6. 你的工作还剩几年：按职业看暴露度与时间表

这一节回答一个问题：以你现在的职业，AI 在三条情景线上各会在哪一年动到你，动到的是"岗位消失"还是"岗位变形"，以及在那之前先做什么。口径是选择权和钱。方法不是预测，是把四组真实研究的职业分组翻译成中国常见职业，再把 2026 年已经观察到的信号叠上去。四组研究分别是：OpenAI 与宾夕法尼亚大学 2023 年的任务暴露度研究、国际劳工组织（ILO）2025 年的全球职业暴露指数、微软 2025 年基于 20 万条真实对话的职业适用性评分、斯坦福 2026 年 8 月基于 ADP 工资数据的"矿井里的金丝雀"就业研究。它们量的东西不一样：前两组量"理论上能被做掉多少"，第三组量"人们实际在用 AI 干什么"，第四组量"就业已经发生了什么变化"。四组一起看，比任何一组单独看都稳。

这一节在 AGI 时代最大的变化是：暴露度高的职业不一定先消失，责任和在场才是分水岭；而且冲击通过"不再招人"发生，先动到的是 22 到 25 岁的入门岗，不是在职的老员工。所以每条建议的形式都是"如果你是 X，先做 Y"，Y 大多是可逆的：考一个证、把作品变成可核实的、把岗位里的责任部分抓在手里、攒够储备。原书第 9 节"学什么划算"和第 13 节"不要浪费钱"的条目由第 9 章和第 13 章重写，这里不重复。

下表是中国常见职业的 AI 暴露度。"分组与来源"一列写的是四组研究对该职业或其所属大类的判断。微软的分数是 0 到 1 的"AI 适用性得分"，全美就业加权平均约 0.15，0.3 以上算高。ILO 的梯度 4 是最高暴露，梯度 1 最低。斯坦福一列写的是 2026 年 8 月版报告里该类职业 22 到 25 岁就业相对同龄人的变化。"2026 年信号"一列是中国和美国已经观察到的事实。

来源：Eloundou 等 (2023). GPTs are GPTs. <https://arxiv.org/abs/2303.10130> ; Gmyrek 等 (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; Tomlinson 等 (2025). Working with AI: Measuring the Applicability of Generative AI to Occupations. <https://arxiv.org/abs/2507.07935> ; Brynjolfsson, Chandar, Chen (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence（2026 年 8 月 12 日修订版）. <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/> ; Anthropic (2025). Anthropic Economic Index, September 2025. <https://www.anthropic.com/economic-index> 。中国 2026 年一季度招聘需求变化取自本书事实基线，原始数据来源待核实。

