AI（人工智能）对就业的影响不能简单理解成“机器抢走人的工作”，也不能乐观地认为“技术进步一定会自动创造更多岗位”。更准确的说法是：AI 正在同时产生增强、替代、补充、创造四种效应，而且这四种效应发生的速度并不一致。

增强发生得最快。一个会用 AI 工具的设计师、程序员、运营人员，往往能把过去需要数小时完成的资料整理、初稿生成、方案比对压缩到更短时间内。替代也会随之出现，因为掌握 AI 的人和团队可以用更少人力完成同样产出。补充效应则出现在人力长期不足、工作环境危险或重复性很高的岗位上，例如客服、催收、高空巡检、灾害救援辅助等。创造效应最慢，新职业通常不会在技术刚出现时立刻稳定下来，而是要等工具、流程、市场需求和人才供给都逐步成形。

可以用一张图看清这四种效应之间的关系：

flowchart TD
    A[AI 进入生产流程] --> B[增强]
    A --> C[替代]
    A --> D[补充]
    A --> E[创造]

    B --> B1[同一岗位效率提高]
    B --> B2[会用 AI 的人替代不会用 AI 的人]

    C --> C1[自动化处理重复任务]
    C --> C2[企业停招、转岗、减少外包]

    D --> D1[补足招工难岗位]
    D --> D2[降低高危工作风险]
    D --> D3[扩大医疗、教育等服务覆盖]

    E --> E1[新任务稳定化]
    E --> E2[新岗位名称出现]
    E --> E3[职业体系逐渐形成]

AI 对就业的四种影响

生成式人工智能（GenAI，Generative AI）一旦被大规模接入常规生产流程，会对劳动生产率产生明显影响。高盛研究曾估算，GenAI 全面采用后，发达市场劳动生产率可能提高约 15%；国际劳工组织也指出，全球约 25% 的就业岗位会受到 GenAI 影响，高收入国家比例更高，约为 34%。

不过，“受到影响”不等于“马上失业”。企业在早期引入 AI 时，常见动作并不是立刻大规模裁员，而是减少新增招聘、推动内部转岗、压缩外包需求。真正的就业风险主要来自结构错配：旧任务减少得很快，新岗位、新技能和培训体系形成得较慢。

五类 AI 新职业：从造模型到管模型

观察 AI 新职业，最直接的样本是主流大模型公司开放的岗位。以 OpenAI、Anthropic、DeepMind、DeepSeek、Kimi、智谱、通义等公司为代表，AI 相关岗位大致可以分成五类：使能者、协作者、治理者、推广者和支持者。

下图展示了七家 AI 公司 718 个开放岗位中的类别分布。占比最高的是 AI 使能者，说明产业仍处在底层能力快速迭代阶段，模型、数据、算力、基础设施和工程化落地仍是招聘重点。

这五类岗位分别覆盖 AI 产业链的不同环节：有人负责把 AI 做出来，有人负责把 AI 用起来，有人负责让 AI 安全可控，也有人负责让客户理解、采购、接入并持续使用 AI 产品。

1. AI 使能者：负责把 AI 做出来、跑起来、部署好

AI 使能者是 AI 生态里的基础角色，工作集中在研究、训练、工程化、部署和运维上。典型岗位包括：

• AI 研究科学家
• 算法工程师
• 数据工程师
• 机器学习工程师
• 数据中心工程师
• AI 基础设施工程师
• AI 部署经理
• 前线部署工程师

这类岗位之所以占比最高，是因为大模型还在快速迭代。模型效果、推理成本、训练稳定性、数据质量、GPU 集群利用率、线上延迟等问题，都需要大量高水平工程和研究人员持续解决。

一个有代表性的岗位是前线部署工程师（FDE，Forward Deployed Engineer）。它不是传统意义上只在办公室写通用产品代码的工程师，而是深入客户业务现场，把模型能力接入真实生产系统。

前线部署工程师的工作通常包括：

AI 从“看起来很强”到“真正进入生产”，中间往往卡在最后一公里：数据接不进来，流程改不动，员工不会用，系统不稳定，安全边界不清楚。前线部署工程师的价值就在这里。

