AI与职业这三年：震荡、规律与职业群像
从“AI会取代我吗”到“我的哪部分工作先被替代”
AI与职业这三年：震荡、规律与职业群像
伍晖 创新与人才独立研究者、腾讯研究院AI特约研究鹅
2023年春天，一份来自OpenAI的研究论文让“暴露度”这个词进入公众视野。
论文用大语言模型的能力去匹配美国劳工部近千个职业的任务描述，得出一份风险排序：数学家、报税员、量化分析师、作家、网页设计师排在前面，编程与写作技能的暴露度接近100%。
此后三年，每隔几个月就有新的报告、新的预警、新的案例出现。
有人在社交媒体展示自己用AI三小时完成过去一周的工作，有人发现招聘网站上自己十年前入行的岗位已消失不见，也有人在公司全公司的各个角落里听说“明年我们要用AI做到同样的事，但用更少的人”。
恐惧与兴奋交替袭来。
但三年过去，一个清晰的感受是：人们不再笼统地问“AI会取代我的工作吗”，而是开始拆解自己的日常——其中哪些真的被替代了，哪些只是被“增强”了，哪些似乎碰都没碰到。
这种从模糊焦虑到具体审视的转变，是本文的起点。
我们试图回答三个问题：
**，2023年6月到2026年6月这三年，AI到底对职场、就业和具体职业产生了什么影响？
不是预测，不是想象，是可追溯的数据和真实案例。
第二，有哪些产业规律、经济规律和组织规律，能帮我们理解过去三年，并推演未来？
不是凭感觉判断趋势，而是回到那些被反复验证过的理论框架。
第三，身处这场变革中的具体的人——写代码的、做产品的、算账的、做人力、做营销、审合同、跑销售的——他们经历了什么？
我们将在第三部分呈现他们的故事。
本文所有数据标注出处，所有判断基于可验证信息，所有故事来自真实访谈。
我们尽可能避免给观点，只给事实和基于理论的推演。
**部分：三年影响——数据、时间沿革与真实案例（2023.6-2026.6）
2023到2026这三年，关于AI与职业的认知经历了一次明显的校准。
**步是识别：哪些任务暴露于AI的能力范围？
第二步是观察：哪些真正被替代了？协作模式如何演变？
第三步是探因：为什么理论暴露和实际替代之间存在时差？
第四步是深挖：替代打击谁、保护谁？资本流向何方？
以下七节，是对这四步的具体展开。
1.1 2023：理论预警与“暴露度”叙事
2023年3月，OpenAI发布论文，将大语言模型的能力与美国劳工部O*NET数据库中1016个职业的19265项任务进行匹配。
结论：约80%的美国劳动者至少10%的工作任务受到GPT影响；约19%的劳动者超过50%的任务暴露于AI。
编程与写作技能的暴露度接近100%，法律、会计等紧随其后。
暴露度的定义是“任务可通过大语言模型显著减少完成时间”，不等于“岗位会被替代”。
这是一张技术可行性的热力图，不是就业变化的时间表。
同月，高盛估算全球约3亿个全职岗位可能暴露于自动化，法律行业44%的任务可自动化，行政支持领域为46%。
6月，麦肯锡全球研究院认为生成式AI每年可为全球经济增加2.6万亿至4.4万亿美元产值。
销售、营销、软件工程和客户运营是价值增量**的四个职能。
两份报告代表了2023年舆论场的两极：替代叙事和增量叙事。
此后三年，我们反复在这两极之间摆动。
1.2 2024-2025：增强效应主导，实际落地加速
到2024年，GitHub公开调查显示92%的美国开发者在工作中使用AI编码工具。
Stack Overflow 2024年开发者调查中，81%的受访者认同AI工具提高了生产力，前端、全栈、后端开发者使用率最高。
使用率上升的同时，担忧并未同步扩散——72%的专业开发者不认为AI是对他们工作的威胁。
2025年2月，Anthropic经济指数报告显示：软件工程任务占AI使用的37.2%，创意写作与文案占10.3%。
在所有使用场景中，57%属于增强，43%属于直接自动化。
2023年9月，BCG与哈佛商学院的实验揭示了“锯齿状技术前沿”：使用GPT-4的顾问完成任务数多12.2%、速度快25.1%，但在超出AI能力边界的复杂任务中表现反而下降。
人机协作的核心能力不是“会用AI”，而是“知道AI什么时候会出错”。
就业市场端，Freelancer.com季度报告显示“AI内容编辑”“提示工程”等新技能岗位需求猛增，传统翻译、基础设计、数据标注订单量显著下降。
Upwork 2024年报告指出40%的企业高管计划因AI减少固定人力、增加自由职业者比例。
1.3 2026：现实校准——理论覆盖度 vs 实际覆盖度
2026年3月，Anthropic发布《Labor market impacts of AI: A new measure and early evidence》，首次将“理论AI覆盖度”与“实际AI覆盖度”分离。
雷达图显示：法律、艺术与媒体、教育等领域理论覆盖度接近或超过80%，但实际应用高度集中在计算机与数学、商业与金融、管理、办公与行政四个领域。
从技术可行到组织部署之间的距离，是过去三年最被低估的变量。
受AI影响最深的10个职业中，程序员排**。
这个排序与2023年OpenAI理论暴露排序高度重合于一个特征：高结构化、输入输出明确的任务，**被穿透。
不一致之处同样重要：法律行业理论覆盖度超80%，实际覆盖度有限——原因在制度而非技术。