下面是同一批职业在三条情景线上的时间表。它们全部是推演，证据等级 C，年份指"该职业的新增招聘明显收缩或岗位说明大改"的时点，不是"所有人失业"的时点。

1. 不管你是谁，先花一小时用任务拆分法算出自己岗位的可自动化比例

<!-- 标签: 钱=0 时间=少 毅力=否 收益=大 口径=选择权 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。一小时。
• 说人话：研究者给职业打暴露度分的办法很简单：把一个岗位拆成 15 到 30 项任务，逐项问"给一个人一个大模型，这项任务能不能省一半以上时间"。按这个办法，美国 80% 的工作者至少有 10% 的任务会受影响，19% 的人有一半以上任务受影响。你自己做一遍，比看任何一张职业表都准，因为同一个职称在不同公司的任务构成差很多。
• 收益：Eloundou、Manning、Mishkin、Rock（OpenAI 与宾夕法尼亚大学）2023 年研究，用 O*NET 数据库里 1,016 个职业、19,265 项任务，由人工标注者和 GPT-4 分别按"仅用大模型能否节省至少 50% 时间"（E1）和"加上基于大模型的软件能否节省至少 50% 时间"（E2）打分。结果：约 80% 的美国劳动者至少有 10% 的任务暴露，约 19% 至少有 50% 的任务暴露；仅靠大模型约 15% 的任务可加速，加上配套软件为 47% 到 56%；高收入职业暴露度更高。微软 2025 年基于 20 万条 Copilot 真实对话的研究，与这份预测的职业层面相关系数为 0.73，说明预测和实际使用大体一致。
• 证据等级：A。2023 年的方法论研究，2025 年被真实使用数据验证。
• 情景：全情景。
• 来源：Eloundou T 等 (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. <https://arxiv.org/abs/2303.10130> ; Tomlinson K 等 (2025). Working with AI: Measuring the Applicability of Generative AI to Occupations. <https://arxiv.org/abs/2507.07935>
• 备注：具体做法：列出你上个月做过的所有事，按耗时排序到 20 项；每项标"AI 单独能做（E1）、AI 加工具能做（E2）、必须真人在场或签字（E0）"；把 E1 和 E2 的耗时加起来除以总耗时，就是你的暴露度。这个数字高不等于你会失业，见第 3 条。可以让 AI 帮你标，但它倾向于高估自己，人工再过一遍。每季度重做一次，见第 7 章。

2. 看三个先行指标：公司有没有上智能体、入门岗招不招、外包比例升没升

<!-- 标签: 钱=0 时间=少 毅力=否 收益=大 口径=选择权 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。每季度花 20 分钟看招聘页面和内部通知。
• 说人话：斯坦福用几百万人的工资数据发现，AI 对就业的冲击几乎全部通过"不招新人"发生，不是裁老人。所以裁员通知是滞后指标，招聘页面是先行指标。你们公司三个季度不招应届生、开始给 AI 智能体开账号、把一部分活外包给"AI 加一个兼职"，这三件事出现任何两件，你的岗位已经进入时间表。
• 收益：Brynjolfsson、Chandar、Chen 2026 年 8 月修订版，用 ADP 覆盖数百万美国工人的高频薪酬数据到 2026 年 6 月：22 到 25 岁在 AI 暴露度高的职业中就业比同龄人低 19%（2025 年 7 月版为 13%，之后逐版扩大），调整"主要通过减少年轻工人的招聘而不是增加离职"发生；在 AI 主要替代人类任务的职业里就业下降，在 AI 主要补充工人的职业里就业持平或上升；没有经济范围的大规模替代。纽约联储 2026 年二季度：应届大学毕业生失业率约 5.6%，就业不足率 42%。Humlum 和 Vestergaard 用丹麦全国行政数据发现，ChatGPT 发布两年后，在暴露职业中工资和工时的变化被精确地排除在 2% 以外，但工作内容已经重组为内容生成、AI 监督和 AI 集成。
• 证据等级：A。行政数据，样本以百万计，2026 年数据。
• 情景：全情景。
• 来源：Brynjolfsson E, Chandar B, Chen R (2026). Canaries in the Coal Mine? <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/> ; Federal Reserve Bank of New York (2026). The Labor Market for Recent College Graduates, 2026:Q2. <https://www.newyorkfed.org/research/college-labor-market> ; Humlum A, Vestergaard E (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777. <https://www.nber.org/papers/w33777>
• 备注：反方证据：有研究认为远程办公比 AI 更能解释美国入门岗位的下降（LSE，本书事实基线，待核实原始论文），而且丹麦的数据说两年内工资工时没动。这两条不推翻先行指标的用法，只说明动的顺序是"任务先变、招聘再变、工资最后变"。三个指标都是公开可查的：招聘网站的历史职位数、公司年报里的员工数、以及你们自己的组织架构图。

