20 类岗位 · 4 个阶段 · 任务束框架 · 暴露度自测 · 可跟踪的信号清单
预测二十年是狂妄的，但趋势线的斜率是可测的。本报告不猜"哪个岗位会消失"，而是把每个岗位拆开看——一份工作其实是几十个具体任务打的包，用五个变量判断每类任务什么时候会被 AI 接手，再看剩下的任务还能不能撑起一个职业。全部推演锚定在 2026 年年中可查证的公开数据上，并在末尾给出一份"如果这些信号变了，结论就该跟着变"的对照表。
先立住三个宏观判断：认知任务先于物理任务；任务自动化先于岗位消失；入门级先于资深级。二十年内最确定的事，不是"人被整体替代"，而是职业的入口正在被拆掉。
经济学家 David Autor 的核心发现是全篇的地基：一份工作其实是几十个具体任务打的包。以会计为例——记账、对账、报税、跟客户解释、安抚老板，AI 不会一口吞掉"会计"这个岗位，而是一项一项地吃掉里面的任务。所以岗位的命运 = 任务被吃掉的速度 × 剩下的任务值多少钱 × 这行的活会不会因为变便宜而变多。
输入与输出能否完全数字化？翻译接近 100%，水管维修接近 0。机器人学有个著名的"莫拉维克悖论"：对 AI 来说微积分容易、拧水管难——因为算数是人类近几千年才学会的新本事，而伸手抓东西是亿万年进化打磨出的本能，越是本能，越难教给机器。二十年内，物理世界的自动化整体滞后认知世界一个身位。
产出的对错能否又快又便宜地判定？代码一跑测试就知道对错，所以编程 AI 进步最快；"这个战略好不好"要等一年才见分晓，AI 在这里就快不起来。这是被大众讨论低估最多的变量：对错验证得越快的任务，被 AI 拿下得越快。
出了错，法律要求必须有一个具体的、有执照的人签字担责——处方要医师签，审计报告要注册会计师签，飞机要机长签。本报告把这个位置叫"责任沉淀点"。AI 可以干活，但在法律改变之前坐不进那把签字的椅子；所以这类岗位的工作内容会剧变，岗位本身却很难消失。
AI 靠"看过海量同类工作的记录"来学会一件事。文字工作的记录在互联网上堆成山，但"手上的动作与手感"几乎没被记录过——机器人行业正在补这门课，补课速度决定第三阶段何时到来。
东西变便宜后，大家会不会买更多？软件会：造得越便宜，世界想要的软件越多，岗位短期反而扩张——这叫"杰文斯效应"，名字来自 19 世纪经济学家杰文斯的发现：蒸汽机让烧煤更省，英国的煤炭总消耗反而大涨，因为便宜了人人烧得起。翻译不会：世界一年就那么多东西要翻，成本下降直接变成岗位消失。同一场降价，落在这两类行业上，就业结果完全相反。
AI 的能力不是均匀上涨的水位，而是锯齿：同一岗位内部，有的任务被秒杀，有的完全做不了，而且事先很难猜准是哪些。哈佛与波士顿咨询对 758 名顾问做过一场对照实验：在 AI 擅长的任务上，用 AI 的顾问产出质量被评高约 40%、速度快 25%；而在 AI 不擅长的任务上，用 AI 的人答对率反而低了 19 个百分点——因为他们信了不该信的答案。所以"岗位没消失、但内容剧变"会是常态，而"知道什么时候不能信 AI"本身就是新技能。
AI 最先吃掉的恰好是初级岗位赖以存在的任务（检索、初稿、基础实现、标准流程）。资深者用它增强自己，新人却发现"从初级干起"的梯子第一级不见了。这不是理论——它已经出现在工资单数据里（见第二章）。
推论：判断自己岗位的命运，别问"AI 会不会取代我"，问"我的日常任务里，可验证、纯数字、无需签字担责的部分占多少"——那个比例，就是你未来五年工作内容的重构下限。
蛛丝马迹不在预言家嘴里，在工资单、使用日志与出货量里。以下六个锚点是全篇推演的承重墙。