教育领域也类似，AI主要停留在课件生成和辅助练习，核心教学互动未被替代。
1.4 智能体军团：从副驾驶到Agent集群
2026年初，Anthropic和爱分析分别在报告中指出同一趋势：AI正从“副驾驶”转向“智能体军团”。
多个自主Agent可并行执行复杂任务，相互协调，人工只需设定目标和审查结果。
科技商业公众号“蜗牛成长季”在一篇分析中指出，当智能体成为军团，技术骨干需要从“亲手构建”转向“定义目标、设定约束、审查AI输出”，管理者需要从“管理人”转向“管理AI集群与异常处理”。
爱分析报告指出了渗透路径：先吞噬企业IT中的开发、测试、运维等任务集群，再外溢至业务流程外包、客服等职能。
2023-2024年的叙事是“人机协作、人在环内”，2026年的新叙事是“人在环外”。
1.5 学习曲线的断裂：当AI堵死新人的练习场
哈佛商学院富勒等人在2025年的研究中，基于数百万条美国在线招聘广告数据，引入了一个核心变量：学习曲线。
在学习曲线陡峭的职业中——资深员工效率远超初级员工，薪资曲线陡峭——初级技能比高级技能更容易被AI自动化。
初级工作多由显性、可编程的任务构成，AI能直接替代这些入门级练习，截断新人“边做边学”的成长路径。
在学习曲线平缓的职业中，经验溢价较低，AI擅长赋能而非替代，让新手借助工具快速产出接近熟手的成果，反而扩大就业准入。
简言之，AI在陡峭曲线中替代入门任务、提高准入门槛，在平缓曲线中赋能新手、扩大就业准入。
替代与赋能的分界线，不在于职业高低，而在于学习曲线的形状。
这解释了2024-2025年间一个矛盾观感：大量资深程序员感到生产力倍增，而计算机专业应届生发现找工作更难。
AI在同一职业内部制造了代际不对称。
未来从业者结构可能不再是金字塔形，而是“葫芦形”：资深者稀缺昂贵，新人难以入门，中间层空洞化。
1.6 钱的去向：当“养机器”比“养人”更划算
2026年6月，《晚点LatePost》分析了中美头部科技公司的财务数据。
美国市场：自2022年底起，大型科技公司因宏观因素开启首轮裁员潮。
过去半年，受AI编程能力成熟驱动，新一轮裁员潮影响超10万人。
中国市场：超过一半的科技公司从2021年就开始减员。
截至2026年6月，员工数仍多于2021年水平的仅有美团、京东、拼多多、腾讯，其中仅拼多多和腾讯实现了员工数与人均利润同步增长。
年龄焦虑门槛从35岁提前至25岁。
一个关键指标：中美头部软件和互联网公司的资本开支已大多超过研发费用。
投入算力基建的钱，超过了养研发团队的钱。
市值排名更直观——近五年，中美市值前20公司明显向AI和芯片硬件厂商倾斜。
互联网大厂内部出现剪刀差：人均产出上升，员工总数下降或停滞。
以前业务增长靠扩招，现在靠加算力。
Token消耗成为新的运营成本，这笔钱过去可能是付给做报表、写文案的员工的工资，现在流向了芯片厂商和云厂商。
1.7 微观显影：四个人的2025-2026
宏观数据落到个体身上，是具体的生活选择。
《财新周刊》2026年6月的封面报道中，记录了四个人的经历。
与第三部分我们将看到的“主动重塑者”不同，这四个故事都带着某种被动承受的底色——部分原因在于，他们大多来自创意行业，而这个领域恰恰是AI挤压最强烈的区域。
在一家公司做AI数据分析师，工作是统计Token消耗、测算模型成本。
公司项目不赚钱，老板让她搭建自动化系统，系统完成后，她的岗位被裁撤。
她转行进了传统制造业，薪资降了约30%。
身处AI行业内部，并没有给她免疫力。
在一家音乐发行公司做宣传。
平台以“AI可以做”为由裁掉大量外包人员，但工作并未消失，转嫁给了留下的正式员工。
反馈周期从几分钟拉长到半天，客户开始不满。
她夹在中间，很难解释到底发生了什么。
在一家真人短剧公司做运营。
公司全面转向AI短剧——没有真人演员。
北京运营团队整体裁撤。
不是她做得不好，是她所依附的业务前提被技术直接抹去了。
做了近八年视觉设计师，哺乳期结束后被裁。
重新找工作时发现，招聘要求变成了一个人同时掌握AI生图、修图、视觉设计、视频剪辑、社交媒体运营——过去一个团队的活，现在要一个人全包。
这四个故事是“被替代者”的视角。
在第三部分，我们将看到另外七个人——他们同样身处被AI冲击的岗位，但选择了不同的应对路径。
这两种样本的差异，本身就是AI时代职业分化的注脚。
第二部分：用规律预测未来——三个视角
为什么需要理论
**部分呈现了过去三年的数据、趋势和个体经历。
信息密集，但有一个风险：读者容易被现象淹没，把短期的波动当成长期的命运。
预测未来不是猜谜，是假设条件下的推演。
以下三个理论视角——任务模型、技能偏向性技术变革、创造性破坏与补偿机制——从微观到宏观，构成一个递进的分析框架：先拆解AI到底替代了什么，再解释为什么同一职业内部有人更安全、有人更危险，最后推演新岗位从哪里来、经济增量在哪儿。
三个视角的共同价值在于：帮你从“这周又有什么新消息”的焦虑中抽身，看到更长的周期和更底层的规律。
2.1 任务模型：从“岗位会不会消失”到“哪个任务先被替代”
核心问题：预测AI对某个职业的影响，为什么不能看职业名称，而必须拆成任务？
理论来源与内容：任务模型源自劳动经济学中Autor、Levy和Murnane在2003年提出的经典框架，后由Acemoglu和Restrepo等人持续扩展。
