研究设计

研究方法

00-research-design/methodology.md

研究方法

研究标准

本研究采用“裁员/招聘/资本事实 → 公司案例与独立研究报告 → 综合分析 → 结论与组织建议 → 汇报材料”的路径。

所有判断必须能回到具体证据。没有证据支撑的内容只能作为假设、问题或待验证线索，不进入结论。

来源优先级

第一层级：公司与监管来源

优先使用：

  • 公司年报
  • 10-K / 10-Q / 8-K
  • 委托书
  • 业绩公告
  • 业绩电话会文字稿
  • 股东信
  • CEO / CFO 公开信
  • 公司博客或新闻稿
  • WARN notice
  • SEC filings

适合回答：

  • 公司官方如何描述裁员、重组、效率和 AI 投资
  • 员工总数、招聘方向、财务表现、重组费用和资本开支
  • 裁员发生地点、生效日期和部分岗位信息
  • 管理层是否提到 flattening、efficiency、productivity、AI infrastructure 等信号

第二层级：可靠媒体与研究来源

可使用：

  • Reuters
  • AP
  • Bloomberg
  • CNBC
  • Wall Street Journal
  • Financial Times
  • The Information
  • TechCrunch
  • Crunchbase News
  • McKinsey, BCG, Bain, Deloitte, Accenture 等机构报告
  • Stanford HAI、MIT、NBER、Brookings 等研究机构材料
  • Anthropic、OpenAI 等 AI 公司发布的研究或经济影响材料

适合回答：

  • 裁员事件背景
  • 招聘计划、招聘冻结、replacement hiring 和岗位族变化
  • 管理层表述的上下文
  • 第三方对岗位、业务线和行业趋势的观察
  • AI 对工作流程、岗位结构和生产率的研究
  • 独立研究报告对公司案例解释的校准

第三层级：数据库与社交来源

谨慎使用：

  • Layoffs.fyi
  • TrueUp
  • Crunchbase layoff tracker
  • LinkedIn posts
  • Reddit / Blind
  • 员工个人帖子或匿名材料

适合用途：

  • 建立初始样本
  • 发现待验证线索
  • 补充员工侧视角

限制：

  • 不单独作为高置信结论依据
  • 不把个人帖子推广为整体公司画像
  • 不混用不同数据库的裁员统计口径

证据记录格式

每条事实进入 01-data-sources/evidence-log.csv，字段为：

id,company,date,claim,source_name,source_type,url,quote,summary,confidence,used_in

字段说明：

  • id: 证据编号，例如 E001
  • company: 公司名称
  • date: 事件日期或资料发布日期
  • claim: 这条证据支持的具体事实判断
  • source_name: 来源名称
  • source_type: official / regulatory / media / database / research / social
  • url: 来源链接
  • quote: 必要的原文短摘录
  • summary: 研究者自己的事实摘要
  • confidence: high / medium / low
  • used_in: 被哪个案例或分析文档引用

summary 中显式标记证据类型：

  • layoff
  • hiring
  • headcount
  • capex
  • financial
  • management_statement
  • automation_signal
  • external_research

详见 00-research-design/data-framework.md。

置信度规则

高置信度

通常需要满足至少一种条件：

  • 公司官方披露或 SEC 文件直接说明
  • WARN notice 明确列出公司、地点、人数和日期
  • 多个可靠来源相互印证
  • 财务数据来自公司正式报告

中置信度

通常包括：

  • 可靠媒体报道，但公司未完全披露细节
  • 第三方数据库与新闻报道方向一致，但数字口径不完全清楚
  • 员工侧材料与官方或媒体材料互相补充，但不能完全验证

低置信度

通常包括：

  • 单一社交媒体帖子
  • 匿名员工爆料
  • 未说明口径的数据库记录
  • 无法确认日期、岗位或地区的信息

低置信材料可以作为线索，但不能单独支撑核心判断。

表述纪律

所有公司案例必须区分三类表述，并同时覆盖裁员端和招聘端。

1. 公司公开理由

公司公开说法。例如：

  • 降本
  • 重组
  • 效率提升
  • 组织扁平化
  • 战略聚焦
  • 修正疫情后的过度招聘
  • AI 投资或自动化

2. 可观察事实

可被证据支持的事实。例如：

  • 公司宣布裁员人数
  • 公司继续招聘、停止招聘、放缓招聘或补招某类岗位
  • 财务指标变化
  • CapEx 增长
  • WARN notice 中列出的地区和岗位
  • 裁员后仍招聘 AI infrastructure 或 machine learning 岗位