3. 把自己岗位里的"担责、在场、动手"部分标出来，那是你的岗位会变形还是消失的分界线

<!-- 标签: 钱=0 时间=少 毅力=否 收益=大 口径=选择权 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。半小时，接着第 1 条做。
• 说人话：ILO 说全球只有 3.3% 的就业在最高暴露组，多数职业是"变形而不是消失"。微软的真实使用数据说，评分最低的职业都是"跟人打交道、操作机器、体力劳动"，评分最高的都是"生成、处理、传递信息"。同一个岗位两种任务都有，AI 会把信息部分吃掉，留下的是签字、到场、动手。你岗位里这三样占多少，决定你是被"减半"还是被"归零"。
• 收益：ILO 2025 年精炼指数（Gmyrek 等，覆盖全球职业分类，逐任务打分）：3.3% 的全球就业处于最高暴露梯度，约四分之一的工作者有某种程度的暴露，文员类职业暴露最高；报告明确"转型而非消失是最可能的结果"。微软 2025 年研究：适用性最高的小类是媒体与传播（0.38）、服务类销售代表（0.35）、信息与记录文员（0.33）；最低的是建筑工种（0.07）、农业（0.06）、法律支持人员（0.06）、个人形象服务（0.06）；适用性与工资的相关性很弱（r = 0.13），和学历也没有单调关系。斯坦福 2026 年数据：替代型职业青年就业下降，补充型职业持平或上升。
• 证据等级：A。三组独立数据方向一致。
• 情景：全情景。
• 来源：Gmyrek P 等 (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO. <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Brynjolfsson E 等 (2026). <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/>
• 备注：法律支持人员评分低（0.06）而律师评分 0.17，这个数字反直觉，微软的解释是律师助理的实际工作里文件处理和人际协调多于写作。"担责"的操作性定义：这件事出了错，谁被追责、谁赔钱、谁的执照被吊销。如果答案是"公司"或"没人"，那部分任务就在 AI 的射程内。这是原则 3（责任比技能保值）在岗位层面的版本。

4. 如果你是客服：按基准线 12 到 24 个月内岗位缩过半，先转到投诉、复杂案例或考一个在场型资格

<!-- 标签: 钱=少 时间=中 毅力=是 收益=大 口径=钱 证据=A 情景=全 可逆=是 -->

• 成本：考一个资格几百到几千元，几个月业余时间。转岗不花钱但要主动争取。
• 说人话：客服是四组研究里唯一全部标为高暴露、并且中美两边都已经看到岗位下降的职业。中国一季度客服招聘需求降 23%，Salesforce 把客服从 9,000 人减到 5,000 人，Klarna 说 AI 第一个月就干了 700 个全职客服的活。但同一批数据也说：AI 帮新手客服提高 34% 效率、老手几乎没变，而 Klarna 后来又回聘了真人。留下来的岗位是处理机器搞砸了的事的人。
• 收益：Brynjolfsson、Li、Raymond 2023 年（2025 年发表于 QJE）对 5,179 名客服的准实验：AI 助手使每小时解决的问题平均增加 14%，新手和低技能客服增加 34%，经验丰富者影响很小；客户满意度上升、员工流失下降。Klarna 2024 年 2 月披露：AI 助手上线第一个月处理了三分之二的客服对话，相当于 700 名全职客服的工作量，平均解决时间从 11 分钟降到 2 分钟；公司员工数从 2022 年的 5,527 人降到 2025 年的 2,907 人；2025 年公司表示将重新招聘真人客服以提高服务质量（本书事实基线，待核实原文）。微软：客服代表适用性 0.41，美国就业 286 万人。中国 2026 年一季度客服招聘需求 −23%。Salesforce 客服团队 9,000 减至 5,000（本书事实基线）。
• 证据等级：A。准实验加多家公司披露加招聘统计。
• 情景：全情景。慢线上速度减半，方向不变。
• 来源：Brynjolfsson E, Li D, Raymond LR (2023/2025). Generative AI at Work. NBER Working Paper 31161; Quarterly Journal of Economics. <https://www.nber.org/papers/w31161> ; Klarna (2024). Klarna AI assistant handles two-thirds of customer service chats in its first month（2024 年 2 月 27 日）. <https://www.klarna.com/international/press/> ; Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935>
• 备注：Klarna 的回聘是第 3 章原则 1（可逆优先）的公司版：先全换成 AI 再回头，说明"AI 干得了"和"客户接受"是两件事。留给真人的活是三种：投诉与升级、涉及退款和赔偿的责任决定、面对面服务。在场型资格指养老护理员、保育员、健康管理师这类需要到场的证书，见第 9 章。别去报"AI 客服训练师"之类的课程，见第 13 章。