其核心主张是：技术不是替代职业，而是替代任务。
一个职业由若干任务组成，有些任务可被自动化，有些不能。
劳动者在不同任务之间重新分配时间，而非整个职业被抹去。
Autor等人将任务分为五类：常规认知任务（如记账、数据录入）、常规体力任务（如流水线操作）、非常规分析任务（如编程、设计）、非常规互动任务（如谈判、管理）和非常规体力任务（如护理、维修）。
AI和此前的自动化技术主要冲击前两类。
Acemoglu和Restrepo进一步提出了“任务内容变化”的动态视角：技术不断改变一个职业内部的任务组合。
当某些任务被自动化后，剩余任务的重要性上升，同时可能出现全新任务。
应用与预测：用任务模型评估财务分析岗时，不问“财务分析师会不会消失”，而看具体任务的自动化前景：凭证生成、对账、标准报告生成等常规认知任务高度可自动化；异常交易调查、业务决策支持、税务筹划中的判断任务保留在人类一侧。
对研发岗同样适用：生成样板代码、写单元测试等任务AI已覆盖；系统架构设计、技术选型中的trade-off判断、生产环境故障排查仍需人类。
用这一模型预测未来三年，可靠性较高。
因为AI对常规认知任务的覆盖已明确——写代码、草拟合同、生成报表、筛选简历——这些任务不是“将来可能被替代”，而是“已经在被替代的路上”。
剩余不可替代的，是高触及度、非结构化、需跨域判断的任务。
**部分的数据在此获得理论解释。
Anthropic 2026年报告显示的“理论覆盖度与实际覆盖度的差距”，本质上是任务层面的差距：不是整个法律职业被覆盖80%，而是其中合同审查、法规检索等具体任务被覆盖。
职业标签是粗糙的，任务才是分析的正确粒度。
在后续的职业族群观察中，我们会看到有研发从业者花了三个月把自己的工作拆解成若干Skill，逐一判断哪些交给AI、哪些自己来——这正是任务模型从理论落到日常的缩影。
2.2 技能偏向性技术变革：为什么资深者更安全
核心问题：AI到底是缩小还是拉大了职场中的能力差距？
为什么1.5节中看到新人更难入门、资深者反而溢价更高？
理论来源与内容：技能偏向性技术变革理论由Acemoglu和Autor等人系统阐述。
其核心洞察：新技术通常不是中性的，它会偏向某一类劳动者——通常是高技能劳动者——从而提高他们的生产力和工资，同时压低低技能劳动者的需求和工资。
这就是过去几十年美国制造业“中间层空洞化”的底层机制。
但AI的特殊性在于：它可能同时冲击部分高认知任务，形成“任务偏向性”而非纯粹的技能偏向性。
初级的编程、法律、设计任务虽然是高技能工作，但因为结构化和标准化程度高，反而比水管工或护工这类高触及度的中等技能工作更容易被AI覆盖。
应用与预测：这个理论的预测价值在于：未来的职业安全，不取决于你站在技能阶梯的哪一级，而取决于你的任务组合中有多少“不可预测性”和“人际带宽”的成分。
一个经验丰富的后端架构师，其价值不在于写代码更快，而在于做出正确的技术取舍判断、在处理线上故障时保持冷静、在跨团队协作中化解冲突——这些任务AI覆盖不了。
同样，一个资深的HRBP，其价值不在于筛简历和排面试，而在于处理复杂的员工关系、进行组织诊断、在灰色地带做出判断。
1.5节中富勒等人的研究——学习曲线陡峭职业中初级任务更易被自动化——正是技能偏向性技术变革在AI时代的具体表现。
AI拉大了同一职业内部的代际差距：资深者的“判断溢价”上升，新人的“执行价值”下降。
未来三年，同一岗位名称下，会用AI与不会用AI、能与Agent集群协作与不能的从业者之间，生产力差距将持续拉大。
“超级明星效应”增强——***的5%可能拿走不成比例的回报。
这个理论也解释了组织层面的资源配置逻辑。
企业理性地把更多算力资源投向高产出节点——2.4节中腾讯Token额度分配的差异，正是SBTC在组织内部的精确显影。
交易成本理论的核心洞察——企业边界在收缩、Token本质是认知任务外包的费用——也在此找到位置：当外部协作成本低于内部协调成本，组织更倾向用灵活用工替代全职岗位。
1.7节中李梦观察到的“组织像搭乐高”，正是这种变化的个体感知。
2.3 创造性破坏与补偿机制：新岗位从哪里来
核心问题：如果AI消灭了大量任务，新任务从哪里来？
历史上的技术革命是怎么实现“消灭一批、创造更多”的？
AI实现净经济增长需要什么条件？
理论来源与内容：约瑟夫·熊彼特在1942年提出“创造性破坏”：资本主义的本质是不断从内部革新经济结构，新技术不断摧毁旧产业，同时创造新产业。
岗位不是静态存量，而是技术结构的函数。
马车被汽车替代时，马车夫的岗位消失了，但汽车司机、加油站工人、4S店技师等新岗位大量涌现——总数远超消失的岗位，只是当事人很难在转型当下看到全景。
Acemoglu和Restrepo的就业补偿框架将这一直觉系统化。
技术对就业产生两种效应：替代效应直接减少某些劳动任务的需求；补偿效应通过多条路径反向创造新需求——
- 生产力效应：效率提升降低产品价格，扩大市场需求，增加总产出和劳动需求。纺织机械使布匹价格暴跌，反而创造了更多纺织工人岗位。
- 新任务创造：新技术创造新的高复杂度任务，例如AI时代产生的提示工程、模型精调、AI安全红队、智能体编排等。
