哪些活适合交给 AI 助手、哪些得自己扛：分行业自查清单

周三下午四点，市场部的小周被叫进主管办公室。

主管把季度行业分析稿翻到第二页，问了一句：”这份报告是你写的，还是 AI 写的？”

小周答不上来。稿子确实是他”做”的——他喂了三轮提示词、改了两遍措辞、核对过三个数据来源，但真正从零到有的那部分，是工具完成的。

这场对话里，主管问错了问题，小周也想错了答案。

真正该问的，不是”AI 会不会取代我”，而是”我这个岗位里，哪些环节其实已经可以交出去了”。

一、被接手的从来不是"岗位"，而是"任务"

先说一个被反复引用的背景数字。世界经济论坛《2025 年未来就业报告》给出的判断是：到 2030 年，全球 22% 的就业机会将面临变革，新创造 1.7 亿个岗位，被替代 9,200 万个，就业机会净增 7,800 万个。

先看数据。

同一份报告里还有三个数字值得单独拎出来看。

近 40% 的工作技能将在五年内发生变化；63% 的雇主把”技能差距”列为企业转型的首要障碍；77% 的雇主计划给员工做技能升级。

但还有一个容易被略过的补充：41% 的雇主也承认，会在 AI 能自动完成任务的环节缩减规模。

值得注意的是，世界经济论坛这份报告的调研样本覆盖了 1,000 多家全球大型雇主、22 个产业集群与 1,400 多万名劳动者，所以它描述的并不是某一家公司的意愿，而是一种已经在多数行业里同时发生的结构性变化，它跟你所在的行业沾不沾边，只取决于这家公司有没有在真的用工具。

这个趋势跟你有没有关系，取决于什么？

国际劳工组织在 2025 年 5 月更新的评估里，给出了另一种刻度。全球约四分之一的就业岗位落在生成式 AI 的潜在暴露区间内，高收入国家这一比例升到 34%。

不过 ILO 在同一份研究里强调了一句话：因为绝大多数职业仍然需要人的输入，更可能出现的结局是岗位转型，而不是直接取代。

换句话说，暴露不等于失业，真正需要留意的不是”我的岗位在不在那份名单上”，而是”我手上这些活里，有多少已经被一个免费工具稳定地完成过”，后面这一条你今天自己就能测出来，前一条吵上一年也不会有结论。

那为什么很多人的体感是”活确实变少了”？

因为被接手的不是整个岗位，是岗位里那些任务。

二、到底哪些任务容易被接手

2025 年 7 月，微软研究院发布了一项研究，分析了 2024 年 1 至 9 月间 20 万条美国用户与 Bing Copilot 的去标识对话，再把对话内容映射到官方职业分类库，覆盖 900 多个职业。

他们造了一个指标，叫”AI 适用性评分”，衡量的是这个职业的日常任务里，AI 已经能成功完成的比例有多大。

先别急着下结论。

结果有点反直觉。

评分靠前的一档里，是口译与笔译、历史学家、乘务员、服务类销售代表、作家与作者、客服代表、CNC 编程员、电话接线员、票务与旅行文员、播音员与电台 DJ。

评分靠后的一端，是护理助理、屋顶工、清洁工、工业卡车操作员这类需要现场动手的岗位。

这个评分值得细看的地方在于它把”人想做什么”和”AI 实际做了什么”分开统计，于是口译、写作这类把信息重新组织的活得分很高，而需要走到现场、需要对结果签字负责的活得分很低，两类任务之间的分界线比多数人想象的要清晰。

还有一个细节值得记住：这项研究几乎找不到”AI 适用性”与薪资水平、学历高低之间的相关性。

研究者本人也在论文里反复强调，这个分数衡量的是任务重叠度而不是职业可替代性，一个职业里即便有八成任务能被 AI 完成，也不等于它会整体消失，只意味着它的工作内容会被重新分配，剩下那两成会变得更贵。

