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：
第一，2023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。
一、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。第一步是识别：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？
以下内容，是对这四步的具体展开。
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最大的四个职能。
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。
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。
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，程序员排第一。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，最先被穿透。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。
来源：Anthropic 2026年3月报告。
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”。
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。
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。
来源：《晚点LatePost》2026年6月报道。
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。
吴琼（AI数据分析师）：工作核心是统计Token消耗、测算模型成本。为压缩开支，老板让她搭建全流程自动化系统，系统落地后，她的岗位直接被裁撤。最终她转行进入传统制造业，薪资下降约30%。身处AI行业内部，并未让她躲过行业迭代的冲击。
杨茹（音乐发行宣传）：公司以AI可替代为由，裁撤大量外包人员，但原有工作总量并未减少，全部转嫁至在岗正式员工。单人工作负荷翻倍，反馈周期从几分钟拉长至半天，客户投诉增多，她夹在业务需求与人员缩减之间，陷入无解的内耗。
夏雪（真人短剧运营）：公司全面转型AI短剧生产，彻底摒弃真人演员模式，北京整体运营团队直接裁撤。她的失业并非个人能力问题，而是自身依附的传统业务模式被技术彻底颠覆。
李梦（八年资深视觉设计师）：哺乳期结束后遭遇裁员，重新求职时发现岗位要求彻底重构：企业需要一人包揽AI生图、精修、视觉设计、视频剪辑、社交媒体运营等全链路工作，过去一整个团队的职能，如今全部压在单个从业者身上。
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。
第一部分小结
到2026年，一个更精细的框架浮现：不是职业被替代，而是任务被重新分配；不是技术不行，是组织的消化速度和资本的投资偏好决定了落地的节奏；不是大家都危险，是从事结构化、可标准化任务的新手和初级员工承受了最大冲击。
四组微观故事表明，这些判断落在个体身上，就是降薪转行、再也打不开的招聘页面、突然消失的岗位、一个人扛起一个团队的日常。趋势是理性的，代价是具体的。
这些事实基础，将在第二部分被纳入更长周期的理论框架中审视——技术革命总是消灭一些，创造更多。但创造的前提、条件和具体机制是什么？
二、用规律预测未来：三个视角
第一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。
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。
第一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。
假设与边界：理论假设技术能力可通过任务描述进行匹配，且劳动者可以重新组合不同职业中的任务。其边界在于：不涵盖因制度、工会、法规阻挡而延缓的替代；不包含尚未被创造的新任务；也没有充分考虑同一任务在不同组织语境中的差异化执行方式。
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。