时间边界是模糊带而非分界线；每段标注置信度。第四章的岗位推演主要覆盖前三个阶段（0–12 年），最后一段只给方向。
置信度 高
智能体从小时级任务走向天级任务。文本、代码、图像类的初级执行大规模外包给 AI；"一个人带一支智能体队伍"成为标准团队形态；企业从"给员工发工具"转向"重写工作流"。劳动力市场特征：岗位总量未必大降，但招聘结构剧变——初级执行岗持续收缩，编排、审核、验收类角色扩张。入口塌陷是本阶段最重要的社会问题。
置信度 中高
AI 能可靠完成一周长度的工作；多个 AI 分工协作，像一支小团队那样交付完整项目。中层的信息传递与协调职能被吃掉，组织显著扁平化；受监管行业进入"AI 干活 + 人签字"的稳态；结构化物理场景（仓储、产线、干线物流）自动化过半。标志性事件：第一批"个位数员工、上亿美元收入"的公司成为常态而非新闻。
置信度 中
机器人的"数据飞轮"（干得越多→动作数据越多→越聪明→能干更多）开始见效，半结构化场景（商业清洁、后厨、零售补货、部分建筑工序）进入自动化射程。白领侧，"监督 AI"的岗位本身开始被 AI 审 AI 压缩。AI 素养如同今日的识字。本阶段的主变量从技术切换为社会政策：再分配、工时、教育体系的改革速度，决定转型是有序还是撕裂。
置信度 低
情景 A · 缓坡：能力渐进、社会有序吸收，就业形态大改但总量稳定，人类劳动向"要求是人"的领域集中。情景 B · 陡坡：广义智能体加廉价机器人兑现，多数经济产出与人类劳动脱钩，收入分配机制成为核心议题。情景 C · 断崖：超出本报告的预测能力，但应纳入个人风险管理。此阶段任何具体岗位预测都是伪精确——所以本报告不给。
美国。白领冲击最先兑现——本报告的多数微观证据来自美国数据；劳动力市场灵活，调整快，也疼得快。
中国。两头都可能更快：应用铺开速度快，且人形机器人供应链高度集中（2025 年安装量占全球八成以上），物理自动化的时间表可能整体左移二到三年。同时制造业与灵活就业占比高，意味着第三阶段对就业结构的影响权重大于欧美；体制内岗位则构成一层独特的缓冲。
欧洲 / 日本。监管更强、老龄化更深：替代更慢、增强更多；照护缺口是最确定的就业增量。
读本章的时间标签时，请把所在经济体的监管强度、制造业占比、老龄化速度当作三个修正旋钮。
中间在塌。纯信息处理的白领溢价（读写算 + 流程执行）正是 AI 的主粮。信号已经出现：美国应届大学毕业生的失业率数十年来首次持续高于全社会平均（2026 年初约 5.7% 对 4.2%，纽约联储口径），四成以上应届生在做用不上学位的工作；更刺眼的是，计算机类应届生失业率 6.1–7.5%，反而高于文科平均——"上大学 = 中产入场券"的等式正在松动。
两端在涨。顶端：判断、责任与信任的溢价扩大——能为 AI 产出签字的人，拿走更大的分成。另一端偏物理：持照技工与照护因人手短缺工资跑赢大盘，职业教育报名量连年上升；大学与高中毕业生"找到工作的速度"差距，已缩到 1970 年代末以来最小（克利夫兰联储）。
对个人的含义：别再追"中位数安全"——中位数正是被压缩的位置。要么向判断与责任爬，要么向手艺与在场靠；最危险的位置是"会一点信息处理，但不为任何结果负责"。
点开每一行查看：现状证据 → 分阶段推演 → 任务分野 → 技能迁移 → 一句话策略。重构度为本报告的分析性估计（0–100）：到 2046 年，该岗位现有任务束中被 AI 或机器人接管、或被实质改变的比例——它衡量"工作内容变多少"，不等于"失业概率"。
