
过去两年,我和身边的很多程序员、文案、设计师以及企业管理人员聊过。大家普遍存在一种焦虑,总觉得算法一迭代,明天自己就得收拾东西走人。但是,如果抛开技术宣传的泡沫,回到产业现场看真实数据,事情完全不是这回事。
AI取代的是任务(Tasks),而不是职业(Jobs)。 这是一个最基础也是最关键的事实。
高盛在2023年发布过一份全球宏观经济研究报告。数据显示,生成式AI能够影响全球约3亿个全职工作岗位。很多人只看标题就吓坏了,但仔细看报告内文就会发现,大部分岗位面临的是部分工序的自动化,真正完全消失的职业占比极小。麦肯锡全球研究院在对700多个职业的跟踪调研中也指出,当前技术能够自动化的,主要是那些规则明确、在屏幕前完成、信息输入输出高度标准化的任务。比如初级数据录入、基础报表统计、常规合同初审。
只要你的工作内容脱离了纯粹的屏幕信息搬运,AI就会遇到三堵根本翻不过去的高墙:物理世界的摩擦力、人际交往的真实信任、以及法律与商业上的责任兜底。
究竟哪些职业不会被AI取代?综合劳动力市场数据和现场工程逻辑,主要集中在以下三类。
第一类,面对复杂非标环境的高物理技能职业。
比如高难度管道维修工、特种机械维修技师、资深厨师、现场电力抢修工程师。
沃顿商学院联合宾夕法尼亚大学做过一项针对784个职业的研究。结果显示,在50个AI任务暴露度为0%的职业中,有超过三分之二属于建筑、安装和复杂维保工种。
为什么会出现这种情况?因为物理世界充满摩擦和不确定性。一个老旧小区的下水管道爆裂,管道走向老化、墙体内结构复杂、污水油污交织。让大模型来分析,它连现场物理参数都采集不全;如果制造一台能钻进各种破损管道、拥有灵巧手感知能力、同时还能抗污耐摔的机器人,单台硬件造价至少几十万美元。企业不会花几十万去替代一个每月成本几千元、带上一把扳手半小时就能解决问题的水电师傅。在物理现实面前,算力的边际成本远高于人力。
第二类,提供真实情绪价值与深度人际连结的职业。
比如临床心理咨询师、安宁疗护护士、资深劳动仲裁员、重组谈判顾问。
人类的情绪反应很微妙,不仅取决于语言,还取决于语气、微表情、肢体动作以及长期的情感共鸣。你可以让大模型在一秒钟内生成一篇措辞严谨的安慰信,或者一段工整的劝和话术,但当事人只要知道屏幕背后是一台冷冰冰的服务器,被安慰的感觉就会立刻瓦解。哈佛商学院对商业决策谈判的研究显示,上千万元甚至上亿元的交易闭环,核心节点往往不在于幻灯片有多精美,而在于双方负责人面对面喝咖啡、试探底线、建立人际信任的过程。机器无法交付真正的同理心,人也不会向一行代码交付心理信任。
第三类,承担最终风险与决策后果的兜底职业。
比如复杂手术的主刀医生、民用建筑总工程师、主审法官、企业核心业务决策人。
这一点涉及现代社会的制度根基:权责对等。如果一个大模型做出了错误的癌症切除方案,导致患者死亡,大模型无法负法律责任,大模型也不会被吊销执照。如果建筑结构计算出现严重漏洞导致倒塌,算力服务器无法坐牢。在真实商业和司法实践中,所有关键决策都必须绑定自然人的责任。愿意签字、敢于拍板、在出现事故时承担法律和经济赔偿责任的人,永远拥有核心价值。
面对技术变化,很多人不知道该怎么调整自己的职业路径。我们可以把当下职场人应对AI的三种主要方案放在一起对比:
| 方案类型 | 核心操作方式 | 落地成本 | 抗取代风险 | 适用人群 | 综合价值沉淀 |
|---|---|---|---|---|---|