前文富勒等人的研究——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——最优秀的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，Token本质是认知任务外包的费用，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。从业者观察到的“组织像搭乐高”，正是这种变化的个体感知。
假设与边界：上述推论依赖一个重要前提：市场价格能有效反映技能的真实生产力。但现实中，SBTC理论预测的“超级明星效应”会受到组织内部薪酬带宽、晋升节奏和绩效评估周期的人为压制。这导致两种错配——某些新出现的高价值技能（如智能体编排、AI输出验证）尚未被薪酬体系正式定价，掌握这些技能的人可能被低估；某些即将被自动化但仍在习惯中保留的传统技能（如纯手动编码速度、格式排版熟练度），可能因为惯性被高估一段时间。未来三年，个人收入与真实生产力之间的匹配度可能出现短暂紊乱。敏锐的组织会更早调整定价体系，迟钝的组织会流失被低估的人才。
部分HR从业者已在实践中观察到，组织形态的调整速度远落后于个体提效的速度——火花乱冒，但烧不成一片。这也印证了SBTC的边界：个体层面的分化已经发生，但组织的薪酬和晋升制度还没有追上。
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：
1. 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。
2. 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。
3. 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。
4. 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，最好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”
前文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：
第一，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。互联网的成功不在于“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，从业者降薪转行、单人扛起全链路工作，都是转型阵痛的个体显影。
当前阶段判断
截至2026年，第一个条件（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。
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。
第二部分小结
三个理论视角从不同层次回应了同一个问题：如何理解这场变革的规律，而不被现象和情绪带跑。
任务模型提供分析的粒度——从职业标签下沉到具体任务，这是所有后续判断的基础。技能偏向性技术变革解释职业内部的分化——资深者的判断溢价上升，新人的执行价值下降，这不公平，但符合技术变革的历史模式。创造性破坏与补偿机制提供最长周期的框架——消灭与创造是同一过程的两个侧面，净结果取决于创造速度和制度适配的节奏。
真实商业案例进一步验证：AI的职业影响不是单向的技术决定论，而是技术能力、组织制度、成本结构和个体选择共同作用的结果。AI正从“技术导入期”进入“制度消化期”——预算约束回归、按任务计价、资源向高产出节点倾斜，这是AI成为真正基础设施的必经阶段。
在第三部分，这些理论将落到具体职业族群的实地观察中。研发、产品、财务、HR、营销、法务、销售——每一族群的从业者正在经历什么？他们的故事如何印证或修正这些理论框架？
三、职业族群：过往3年的塑造
第二部分梳理了核心理论框架。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月的深度访谈。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。与第一部分“被动被替代者”的视角不同，他们大多仍坚守在原领域，且主动完成了自我迭代。他们共同的困境与答案，勾勒出AI时代职场人的生存法则：当AI吞噬了越来越多基础任务，从业者该如何重新定位自我价值？
研发：林舟，把自己当成Agent的人