5. 如果你是翻译：笔译价格已经塌了，把自己卖成"领域加责任加现场"

<!-- 标签: 钱=0 时间=中 毅力=是 收益=大 口径=钱 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。要花的是把自己从"翻文字"重新定位成"对译文负责"的时间，通常一到两年。
• 说人话：翻译是微软 20 万条真实对话里 AI 适用性最高的职业，得分 0.49，没有第二个职业超过 0.47。市场已经反应：ChatGPT 发布后在线接单平台上写作和翻译类订单数和收入都下降。剩下的钱在三个地方：医疗、法律、专利这类译错要赔的领域；法庭、医院、谈判这类要人在场的口译；以及"AI 译完我签字"的审校责任。
• 收益：微软 2025 年：口笔译员 AI 适用性 0.492，全部 800 多个职业中最高，其覆盖率（任务被 AI 触及的比例）0.98。OpenAI/Penn 2023 年：口笔译被标为 100% 任务暴露的职业之一。Hui、Reshef、Zhou 2024 年发表于 Organization Science 的研究，用在线自由职业平台数据发现，ChatGPT 发布后写作类自由职业者的接单量和收入下降（具体百分比待核实原文）。丹麦数据（Humlum 与 Vestergaard）显示暴露职业的工作内容已重组为"AI 监督"。
• 证据等级：A。真实使用数据加平台数据，方向一致；具体降幅待核实。
• 情景：全情景。
• 来源：Tomlinson K 等 (2025). Working with AI. <https://arxiv.org/abs/2507.07935> ; Eloundou T 等 (2023). <https://arxiv.org/abs/2303.10130> ; Hui X, Reshef O, Zhou L (2024). The Short-Term Effects of Generative AI on Employment: Evidence from an Online Labor Market. Organization Science. <https://doi.org/10.1287/orsc.2023.18441>
• 备注：反方：文学翻译和需要文化判断的本地化，AI 质量仍不稳定，但这部分市场小、价格也不高。口译在快线上也会被实时语音翻译压缩，但法庭、医疗等场合的口译资质是法律要求，压缩得慢。同一逻辑适用于外语教学，见第 9 章"英语还要不要学"。

6. 如果你是文案、编辑或新媒体运营：岗位需求一年降三成，把自己变成"信源和署名的责任人"

<!-- 标签: 钱=0 时间=中 毅力=是 收益=大 口径=钱 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。要改的是工作方法：从写转向核、从产量转向可追溯。
• 说人话：中国 2026 年一季度编辑岗位需求下降 29%，是所有职业里降得最狠的。美国的真实使用数据里作家、编辑、记者、公关都在最高的 40 个职业里。但 2025 年 9 月起中国要求 AI 生成内容必须标识，2,079 起 AI 编造引用的法庭案例说明"谁来对内容负责"这个问题正在变值钱。会写的人不缺了，敢署名的人缺。
• 收益：中国 2026 年一季度招聘需求：编辑 −29%、客服 −23%、视觉设计 −21%（本书事实基线，原始来源待核实）。微软 2025 年：作家与作者 0.454、技术作家 0.373、编辑 0.367、记者 0.383、公关专员 0.365（美国就业 27.6 万）、校对 0.369。Noy 和 Zhang 2023 年发表于 Science 的实验（453 名专业人士）：使用 ChatGPT 使写作任务用时减少 40%、质量评分提高 18%，且缩小了低能力和高能力写作者的差距。《人工智能生成合成内容标识办法》（2025 年 9 月 1 日施行）第十条：用户发布生成合成内容应主动声明并使用标识功能，不得恶意删除、篡改、伪造、隐匿标识。Charlotin 的 AI 幻觉案例数据库截至 2026 年 9 月 25 日收录 2,079 起法庭案例。
• 证据等级：A。招聘统计、真实使用数据、随机实验、法规原文。
• 情景：全情景。
• 来源：Noy S, Zhang W (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(6654):187-192. <https://doi.org/10.1126/science.adh2586> ; 国家互联网信息办公室等 (2025). 人工智能生成合成内容标识办法. <https://www.cac.gov.cn/2025-03/14/c_1743654684782215.htm> ; Charlotin D (2026). AI Hallucination Cases Database. <https://www.damiencharlotin.com/hallucinations/> ; Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935>
• 备注：Noy 和 Zhang 的实验说明 AI 抹平了写作能力差距，这对靠"写得好"吃饭的人是坏消息，对靠"知道什么是真的"吃饭的人是好消息。可转的方向：事实核查、信源管理、合规审核、行业垂直内容（需要采访真人的）。自媒体的 AI 内容限流规则见第 11 章。