- 资本积累：技术带来的利润再投资，在产业链上下游产生新岗位。
- 深化间接效应：技术进步衍生新的互补行业。互联网的底层是TCP/IP协议，但衍生了电商、在线广告、云服务、内容平台等巨型产业。AI的底层是大模型和算力，Token管理和AI审计可能成为类似的衍生行业。
这个框架的关键边界是：补偿效应不是自动发生的。
它取决于市场结构调整速度、劳动者技能转化速度和制度（教育、社保、劳动力市场政策）的适配能力。
如果替代快于补偿，短期内出现技术性失业和结构性错配。
这正是2023-2026年我们看到的情况：大量新岗位仍在早期形成阶段，需求规模尚无法抵消被替代的岗位。
历史镜鉴：理解AI对就业的影响，**的参照系不是上一年的数据，而是此前技术革命的经验。
两次转型的共同规律：消灭效应先显性，创造效应后显性。
消灭发生在明确的已有任务上，容易被看见和报道。
创造的新岗位在初期边界模糊，未形成正式职业名称，容易被忽视。
“网站开发工程师”在1995年没人听说过，到2005年已成为庞大职业群体。
“提示工程师”在2022年不存在，现在已是增长最快的自由职业类别之一。
S曲线的核心洞察——技术渗透有自己的节奏，理论暴露与实际替代之间的距离不是意外——也在此找到位置。
当前AI正处于从“早期采用者”跨入“早期大众”的阶段，这意味着渗透速度将加快，但组织制度和个体技能的调整速度未必能同步跟上。
Token即“新电力”：1.6节展示了当前阶段资本从人力向算力流动的证据。
但长期来看，仅靠削减成本的自动化无法带来宏观经济净增长——历史上每一次技术革命最终创造增量，都是因为催生了新的消费需求和新产业，而非仅仅“省钱”。
Token消耗的持续性正在创造“运转岗位”。
传统软件一次性交付，成本主要在研发。
AI应用持续消耗推理算力，模型托管、推理服务、监控、成本优化等成为持续付费的运营环节。
这种持续性消耗需要人力去管理、优化、审计，从而创造新的运营技术岗位——AI运维工程师、MLOps工程师、AI FinOps分析师。
这些岗位在2023年几乎不存在，到2026年已成为技术招聘市场增长最快的类别之一。
正如电力计量成为工业经济的血液，Token正在成为认知经济的计量单位。
过去由人脑“免费”执行的认知工作，被显性化为可计费、可优化的资源消耗。
AI实现净经济增长的三个条件：回顾工业革命和互联网革命的历史，AI要带来净经济增长而非仅仅替代存量劳动，需要三个条件——
**，Token成本持续下降到低于等效人类时间成本。
当AI完成某项任务的Token费用低于雇人的等效时薪时，替代会发生；但只有当成本足够低时，才会催生以前不存在的新服务。
如同手机流量资费下降到一定程度，才出现了短视频直播的全民消费。
第二，AI能力嵌入全新服务，创造增量需求。
互联网的成功不在“更便宜地打广告”，而在于创造了“搜索”这种以前不可能存在的日常消费行为。
AI需要做到类似的事：将专家级服务规模化，创造以前不存在的大众消费。
潜在领域包括——个性化教育辅导、实时多语言全球协作、自动化科学研究。
第三，社会制度和培训体系帮助劳动者转向“AI互补”领域。
这是历史经验中最容易被忽视但最关键的一条。
工业革命时期的英国经历了近两代人的剧烈阵痛，因为社会制度远远滞后于技术变革。
互联网革命时制度调整更快，但依然出现了“数字鸿沟”和中年白领的结构性失业。
AI革命面临同样的挑战——1.7节中吴琼降薪30%转行、李梦一人扛起一个团队，都是转型阵痛的个体显影。
当前阶段判断：截至2026年，**个条件（Token成本下降）正在快速发生，模型推理成本在过去18个月下降了一个数量级以上。
第二个条件（新服务创造增量需求）处于早期萌芽阶段——代码生成、AI搜索、AI短剧、AI教育等方向出现，但尚未形成足够大的经济增量来对冲替代效应。
第三个条件（制度和培训）整体滞后，教育体系仍以旧职业结构为蓝本培养人才，社会保障制度仍以“稳定全职雇佣”为默认前提。
未来三年的核心变量是第二个条件——是否有足够多的新服务和新需求被创造出来。
如果创造加速超过替代速度，将重演互联网转型的净增岗位效应；如果替代持续快于创造，结构性失业压力将继续上升。
市场上已出现从AI搜索入口切入的创业尝试——不是做更便宜的投放工具，而是在一个全新的入口上搭建增长基础设施。
这正是“创造增量”的微小注脚。
2.4 理论与现实交汇：从“随便用”到“省着用”
2026年中，全球科技巨头不约而同调整了内部AI使用政策：从鼓励多用、不限额度，转向差异化分配、核算ROI。
Meta向核心员工发出Token配额限制备忘录，微软停止部分员工的第三方AI工具授权，腾讯将全员统一额度改为按任务动态调配。
调整背后是同一个现实：大量Token消耗属于无效消耗，AI支出对利润的贡献远低于预期。
麦肯锡《2025年AI现状》显示，全球近2000家企业中仅39%表示AI对息税前利润有明确贡献。
这一转变对技术采纳节奏的影响是双重的。
短期来看，预算约束会抑制部分“为用而用”的消耗，让采纳速度从狂热回归理性。
但中长期来看，区分有效与无效消耗、按任务定价、资源向高产出倾斜，正是S曲线跨越鸿沟进入主流部署的必要条件——电力革命和互联网革命都经历过从“公共品”到“计量付费”的类似转折。
对创造性破坏理论的预测而言，关键变量不是Token总量，而是有效Token的增速。
