关于 AI 与就业的讨论，通常在两极之间摆动：要么是「大规模失业」，要么是「只是工具而已，和计算器一样」。
两种说法都不准确。前者把岗位当成不可分割的整体，后者低估了这次变化触及的范围。更有解释力的框架是：岗位是任务的集合，AI 重新分配的是任务的构成比例。
一个被忽略的事实
几乎没有一个岗位的所有任务都能被同一个系统完成。
以数据分析师为例，把工作拆开看：
| 任务 | 占比（传统） | AI 能力 |
|---|---|---|
| 收集与清洗数据 | 30% | 高度自动化 |
| 编写查询与生成图表 | 25% | 高度自动化 |
| 识别异常与模式 | 15% | 部分自动化 |
| 判断异常是否重要 | 15% | 仍需人 |
| 向决策者解释并推动行动 | 15% | 仍需人 |
当前三项的时间从 70% 压缩到 15%，这个岗位的内容已经彻底改变了。但岗位名称没变，编制没变，招聘还在继续。
这就是「重构」而不是「替代」的样子——安静，但彻底。
三种真实发生的变化
第一，执行时间下降，判断密度上升。
工作变得更像「决策 + 审阅」。这听起来是好事，但它有两个副作用：
- 认知负荷并没有降低，只是从操作转移到了判断。
- 判断错误的代价变大了。过去十个人慢慢做，错误被稀释；现在两个人快速做，错误更容易直接传导到结果。
第二，入门路径被压缩。
这一点被严重低估。传统上，新人通过做基础工作来建立领域直觉——清洗数据的过程中，你会慢慢知道哪些数据不可信；写一百份周报之后，你会知道什么值得关注。
当基础工作被自动化，这条成长路径被打断了。组织将面临一个结构性问题：五年后谁来接班？
第三，产出与人数脱钩。
三个人可以做到过去十个人的产出。短期内这是效率提升，中期会改变组织结构：中级管理层的存在理由被削弱，因为他们的核心职能是协调信息，而信息传递正在被自动化。
谁受影响最大
不是体力劳动者，而是以处理符号为主、且有明确对错标准的工作。
写代码、写文案、做初级分析、处理文档、整理表格——这些工作有共同特点：输入输出都是符号，结果可以被机器验证或至少可以被快速审阅。
相反，需要线下在场、承担法律或道德责任、依赖长期关系与信任的工作，受到的冲击小得多。这不是因为 AI 做不到，而是因为责任无法被委派给软件。
一个务实的应对框架
1. 拆解你的工作。 列出你每周实际做的事，逐项评估：AI 能做到几成？哪些环节是它做不到的？
2. 把判断力变成显性资产。 写下你的判断标准。能被写下来的标准，才能被委派；能被委派，你才能腾出时间做更难的事。
3. 向上游移动。 定义问题比解决问题更难被替代。当执行成本趋近于零时，「做什么」的价值会远远超过「怎么做」。
4. 承担结果。 在一个产出过剩的环境里，愿意为结果负责是稀缺品。这也是为什么资深工程师的价值不一定下降——他们的判断包含了大量「知道哪里会出事」的经验。
5. 保持具体的操作能力。 完全不碰细节的审阅者会被淘汰，因为他无法判断细节的对错。这个陷阱对管理者尤其危险。
需要警惕的几种叙事
- 「学会用 AI 就安全了」：会用工具是基准线，不是优势。所有人都会用之后，它不再是差异化。
- 「AI 只是工具，和计算器一样」：计算器不改变任务的定义方式，AI 会。
- 「所有工作都会变好」：分配结果取决于制度与议价能力，而不是技术本身。生产率提升不等于收入提升。
结论
AI 不替代岗位，它重排岗位内部的任务结构。
真正的风险不是失业，而是你仍然在这个岗位上，工作内容却已经换了——而你还没意识到需要重新学习。
这也是为什么，现在值得认真做的一件事是：把自己的工作拆开，看清哪些部分正在被抽走，哪些部分正在变得更重要。