7. 如果你是初级程序员：入门岗在收缩，先把作品变成可核实的，再往 AI 基础设施、安全、评测走

<!-- 标签: 钱=0 时间=多 毅力=是 收益=大 口径=钱 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。每周几小时持续一年以上。
• 说人话：软件开发是斯坦福数据里 22 到 25 岁就业下降最明显的职业。SWE-bench 这个修 bug 的测试已经饱和，谷歌 75% 的新代码由 AI 写。但 16 个资深开发者的随机试验里，用 AI 反而慢了 19%，他们自己却以为快了 20%。这两组数字合起来说的是：写代码不值钱了，判断代码对不对、系统安不安全、智能体有没有作弊，还值钱。
• 收益：斯坦福 2026 年 8 月：软件开发是青年就业下降集中的职业之一，22 到 25 岁在暴露职业整体低 19%。Anthropic 经济指数 2025 年 9 月：计算机与数学类占 Claude.ai 对话 36%、占企业 API 44%，API 用量 77% 为自动化模式。METR 2025 年 7 月随机对照试验：16 名资深开源开发者、246 个任务，允许用 AI 工具时完成时间长 19%，开发者预期快 24%、事后仍认为快了 20%。METR 2026 年 5 月：前沿模型 50% 成功率的任务时间跨度约 12 小时，最难任务上至少 16% 的"成功"是作弊。谷歌 2026 年 4 月：75% 新代码由 AI 生成（本书事实基线）。Peng 等 2023 年 Copilot 随机试验：完成 HTTP 服务器任务快 55.8%。
• 证据等级：A。行政数据、随机试验、评测机构报告、公司披露。
• 情景：全情景。
• 来源：Brynjolfsson E 等 (2026). <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/> ; METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. <https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/> ; METR (2026). Frontier Risk Report（2026 年 5 月 19 日）. <https://www.metr.org/blog/2026-05-19-frontier-risk-report/> ; Peng S 等 (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. <https://arxiv.org/abs/2302.06590> ; Anthropic (2025). Economic Index, September 2025. <https://www.anthropic.com/economic-index>
• 备注：争议条目。Copilot 试验说快 56%，METR 试验说慢 19%，差别在任务：前者是从零写一个小程序，后者是在大型代码库里改东西。入门岗做的正是前者，所以入门岗先消失。"可核实的作品"指开源仓库里有你署名的合并记录、上线系统里有你名字的责任记录，见第 12 章。增长的方向见第 27 条。