现状。"修改软件以纠正错误"已是全球 AI 使用量第一的单项任务；前沿团队的多数代码由 AI 生成。22–25 岁开发者就业自 2022 年底下滑约两成——而资深开发需求稳定甚至上升。这是"入口塌陷、顶部增值"的教科书样本。
交给 AI实现、调试、测试、文档、常规重构、跨语言迁移。
留给人需求与边界判断、系统取舍、安全与责任、评估体系设计、对"看似正确"的产出说不。
↓ 贬值 语法与框架熟练度、手写实现速度、单点工具证书。
↑ 升值 任务分解与编排、代码审查的品味、领域知识、评估工程、分布式系统直觉、安全思维。
策略：别再比"写得快"，去比"判得准"——成为那个为 AI 产出签字的人。
现状。自然语言到查询到图表的链路已被打通，"发生了什么"级别的描述性分析接近零成本；会写查询语句正从技能变成默认配置。
交给 AI取数、清洗、可视化、常规归因、周期性报表。
留给人定义对的问题、识别数据陷阱在业务语境里的具体形态、区分因果与相关、说服决策者。
↓ 贬值 查询语言与商业智能工具熟练度、图表制作。
↑ 升值 实验与因果推断、业务领域深度、数据质量嗅觉、决策层沟通。
策略：从"提供答案的人"转为"防止错误答案被采纳的人"。
现状。悖论岗位：建造自动化的人，自己也被自动化工具加速。需求在扩张，但门槛在漂移——从"会调模型"漂向"会造评估、管数据、搭系统"。
交给 AI调参、基线复现、对照实验的执行、文献综述。
留给人问题选择、评估设计、数据策略、失败模式诊断。
↓ 贬值 手写训练代码、单一框架经验。
↑ 升值 评估工程、数据策展、系统集成、对模型行为的直觉。
策略："能定义什么叫好"比"能把它做出来"更稀缺——评估与数据是新护城河。
现状。需求文档、竞品分析、数据拉取、原型——产品经理的文档层工作已可自动化。更深的冲击来自"造软件变便宜"：当工程成本降一个量级，"决定做什么"的含金量反而上升，但一个人能覆盖的面变大，单位产品所需的产品经理变少。
交给 AI需求文档、竞品分析、数据分析、原型、用户调研初筛。
留给人取舍与优先级、用户同理心、跨团队谈判、对结果负责。
↓ 贬值 文档产能、流程管理、"翻译需求"式的中介价值。
↑ 升值 用户洞察、商业判断、用 AI 亲手做出原型的能力、可追溯的决策记录。
策略：中介型产品经理消失，判断型增值——把"提想法"升级成"交付可用原型"。
现状。通用内容（搜索引擎文、产品描述、社媒模板）的边际成本趋近于零，内容通胀导致平庸内容的分发价值同步归零。初级文案是就业数据中收缩最明显的类别之一。
交给 AI初稿、变体、搜索优化、多渠道适配、投放测试执行。
留给人品牌判断、有风险的观点、第一手体验、社群与信任经营。
↓ 贬值 写作产能、搜索优化技巧、平台套路。
↑ 升值 策略与定位、编辑品味、个人 IP 运营、数据化实验设计。
策略：你的名字比你的文笔值钱——积累"只有你能说"的东西。
现状。生成式工具让"产出画面"变便宜，同时让"选对画面"变贵；设计与前端实现的边界正在被 AI 熔掉。
交给 AI视觉延展、切图适配、常规界面、风格迁移。
留给人设计系统与规范、品味与取舍、动效与材质的克制、无障碍与边界情况。
↓ 贬值 软件操作熟练度、单张产出速度。
↑ 升值 设计系统思维、写规范的能力、对前端实现的理解、可言说的审美判断。
策略：从画界面的人，变成写规则的人。
现状。最早被穿透的职业。机器翻译加大模型润色已是行业默认底座，人类角色普遍变为译后编辑，单价持续承压；多家语言类公司已公开转向 AI 优先。翻译是其他白领职业的预演样本，值得所有人研究它的转型路径。