也就是说，”我工资高、学历好，所以更安全”这个直觉，在这份数据里站不住。

那么，这些高分岗位的共同点到底是什么？

三、先被接手的是三类"语言型任务"

把前两节合起来看，AI 先吃掉的几乎都是围绕文字和信息的活儿，可以归成三类。

• 第一类，检索与整合：把散在各处的信息找齐、去重、按逻辑排好。
• 第二类，成文与改写：把要点写成段落，或把一个版本改写成适配不同平台的版本。
• 第三类，标准化应答：面对高频、结构相似的问题，给出一致性高的回复。

这三类任务还有一个共同特征，就是它们的产出都能被逐条比对，术语对不对、数据准不准、语气合不合适，任何人拿原文对照一遍就能挑出毛病，而只要一个环节能被挑出毛病，它就迟早会被换成一种更省事的做法。

对照一下：客服代表、电话接线员、票务文员属于第三类；作家、编辑、校对属于第二类；口译、笔译、研究助理属于第一类。

这三类有个共同点：输入和输出都是文本。

而且它们都能被检查。

差别就在这里。

反过来看，哪些活短期接不走？

四、短期接不走的是"现场、责任、关系"

ILO 的判断是，完全自动化取代目前仍然有限，因为很多任务即便效率提升了，也仍然需要人的参与。

微软那份研究也指向同一个方向：需要现场动手、需要即时判断安全状况、需要与人发生真实互动的岗位，AI 适用性评分靠后。

但这里有个关键转折，”难被替代”不等于”绝对安全”。

2025 年，哈佛商学院与波士顿咨询等机构做过一项随机对照实验，请 758 名 BCG 咨询顾问完成 18 项真实咨询任务，其中部分任务被刻意设计在 AI 能力边界之外。

结果是：一旦任务落在边界之外，用了 AI 的顾问给出的正确率，反而比不用 AI 的那组低了约 19%。

这才是关键。

判断一个环节该不该交出去，有个很朴素的测试方法，就是问自己”如果这一环出了错，我要花多长时间才能发现”，发现得越快，交出去越安全，发现得越慢，就越应该留在自己手里，这个判断标准比任何工具清单都实用。

原因是他们更容易直接采信”看起来很合理”的输出。研究者把这种现象叫作”锯齿状前沿”——AI 在某些任务上强得超出预期，在旁边看起来很像的任务上却会稳定地出错。

所以真正危险的，不是 AI 会不会取代你，而是你把不该交出去的判断也交了出去。

那怎么判断哪些环节该交、哪些不该交？

五、一份分行业自查清单

下面这张表按职能列出”容易被接手”和”短期难接手”的环节。它不是预测，只帮你把岗位看得更细一点。

看这张表的方式，不是”我在哪一列”，而是”我这周的工时花在哪一列”。

顺着这张表往下问，你会发现多数人的焦虑来自一个误判，就是把”岗位”当成了不可分割的整体，而雇主做决策时看的从来不是岗位名称，而是”这个环节能不能用更便宜的方式完成”，这两件事完全不是一回事。

你的岗位上，能被挑出毛病的那部分占几成？

如果八成的工时都落在左边那列，那才是真正值得紧张的地方。

六、三步把"被接手"变成"被放大"

第一步，用一周时间做一次任务盘点。

把岗位拆成 20 到 30 条具体动作，而不是”负责市场推广”这种笼统描述。

第二步，给每条动作标一个”AI 能做到几成”。

这一步的价值不在于标得准，而在于你会被迫去想：我凭什么这么标？

一个可操作的标尺是把每条动作分成三档，AI 能直接做完、AI 能做个草稿你再改、AI 碰都不能碰，分完之后你会看得很清楚，真正需要你本人出手的通常只占其中三分之一，剩下的时间才是你真正的机会。