林舟是2022届计算机前端毕业生，入职大厂时，前端还是互联网热门岗位。真正的职业转折发生在2024年底，Claude Opus 4.5迭代后，她清晰感知到：AI的编码能力，已经全面超越普通实习生。
她没有陷入焦虑，而是彻底重构了工作模式：不再是“自己写代码、自己上线”的执行者，而是把自己定义为AI Agent的调度者。为了适配新模式，她花了三个月完成自我工作拆解，梳理出自己所有工作场景，逐一区分AI可完成、人类必须经手的任务，最终沉淀出一套专属Skill能力库与提示词体系。
“每个Skill背后，都是我的判断：任务标准、完成边界、终止条件，AI只负责落地执行。”这套体系跑通后，她原本一天的编码工作量，两小时即可完成，释放出大量可自主支配的时间。
她敏锐捕捉到行业变化：如今的研发工具，早已不再为人设计，而是为AI Agent适配。基础编码、调试、单元测试等入门工作，已完全被AI替代。
富余的时间里，她深耕全栈技术，同时运营信息美学方向博客，把内容创作流程同样拆解为12项标准化Skill，复用AI调度逻辑高效产出内容。她坦言，主业研发与内容创作的底层逻辑高度统一：审美能力、结构化思维、工具调度能力，都是AI无法复刻的核心壁垒。
面对“前端已死”的行业论调，她有着清醒的认知：消亡的是初中级执行岗，崛起的是Agent工程师。未来2-3年，随着Skill体系持续完善，研发行业将进入Loop工程的指数增长阶段。而所有迭代的核心壁垒，始终是项目管理能力——跨团队协调、利益平衡、风险把控，这些需要人情与全局判断的工作，永远无法被AI替代。
即便已经跑通个人AI协作体系，她依然主动奔赴线下职业辅导活动，在大雨中迟到一小时也全程参与。她始终坚信，在技术快速迭代的时代，持续校准自我定位、明确成长路径，比单纯打磨技术更重要。
一句话总结：2022届前端从业者，四年间从“手动编码的执行者”蜕变为“AI Agent的调度者”，用AI承接基础执行，用认知与人设构筑核心壁垒，成为AI时代职场迭代的典型样本。
产品：周铮，从“帮公司投广告”到“帮品牌被AI看见”
周铮是大厂商业广告产品经理，三年深耕数字营销赛道，亲历互联网流量底层逻辑的彻底重构，最终选择主动创业，卡位AI新赛道。
三年职场经历，让他沉淀出三大核心洞察，看清了行业结构性变革：
第一，流量入口彻底迁移。用户注意力从传统搜索引擎、信息流平台，快速向AI搜索入口转移，Google AI Overviews月活突破20亿。用户不再手动浏览链接、筛选信息，而是依赖AI直接获取答案，传统SEO、SEM流量打法的底层地基彻底松动。
第二，客户需求全面迭代。品牌方的核心焦虑，从“如何买流量、做投放”，变成“如何在AI搜索中被推荐、被精准提及”。传统增长路径失效，全新赛道尚无成熟解决方案，市场存在巨大空白。
第三，行业供给严重滞后。当前市面绝大多数AI营销工具，仅停留在文案生成、单点投放等基础功能，没有任何产品从AI平台推荐逻辑、算法规则出发，为品牌提供全局增长方案。
基于三大判断，他选择在入行第三年创业，精准卡位行业窗口期。Gartner数据显示，2026年全球AI支出将达2.52万亿美元，同比增幅44%；麦肯锡调研显示，88%企业已常态化使用AI，23%已规模化部署AI Agent，AI商业化落地已是确定性趋势。
他避开同质化的AI文案、投放工具赛道，聚焦AI搜索增长核心，打造企业级Agent营销产品矩阵。以“AI搜索品牌曝光与推荐”为切入点，延伸覆盖策略生成、信源分发、效果洞察、全域投放、转化闭环全链路，为品牌搭建AI时代的增长基础设施。
过往的商业广告PM经验，成为他创业的核心优势。深耕一线的经历，让他懂客户、懂付费逻辑、懂流量痛点，这种贴近商业本质的认知，远比纯技术视角更适配AI商业化落地阶段。
同时他认为，三年大厂经历刚刚好：既有完整的行业手感、成熟的商业认知，又未被大厂固化思维束缚，能敏锐捕捉结构性机遇。AI也彻底重塑了创业公司的组织形态，团队极致扁平、协作密度极高，单人可承担多维度职责，高效适配高速发展节奏。
一句话总结：三年商业广告产品经理，看透AI重构流量入口的底层变革，放弃大厂舒适区主动创业，以AI搜索增长为核心搭建产品矩阵，从“花钱买流量”升级为“帮品牌长效获客”。
营销与BD：陈念，站在“AI能写文案、但搞不定客户”的分水岭上
陈念四年深耕同一家企业，先后负责互联网营销、芯片BD两大岗位，两次主动转岗，精准踩中AI时代的职业价值分水岭。
她亲眼见证传统营销岗位的极速萎缩：品牌文案、创意策划、新媒体运营等核心执行岗大规模缩编，某头部咖啡品牌内容运营团队从9人精简至2人，4A广告公司创意岗位需求断崖式下滑。AI已经全面接管文案产出、素材生成、基础创意等标准化执行工作。
