AI 时代的就业结构：消失的岗位、新增的岗位与搬家的技能

「AI 会不会取代我的工作」是这个问题最流行的问法，但它是个坏问法——因为它假设「工作」是 AI 取代的单位。劳动力经济学的研究共识是：AI 取代的单位是「任务」（task），不是「岗位」（job）——一个岗位由十几项任务组成，AI 通常替代其中的几项，岗位本身经历的是重组而非消失。把问法换成「哪些任务会消失、哪些岗位在重组、哪些新岗位在出现」，图景立刻清晰很多。本篇讲清这个结构的演变逻辑。

任务级的变化：哪些任务先走

先走的任务有清晰的画像：数字化输入、可明确定义输出、容错可管理——翻译（机器翻译的成熟度已高）、基础的文案与图像生成（模板化的营销物料）、初级代码（标准功能的实现——本库《AI 生成代码》的语境）、数据整理与报表（结构化处理）、初级的客服应答（本库《金融业》的客服光谱）、文档的格式处理。这些任务的共同点：有明确的「对错」或「好坏」标准、输入输出可数字化、不需要对物理世界的干预、不需要承担最终责任。后走的任务画像同样清晰：需要物理灵巧与现场判断的（水电工、护理——机器人硬件的进度远落后于软件）、需要承担最终责任的（签字、决策、把关——本库《责任分层》的逻辑：责任无法外包给算法）、需要真实关系与信任的（谈判、心理咨询、教育中的情感联结）、需要跨领域综合与创造定义的（从零定义问题、提出没人提出过的方案）。中间的大多数任务走向的不是消失，是人机协作的重构——同一个人，用 AI 把八成的重复任务做完，自己聚焦剩下的两成判断（本库《企业治理清单》的「AI 起草、人定稿」在个体层面的重演）。

岗位的重组与新增：搬家与新生

岗位的重组比消失更普遍，几个被研究反复观察的模式：拆分（翻译岗位拆成「机器翻译 + 译后编辑」——岗位还在，技能构成变了）、上移（初级程序员从「写代码」上移到「审查与架构」——执行下沉、判断上移，初级岗位的门槛在抬高——这是「新人困境」的来源：入行的梯子被 AI 抽掉了几级，行业需要重建人才培养的新阶梯）、转型（客服转「AI 客服的训练师与质检员」——被替代岗位的人是最了解业务的人，转型有天然的起点）。新增的岗位在快速生长：AI 的建设侧（模型训练、数据工程、对齐与评测、红队——本库 AI 安全系列的技能树）、AI 的治理侧（AI 治理负责人、合规与审计、事故复盘——本库《企业治理清单》的岗位化）、AI 的应用侧（提示工程与工作流设计、AI 产品的产品经理、「人机协作」的一线管理者）、以及AI 的边界侧（数据标注与质检、AI 输出的专业核验——「AI 的输出有多大程度可信」需要专业人的验真）。新增岗位的共同特征：它们都长在「AI 的能力边界」上——边界在哪，工作就在哪；边界在移动，岗位在流动。

个人的应对：技能搬家的策略

对个体而言，应对的策略可以从经济学的「比较优势」推出。策略一：把「与 AI 协作的效率」当成新基本功——像上一代人学 Office 一样学 AI 工具（提示词、工作流、审校能力——本库各篇的实操语境），这不是「加分项」，是新的读写能力。策略二：向「责任与判断」的位置移动——AI 替代的是执行，承担的是位置——主动承接「要签字、要负责、要拍板」的部分（本库《责任分层》：责任无法外包给算法，也就无法被算法夺走）；策略三：积累「AI 没有的原料」——行业的隐性知识（老师傅的直觉，本库《制造业》的知识数字化）、真实的人际信任网络（客户与关系）、以及一手的数据与现场经验（AI 的输入恰恰需要这些——未来最稀缺的不是会写的人，是有东西可写的人）。策略四：保持「可迁移的元能力」——学习速度、判断力、跨领域连接——具体的技能会过时，元能力的半衰期更长。宏观的诚实注脚：个体策略无法解决全部问题——转型期的摩擦性失业、初级岗位收缩对新人入口的挤压（需要重建人才培养的阶梯）、以及转型收益的不均分布，都需要教育与社会保障体系的配套——个体能优化自己的位置，结构的过渡需要制度接住。