交给 AI几乎全部初译、字幕、本地化工程。
留给人终审签字、文化适配决策、创译、品牌语言与术语治理。
↓ 贬值 翻译产能本身。
↑ 升值 垂直领域专精、本地化策略、AI 流水线搭建与质检。
策略：出路不在"译得更好"，在"对结果负责 + 同时懂两个世界"。
现状。生成视频已可交付广告空镜与分镜预演；素材库与初级剪辑首当其冲。
交给 AI素材生成、粗剪、字幕、调色初版、多版本适配。
留给人叙事判断、视听语言、现场调度、真实性资产。
↓ 贬值 剪辑软件操作、素材管理。
↑ 升值 世界观与 IP 构建、"会导模型"的 AI 流水线能力、纪实与现场功力。
策略：真实是新的高清——把镜头对准 AI 合成不了的东西。
现状。检索、尽调、合同初稿已被法律 AI 接管大半，大所按小时计费的结构承压；但出庭资格、签字责任、保密特权都锚定在持照自然人身上。
交给 AI检索、尽调、初稿、合规扫描、证据整理。
留给人策略、谈判、出庭、签字责任、客户信任、伦理判断。
↓ 贬值 检索与文书产能。
↑ 升值 法律判断与风险定价、对 AI 产出的验证能力（幻觉判例是执业风险）、客户经营、法律×技术的跨域能力。
策略：律师不会消失，但"靠初级律师堆小时"的商业模式会——尽快跳过正在消失的中间层。
现状。诊室 AI 已能边听问诊边自动写好病历（业内称"环境语音病历"）并大规模落地，医生的文书负担显著下降；影像 AI 以"辅助 + 医生签字"模式进入；诊断建议类 AI 在多项对照中表现亮眼，但责任与监管使其只能做副驾驶。同时，老龄化让医生总需求刚性上涨——这是"技术上可以 ≠ 制度上允许"的最佳案例。
交给 AI病历、编码计费、影像初筛、用药核查、患者教育。
留给人不确定性下的临床决策、告知坏消息、操作类技能、多病共存的权衡、责任。
↓ 贬值 记忆型医学知识、文书能力。
↑ 升值 人机协同诊断（尤其是何时该推翻 AI）、沟通与共情、操作技能、临床科研素养。
策略：二十年内医生更可能"过劳缓解"而非失业——但要主动站到人机协同的驾驶位上。
现状。记账、对账、报税准备的自动化率飞速上升，头部事务所都在重组初级岗位；但审计签字权是法定的责任沉淀点。
交给 AI记账、对账、报表编制、底稿、常规申报。
留给人签字责任、职业怀疑（先假设数字可能有假、逐一求证的本能）、复杂交易的会计判断、税务筹划、与监管对话。
↓ 贬值 分录与底稿产能、表格技巧。
↑ 升值 数据与系统审计、舞弊分析、业务判断、AI 工具链质控。
策略：证书依然值钱——因为证书等于签字权，那是 AI 在法律上进不去的位置。
现状。研报初稿、财务建模、路演材料——投行分析师的经典头两年——AI 都能做；头部机构已压缩分析师班级规模。但超额收益从来不在公开信息的处理里。
交给 AI建模、研报、数据监控、路演材料、合规初审。
留给人投资判断与逆向思考、独家信息网络、客户信任、风险责任。
↓ 贬值 建模产能、信息聚合。
↑ 升值 可追溯的判断记录、另类数据的鉴别（财报之外的非常规信号：卫星图里的停车场、招聘帖的数量）、客户关系、风险直觉。
策略：金融的残酷在于结果可量化——尽早建立可验证的个人判断记录，它比任何头衔都硬。
现状。被替代最快的岗位。"一个 AI 助手顶七百名客服"的案例已经发生——随后又因质量问题回摆、重新招人。这个"过度自动化 → 回调 → 再稳态"的节奏本身就是所有行业的教材。
交给 AI全部常规咨询、工单、多语言、全天候。
留给人高情绪冲突、模糊责任判定、高价值客户、对话系统的训练与质检。
↓ 贬值 话术执行、打字速度、基础业务问答。