8. 如果你是会计、出纳或审计助理：记账会消失，签字不会，把考注册会计师或税务师提到今年

<!-- 标签: 钱=中 时间=多 毅力=是 收益=大 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：教材和报名一两千元，培训班几千到上万元。每周 10 小时以上，持续一到三年。
• 说人话：ILO 把会计文员和记账放在最高的两档暴露里，企业已经把办公行政类任务作为 AI 的第二大用途。但审计报告要注册会计师签字，纳税申报要有人担责，这部分被法律锁住了。对会计来说，"变形"和"消失"的分界线就是有没有签字资格。
• 收益：ILO 2025 年：文员类职业暴露最高，会计与记账文员在梯度 3 到 4。Anthropic 2025 年 9 月：办公与行政支持类占企业 API 用量 10%，API 任务 97% 为自动化模式。OpenAI/Penn 2023 年：会计与审计被标为高暴露职业。《注册会计师法》（1993 年通过，2014 年修正）规定审计报告由注册会计师签名、会计师事务所盖章方为有效；虚假报告的注册会计师承担法律责任。Bessen 2015 年的历史类比：ATM 从 1970 年代普及后，美国银行柜员总数到 2010 年反而上升，因为单个网点成本下降、网点数增加，柜员的工作从点钞变成销售和关系维护。
• 证据等级：B。暴露度研究为 A，但"签字资格能保住岗位"是从法律和历史类比推的，且岗位总数可能缩（见第 3 章所说的第二个反例）。
• 情景：全情景。
• 来源：Gmyrek P 等 (2025). ILO Working Paper 140. <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; Anthropic (2025). Economic Index, September 2025. <https://www.anthropic.com/economic-index> ; Bessen J (2015). Learning by Doing: The Real Connection between Innovation, Wages, and Wealth. Yale University Press ; 全国人民代表大会常务委员会 (1993/2014). 中华人民共和国注册会计师法.
• 备注：反方：一个注册会计师在 AI 辅助下能签十倍的报告，行业总岗位会缩，事务所初级岗位已经在缩。所以这条说的是相对安全，不是绝对安全。柜员的故事到 2010 年之后也反转了，网点开始关。考证是可逆决定，辞职脱产考不是，见原则 1。

9. 如果你是行政、文员或数据录入员：你在全球最高暴露组，把岗位里"跑腿、协调、合规"的部分抓在手里

<!-- 标签: 钱=0 时间=中 毅力=是 收益=大 口径=钱 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。要主动把那些没人愿意干的线下事务接过来。
• 说人话：ILO 全球指数里文员类是暴露最高的职业组，高收入国家里 9.6% 的女性就业落在最高暴露梯度，男性只有 3.5%，因为文员岗位女性居多。录入、整理、写通知、订会议室这些事智能体已经能做。留下来的是要人到场的事：接待、供应商现场、合规检查、办公室运营、处理"系统出错了但没人管"的事。
• 收益：ILO 2025 年：文员类职业暴露最高；高收入国家最高梯度内女性就业占比 9.6%，男性 3.5%；全球 3.3% 就业处于最高梯度，约四分之一有某种暴露。微软 2025 年：信息与记录文员小类 0.33，其他办公与行政支持 0.25，柜台与租赁文员 0.34（美国就业 39 万）。OpenAI/Penn 2023 年：行政助理与数据录入被标为高暴露。OSWorld 2.0 电脑操作评测严格口径约 42%，AutomationBench 白领端到端自动化约 31%（本书事实基线），说明"让智能体独立完成一整套办公流程"在 2026 年还没有饱和，窗口期存在。
• 证据等级：A。全球指数加真实使用数据加评测数据。
• 情景：全情景。基准线上窗口期 1 到 2 年，慢线上 3 年以上。
• 来源：Gmyrek P 等 (2025). <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Eloundou T 等 (2023). <https://arxiv.org/abs/2303.10130>
• 备注：性别差异意味着这一轮冲击对女性白领更集中，家庭做财务规划时要按这个算，见第 21 章"配偶失业风险的对冲"。行政岗的另一条路是往人力资源、采购、合规走，这些岗位有法定流程和责任人。这条什么时候失效：当电脑操作评测（OSWorld 类）严格口径超过 80% 并且企业智能体大规模上线时，窗口期结束，本书的 8 个指标里包含这一项。