如果成本约束倒逼出更高比例的“有效消耗”——即AI被嵌入全新服务、创造增量需求，而非仅替代存量劳动——那么补偿效应的节奏不会因预算收紧而放缓，反而可能因为资源聚焦而加速。
反之，如果预算削减主要落在创新试错上，组织退回“省钱替代”的舒适区，新任务的创造将滞后于旧任务的消灭，结构性失业压力会持续上升。
未来三年的核心观察点是：组织是否在削减无效消耗的同时，保留甚至增加了对“增量型AI应用”的投入。
这是判断AI经济净增长是否成立的前置指标。
AI正从“技术导入期”进入“制度消化期”。
技术导入期（2023-2025）的特征是：无限供给幻觉、全员试用、资源不核算。
制度消化期（2026年起）的特征是：预算约束回归、按任务计价、区分有效与无效消耗、资源向高产出节点倾斜。
这不是开倒车。
电力革命早期，工厂自建发电站、电力随便用；后来电网形成、电价机制建立，工厂开始计算哪条产线值得配电机。
互联网早期，带宽是公共品；后来流量费用核算到业务线。
Token经济的免费午餐结束，是AI成为真正基础设施的必经仪式。
第三部分：职业族群——过往3年的塑造
第二部分梳理了五个理论框架。
框架提供坐标系，但决定职业命运的，是每天醒来、打开工具、决定今天该做什么的具体的人。
以下七组故事来自2026年3月至6月的访谈。
受访者分布在研发、产品、财务、HR、营销、法务和销售领域，工龄三到十五年不等。
与**部分“被替代者”的视角不同，他们大多仍坚守在原领域。
共同的问题是：当AI吞噬了越来越多基础任务，一个从业者该把自己重新定位为什么？
**个故事，从受冲击最深的研发岗开始。
林舟是2022年毕业的，学计算机，方向前端。
那年前端还是互联网的好岗位，她进了大厂。
2024年底，她感到了一次质变。
“Claude Opus 4.5版本之后，AI比实习生强了。”
她改变了自己的工作习惯。
以往是自己写代码，上线。
现在是把自己当成Agent，前期花了三个月做了一件事——她自己管那叫“前期投入行为研究”。
就是记录自己的工作习惯，确定大模型能干什么、不能干什么，然后把每个能力写成一个Skill。
“一开始就是做提示词库。每个Skill背后是你的判断——这个任务要做到什么程度算完成，边界在哪里，什么时候该停。”
三个月后，Skill跑顺了。
原本一天的工作，两小时干完。
她就有了大把时间，可以研究别的岗位。
说这句话的时候，她语气很平常。
她还说，现在做工具，都是做给Agent的，不是做给人用的。
省出来的时间，她没闲着。
业余运营一个博客，信息美学方向。
她把自己写文章的流程也拆了，提炼出12个Skill，每次生成文章就调用这12个Skill。
“主业和博主用的其实是同一套底层能力——审美、结构化、对工具的敏感度。”
提到网上经常说的“前端已死”，她说：“初中级不需要了。目前是Agent工程师，更关注工程能力。未来2-3年，Skill的harness达到一定程度，就会有指数增长，变成Loop工程。”
访谈最后，她认可：“项目管理能力是工程师最稀缺的能力，也最难被AI化。因为要协调不同利益、不同能力的人。”
上周她参加一个职业辅导活动，从上海飞过来，三小时，遇上大雨，晚了一小时。
主理人问她为什么这么执着。
她说：“我感觉这个活动能让我清晰下一步要干什么，所以我要完成这个旅程。”
一句话总结：2022届前端，四年间从“写代码的人”变成“调度AI的人”——原本一天的工作两小时干完，省下的时间用来学习全栈、做博主、观察行业。
她没有被“前端已死”的叙事打倒，而是把自己活成了一个“AI时代的职场样本”：用AI提效，用人设增值，用调度能力准备未来。
这位PM在互联网大厂从事商业广告工作三年，身处数字营销的最前线。
这段经历让他深度参与了企业“花钱买流量”的核心决策环节，积累了三个关键认知。
**，平台规则在变。
用户的注意力正在从传统搜索引擎向AI搜索入口迁移。
Google AI Overviews月活超20亿——“用户开始习惯让AI直接给答案，而不是自己点链接。以前那套SEO、SEM的打法，地基在松动。”
第二，客户的焦虑在变。
品牌方问他：AI搜索时代，我们怎么被推荐？怎么被提及？有没有新的规则？
传统的增长路径正在失效，新路径还没成型。
第三，供给侧的空白。
市场上大多数AI营销工具停留在“帮写内容”或“单点投放”，缺少从“AI平台如何推荐”出发的全局方案。
他选择在工作第三年这个节点创业。
逻辑不是“做腻了”，而是几个很具体的判断。
赛道窗口期明确。
Gartner预测2026年全球AI支出达2.52万亿美元，增幅44%；麦肯锡数据显示88%企业已常态化使用AI，23%已规模化部署AI Agent——“这不是未来趋势，是正在进行的基础设施重构。”
切入点足够靠前。
他不是做AI写作工具或投放助手，而是从AI搜索入口切入：先帮企业理解AI平台如何推荐品牌，再决定策略、内容、投放和转化。
这一定位天然有从单点工具走向平台型产品的空间。
团队互补。
核心成员来自头部互联网与AI商业化一线，覆盖产品、搜索、技术、商业化、运营增长和企业服务。
创业不是一个人的冲动，是一群人识别到了同一个机会。
他做的是一套面向企业AI时代的Agent营销产品矩阵。