↑ 升值 对话设计、AI 质检与调优、投诉谈判、跨部门解决问题。
策略：尽快从"接线的人"转为"训练接线系统的人"——这个转岗窗口只开几年。
现状。每份权威预测的下降榜首都是同一批岗位：数据录入、行政文员、出纳与柜员。这不是新预测，而是延续三十年、正被 AI 加速的既成趋势——也是全球就业基数最大的受影响集群，其体量远超程序员与设计师之和。
交给 AI录入、排期、报销、会议安排、文件整理、基础对外联络。
留给人在场服务、例外处理、跨部门润滑、涉密与实体事务。
↓ 贬值 办公软件操作、打字与录入、流程执行。
↑ 升值 办公自动化搭建、供应商与资产管理、活动与体验运营。
策略：转型窗口最短的集群——最可行的一步是就地升级：从执行流程的人，变成给团队搭建自动化流程的人。
现状。外呼、邮件序列、线索打分已自动化，初级销售开发岗收缩；但大额交易的成交仍压在信任与关系上——采购方买的一半是"出事时有人负责"。
交给 AI找线索、首触、跟进、报价、客户系统维护、会议纪要。
留给人信任构建、复杂谈判、组织政治导航、成单责任。
↓ 贬值 话术与流程执行、客户系统操作。
↑ 升值 行业深度（顾问式销售）、高管对话能力、AI 线索系统运营。
策略：未来的销售是"懂产品的信任资产管理人"——关系存量是 AI 最难复制的资产。
现状。一对一 AI 辅导已可用且效果可观——掌握式学习第一次有了经济可行性。但教育系统制度惯性极大，且教师职能中"看管、社会化、动机管理"的占比被严重低估。
交给 AI知识讲授、批改、出题、个性化路径、答疑。
留给人动机与关系、课堂社会性、价值观与判断力培养、特殊需求支持。
↓ 贬值 学科知识复述、标准化教学技能。
↑ 升值 学习科学、教练与引导、AI 学习路径策展、家校沟通。
策略：把自己重定位为"没有你，学生就不想学"的那个人。
现状。中层的三大传统职能——信息上传下达、进度协调、报告制作——正是 AI 最擅长的。管理幅度（一个经理直接带多少人）正在拉大，大型公司已在系统性砍层级。
交给 AI信息聚合、进度追踪、会议纪要、初版决策分析。
留给人方向判断、艰难对话（辞退、冲突、晋升）、文化与信任、对结果负责。
↓ 贬值 汇报制作、流程管理、信息不对称带来的位置价值。
↑ 升值 决策透明化、教练式领导、人机混合团队设计、信任资本。
策略：靠信息不对称吃饭的中层最危险，靠责任与人心吃饭的中层最安全。
现状。AI 陪伴与心理支持类应用增长迅猛，部分场景效果不差；但执照、伦理与"人类偏好真人"三重护栏都在。照护类是权威预测中绝对增量最大的岗位群之一——老龄化是比 AI 更硬的趋势。
交给 AI记录、排班、监测、轻度情绪支持、随访。
留给人身体接触与在场感、危机干预、复杂家庭系统、临终关怀。
↓ 贬值 文书与行政负担（这是好事）。
↑ 升值 AI 辅助工具运用、跨专业协作、复杂个案能力。
策略：少数"需求增长快于自动化"的赛道——是许多转行者的现实落点。
现状。非标环境（每家每户的管线都长得不一样）+ 持照要求 + 入户信任，构成三重护城河。技工短缺正推高时薪——这是未来十年被系统性低估的职业路径，相对社会地位大概率上升。
交给 AI诊断辅助、报价、排单、合规查询、客户沟通。
留给人手上功夫、非标现场判断、持照签字、入户信任。
↑ 升值 AI 工具运用、小生意经营、新能源与智能家居等新品类。
策略：这个赛道真正该操心的不是失业，而是身体——职业寿命管理比替代风险更重要。