| 方案一:完全排斥手工流 | 坚持传统纯手工,拒绝接触任何自动化工具 | 极低(不买软件) | 极高(面临工时劣势) | 流程固化的初级体力劳动者 | 生产速度脱节,容易被更高效的同行淘汰 |
| 方案二:浅层指令搬运流 | 仅充当提示词搬运工,把大模型生成内容直接交差 | 低(仅需订阅账号) | 高(价值门槛极低) | 缺乏专业深度的初级行政、低端外包文案 | 产出高度同质化,客户或老板可以直接绕过你 |
| 方案三:人机协同与闭环责任流 | 将标准化任务交给工具,自身深耕业务现场、多方协同与签字兜底 | 中(需学习新流程并扎根业务) | 极低(具备结构性壁垒) | 具有专业判断力、能做复杂协调的业务骨干 | 产出速度快,且具备不可替代的真实商业信用 |
很明显,方案三是构建长期壁垒的唯一理性选择。
那么,普通人在日常工作中,究竟该如何一步一步构建自己的不可替代性?不要停留在抽象的概念上,按照以下四个具体步骤执行:
第一步:拆解个人岗位任务清单。
拿出一张纸,把本周处理的所有工作逐条列出来。拿红笔将它们明确分成两栏:左栏是“规则明确、有标准化输入输出的数字任务”,例如汇总周报、清洗表格、撰写会议纪要、生成常规代码段;右栏是“需要与人博弈、现场勘查、主观取舍的任务”。
第二步:把左栏任务彻底交给工具,压缩机械工时。
先做流程梳理,然后配置对应的自动化工具或文本处理助手,让工具替你跑第一遍。这样能帮你更快把每天4小时的重复劳动压缩到30分钟以内。这里不需要高深的技术,只要习惯用工具处理初稿、提取数据要点,把省下来的时间集中起来。
第三步:把省下来的时间全部投向“物理现场”和“人际网络”。
走出办公室,去见客户,去工厂看流水线,去库房看盘点。麦肯锡在多份产业报告中反复强调过,企业内部最有价值的数据往往是非结构化的,它们只存在于员工的口头交流和现场生产细节中。大模型训练用的都是互联网公开数据,它根本不知道你们车间某个批次的零件为什么卡扣总装不上,更不知道某个大客户为什么迟迟不签合同是因为对方财务总监在内部人事变动中失势。一线真实信息是机器永远拿不到的私有资产。
第四步:主动向组织认领“决策权”和“兜底权”。
做汇报时,彻底改变汇报习惯。普通员工只列数据:“我对比了A方案和B方案,各有优缺点。” 真正不可替代的员工会给出明确结论:“先做A方案测试市场,然后根据前三天的数据决定是否追加B方案,如果出现供应链断货,我负责直接到供应商工厂调货。” 当你敢于给出确定性判断,并主动承担后续的处置成本,你在团队中就变成了不可或缺的角色。
在执行上述步骤的过程中,牢记以下三条避坑提示:
1.避坑提示一:切勿跟机器拼记忆力和信息检索量。 任何试图通过死记硬背条款、背诵行业名词来维持优势的做法,都是徒劳的。
2.避坑提示二:切勿依赖通用模板输出。 大模型生成的通用公文和套话已经充斥网络,千篇一律的内容正在迅速贬值,带有个人实操教训、具体案例、真实瑕疵的内容反而更值钱。
3.避坑提示三:切勿脱离业务真实结果。 工具用得再熟练,如果无法解决客户的真实痛点,或者无法给业务带来利润增长,依然没有竞争力。
职场的分水岭从来不是技术本身,而是你解决现实问题的综合能力。把重复的信息搬运交出去,把真实的现场、真实的人际关系以及真正的责任握在手里,这才是面对技术浪潮时最稳固的底牌。
原创文章,作者:七点互动,如若转载,请注明出处:https://ai.qidianhudong.com/aiyy/4701.html