起点是AI搜索增长——帮品牌在AI搜索结果中被推荐、被提及。
从那里延展到策略生成、内容与信源分发、效果洞察、全域投放和转化。
本质上是从AI搜索入口出发，逐步覆盖企业增长的完整链路。
他的商业化广告背景，在AI创业中反而成了核心优势。
“离钱近、离客户近”，知道企业真实的付费逻辑和流量痛点。
这种视角在AI落地阶段，比纯技术视角更有竞争力。
“三年不是太短，是刚好。既有足够的行业手感，又没有被大厂的惯性固化。”
创业公司的形态本身也在被AI重塑。
他们的目标不是成为营销服务商，而是企业级增长基础设施。
更扁平、更少层级、更高密度协作——一个人在高速成长期可以承担更大职责。
一句话总结：三年商业广告PM，看到AI搜索重写商业入口的机会，选择用Agent营销产品矩阵而非单点工具来押注——这不是逃离大厂，是识别到结构性变化后的主动选择。
陈念在一家多元业务公司待了四年，先做互联网行业营销，后转去做芯片BD。
眼下，她又要转岗了。
她看到的**个变化，是传统营销岗位正在被快速挤压。
品牌部的文案、营销创意、规划等工作，已大规模被AI接管。
她举了一组身边的数字：某咖啡品牌部运营团队从9人减至2人；新媒体运营等垂类岗位普遍缩编；传统4A广告公司的创意岗位需求锐减。
营销创意，这个曾经被认为需要人类灵感的领域，正在被AI瓦解。
但她同时清楚地看到了AI做不到什么。
客户提案、下单、关系维护——这些需要面对面沟通、建立信任的工作，AI难以替代。
B端复杂销售，比如云销售，决策链条长、涉及多方利益博弈、需要深度理解客户业务，AI很难真正介入。
她举了一个例子：某手机厂商母亲节文案事件中，AI可以写出情感充沛的文案，但无法主动识别舆论风险和社会情绪。
“价值观判断和危机感知，目前仍是AI的盲区。”
这意味着：即便文案由AI生成，最终签发人仍然必须是人类，而且这个角色的价值反而上升了。
在她眼中，AI时代正在重新定义营销和BD的价值分层。
执行层——文案产出、素材生成、基础创意——在快速被AI接管。
判断层——风险把控、价值观审核、策略取舍——正在升值，需要更高的行业理解力和风险意识。
信任层——BD的核心竞争力从来不是“写得好”，而是“聊得来、信得过”。
AI越强大，人与人之间的信任反而越稀缺。
招聘端也在印证这个趋势。
从“招创意人”转向“招会用AI的操盘手”。
传统营销岗位缩编，但能用AI完成从策略到落地全链路的复合型人才需求上升。
AI提效后，人的产出要求反而更高了——留下来的不是更会写文案的人，而是更懂业务、更会判断风险、更能搞定客户的人。
四年里，她经历了营销和BD两种角色，在一个公司内完成了两次转身。
业余时间在读MBA双学位。
“感觉越是这个时代，越需要一些能作为凭证的依傍。”
一句话总结：四年同一家公司，从营销到BD，亲历传统营销岗被AI挤压，也看清了AI的盲区——执行层在贬值，判断层和信任层在升值。
两次转岗，都在往AI做不到的那一侧挪。
何漫做HRBP两年多，入行时正赶上人员优化。
她经历过太多裁员沟通。
从最初的抗拒，到后来学会温柔而坚定地帮员工接受现实。
慢慢地，她意识到一个有些讽刺的事实：她在帮别人面对职业的终点，而自己所在的岗位，也正处于被AI重新定义的起点。
HRBP的工作正在被AI拆成两半。
一半是可以交给机器的。
计算年假、评奖评优、人力预算中繁琐的LC释放计算——把公式固化成Skill后，Agent几分钟就能给出结果，省下一两个小时的手工劳动。
员工绩效申诉沟通后，她用智能会议纪要生成重点和争议点，供后续参考。
另一半是机器碰不了的。
员工冲突管理、优化沟通、管理者赋能——这些需要面对面交锋、需要拿捏分寸、需要判断什么时候该硬什么时候该软的活，AI暂时替代不了，还得她亲自上。
但她清楚，这种安全未必持久。
公司内部的奖项开始出现“野生PM”“野生RD”之类的名目，鼓励员工跨界工作。
有的团队连QA都不需要了，一个人用AI完成全流程，效果反而更好。
这让她产生一种复杂的感受：当组织开始主动模糊岗位边界，你的不可替代在哪个环节还能站得住脚？
她还没找到完整答案，但她看到了更宏观的图景。
即便每个员工都在用AI提效，企业的整体效率和营收却没有显著提升。
原因在于，组织形态没有跟上。
单点爆发无法形成合力，重复工作依然多，熵增还在继续。
知识型工作的产出已经过剩——编码、设计、文案，市场根本接不住这么大的量，但量变还没带来质变。
现在的状态，她形容为“火花乱冒，但烧不成一片”。
这种观察让她重新定位了HRBP当下可以做什么。
推动管理者从“员工AI化”步入“组织AI化”，是她的新命题。
不是让每个人多用AI，而是让整个工作流对AI友好、对Agent友好，让工具真正嵌入流程而非漂浮在表面。
一句话总结：两年多HRBP，见过裁员，也见过组织在AI面前的笨拙转身。
她慢慢体会到：AI能替代一切可标准化的事务，但替代不了在人心与利益之间走钢丝的判断力——只是，当组织本身仍在剧烈摇晃时，这根钢丝正在变得越来越细。
老周今年三十八岁。
从互联网出来创过业，三年前加入现在这家公司，做政企销售。
销售方式和他二十年前入行时差别不大：靠一个个客户去磕。
公司连统一的客户管理系统都没有，填表用飞书、企业微信、腾讯文档、金山文档、OA加密表混着来。
总部推过AI应用平台，响应的人寥寥无几。
