数据框架

目的

本研究以“劳动力配置变化”为核心数据结构。

每家公司都必须同时观察三条事实线：

三条事实线共同用于判断企业是在单纯收缩，还是在重新配置人、流程和资本。

独立研究报告用于校准这些判断。研究报告不替代公司案例证据，但用于判断某类岗位、任务或组织变化是否符合更广泛的 AI 劳动力机制。

单个公司案例回答以下问题：

evidence-log.csv 的 summary 字段用于标记证据类型：

证据类型	记录内容	常见来源	典型用途
`layoff`	裁员人数、比例、日期、部门、地区	公司公告、WARN、可靠媒体、裁员数据库	判断减少了哪些岗位
`hiring`	新增招聘、继续招聘、招聘冻结、replacement hiring、岗位要求变化	招聘网站、岗位广告、官方说明、媒体、人力数据供应商	判断增加或保留了哪些能力
`headcount`	员工总数变化	10-K、年报、业绩公告	区分总量收缩和结构重配
`capex`	AI、云、数据中心、芯片、制造投资	10-K、业绩电话会、投资者材料	判断资本是否替代或放大劳动
`management_statement`	CEO/CFO 对效率、AI、层级和重组的解释	官方信件、会议文字稿、公司博客	判断公司公开叙事
`automation_signal`	AI agent、流程自动化、内部工具使用	产品发布、业绩电话会、案例研究、可信媒体	判断流程是否从人转向系统
`financial`	收入、利润、现金流、重组费用	SEC 文件、业绩公告	判断是否属于经营困难或高盈利重配
`external_research`	AI 使用、岗位暴露、就业影响、生产率和技能需求研究	Anthropic、OpenAI、Stanford、Microsoft Research、McKinsey、WEF	校准公司案例解释

招聘端至少记录以下变量，能找到多少记录多少：

变量	问题	说明
招聘状态	公司是继续招聘、冻结招聘、放缓招聘，还是局部扩张？	区分全公司和具体部门
岗位族	招聘集中在哪些岗位族？	AI/ML、基础设施、数据中心、芯片、制造、机器人、安全、销售、支持、运营
资历层级	招聘偏初级、中级、高级、专家还是管理层？	目前通常证据较弱
职能关系	招聘岗位是否与被裁岗位属于同一流程链？	例如减少支持岗位，但增强 AI 客服产品
替换模式	是否裁低绩效后补招、裁旧岗位后招新岗位？	需要区分 replacement hiring 与战略性新增招聘
地理分布	招聘是否转移到不同国家或地区？	注意 nearshore/offshore 不等于 AI 替代
证据质量	来自官方表述、岗位页面、媒体还是推断？	招聘广告不等于实际入职

每个公司案例开头应能形成一个简短快照：

综合分析应最终形成四张表：

对应文件主要位于 04-synthesis-analysis/：

结论与建议应基于这些综合分析输出，而不是直接从单一公司案例或单篇研究报告推出。