但她更清晰地看清了AI的核心盲区：无法建立信任、无法把控风险、无法搞定复杂B端关系。AI可以批量产出情感饱满的营销文案，却无法主动识别社会舆情、把控品牌价值观风险；可以生成标准化客户提案，却无法维系长期客户关系、博弈多方利益、推动复杂成交。
基于长期观察，她总结出AI时代营销与BD的三层价值分层：
1. 执行层（贬值）：文案、素材、基础创意、格式排版等标准化工作，全面被AI替代，岗位持续缩编；
2. 判断层（升值）：策略取舍、风险审核、舆情把控、行业适配判断，需要深度业务认知，AI无法替代，成为核心竞争力；
3. 信任层（稀缺）：B端客户谈判、长期关系维系、多方利益协调，依赖人与人的信任链接，AI越普及，这份稀缺性越凸显。
招聘市场的变化也印证了这一趋势：企业不再招聘纯创意执行人才，转而争抢“懂业务、会用AI、能操盘全局、能搞定客户”的复合型人才。AI大幅降低了执行门槛，但彻底抬高了从业者的综合能力要求。
四年间，她从营销转岗芯片BD，持续向AI无法触及的信任、判断、决策层靠拢，同时攻读MBA双学位，在职业震荡期夯实自身核心背书，对抗行业不确定性。
一句话总结：四年两度转岗，亲历传统营销岗位的AI挤压，精准锚定职业新价值——AI包揽基础执行，人类深耕风险判断与客户信任，在技术替代浪潮中，持续抢占不可替代的职业高地。
HRBP：何漫，在人心与利益之间走钢丝
何漫任职HRBP两年多，入行恰逢企业人员优化周期，常年直面裁员沟通、组织调整，在见证无数职业终点的同时，清醒审视着自身岗位的迭代危机。
她清晰感知到HR工作的二元拆分：标准化事务全面AI化，非标准化人性工作无可替代。年假核算、人力预算、绩效数据统计、会议纪要梳理等重复性工作，固化Skill后交由AI Agent处理，原本一两小时的手工劳动，几分钟即可完成，效率大幅提升。
但员工冲突调解、裁员沟通、管理者赋能、组织灰度问题处理、人心安抚等工作，始终只能由人完成。这些需要拿捏分寸、平衡利益、共情人心、灵活变通的场景，是AI永远无法穿透的领域。
与此同时，组织的变化让她深感焦虑：企业开始模糊岗位边界，鼓励员工跨界履职，甚至部分团队淘汰QA岗位，员工依托AI完成全流程工作。当所有标准化岗位边界都被打破，HRBP的传统价值边界也在持续消融。
她观察到一个核心行业悖论：个体AI提效已经普及，但组织效率并未同步提升。全员都会用AI，但缺乏统一流程与体系，单点提效无法形成组织合力，重复工作、内部熵增依然普遍，呈现出“火花乱冒，但烧不成一片”的尴尬状态。
基于这份观察，她重新定义了新时代HRBP的核心价值：不再是单纯的人事执行者、沟通者，而是组织AI化的推动者。核心工作不是让单个员工多用AI，而是搭建适配AI、适配Agent的工作流程，让工具深度嵌入组织体系，实现从“个体提效”到“组织提效”的跨越。
一句话总结：两年HRBP生涯，看透AI对标准化人事工作的替代，也守住了人性与利益平衡的核心价值。在组织迭代滞后于个体提效的时代，主动转型为组织AI化赋能者，在震荡中寻找职业新定位。
销售：老周，稳定系统里的人，看着新世界的列车
38岁的老周，拥有多年互联网创业经历，三年前入局政企销售，深度绑定AI算力赛道，却身处新旧体系的割裂之中。
他的产品赛道早已全面AI化：前两年主营大模型部署服务器、一体机，今年转型Token算力销售，紧跟AI行业风口。但他的工作模式、所在组织体系，依然停留在传统时代。公司没有标准化客户管理系统，办公工具杂乱混用，总部推行的AI应用无人响应，团队依旧依靠传统地推、老客维护的模式开展业务，无AI拓新、AI辅助成交的任何布局。
行业层面，Token销售赛道同质化严重，头部云厂商以低价抢占市场，他所在公司受内部利润要求限制，价格毫无竞争力，业务前景充满不确定性。客户层面，大多处于观望试水状态，仅少数涉密企业选择私有化部署，多数客户仅少量采购占位，无大规模落地场景，业务增量乏力。
外部AI日新月异，内部体系停滞僵化，巨大的落差让团队陷入倦怠。公司未大规模裁员，却以全员降薪压缩成本，员工积极性持续下滑，组织改革更加迟缓，形成恶性循环。
即便身处被动局面，老周从未放弃自我迭代。他主动报名AI创新实验工坊，坚持学习新技术、新逻辑。他深知旧系统早已固化、新趋势势不可挡，唯有持续精进，才能应对随时到来的行业变革。
一句话总结：深耕AI算力销售，产品紧跟时代风口，却被困在僵化的传统组织中。亲历行业迭代、组织内耗与薪资降级，在新旧时代的夹缝中，坚持学习等待转型契机。
财务：宋遥，不在数字里，在业务前
宋遥是合资硬件企业CFO，身处中外双轨运营体系，以顶层视角见证AI对财务职能的底层重构。
