 第 5 卷（2019），第 40–60 页。DOI: 10.17351/ests2019.260。（第 10 章注①）
Santoni de Sio 与 van den Hoven——有意义的人类控制 他们是什么人：荷兰代尔夫特理工的两位技术哲学学者，做的事是给“机器自己干活的时候人该管到什么程度”找一个说得清的标准。他们讲的 meaningful human control，核心不是“有人在场”，而是系统要能回应现场理由、结果要能追溯到真实的人和组织链条。 书里拿他们说明什么：第 10 章用来把 HITL 从“有人点确认”拉回到“有人真的控制得住”。 可查线索：Filippo Santoni de Sio、Jeroen van den Hoven，《Meaningful Human Control over Autonomous Systems: A Philosophical Account》，Frontiers in Robotics and AI 第 5 卷第 15 号（2018）。DOI: 10.3389/frobt.2018.00015。（第 10 章注②）
Tushman 与 O’Reilly（塔什曼、奥赖利）——双元组织 他们是什么人：两位研究组织变革的学者，1996 年就系统写过“一边稳定交付、一边探索新东西”这套两条腿走路的打法，管理学里叫双元组织。 书里拿他们说明什么：第 20 章用它给“利用系统”和“探索系统”这对说法找学术根，同时强调名字不重要，重要的是两条腿都得有。 可查线索：Michael L. Tushman、Charles A. O’Reilly III，《Ambidextrous Organizations: Managing Evolutionary and Revolutionary Change》，California Management Review，1996 年，38 卷 4 期，第 8–29 页，DOI: 10.2307/41165852。（第 20 章注①）
Goodhart（古德哈特）——指标一旦被拿来控制就会失效 他是什么人：英国经济学家，1975 年在一篇讲英国货币政策的论文里提出，任何被观察到的统计规律，一旦被施加控制压力，就会趋于失效。 书里拿他说明什么：第 16 章用它给“考什么、员工就往哪跑”找学术根——这不是 AI 时代的新病。 可查线索：Charles A. E. Goodhart，《Problems of Monetary Management: The UK Experience》，收入《Monetary Theory and Practice》，London: Macmillan Education UK，1984 年，第 91–121 页（原文 1975 年发表于 Papers in Monetary Economics 第 1 卷，Reserve Bank of Australia）。另需说明：广为流传的“当一个指标成为目标，它就不再是一个好指标”并非 Goodhart 本人表述，出自 Marilyn Strathern，《‘Improving ratings’: audit in the British University system》，European Review 第 5 卷第 3 期（1997），第 305–321 页。（第 16 章注①）
Holmström 与 Milgrom（霍姆斯特朗、米尔格罗姆）——多任务下的激励设计 他们是什么人：两位研究激励机制的经济学家，1991 年系统分析了当一个人同时干好几件事、而只有其中一部分能被测量时，激励该怎么设计。 书里拿他们说明什么：第 16 章用它解释为什么绩效不能跟单一指标充分挂钩——挂得越紧，不可测量的那部分就掉得越快。 可查线索：Bengt Holmström、Paul Milgrom，《Multitask Principal–Agent Analyses: Incentive Contracts, Asset Ownership, and Job Design》，The Journal of Law, Economics, and Organization，1991 年，第 7 卷特刊，第 24–52 页，DOI: 10.1093/jleo/7.special_issue.24。（第 16 章注①）
《哈佛数据科学评论》：人审 AI 并不天然可靠 它是什么：发在 Harvard Data Science Review（一份专门研究数据与决策的学术期刊，简称 HDSR）上的一项研究，专门看人怎么评估 AI 给的建议。结论不太好听：人审 AI 并不天然可靠，人自己也会被 AI 的建议带跑。 书里拿它说明什么：第 8 章用它提醒别把“有人点了确认”当成责任闭环。 可查线索：Jacob Beck、Stephanie Eckman、Christoph Kern、Frauke Kreuter，《Bias in the Loop: How Humans Evaluate AI-Generated Suggestions》，《哈佛数据科学评论》第 8 卷第 2 期，2026 年春季号。（第 8 章注②）
B3 法条、报告与数据
欧盟《人工智能法案》第 14 条——人类监督 它是什么：同一部条例里针对高风险 AI 系统的人类监督条款。它要求监督要能防止或减少风险；监督者要能理解系统的能力和局限、对自动化偏差保持警觉、能正确解释输出；还要求监督者在必要时可以决定不使用、推翻、逆转或中止系统输出。 书里拿它说明什么：第 10 章用这几条说明同一件事——监督者手里得有权，不是只有一支笔。 可查线索：Regulation (EU) 2024/1689 第 14 条「人类监督」，2024 年 6 月 13 日。官方文本见 EUR-Lex：eur-lex.europa.eu/eli/reg/2024/1689/oj。（第 10 章注③）
JAMIA：算法公平性会随时间漂移 它是什么：发在《美国医学信息学会杂志》（JAMIA）上的一项纵向研究。用 2013 年的数据训练三个预测手术后再入院和死亡风险的模型，然后从 2014 到 2023 年每个季度评估一次。十年下来三个模型都出现跨指标的时间性漂移；肺炎模型的准确率在不同族群里都在下降，但下降的坡度不一样陡。研究者的判断很直接：算法公平性没法靠开发阶段的一次性评估来保证。 书里拿它说明什么：第 10 章用它——AI 系统不是装好了就一直是装好时那个样子，所以每一档 HITL 都得有复检的钟点，不是定完就锁死。书里也提醒：这项研究做的是医疗预测模型，别直接套到自己的业务上，但机制是通用的。 可查线索：Sharon E. Davis 等，《算法偏见的浮现：公平性漂移是模型维护与可持续性的下一个维度》，载《美国医学信息学会杂志》（JAMIA）第 32 卷第 5 期，2025 年，845 页起，DOI 为 10.1093/jamia/ocaf039。（第 10 章注④）