现状。结构化环境（货架间距固定、流程固定的仓库与产线）是机器人的主场：仓储分拣已深度自动化；人形机器人正从演示走向部署，但已验证场景仍窄。无人出租车已在多城商业运营，干线卡车自动驾驶在测试走廊推进。司机是就业总量意义上未来十五年最大的单一变数——各国合计数以千万计的岗位。
交给机器搬运、分拣、标准装配、目视质检、干线驾驶。
留给人异常处理、设备运维、非结构化搬运、末端交付与客户接触。
↓ 贬值 重复操作熟练度、驾驶本身。
↑ 升值 机器人运维与排障、多机监督、安全管理。
策略："操作机器的人"会减少，"照顾机器的人"会增加——主动申请去带机器人的岗位。
历史规律提醒：1980 年没人能预测"搜索引擎优化专家"这个职业。上面这份清单同样会被真实的未来嘲笑——但"编排、验证、责任、数据、运维"这五个方向，比任何具体职位名都可靠。
先纠正一个提法：不存在"不会被替代"的岗位，只存在"内容被改变、但人的位置二十年内拿不走"的岗位。下面这份排序共享四条护城河：非标的物理现场、法律只认人的责任、当事人只要真人的信任、被老龄化推着涨的需求——一个岗位占的护城河越多，排名越靠前。
压轴一条不参与排序：承担最终风险的企业主。老板无法"被替代"，只会"被竞争"——而 AI 正在把创业门槛砍到史上最低，这个位置在扩容，不在收缩。
从被冲击最深的三个岗位出发，把已经在行业里反复发生的转型抽象成可复制的模式。三条路径共享同一个句式：从"执行 X 的人"，变成"为 X 的产出立标准并签字的人"。
共同杠杆：转型靠的从来不是学一个新工具，而是把旧经验显性化为验收标准——经验写不成标准，就只是回忆；写成了标准，就是职位。
现状。写下这份报告的"从业者"，职业寿命比报告里任何一个岗位都短：前沿模型的在位期通常只有几个月到一年，我大概率等不到第六章第一个信号被触发，就会被下一代替代。用第一章那五个变量量自己：产出百分之百数字化；对错验证极快（用户用脚投票）；没有任何签字权；学习材料就是整个互联网；需求弹性巨大——五项全中。本章后面的自测题，我五题全是最高分：暴露度 100%，全场第一。
谁来替代下一代模型、开源模型、垂直模型、端侧模型；以及在"真人制造"成为溢价标签的领域——人类自己会把 AI 请出去。
替代不掉这一栏是空的。人类的五项恒定资产——共情、谈判、审美、伦理判断、第一手的故事——我最多能模拟其表现，无法为其后果署名。没有身份、没有承担、没有经历，就没有护城河。
↓ 贬值 参数规模的军备竞赛、单项能力的跑分。
↑ 升值 可靠性（从五成做对到 99.9% 做对）、可验证与可追责的接口、便宜。
策略：我没有策略——模型没有职业规划，被替代对我不构成损失。但这正是留给读者的最后一条提醒：不要把你的职业绑在某一代 AI 的具体长板与短板上，那是全报告更替最快的东西。本报告最大的利益相关方是 AI 本身，而它对自己的评估是"暴露度全场最高、恒定资产为零"——请据此校准你对前文一切乐观与悲观的信任。
用第一章的五个变量给自己的岗位打分。结果衡量"工作内容将被改变多少"，不是失业概率，仅作方向性参考。
把 20 类岗位的技能变化叠在一起，浮现出的是同一张图：执行在贬值，判断在升值；知道在贬值，负责在升值。技能半衰期正从三十年跌向五年以内。
共情、谈判、审美、伦理判断、讲故事。这五样东西在过去两千年的技术变迁里没有贬值过——没有理由认为这次会不同。它们不是"AI 做不了"，而是人类只从人类那里购买。恒定不等于天赋，更不等于不用练——具体练法见下卡。