3. 研究者推断

基于多个事实做出的谨慎判断。例如：

  • 该案例更像高盈利状态下的组织重配
  • AI 是重要背景，但不足以单独解释裁员
  • 中间管理或支持岗位可能被重新评估
  • 公司可能正在把岗位和流程资源配置到 AI、基础设施、销售商业化、制造自动化或更高杠杆岗位

推断必须写明证据基础和反解释。

必须列出的替代解释

每个案例都必须列出非 AI 解释，包括但不限于：

  • 疫情后过度招聘修正
  • 利率环境变化
  • 资本市场对利润率的压力
  • 广告、云、硬件或订阅业务周期
  • 战略收缩或业务失败
  • 并购整合
  • 地缘政治、供应链或监管压力
  • 外包、离岸化或流程整合

如果证据不足以区分 AI 与非 AI 原因，必须明确写出证据缺口。

因果表述规则

本研究默认不做强因果断言，除非有非常明确的证据。

禁止写法：

  • “AI 导致了该公司裁员。”
  • “裁员改善了公司业绩。”
  • “该岗位已经被 AI 替代。”

更合适的写法：

  • “公司在裁员同时提高 AI 基础设施投资，显示资本配置正在变化。”
  • “该案例支持 AI 时代提高人效和劳动力重配的组织信号，但不能证明 AI 是裁员的唯一原因。”
  • “裁员后利润率改善，但还可能受到成本控制、收入结构、股权激励、汇率和业务组合变化影响。”
  • “公司减少了部分岗位，同时仍在招聘或保留 AI、基础设施、自动化相关岗位；这支持重配信号，但需要岗位级招聘数据验证。”

案例选择逻辑

核心样本选择 8 家公司，覆盖互联网平台、企业软件、云/AI 基建、半导体、消费硬件和汽车/制造。样本选择不要求每家公司都有同等强度的裁员证据，而是要求它们能在“裁员端、招聘端、资本端”至少提供一种有用对照。

公司 样本作用
Amazon 大规模公司职能裁员、AI 投资、去官僚化和效率叙事
Meta 高盈利效率纪律、AI CapEx、replacement hiring 和组织压缩
Microsoft 强 AI 投资与多轮裁员并存，CoreAI / Copilot / Azure AI 作为招聘端线索
Salesforce AI agent、客服压缩和 Agentforce 商业化招聘信号明显
Intel 经营压力型裁员和战略收缩，作为非 AI 直接解释对照
Apple 消费电子、项目退出、AI 人才转向和供应链杠杆样本
Nvidia AI 芯片龙头、高增长、R&D 扩张和非裁员对照
Tesla 汽车/机器人/AI 垂直整合、制造效率和自动化组织样本

偏硬件、制造、芯片和汽车的企业不应默认都有可比的裁员数据。它们更适合补充观察：

  • AI 对制造、硬件和工程组织的影响
  • 自动化、机器人、供应链和资本开支如何改变岗位结构
  • 非互联网公司的组织层级、工程杠杆和生产流程变化

写作规则

  • 先写公司案例和独立研究报告，再写综合分析与结论建议
  • 每个案例只回答该公司的证据能回答的问题
  • 每个案例同时记录裁员端、招聘端和资本端
  • 综合分析使用“信号”，谨慎使用“结论”
  • 不把不同口径的裁员人数简单相加
  • 不把“裁员岗位”与“被 AI 替代岗位”等同
  • 不把“招聘广告”与“实际 headcount 增加”等同
  • 重要判断必须能追溯到 evidence log