第三步，先把那些”可验证”的环节交出去，数据核对、初稿撰写、信息归类都属于这类，它们的特点是出错容易被发现，你还能兜住。

顺序不能反。

而”判断”要留在自己手里，因为前面那项实验里表现更好的顾问正是这么做的——他们不把 AI 当答案，而当成一个可以随时打断的认知伙伴。

更聪明的用法是把 AI 当成可以随时打断的认知伙伴，而不是答案生成器，因为前面那项实验里表现更好的顾问并没有全盘接受工具的结论，而是在自己判断力强的环节主动复核，甚至推翻它，这才是差距真正的来源。

那项实验还有一组数字很说明问题：在 AI 能力范围内的任务上，使用 GPT-4 的顾问完成任务的数量多出 12.2%，速度快了 25.1%，成果质量高出约 40%；其中基线表现偏低的一组提升更明显，达到 43%。

省下来的时间投到哪里？

答案是有明确去向的三件事。

• 现场：只有你到场才能获取的信息。
• 责任：需要你签字、需要你担责的判断。
• 关系：需要长期信任才能推进的协作。

七、一个更现实的判断标准

世界经济论坛的数据里，还有一组数字容易被忽略。

通道不会自己打开。

如果全球劳动力是一百人，预计有 59 人需要在 2030 年前完成技能再培训或技能升级。

其中 11 人不太可能获得培训机会，这意味着全球约 1.2 亿名员工处在中期裁员风险区间内。

这组数字说明的不是”AI 来了大家都危险”，而是技能升级的通道不会自动打开。

所以真正的分水岭，也许不是岗位名称，也不是职级高低，而是你是不是那个先把岗位拆成任务、再决定哪些交出去的人。

所以与其反复问”我的岗位会不会被 AI 取代”，不如问”我手上哪三件事交给 AI 之后，能腾出时间去做那件只有我能做的事”，这个问题的答案，往往比任何一份行业预测都更接近你自己的处境。

回到开头那个周三下午。

小周后来做了一件事：他把自己的岗位重新写成 26 条任务，逐条标注”AI 能做到几成”，发现其中 15 条可以交出去，剩下的 11 条全都要跟人打交道。

后来他的汇报没变少，但汇报里”我做了什么”变成了”我判断了什么”。

参考

• 世界经济论坛《2025 年未来就业报告》官方中文新闻稿，2025 年 1 月发布，cn.weforum.org 给出 22% 就业机会变革、1.7 亿新增与 9,200 万替代、净增 7,800 万等核心数字。
• 经济日报对同一份报告的报道，《世界经济论坛报告预测未来全球就业形态加速演变》 补充了 77% 雇主计划升级技能、41% 计划缩减规模两组数据。
• 国际劳工组织《生成式人工智能与就业：2025 更新》研究简报，2025 年 5 月 20 日发布，ilo.org 说明全球约四分之一岗位处于暴露区间、高收入国家为 34%，并强调转型多于取代。
• 联合国日内瓦办事处的中文报道，《国际劳工组织：四分之一岗位面临人工智能转型冲击》 给出了分梯度暴露比例与性别差异数据。
• 微软研究院 “Working with AI” 研究，2025 年 7 月发布，The Decoder 报道 介绍了 AI 适用性评分的方法与高分职业清单。
• Gulf News 对同一研究的梳理，gulfnews.com 列出了 34% 到 49% 区间的”高暴露”职业名单。
• 哈佛商学院与 BCG 合作的田野实验，Computing 的报道 给出 12.2% 完成量、25.1% 速度与约 40% 质量提升三组数据。
• HT Tech 对同一实验的报道，tech.hindustantimes.com 补充了”边界外任务正确率低约 19%”这一结论。

想先从手上最具体的活开始，可以顺着这几篇看：用 AI 把报表变成老板要的结论 讲的是数据环节怎么交出去；DeepSeek 职场用法 给的是今天就能套用的提问模板；用 AI 做竞品与行业速览 对应的正是”检索与整合”这一类任务。