「新人困境」的行业应对：培训体系的重构

就业结构里「新人困境」（入行的梯子被 AI 抽掉）需要行业层面的应对，几个正在被探索的方向值得记录。困境的机制再确认：初级岗位（写基础代码、做基础翻译、画基础素材）是「人才培养的阶梯」——AI 抽掉初级任务，新人失去在低风险环境练手的机会，直接面对高级任务——阶梯断了，人才断档在五年后显现。应对方向一：培训体系的「AI 原生化」——新人的训练从「做初级任务」改为「管理 AI 做初级任务」（审校 AI 的输出、为 AI 的产出负责——新人的训练场景重构为「AI 监工」的低风险版本：AI 做 80%，新人审 80%，老人兜底 20%）；应对方向二：学徒制的回流——「AI 做执行、人做陪练」的新学徒制（资深者带新人审 AI——把资深者的判断力显式地教给新人，而新人不再需要从零做执行）；应对方向三：教育侧的重构——学校教育的目标从「训练执行技能」转向「训练判断与责任能力」（本库《就业结构》的教育含义）。行业应对的成败判定：五年后看「新人成长为资深者的平均年限」——如果年限拉长或断层，说明行业的应对失败；如果出现了新的成长路径，说明阶梯被重建了——这是所有行业未来五年最值得追踪的人力指标之一。

AI 就业的「地域维度」：远程工作与技能的全球定价

AI 时代的就业还有个常被忽略的维度：地域——AI 对远程工作与技能全球定价的影响。远程工作的 AI 增强：AI 翻译与协作工具让「跨国远程工作」的摩擦降低（语言的壁垒被 AI 削平——非英语地区的人才进入全球远程市场的能力提升）；技能的全球定价趋同：远程工作 + AI 工具的组合，让「同等技能的全球定价」趋向收敛（发达地区的初级岗位与发展中地区的熟练远程者直接竞争——发达国家的初级白领岗位承压，发展中地区的熟练者受益——本篇正文的任务模型在地理维度的展开）；岗位的地理再分配：AI 增强的外包模式（AI 处理流程，海外团队做判断与沟通）比传统外包更具竞争力。对个体与政策的含义：个体——「与全球远程市场对标自己的技能定价」成为职业规划的新变量（你的技能值多少，越来越由全球市场而非本地市场决定）；政策——本国 AI 就业政策的视野要从「本土就业」扩展到「参与全球远程市场的竞争力」（语言教育、远程基础设施、跨境结算的便利化）——AI 时代的就业政策，本质是「本国劳动力的全球可售性」政策。

AI 就业的「性别与结构」观察：受影响面的分布研究

就业结构的研究还有一个维度值得记录：受影响面的分布研究——AI 对不同性别、年龄、学历群体的就业影响并不均匀。研究界初步的观察方向：文书的白领岗位（传统上女性占比高的行政、文秘、初级翻译岗位）受自动化影响的比例较高，而技术岗位的新增（AI 建设与治理侧）目前男性占比更高——AI 就业的转型如果缺乏干预，可能放大既有职业的性别隔离；年龄维度——中年转型者的再培训成本与企业的年龄偏好，使「技能搬家」对资深者的现实门槛更高；学历维度——高学历者的任务被替代的比例在上升（初级分析、文书工作正是高学历者的入门岗位——本篇正文的「新人困境」在高学历白领领域尤其明显）。分布研究的政策含义：AI 就业的政策不能是「全民一刀切」的培训（不同群体的转型路径与成本不同——针对性设计：受影响文职群体的转岗通道、资深者的经验变现路径、新人的阶梯重建），转型的成本分配公平性，是 AI 就业议题里比「总量」更值得追踪的指标。

小结

AI 时代就业收成四条：AI 取代的单位是任务不是岗位——数字化的、可定义的、容错可管的任务先走，物理的、担责的、关系的后走；岗位的普遍命运是重组——拆分、上移、转型，初级岗位门槛抬高的「新人困境」需要行业重建培养阶梯；新增岗位长在 AI 的能力边界上——建设侧、治理侧、应用侧、边界侧，边界移动岗位流动；个人的策略是比较优势的移动——协作效率是新的读写能力、主动承接责任与判断、积累 AI 没有的原料、保持元能力。这一轮变革与历史上每一次技术革命相同的部分：总有人被抛下，总有人乘势而上——差别只在于谁先理解了「搬家的技能清单」。

参考资料

劳动经济学关于任务模型（task-based model）与自动化影响的研究文献（Acemoglu & Restrepo 等的系列研究）
各招聘平台的 AI 相关岗位趋势报告 —— 新增岗位的就业市场证据
本库前篇：《企业部署 AI 的安全治理清单》《责任分层》《金融业的责任光谱》