公司存在两套截然不同的AI落地节奏，形成鲜明对比：外资方五六年前就启动财务数据集中化、智能化改革，将非本土核心的数据分析、报表生成、财务核算等工作统一归集、全面AI自动化，大幅精简人力，同时要求所有业务负责人自主用AI调取、分析财务数据，彻底打破财务部门的数据垄断。
中方体系相对保守，AI应用仅停留在辅助层面：借助大模型查询税务条款、参考行业最佳实践、对比供应链报价，节省流程成本。但受信息安全约束，核心数据分析、资金核算、风险管控等环节，始终谨慎落地，未实现替代式变革。
基于双体系对比，她清晰拆解出AI时代财务职业的分层命运：初级数据核算、报表生成、基础分析等标准化岗位，必然被AI全面替代；而税务筹划、业财融合分析、资金架构搭建、风险研判、战略决策支撑等需要专业判断、业务认知、资源平衡的工作，AI无法触及，价值持续提升。
她得出核心结论：AI正在倒逼财务人员走出后台、走向前端。未来的财务，不再是对着数字做账、出报表的执行者，而是深入业务、预判风险、赋能决策、优化经营的合作伙伴。
行业分化已然显现：只会机械处理标准化事务的财务人，逐步被淘汰；能驾驭AI工具、深度理解业务、具备决策判断力的专业人才，成为企业核心刚需。
一句话总结：CFO顶层视角，见证中外企业AI落地的节奏差异，看透财务职业的分层迭代。AI替代基础数字工作，凸显业务判断与战略赋能的核心价值，财务人的未来，不在数字里，而在业务前。
法务：沈默，Token账单与模糊思路
沈默任职头部茶饮企业法务，2026年起全面落地AI辅助工作，在长期实操中，摸清了AI在法律场景的优势与边界。
AI极大提升了标准化法务工作的效率：框架合同拟定、常规合同审核、活动合规校验、法条检索、案例复盘、文书起草等工作，AI处理更细致、更快速、更全面，单次常规工作可节省50%时间，整体日常工作提效20%-30%。以往人工半天才能完成的判例检索，AI几分钟即可精准完成。
但AI落地的痛点同样突出：免费模型专业性不足，法律场景幻觉频发，时常输出错误法条与判例，甚至与用户争辩；付费模型效果优化，但Token消耗极不透明，小额多轮咨询即可产生高额成本，比如简单的税法交叉问题，七八轮问答消耗1700Credit，折算成本超10美元，难以规模化推广。
更核心的边界在于：AI只能落地清晰思路，无法处理模糊场景。只要工作思路、审核标准、业务逻辑存在不确定性，AI就只能输出通用通稿，无法贴合企业实际需求、解决真实合规问题。纠纷调解、商务谈判、利益博弈、舆情风险把控、复杂合规判断等非标准化工作，依然必须由人类主导。
她清晰预判行业趋势：合同审核量大、标准化程度高的企业，必然通过AI精简法务人员；而服务业、轻资产行业，AI落地节奏相对缓慢，核心合规工作仍依赖人工。同时，未来法务从业者的核心门槛，不再是文书撰写、法条背诵能力，而是问题拆解、思路搭建、风险判断、场景适配的综合能力。
一句话总结：深耕企业法务，在AI提效与成本乱象中反复试探边界。标准化文书与审核工作逐步被替代，模糊场景判断、人际博弈与风险把控持续升值，AI能落地执行，前提永远是人先想清楚。
结语
回到开篇的三个核心问题，三年变革的答案已然清晰。
第一，这三年的AI职场变革，不是岗位的批量消亡，而是任务的重新分配。编程、文案、法务、财务、研发的标准化任务率先被穿透，但受制度、场景、人际属性约束的核心工作，始终保留人类主导权。理论技术覆盖度极高，实际落地却集中在少数标准化行业，落差源于组织与制度的滞后。
第二，所有震荡都遵循底层规律。技术渗透遵循S曲线，资本偏好重构组织用工模式，技能偏向性变革拉大职业代际差距，创造性破坏持续上演——旧任务加速消亡，新任务缓慢生长，当前正处于技术导入后的制度消化期，预算约束、精准计价、资源择优分配成为新常态。
第三，身处变革中的人，正在完成剧烈分化。有人主动重构能力、适配AI协作；有人固守旧模式、被动承受替代与降薪；有人在新旧夹缝中坚守等待；有人跳出固有赛道、卡位全新机遇。没有统一的职业终局，只有不同的应对选择。
最终，我们得到一个核心判断：AI对职业的冲击，是三重节奏的错位叠加。任务层面的替代与增强是快速且确定的，组织层面的边界重构是缓慢且博弈的，社会层面的资本流动与制度适配是滞后且被动的。个体的职业安全感，恰恰来自对这份“错位”的清醒认知。
对个体而言，无需纠结“哪个岗位绝对安全”，真正的核心能力，是任务拆解能力、AI输出校验能力、模糊场景取舍能力、跨主体协调博弈能力——这些是AI无法复刻的底层素养。
对组织而言，AI变革的核心不是裁员降本、采购算力，而是平衡效率与成长。在精简冗余任务的同时，不能截断新人的成长阶梯；在核算Token成本的同时，不能消耗团队信任与长期创新活力。