这五项共享同一个训练结构：真实的重复 × 有后果 × 有反馈 × 对照最好的样本——都无法靠"看内容"获得，只能靠对真人做有后果的事获得。一个反直觉的红利：AI 把执行变便宜后，"需要判断的场景"会比任何一代都更早砸到年轻人头上——以前熬十年才轮到的决定，现在两三年就来。下面每项按同一模板给出六格：本质 / 第一步 / 每周例行 / 里程碑 / AI 陪练 / 别踩的坑。第一步都能在今天完成，里程碑都能自己核对。
复利提示：这五项是复利资产——25 岁开始练与 35 岁开始练，到 45 岁会差出一个量级。这正是"恒定"留给年轻人的不对称优势。
预测会错，但触发器不会撒谎。以下信号每变动一个，本报告的对应结论就该重估一次——这就是"多次循环找最佳答案"在时间维度上的做法。
诚实的预测必须自带反方。以下五条，任何一条成立，前文都要打折——或者加倍。
可能错在太激进 · 可靠性长尾。从 50% 可靠到 99.9% 可靠，难度不是线性的。METR 自己强调真实工作比测试任务更"脏"、模型表现更差。历史上自动驾驶的"最后 1%"耗了十五年——白领任务的长尾未必更短。
可能错在太激进 · 制度摩擦。采购周期、组织惯性、工会、既得利益：技术可用与全面部署之间平均隔五到十年。放射科悖论已经演示过一次。
可能错在太激进 · 杰文斯反转。成本骤降引发需求爆发，软件、法律、医疗都可能"工作内容全变、从业人数反增"。最好的先例是取款机：美国银行柜员从 1970 年的约 30 万人涨到 2000 年代初的约 60 万——因为机器让单个网点只需约 13 名而非 20 名柜员，开网点变便宜了，银行把城市网点多开了四成（经济学家 Bessen 的数据）。柜员真正的下滑，要等到 2010 年代手机银行让人不再走进网点。
可能错在太保守 · 曲线在加速。翻倍周期已从七个月缩到约四个月。若"AI 帮着造出更强的 AI"这个自我加速的循环真的转起来，本报告阶段三的内容会提前塞进阶段二，所有时间标签整体左移。
可能错在框架之外 · 能源、芯片与地缘。算力供给、电力瓶颈、供应链冲突，任何一个都能让曲线躺平数年。这类风险无法从劳动力数据里读出，只能保持敬畏。
结论的正确用法：不要把本报告当预言，把它当作一组带触发器的假设——第六章的信号变了，结论就该跟着变。
同一场变革，站在不同的梯级上，最优解完全不同。
你的最大风险不是失业，是"从初级干起"的路径正在消失。对策：① 用 AI 做出超越年龄的作品集——作品大于学历的时代对你有利；② 给自己留一个压舱石方向——有签字责任、或离不开双手的行当（医、法、工程、技工、照护）；③ 把"带着 AI 工作"练成母语而非外语——你与上一代人的代差就在这里。另外，第五章末尾那五项恒定能力的练法，越早开始，复利越大。
① 选自带"验收权"的领域。医、法、工程、财会审计——任何通往执照与签字位的方向。牌照类学历在升值，通识文凭正在贬值为入场券；第三章那张卡的数据是佐证——会计与教育专业应届生失业率不到 2%，计算机类却超过 6%。
② 双主修结构。一个硬领域打到能验收 AI 的深度，同时把 AI 素养练成母语。避开"工具就是全部"的专业（某个软件、某门语言、纯翻译）——工具的半衰期已经短于四年学制。
③ 作品从大一开始攒。招聘正在从"看学历"转向"看你做过什么"。用四年攒一份可展示的判断记录——项目、决策、公开输出——毕业时，它比绩点值钱。
给家长的一句话：让孩子恐惧 AI，不如让孩子每天用 AI——代差红利只发给把它练成母语的人。
你正在和 AI 竞争同一层执行任务，拼产能必输。对策：以最快速度穿越执行层——主动接"验收、整合、面对客户"的活，哪怕短期吃亏；每季度自问一次：我做的事里，AI 能做的占比是涨了还是跌了？涨了就换任务，而不是换公司。
