样本选择
目的
样本选择不能只追求“裁员新闻多”，还要覆盖不同组织类型。否则研究会过度反映互联网和软件平台公司的逻辑，难以推出更客观的结论。
本研究使用分层样本：
- 互联网 / 平台公司
- 企业软件 / AI agent 公司
- 云与 AI 基础设施公司
- 半导体 / 硬件制造公司
- 汽车、机器人等工程制造型公司
核心样本
| 公司 | 行业类型 | 研究作用 |
|---|---|---|
| Amazon | 平台、云、物流 | 组织扁平化、AI 投资、公司职能劳动力压缩 |
| Meta | 平台、广告、AI 基础设施 | 高盈利效率纪律、AI CapEx、管理层级压缩 |
| Microsoft | 企业软件、云、AI 基础设施 | AI 基建资本重配、CoreAI、管理层级压缩 |
| Salesforce | 企业软件、AI agents | AI 驱动的支持职能压缩 |
| Intel | 半导体制造 | 经营压力型重组、战略收缩、非 AI 替代对照 |
| Apple | 消费电子、服务、供应链 | 项目退出、AI 人才转向、供应链杠杆和克制公开裁员样本 |
| Nvidia | AI 芯片、accelerated computing | AI 红利公司，高收入、高人效和技术岗位扩张的非裁员对照 |
| Tesla | EV、机器人、AI、制造 | 制造自动化、机器人、FSD/AI、工厂效率和大规模裁员之间的混合关系 |
各类样本检验的问题
互联网与平台公司
适合观察：
- 高盈利公司是否仍裁员
- 管理层级是否被压缩
- AI CapEx 是否替代部分人力扩张
- 平台推荐、广告、客服、内容审核是否被 AI 重构
局限：
- 软件公司岗位结构与制造业差异很大
- 容易高估 AI 对知识工作的直接影响
企业软件与 AI 代理
适合观察：
- AI agent 是否压缩客服、销售支持、IT 支持、文档处理等流程
- 企业软件公司是否一边裁员一边招聘 AI 产品销售、实施和解决方案岗位
- 客户案例和内部使用数据是否能证明流程自动化
局限：
- 公司有商业动机夸大 AI agent 效果
- 支持岗位减少可能来自外包、流程整合或自然流失
半导体与硬件
适合观察：
- AI 需求是否带来资本、产能和工程岗位重配
- 芯片公司是扩张还是收缩
- 经营压力型裁员与 AI 红利型扩张如何形成对照
局限：
- 资本开支、供应链和制造周期会掩盖 AI 的组织影响
- 裁员原因常常更接近竞争、制程、库存和资本纪律
汽车、机器人与制造
适合观察：
- AI、机器人和自动化是否改变生产流程
- 工程、制造、供应链和管理层级如何重新配置
- 创始人主导公司是否呈现不同组织逻辑
局限：
- 制造业裁员可能受产能、车型周期、订单、供应链和工厂布局影响
选择规则
- 扩展样本必须能回答核心样本回答不了的问题。
- 不因为公司知名就纳入；必须有明确研究功能。
- 不要求每家公司都有裁员。没有裁员但有招聘、资本开支、组织重构或自动化信号，也可以作为对照样本。
- 制造类公司需要同时看 headcount、CapEx、工厂自动化、供应链、unit economics 和管理层表述。
- 私营公司若纳入，需要单独标注资料透明度限制，不能与上市公司做完全同口径比较。
样本平衡
样本覆盖互联网平台、企业软件、云/AI 基础设施、半导体、消费硬件和汽车/制造。扩展样本必须显著补足核心 8 家公司无法回答的问题。
招聘端证据重点包括：
- 是否继续招聘 AI / ML / 基础设施 / 数据中心 / 芯片 / 机器人 / 销售岗位
- 招聘是 replacement hiring、正常补员，还是战略转向
- 招聘岗位与被裁岗位是否处于同一流程链
- 是否有可靠的岗位层级、地区或资历数据