NIST《人工智能风险管理框架》MANAGE-2.2 它是什么：美国国家标准与技术研究院（NIST，美国政府里专门给各行业定技术标准的那家机构）那套 AI 风险管理框架里的一条：系统上线之后，得有一套持续跑着的机制，保住它当初被寄予的那个价值。具体说就是持续监控、异常检测、定期重新评估。 书里拿它说明什么：第 13 章用它说明“定期回到桌面上”不是作者一个人的主张——国际上写框架的人都把它写进条款了。 可查线索：NIST，《AI Risk Management Framework 1.0》（NIST AI 100-1），2023 年 1 月 26 日发布，MANAGE-2.2 条款原文 “Mechanisms are in place and applied to sustain the value of deployed AI systems.”。此处表述据 NIST 官方 Playbook 页面（airc.nist.gov）核实，为框架条款的官方诠释版本。（第 13 章注⑤）
Moffatt v. Air Canada——聊天机器人错误答复的民事担责判例 它是什么：加拿大不列颠哥伦比亚省民事裁决庭（Civil Resolution Tribunal）2024 年 2 月对一起航空公司聊天机器人误导乘客案作出的裁决。裁决认定该公司未尽到合理注意义务确保其聊天机器人的准确性，需为聊天机器人的错误答复担责。 书里拿它说明什么：第 13 章用它说明权限、审计、留痕、回滚这四件事不只是内部管理动作，在法律层面也是组织能否证明自己尽到注意义务的关键证据；裁决问的不是 AI 有没有出错，而是组织有没有为它出错做准备。 可查线索：Moffatt v. Air Canada, 2024 BCCRT 149，加拿大不列颠哥伦比亚省民事裁决庭裁决，2024 年 2 月（判决书原文 CanLII 数据库访问受限，此处口径经 McCarthy Tétrault 律所评析转录核实）：“Air Canada did not take reasonable care to ensure its chatbot was accurate.”（第 13 章注⑥）
个人信息保护法：工作数据的处理依据与用途边界 它是什么：中国 2021 年公布的个人信息保护法律；第 6、13、14、17 条分别涉及必要范围、处理依据、同意与告知等要求。 书里拿它说明什么：第 8 章不将“公司工作产出”视为默认训练许可。具体用途、处理依据和权利边界须分别核对，不能用通用同意书替代判断。 可查线索：中国人大网，《中华人民共和国个人信息保护法》，2021 年 8 月 20 日，npc.gov.cn/npc/c2/c30834/202108/t20210820_313088.html。（第 8 章注③）
Gartner：2028 年一半的安全事故响应工作量 它是什么：Gartner 2026 年 3 月给出的预测——到 2028 年，企业网络安全事故响应的一半工作量，会集中在涉及定制开发的 AI 应用的事故上。 书里拿它说明什么：第 13 章提醒提前安排权限、审计和事故响应；限定的是响应工作量，不是事故数量，“涉及”不等于“由其引发”，定制开发不限定为企业内部自研。预测尚非经营结果。 可查线索：Gartner，《Gartner Predicts AI Applications Will Drive 50% of Cybersecurity Incident Response Efforts by 2028》，2026 年 3 月 17 日新闻稿，2026 年 9 月 6 日核官方正文，gartner.com/en/newsroom/press-releases/2026-03-17-gartner-predicts-ai-applications-will-drive-50-percent-of-cybersecurity-incident-response-efforts-by-2028。（第 13 章注④）
Indeed 招聘实验室与世界经济论坛《未来就业报告》 它们是什么：Indeed 2026 年 1 月报告记载，截至 2025 年 12 月美国数据与分析类招聘广告中约 45% 提到 AI 相关词；WEF《未来就业报告 2025》记录受访雇主对 2030 年岗位变化的预期。 书里拿它们说明什么：第 6 章区分招聘广告观察、就业预期与具体岗位命运，不以词频证明岗位安全，也不将大数据专家增长预期改写成所有分析岗都将增长。 可查线索：Cory Stahle，Indeed Hiring Lab，2026 年 1 月 22 日，hiringlab.indeed.com/2026/01/22/january-labor-market-update-jobs-mentioning-ai-are-growing-amid-broader-hiring-weakness/；World Economic Forum，《The Future of Jobs Report 2025》，第 2 章 Jobs outlook，weforum.org/publications/the-future-of-jobs-report-2025/in-full/2-jobs-outlook/。核查日期 2026 年 9 月 6 日。（第 6 章注①）
麦肯锡全球研究院：技能不是在消失，是在换个地方用 它是什么：两份关于工作未来的研究。2024 年那份给了一组数字：到 2030 年，社会情感类技能的需求，欧洲会涨百分之十一，美国会涨百分之十四。2025 年那份里还有一句更值得管理者看的话——今天的技能里超过七成，在自动化和非自动化的工作场景里都用得上。 书里拿它说明什么：第 6 章用它支撑“技能不是在消失，是在换个地方用”这个判断。 可查线索：麦肯锡全球研究院，《A New Future of Work: The Race to Deploy AI and Raise Skills in Europe and Beyond》，2024 年 5 月；《Agents, Robots, and Us: Skill Partnerships in the Age of AI》，2025 年。据官方页及媒体引文，第二份报告原文为 more than 70 percent。（第 6 章注③）