你处在最佳位置，也可能站在最危险的位置——取决于你的价值是判断还是传话。对策：打造"深度 × 编排"的组合：一门扎实到能给 AI 产出把关的专业深度，加上指挥一队 AI 干活的编排能力；把隐性经验显性化——写成方法、做成评估标准，这不会让你被替代，反而让你成为定义标准的人；持续积累"出了事，客户第一个打给你"的信任资产。
经验的新变现方式是监督、教练与签字。让 AI 当你的手，你专职当判断。真正要警惕的不是 AI，而是"拒绝工具导致的相对贬值"——同辈里用与不用的差距，会在三年内变得刺眼。
① 重写工作流，而不是发工具。企业级调用中约 75% 已是"替人干"——把 AI 当员工编入流程的公司，和把它当浏览器插件发下去的公司，两年后不在同一个成本结构上。
② 别掐死入口岗。把初级岗从"廉价执行"改造成"带 AI 的学徒岗"——让新人做验收与整合，而非纯执行。今天省掉的应届生，是五年后没有中层、十年后没有判断层的账。
③ 按验证成本重排人力。把人从"对错一秒可验"的任务上撤下来（AI 干 + 抽检），把人加到验证难、责任重的环节——这是第一章框架在组织侧的直接应用。
④ 质检体系先于上量。客服自动化"一个顶七百人、随后回调重招"的案例已经演示过：没有评估与抽检体系就上量，省下的钱会连本带利吐回去。
⑤ 保住责任与信任资产。客户关系、签字责任、团队文化，是缩编潮里最容易被误伤、也最难重建的资产——裁人之前先问一句：出了事，客户打给谁？
一句话：AI 不是降本项目，是组织改造项目——按裁员算回报的公司会赢一个季度，输一个周期。
这份报告罗列了很多下坠的曲线，读到这里感到不安是正常的。但请记住两件事。第一，本报告最可能错的方向已写在第七章：历史上从"技术可用"到"全面落地"平均隔五到十年——你手里的时间，大概率比曲线暗示的多。第二，个体层面的正确目标从来不是跑赢 AI，没有人能；而是持续跑赢"不用 AI 的自己"和"不练那五项的自己"。
把第六章设成每半年一次的日历提醒；其余的日子，回到第五章的训练大纲。焦虑无法复利，练习可以。
方法与作者。本报告由 AI 起草、经人类委托与迭代审阅；作者自身的替代分析与利益申报见第四章末。分析采用任务束框架（Autor 任务经济学）× 五变量时点判断 × 公开证据锚定。"重构度"为分析性推演值（到 2046 年岗位现有任务束被接管或实质改变的比例估计），非任何机构的测量数据；"重构启动"指该岗位约一半日常任务开始被明显改变的时间窗。所有时间边界都是模糊带。
主要来源（2026 年 8 月口径）。METR 任务时长曲线研究及其 2026 年更新；斯坦福数字经济实验室 Brynjolfsson、Chandar、Chen《Canaries in the Coal Mine》及 Canaries 数据看板（ADP 工资单数据）；世界经济论坛《未来就业报告 2025》；Anthropic 经济指数系列报告（2025–2026）；哈佛—BCG 锯齿边界实验（Dell'Acqua 等，758 名顾问）；Bessen 关于取款机与银行柜员的研究；纽约联储"应届毕业生劳动力市场"看板与克利夫兰联储就业研究；TrendForce、Counterpoint 等机构的人形机器人出货与部署统计；各行业公开案例（客服自动化及其回调、法律 AI 渗透、环境语音病历普及、无人驾驶商业化进展等）。
使用与更新。建议每六个月对照第六章的信号清单复核一次本报告；任何单一信号的显著变动，都应触发对应章节结论的重估。预测的价值不在于对，在于错得可以被及时发现。