2. AI 协作者：负责把模型能力转化成工作成果

AI 协作者不一定研发底层模型，但要理解模型能力、业务流程和用户目标，能把 AI 嵌入具体工作。典型岗位包括：

• 提示工程师
• AI 训练师
• AI 产品经理
• Agent 产品经理
• 人机协作研究员
• 人机协作主管
• 模型与数据产品经理

这类岗位的核心不是“会写几句提示词”，而是能设计一套稳定的人机协作流程。例如，一个 Agent（智能体）产品岗位可能要同时处理 prompt、context、工具调用、训练数据、评估标准和用户体验。

flowchart LR
    A[用户目标] --> B[任务拆解]
    B --> C[Prompt 设计]
    C --> D[上下文管理]
    D --> E[工具调用]
    E --> F[模型生成]
    F --> G[结果评估]
    G --> H[产品交付]
    G --> C

在人机协作岗位中，一个重要方向是研究“哪些任务适合交给 AI，哪些任务必须保留人工判断”。例如，在法律、医疗、金融、教育等领域，AI 可以负责检索、草拟、归纳和比对，但最终判断、责任承担和风险确认通常仍需要人类介入。

3. AI 治理者：负责让 AI 安全、合规、可问责

AI 能力越强，治理岗位越重要。AI 治理者关注的不是模型能不能生成结果，而是结果是否安全、诚实、无害、合规、可解释，以及出现问题时能不能追责。

典型岗位包括：

• AI 伦理专家
• AI 法律顾问
• AI 审计师
• AI 安全工程师
• 对齐工程师
• 对齐研究科学家
• 模型风险评估专家

对齐（Alignment）是 AI 治理中的核心概念，意思是让 AI 系统的行为尽量符合人类目标、价值和安全约束。对齐研究通常会涉及可扩展监督、AI 控制、压力测试、安全评估、自动化对齐研究等方向。

这类岗位往往需要复合背景：既要理解机器学习和大模型系统，也要理解法律、伦理、政策或行业监管。美国头部 AI 公司中，AI 治理岗位数量已经明显增加；国内相关岗位还不算多，但随着 AI 应用进入金融、医疗、政务、教育等高责任场景，治理岗位会继续扩张。

4. AI 推广者：负责降低 AI 采用门槛

AI 推广者并不一定改变传统岗位名称，但工作对象变成了 AI 产品和 AI 解决方案。典型岗位包括：

• AI 市场营销经理
• 客户经理
• 客户成功经理
• AI 成功架构师
• GTM 经理
• 用户增长专家
• 解决方案顾问

GTM（Go-To-Market，上市策略）岗位负责把产品推向市场，核心问题是：谁会买、为什么买、怎么接入、如何持续使用、怎样证明价值。

AI 成功架构师是一个典型例子。它介于客户成功、解决方案架构师和技术顾问之间，既要懂 API（应用程序编程接口）接入、系统集成和软件开发，也要能帮助客户发现适合大模型的业务场景。

这类岗位的关键能力包括：

5. AI 支持者：负责让 AI 组织正常运转

AI 支持者覆盖财务、人力、项目管理、技术支持、运营管理等岗位。这些岗位名称和传统科技公司类似，但工作内容会与 AI 产品节奏、模型研发流程和算力资源管理结合得更紧。

例如，GenAI 原型设计技术项目经理既要管理项目进度，也要参与原型概念构思、测试和迭代。它不是只排期、开会、追进度，还要理解模型能力，知道一个 demo 怎样才能清楚展示模型价值。

AI 支持者的变化主要体现在三点：

1. 项目周期更不稳定，因为模型能力和产品方向变化快。
2. 资源约束更复杂，算力、数据、安全审查都会影响项目交付。
3. 协作对象更多，研究、工程、产品、市场、法务、安全团队经常同时参与一个项目。

AI 新职业的四个变化特征

AI 不是简单创造一批新岗位名称，而是在改变职业结构本身。当前最明显的变化有四个：深度细分、跨界融合、人机协作、动态流变。

深度细分：工程师岗位被拆得更细

AI 技术栈很复杂，从数据、训练、后训练、推理、评估、安全，到前端体验、企业部署、硬件优化，每一层都有专门问题。工程师不再只是“软件工程师”一个大类，而是继续细分到模型、系统、产品、行业和基础设施。

下图展示了 AI 软件工程师岗位的细分情况。它反映出一个趋势：越靠近大模型核心系统，岗位颗粒度越细，能力要求越专门。

这种细分背后有现实原因。训练一个大模型需要处理 GPU 集群、分布式训练、数据流水线、模型并行、推理优化、存储系统、编译器、监控与容灾等问题。每个问题都足够复杂，很难依靠“全能工程师”长期支撑。

