先别问职业名

职业名称把差异藏了起来

设想一位电商运营专员林晨。她周一整理上周销售数据，周二起草商品页文案，周三和设计师修改素材，周四追踪库存与广告异常，周五解释活动结果。招聘网站只给她一个职业名称，公司内部也只给她一个岗位编号，但她每天处理的是性质完全不同的问题。

整理表格的输入通常明确，输出也容易核对。文案可以快速生成，却要符合品牌语气、平台规则与真实商品信息。库存异常需要追问仓库、平台和供应商，信息往往残缺。活动复盘还涉及因果判断：销量上升究竟来自折扣、季节、流量，还是竞争对手缺货。AI对这些环节的能力不同，出错后的后果也不同。

因此，职业不是分析AI影响的最小单位。更细的活动才是。美国劳工部支持的O*NET也把职业描述为知识、技能、工作活动、工作情境和具体活动的组合，而不是只列一个头衔。[1] 这种拆法不是为了把人变成流程图，而是为了看清同一个职业内部为何会同时发生替代、辅助和新增工作。

同名职业在不同组织里也可能是两份工作。小店运营要亲自拍摄、发货和处理投诉，大平台运营可能主要管理数据和外包团队。前者包含较多现场活动，后者包含较多数字信息。只用职业平均值判断个人，会把公司规模、客户类型和实际权限全部抹平。

反过来，不同职业也可能共享同一种活动。教师、销售和医生都要整理信息、解释复杂内容并记录结果。AI可能先横向改变这些共同活动，而不是纵向消灭一整列职业。活动视角因此既能看见风险，也能发现跨职业转移的能力。

林晨使用AI生成周报初稿后，整理时间可能缩短。她也可能因此要检查更多数据口径，处理更多活动，或向同事解释AI为何得出某个结论。被节省的时间不会自动消失，它会被组织重新分配。老板可以减少人手，也可以增加商品数量，还可以把人转向客户研究和供应商协同。工具相同，选择不同，岗位结果就不同。

暴露比例不是失业概率

国际劳工组织与波兰国家研究机构NASK在2025年把近三万项职业活动、调查与专家判断结合起来，估计全球约四分之一的就业处在某种生成式AI暴露之下，其中最高暴露等级约占全球就业的3.3%。报告同时强调，多数职业仍包含需要人类投入的活动，因此更可能出现工作转型，而不是整份职业被直接替换。[2]

这组数字很容易被误读。四分之一不是“每四个人就有一个会失业”。最高暴露也不是人力替代已经发生。指数回答的是“以当前能力看，哪些活动存在技术介入空间”，而不是“企业何时购买系统”“管理者是否愿意重做流程”或“产品变便宜后需求会增加多少”。它像天气雷达，显示可能受影响的区域，却不是每个地址的损失清单。

文职与行政工作之所以常被列为高暴露，不是因为这些人“不重要”，而是因为其中较多信息已经数字化，输入和输出也较标准。与此同时，软件开发、金融分析等专业岗位的部分活动暴露正在上升。知识和学历并不能让工作自动远离AI；关键仍是每天实际完成什么，以及错误能否被发现和承担。

暴露还分布不均。ILO在2026年的研究简报指出，女性占多数的职业更可能暴露于生成式AI，主要与女性集中在文职、行政和业务支持岗位有关。这提醒我们，技术冲击不是一场只靠个人学习就能解决的竞赛。招聘结构、培训机会、转岗通道与员工参与都会决定谁得到效率收益，谁承担调整成本。[3]

年龄和资历也会改变体验。熟练员工可能把AI当作加速器，因为他们知道何时建议不可信。新人可能从即时提示中受益，却也可能失去练习基础活动的机会。平均暴露相同，不代表学习路径和议价能力相同。

一项活动被AI碰到后，会发生四种不同变化

第一种是自动化：技术接手原本由人完成的一段活动，所需人力下降。林晨把平台数据导入系统后，系统自动生成格式固定的周报。如果输入稳定、错误容易发现、例外很少，公司可能真的不再需要那么多人做这部分工作。

第二种是增强：AI提供草稿、分类或建议，人仍然设定目标、核对结果并承担责任。林晨用AI起草十版商品文案，再根据退货原因与品牌语气筛选。她完成得更快，但工作没有消失，反而从“写第一稿”转向“定义标准、比较方案和验证事实”。

第三种是任务重排。原本最耗时的活动变便宜后，瓶颈会移动。文案更快，设计审核可能排队；数据分析更快，数据权限与口径冲突可能变得显眼；客服回复更快，复杂投诉和情绪安抚在剩余工作中的比重会提高。岗位看起来还在，体验却可能完全不同。

第四种是需求变化。每件商品的运营成本下降，公司也许减少人手，也许经营更多商品，还可能提供过去太贵而无法提供的个性化服务。历史上的技术进步经常同时包含节省劳动与扩大产出。具体方向要看市场是否需要更多结果，以及企业能否把新增产能转成收入或公共价值。

这四种变化可以在同一份工作里同时发生。固定周报被自动生成，文案工作得到辅助，协调活动占比上升，公司因商品增加而招聘新的供应商经理。用“取代”一个词概括全部变化，会遗漏最重要的问题：被压缩的是哪部分，新增的是哪部分，新的收益和风险由谁承担。

岗位数量也不是唯一结果。公司可能维持人数，却把节省的时间变成更高指标和更密集监控。员工可能摆脱重复录入，也可能因随时要回应系统建议而失去自主。判断AI是否让工作变好，需要同时看收入、强度、学习机会、隐私和决策权。

早期研究证明了效率，也暴露了外推的困难

在一项真实客服场景研究中，生成式AI辅助使客服人员每小时解决的问题数量平均提高15%，提升主要集中在经验较少、技能较弱的员工。研究者认为，系统在一定程度上传播了高绩效员工原本难以写成手册的做法。[4] 这说明AI可以压缩学习曲线，却不能证明所有客服岗位都会按同样比例减少。

另一项针对受过大学教育的专业人士的实验发现，在限定的中等难度写作活动中，使用ChatGPT的参与者平均用时减少40%，独立评审给出的质量提高18%。[5] 这是关于特定写作活动的因果证据，不是整个知识工作市场的预测。真实工作还包括选题、获取内部信息、保密、协商、后续执行和对结果负责。

这两项研究也揭示一个容易被忽略的张力。工具可以让新人更快接近熟练者的常见输出，但企业如果因此减少初级岗位，未来的人才从哪里获得处理异常、承担责任和建立关系的经验？效率改进发生在今天，经验管道的影响可能几年后才显现。它需要组织设计，而不是靠模型排行榜回答。

美国劳工统计局的预测提供了另一种提醒。它认为AI会影响计算机、法律、商业与金融等职业，但这些职业的就业轨迹仍不确定。在其2023—2033年预测中，软件开发人员仍被预计增长17.9%，因为AI既能完成一部分编程活动，也会产生开发解决方案、维护系统和建设数据基础设施的需求。[6] 高暴露与就业增长可以同时存在。

到这里，最稳妥的判断不是“放心，AI只会辅助”，也不是“恐慌，白领工作都会消失”。更准确的说法是：AI先进入活动，再通过公司和市场改变岗位。要理解这条路径，我们还得把技术能力、流程改造、采用成本和需求放在同一张图上。