但有意思的是，他这两年的业务却和AI直接相关。
前两年卖的是部署大模型用的服务器和一体机，帮客户把模型跑起来。
今年转型卖Token。
客户会来问、会探索，但真正落地的少。
安全级别高的企业选择私有化部署，数据不对外。
剩下的客户，买Token更像是“先占个位置”，用起来的并不多。
国内Token销售，同质化严重，主要拼价格。
但他所在的公司因为内部利润要求，折扣拼不过互联网云厂商。
这事儿能否持续，还是一个问号。
AI改变了他的产品，却没怎么改变他的工作方式。
团队没有用AI做客户开发，没有用AI辅助销售。
主要是维护客户为主，没有什么拓新，AI这种新的方式很难介入。
公司和外界的落差巨大——外面AI一天一个样，他所在的组织几乎感受不到变化。
更直接的冲击来自工资。
公司没有裁员，选择了降薪。
过去三年，收入像下了几级台阶。
降薪带来的不是精干高效，而是普遍的倦怠——员工动力不足，公司改革更加迟缓。
即便如此，他还是自己主动去参加AI创新实验工坊，因为工作接触的内容与外界差异太大了。
他想学习，想改变，万一变化明天就真的来了呢。
一句话总结：三十八岁，卖过服务器也卖过Token。
AI重塑了他的产品货架，却绕过了他的工作方式。
降薪让组织更加倦怠，而他在等待一个可能不会如期而至的转机——旧系统的齿轮卡住了，新世界的列车正在加速离开。
宋遥是一家合资硬件企业的CFO。
在这个位置上看AI，视角和一线员工完全不同——她看到的不是某个岗位被替代，而是整个财务职能的底层逻辑正在被重写。
公司有两套AI节奏，她夹在中间，成了最直接的观察者。
外资方五六年前就开始做财务数据流整合。
把非本土必需的财务数据处理、分析等工作上收，按地区集中，每个国家只保留最核心的CFO等岗位。
大约两年前，这些集中化的数据分析工作已经用AI替代了——报表、分析报告、预测全部自动化，人员大幅精简。
而且要求各部门CEO和业务负责人自己具备用AI获取一线财务数据的能力。
这套逻辑是：财务数据不应该被财务部门垄断，让每个业务负责人直接触达。
中方这边则是另一套节奏。
公司也在用AI——处理减资这类复杂流程时，用大模型获得行业**实践方案，节省了成本和时间。
CEO有技术信仰，鼓励员工用大模型获取行业示范，还搭建了Agent用于对比报价。
但由于信息安全问题，在数据分析等核心环节对AI的应用非常谨慎，远没有达到外资方那种替代式的推进。
员工主要把AI用在项目流程咨询、税务条款查询等辅助层面——有用，但离“重构”还很远。
AI对财务职业的冲击，在她眼中分层清晰。
初级的数据分析、数据处理岗位，未来大概率会被AI取代。
法务、IT的初级岗也一样——前端工程师如果不能成为全栈，就面临转型。
但深层专业领域仍然需要人：税务筹划、业财结合、资金架构配置——这些需要专业判断和信任的工作，AI替代不了。
她由此得出一个判断：AI正在把财务人员往业务前端推。
不能再只对着数字做账，必须了解市场、理解业务、参与决策。
财务人正在变成两种人：一种是标准化事务的执行者，正在被AI替换；另一种是能驾驭AI、理解业务、做出判断的专业人士——后者才值得留下。
一句话总结：CFO视角，在中外两套AI节奏之间看财务职能被重写。
初级岗正在被替代，但深层专业反而更值钱——AI生成的东西越多，能判断对错的人就越稀缺。
财务人的未来，不在数字里，在业务前。
沈默在一家头部茶饮品牌做法务。
从2026年开始，AI进入她的日常工作，主要两个场景：搜索案例和法条、审批合同。
公司为总监级引进了付费AI工具，但实际用下来，问题不少。
免费模型的专业度不够。
国内几款主流免费工具，在法律场景下AI幻觉明显，常常给出错误答案，还会和用户争论一番才承认自己错了。
付费模型有所改善，但Token消耗不合理。
她举了个例子：询问法律和税务交叉的问题，背景和输出文件的数据量都不大，七八轮问答下来消耗了1700个Credit，折算下来至少10美元。
简单任务一样烧钱，计费逻辑不透明，让她很难向团队推广。
但AI确实有用。
框架合同拟定、日常合同审核、活动审核、案例评估、文书起草——这些标准化模块，AI正在逐渐接手，而且可能比人工更细、更快、更准。
案例搜索尤其好用，以前人工翻案例可能要半天，现在AI能快速找到近三年特定类型的判例。
对她个人而言，一个能用上AI的case可以节省50%的时间；从日常工作整体来看，能节省20%到30%。
但对于团队里专门撰写文书的伙伴，替代性更强——前提是这些人会用AI。
而她发现很多同事不擅长使用AI，容易被误导。
她的建议是：应该先自己思考摸索，再借助AI，而不是直接把问题扔给机器。
AI也在重新划分法务工作的边界。
纠纷解决、谈判、矛盾管理——这些需要更多业务背景和谈判技巧的工作，AI很难替代。
而框架合同拟定、日常审核这类标准化事务，AI正一步步接手。
她所在的公司法务团队本来就不大，合同审核量也不大，目前受到影响较小。
但她也观察到，对于合同审核量大的公司，引入AI后精简人员几乎是必然的。
她所在的行业整体AI应用还不算多，本质上是服务业，产品研发、广告设计等方面仍较多依赖人工。
供应链方面的AI技术应用也不深入，主要还是依靠原有的数字化程序和电子提醒。
她有一个观察：AI能替代专员或主管级别书写文书的工作，但前提是必须明确思路。