跨界融合：技术岗位要懂业务，非技术岗位也要懂 AI

AI 的通用性很强，导致岗位边界变得模糊。研发人员不能只懂模型指标，还要理解真实业务；产品、运营、市场、法务和管理岗位也不能完全不懂 AI。

跨界融合主要发生在三个方向：

例如，面向青少年福祉的软件工程师不仅要写软件，还要理解未成年人保护、内容安全、法律监管和用户心理。AI 产品进入越敏感的场景，对复合能力的要求就越高。

人机协作：岗位设计开始围绕“人与 AI 如何配合”

AI 进入工作流后，重要问题不再只是“能不能自动化”，而是“自动化到什么程度才安全”。很多行业不能把决策完全交给模型，必须设计人工审核、异常升级、责任记录和效果评估机制。

一个成熟的人机协作流程通常包含四层：

flowchart TD
    A[AI 执行低风险任务] --> B[人类审核关键结果]
    B --> C[异常情况升级处理]
    C --> D[结果反馈给系统]
    D --> E[改进提示词、工具、模型或流程]
    E --> A

这意味着，一些岗位会专门围绕协作机制展开，例如人机协作主管、AI 可靠性工程师、以人为本的 AI 研究工程师。它们的共同目标不是简单节省人力，而是让 AI 在真实工作环境中可用、可信、可控。

动态流变：一些“新岗位”会很快变成基础技能

AI 新职业并不稳定。某些岗位在技术早期看起来很新，但随着工具成熟，会逐渐变成其他岗位的基础能力。

提示工程师就是典型例子。早期很多人把 prompt 当成独立职业，但在主流 AI 公司中，专门招聘全职提示工程师的需求已经减少。prompt 设计正在变成产品经理、工程师、运营人员、研究人员的通用技能。

数据标注也类似。高质量数据仍然重要，但大量基础标注工作会转向外包、灵活用工或自动化辅助流程。xAI 曾被报道缩减数据标注团队，也说明这类基础岗位会随模型训练方法、数据策略和自动化工具变化而快速波动。

未来职业增长的三条路径

AI 会消灭一些任务，也会创造新的工作。相对明确的增长方向有三条：AI 原生岗位、服务业岗位、一人企业与灵活就业。

AI 原生岗位：离模型越近，越早出现新职业

新技术最先创造的职业，通常诞生在离技术本身最近的行业。汽车普及后出现司机、维修工、道路服务等岗位；AI 时代也会先在大模型公司、AI 应用公司、智能驾驶、机器人、AI 基础设施公司中产生新职业。

2025 年 7 月，已有超过 1000 家企业发布 AI 相关岗位，岗位数量达到 7.2 万个，同比增幅超过 10 倍。当前新增岗位以技术岗为主，占比超过 84%，其中算法岗位又占较大比例。这说明产业仍处在“先把 AI 做好”的阶段。

但中长期看，非技术岗位会增长。原因很简单：当模型能力逐渐稳定，企业会更关注如何把 AI 用到产品、运营、销售、服务、治理和管理流程中。

服务业：AI 会改变服务形态，也会扩大服务供给

服务业是就业增长的重要空间。我国服务业占 GDP 比重约 56%，低于美国约 80%、日本和欧盟约 70% 的水平，仍有较大扩展空间。

AI 与服务业结合，会带来两类岗位变化。

一类是 AI+服务产生的新分工。例如，视频制作团队可能出现 AI 分镜优化师、多模态提示词设计师；直播行业可能出现 AI 数字人训练师、数字人运营师；教育行业可能出现 AI 学习路径设计师、AI 助教运营岗位。

另一类是服务业本身的用工需求增加，AI 作为辅助工具提高服务覆盖能力。老龄化会推高家政、护理、社区服务和康养领域的人力需求，AI 可以帮助从业者完成记录、提醒、排班、远程咨询和风险预警，但很多面对面照护工作仍然需要人。

一人企业和灵活就业：岗位制向任务制迁移

AI 与互联网平台结合，会推动工作从固定岗位制向任务制迁移。企业可以把需求拆成项目或任务，通过平台分发；劳动者则借助 AI 完成写作、设计、翻译、代码、剪辑、客服、运营等工作。