对社会而言，教育体系、社保制度、用工规则，都亟待适配AI时代的原子化、灵活化、任务化就业模式。技术迭代从不等人，被变革裹挟的个体，经不起长期的制度滞后。
2023到2026，三年震荡，褪去恐慌、沉淀规律、催生成长。技术洪流从不停下脚步，渺小的个体无法逆转趋势，却可以持续自我塑造。
AI改写了职场的规则，但从未定义人的终局。下一个三年，真正的竞争，从来不是人与机器的对抗，而是会驾驭机器、持续进化的人，与固守旧模式的人之间的分化。
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。尽可能避免主观偏见，以事实与规律推演趋势。
本文为腾讯研究院“写作者的夏天”活动征文，作者：伍晖
参考资料
第一部分
1.OpenAI， ""GPTs are GPTs: An early look at the labor market impact potential of large language models""， 2023.3
2.高盛， ""Generative AI could raise global GDP by 7%""， 2023.3
3.麦肯锡全球研究院， ""The economic potential of generative AI""， 2023.6
4.GitHub， ""Survey reveals AI's impact on the developer experience""， 2024
5.Stack Overflow， ""2024 Developer Survey""
6.Anthropic， ""The Anthropic Economic Index""， 2025.2
7.BCG/哈佛商学院， Dell'Acqua et al.， ""Navigating the Jagged Technological Frontier""， 2023.9
8.Freelancer.com， Fast 50季度报告， 2023-2025
9.Upwork， ""Future Workforce Report""， 2024
10.Anthropic， ""Labor market impacts of AI: A new measure and early evidence""， 2026.3
11.蜗牛成长季， ""当智能体成为军团，技术骨干与管理者的新战场在哪里？""， 2026
12.爱分析， ""智能体将大规模吞噬劳动力市场""， 2026
13.约瑟夫·富勒、马特·西格尔曼、迈克尔·芬隆 (哈佛商学院)， ""生成式AI如何改变专业技能的价值""， 2025
14.晚点LatePost， ""AI导致裁员的现实与前景｜晚点小数据""， 2026.6
15.财新周刊， 封面报道（吴琼、杨茹、夏雪、李梦四则故事）， 2026.6.15
第二部分
16.Autor， Levy， Murnane， ""The Skill Content of Recent Technological Change""， 2003
17.Acemoglu & Restrepo， ""The Race between Man and Machine""， 2018
18.Everett M. Rogers， ""Diffusion of Innovations""， 1962
19.Geoffrey A. Moore， ""Crossing the Chasm""， 1991
20.Ronald Coase， ""The Nature of the Firm""， 1937
21.Oliver Williamson， ""The Economic Institutions of Capitalism""， 1985
22.Acemoglu & Autor， ""Skills， Tasks and Technologies: Implications for Employment and Earnings""， 2011
23.约瑟夫·熊彼特， ""Capitalism， Socialism and Democracy""， 1942
24.麦肯锡， ""The State of AI 2025""， 2025
25.Gartner， 2026年全球AI支出预测， 2026
26.《财经》， Agent上下文管理相关论文总结报道
第三部分
27.Andreessen Horowitz， ""The Rise of the AI Engineer""， 2024
28.第三部分人物故事来自作者对林舟、周铮、陈念、何漫、老周、宋遥、沈默的深度访谈，2026年3月至6月