如果思路模糊，AI只会写出一篇通稿，根本满足不了业务需求。
一句话总结：法务，在付费模型的Token账单和免费模型的幻觉之间反复测试AI的边界。
标准化合同审核正在被替代，纠纷与谈判仍需人的判断——而AI能写文书的前提是，你自己先想清楚。
结语
回到引言提出的三个问题：这三年AI对职场产生了什么影响？
有哪些规律可以帮助我们理解未来？
身处其中的人正在经历什么？
**部分的回答是：影响真实存在，但粒度在任务而非岗位。
编程、写作、法律文书、数据分析率先被穿透，实际落地集中于计算机、金融、管理和行政领域。
理论覆盖度与实际覆盖度之间的鸿沟，提醒我们技术可行不等于组织可行。
第二部分的回答是：规律反复应验。
技术渗透遵循S曲线，交易成本下降改变组织边界，技能偏向性技术变革拉大内部差距，创造性破坏总是消灭一批、创造更多。
当前正从技术导入期进入制度消化期——预算约束回归、资源按任务计价、无效消耗被识别和剔除，这是技术成为基础设施的必经阶段。
第三部分的回答是：个体的应对方式正在分化。
有人把自己当成Agent重新组装能力，有人在旧系统里等待转机，有人往AI做不到的那一侧挪移，有人在钢丝上练习平衡。
他们未必有共同答案，但有共同特征：在困惑中持续行动，在被塑造的过程中试图理解自己正在被塑造成什么。
至此，一个基本判断浮现：AI对职业的冲击，不会有一个统一的终局。
它在任务层面是明确的替代与增强，在组织层面是边界收缩与形态重构，在社会层面是资本流向与制度适配的较量。
三者节奏不同，步调不一，个体的安全感就来自对这种落差的清醒认知。
对个体而言，最重要的不是预测哪个岗位安全，而是建立一套可迁移的能力组合：拆解任务的能力、判断AI输出质量的能力、在模糊地带做取舍的能力、协调不同利益与不同能力者的能力。
这些能力的共同特征，是AI暂时够不到。
对组织而言，责任不在于更快地裁员和更快地采购AI，而在于识别无效消耗之前不先消耗信任，在调整岗位边界之前不先模糊责任边界。
成本可以核算，Token账单需要精打细算，但人的成长同样需要阶梯——当AI截断了新人的练习场，组织是否愿意用新的方式重建那条通往资深的路，是需要和成本问题同时摆在桌面上的事。
对社会而言，教育体系需要承认一个事实：以旧职业结构为蓝本培养人才的模式正在失效。
社会保障需要面对另一个事实：以稳定全职雇佣为默认前提的制度设计，正在被平台化、原子化的用工现实松动。
技术可以等，被替代的人不能等太久。
从2023到2026，恐慌被数据校准，规律被案例验证，勇气在个体身上持续生长。
在技术与社会变迁的洪流中，人既是渺小的，也是强大的——渺小在于无法阻挡潮水的方向，强大在于可以自我塑造。
下个三年，塑造仍在继续。
📊 整体分析（500字内）
本文通过三年跨度（2023-2026）的数据、理论与职业访谈，构建了AI对职业影响的“三层透镜”：任务层（替代任务而非岗位）、组织层（制度消化期滞后于技术）、社会层（资本流向算力，创造效应尚未显化）。
核心发现：① 编程、法律、财务等结构化任务率先被穿透，但实际落地集中在计算机与金融领域，理论与现实之间隔着“组织惯性”与“成本核算”；② 学习曲线断裂导致新人入门更难，资深者溢价上升，职业结构趋向“葫芦形”；③ Token经济正将认知劳动显性化为可计费资源，资本从人力转向算力，但净经济增长依赖“新服务创造”与“制度适配”两个慢变量。
七组职业群像显示：主动重塑者（如林舟、周铮）通过任务拆解与Skill化，将AI转化为杠杆；被动承受者（如**部分四位受访者）面临岗位消失与技能贬值；而大多数从业者（如老周、沈默）正夹在旧系统与新世界之间，等待组织层面的变革。
最终判断：AI对职业的冲击不是一次性替代，而是持续的任务再分配。未来三年，个体安全感将越来越取决于“不可预测性”和“人际带宽”的保有量，而非技术熟练度。组织若不能同步调整岗位边界与成长阶梯，技术红利将被制度摩擦吞噬。
🧩 核心问题·解决方案·执行方式·验收模型
核心问题：当AI快速替代结构化任务，个体如何避免被“边缘化”，组织如何避免“火花乱冒但烧不成一片”？
解决方案：
① 个体：将自身工作拆解为“可自动化Skill”与“需人类判断”两部分，主动建立AI调度能力（如林舟的Skill库），并强化跨域沟通、风险判断等AI盲区技能。
② 组织：推动“组织AI化”而非“员工AI化”，重新设计工作流使Agent嵌入流程；设立内部“AI转型基金”，保留对增量型应用的投入，同时重建新人成长阶梯（如导师制+AI辅助练习）。
③ 社会：教育体系增设“人机协作”“任务拆解”等通识课程，社保制度探索适应平台化用工的过渡方案。
执行方式：
个体：每月一次“任务审计”，记录AI可替代时间占比，并针对性学习Agent编排、输出验证等技能。
组织：每季度评估“无效Token消耗”与“增量型AI项目”占比，平衡成本与创新。
社会：政策试点“AI过渡期津贴”，支持被替代劳动者向“AI互补领域”转型。
验收模型：
✔️ 个体：AI辅助后，复杂决策类任务耗时占比上升至60%以上。
✔️ 组织：增量型AI项目投入占总AI预算比例 ≥ 30%，且新岗位（如AI运维、Agent编排）招聘量年增20%。
✔️ 社会：结构性失业率连续两季度不高于自然失业率+1.5%。