人社部信息中心调研显示，2023—2024 年中国“新型灵活就业”的招聘职位数占比从 12.2% 上升到 15.2%。AI 工具降低了个体创业门槛，一个人可以完成过去需要小团队协作的工作，例如：

• 用 AI 辅助写代码，开发轻量级应用；
• 用 AI 生成素材，经营网店和内容账号；
• 用 AI 做设计初稿，再人工调整交付；
• 用 AI 进行资料整理、报告撰写和市场分析；
• 用 AI 处理多语言沟通，承接跨境服务任务。

灵活就业的机会增加，也会带来保障问题。收入不稳定、劳动关系模糊、社保覆盖不足、平台议价能力不对等等问题，需要制度层面同步处理。

个人、企业和社会应该怎样准备

AI 职业变化不是某一方能单独解决的问题。个人要调整技能，企业要重构组织，社会要补上培训、保障和转岗机制。

个人：把 AI 能力变成基础职业能力

对多数劳动者来说，关键不是转行做算法工程师，而是理解自己岗位中哪些任务可以被 AI 辅助，哪些能力仍然需要人类负责。

可以从四类能力入手：

1. 工具使用能力：熟悉文本生成、代码辅助、图像生成、数据分析、会议纪要、知识库问答等常见工具。
2. 任务拆解能力：能把一个复杂目标拆成 AI 可处理的小任务，并设计输入输出。
3. 结果判断能力：知道 AI 结果可能出错，能做事实核查、逻辑检查和风险判断。
4. 流程改造能力：不是零散使用 AI，而是把 AI 固定到日常工作流中。

“AI 超级用户”的核心不是每天尝试多少工具，而是能稳定地用 AI 节省时间、提高产出质量，并形成别人可以复用的方法。

企业：以增强人为目标设计 AI 转型

企业引入 AI 时，如果只盯着短期降本，很容易造成员工抵触，也可能引入流程风险。更稳妥的做法是把 AI 作为增强工具，配合岗位再设计、员工培训和风险治理。

在高影响系统上线前，企业可以建立类似这样的评估流程：

flowchart TD
    A[识别 AI 应用场景] --> B[评估影响范围]
    B --> C{是否影响员工权益或关键决策}
    C -- 否 --> D[小范围试点]
    C -- 是 --> E[员工代表和管理层共同评估]
    E --> F[设定人工审核和退出机制]
    F --> D
    D --> G[监控效果与风险]
    G --> H[培训员工并调整岗位]
    H --> I[扩大应用]

德国电信曾与工会签署 AI 相关协议，并建立 AI 应用风险分级机制，让员工代表参与部分系统的评估和决策。宜家上线 AI 客服机器人 Billie 后，机器人可处理约 47% 的呼叫中心工作，但企业同时提供转岗和再培训，累计约 8500 名员工转向室内设计顾问岗位。

这些案例说明，AI 转型不必天然等于裁员。岗位会变，但企业可以通过培训、转岗和流程重构，把一部分替代压力转化为组织能力升级。

社会：让技术红利和就业保障同步建设

AI 会提高生产率，但生产率提升不会自动公平分配。公共政策需要处理三类问题。

一类是鼓励创新。补贴、税收优惠、产业基金、算力基础设施、国际合作和开源生态，都能帮助 AI 企业和 AI 项目成长，从而创造更多新岗位。

一类是支持转岗。传统行业劳动者需要低成本获得 AI 培训，失业保险和职业培训体系也要覆盖更多灵活就业者、平台劳动者和中小企业员工。

还有一类是长期收入分配。全民基本收入（UBI，Universal Basic Income）等机制可以作为研究和试点方向，用来探索 AI 生产率提升后如何让社会成员共享收益。它不是短期替代就业政策的万能方案，但在技术替代压力持续增强时，值得纳入制度工具箱。

判断 AI 新职业的关键：看任务是否稳定存在

一个岗位能不能成为真正的新职业，不能只看名称新不新，而要看它背后的任务是否长期存在、是否有明确产出、是否需要专门能力、是否能被组织持续付费。

可以用四个问题判断：

AI 时代的新职业，真正重要的不是某个热门岗位名称，而是劳动分工正在重新排列。会用 AI 的人可能替代不会用 AI 的人，懂业务的人需要补上 AI 能力，懂技术的人也要进入真实场景。新机会会出现，但机会更偏向那些能把 AI 放进流程、解决具体问题、承担结果责任的人。