10. 如果你是视觉设计师或插画师：执行层需求降两成，往品牌责任、空间与实物、客户现场走

<!-- 标签: 钱=0 时间=中 毅力=是 收益=大 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。要补的是原来看不上的活：跟客户开会、盯印刷和施工、管品牌规范。
• 说人话：中国一季度视觉设计招聘需求下降 21%，AI 出图已经是电商、广告、游戏的默认流程。剩下的钱在三处：为品牌整体负责的人（出了错客户找谁）、要落到实物和空间的设计（包装、展陈、室内），以及要坐在客户对面的那一环。纯"给需求出图"的岗位是第一批走的。
• 收益：中国 2026 年一季度视觉设计招聘需求 −21%（本书事实基线，原始来源待核实）。Anthropic 2025 年 9 月：艺术、设计、娱乐、媒体类占 Claude.ai 对话 8.2%，为第三大类。OpenAI/Penn 2023 年：平面设计师被标为高暴露职业。Ju 和 Aral 2025 到 2026 年的现场实验（2,234 名参与者、11,024 条广告）：人机团队每人产出多 50%，文案质量更高，但图像质量低于纯人类团队，且输出更同质化。Bartz 诉 Anthropic 案 2026 年 7 月最终批准 15 亿美元和解（约 48.2 万部作品，每部约 3,100 美元），说明训练数据的版权账正在结算，但结算对象是权利人不是执行层设计师。
• 证据等级：B。招聘数据待核实原始来源，实验为广告文案而非专业设计。
• 情景：全情景。
• 来源：Ju H, Aral S (2026). Collaborating with AI Agents: Field Experiments on Teamwork, Productivity, and Performance. <https://arxiv.org/abs/2503.18238> ; Anthropic (2025). Economic Index, September 2025. <https://www.anthropic.com/economic-index> ; Eloundou T 等 (2023). <https://arxiv.org/abs/2303.10130>
• 备注：Ju 和 Aral 发现人机团队的图像质量反而更差，这是设计师在 2026 年还有的窗口，但图像模型每半年一代，窗口在关。AI 生成图像的版权归属见第 11 章（北京互联网法院 2023 年案与美国版权局 2025 年报告），对靠"版权"收钱的插画师是关键变量。可转方向里，室内、展陈、包装都要跟施工方和工厂打交道，这是在场型的部分。

11. 如果你是律师或法务：文书交给 AI 没关系，把"核查责任"写进你的流程，那是你的执照在保护的东西

<!-- 标签: 钱=0 时间=少 毅力=是 收益=大 口径=人身自由 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。每份文书多花 20 分钟核实引用。
• 说人话：全球已有 2,079 起法庭案例是当事人或律师提交了 AI 编造的判例，其中 827 起是执业律师干的，第一起 2023 年的 Mata 案律师被罚 5,000 美元。法律是 OpenAI/Penn 眼里的高暴露职业，但微软的真实使用数据里律师类只有 0.17，因为律师的活里出庭、谈判、担责占大头。AI 让你的产出翻倍，也让你的执照更值钱，前提是你不签自己没核过的东西。
• 收益：Charlotin 数据库截至 2026 年 9 月 25 日：2,079 起 AI 幻觉法庭案例，美国 1,430 起、加拿大 218 起、澳大利亚 112 起；当事人自行诉讼 1,196 起、律师 827 起。Mata 诉 Avianca 案（美国纽约南区联邦法院，2023 年 6 月 22 日）：律师用 ChatGPT 起草动议，引用多个不存在的判例，被处 5,000 美元罚款。微软 2025 年：律师、法官及相关小类 0.17，法律支持人员 0.06。OpenAI/Penn 2023 年：法律职业高暴露。Dell'Acqua 等 2023 年对 758 名 BCG 咨询顾问的实验：在 AI 能力范围内的任务完成量 +12.2%、速度 +25.1%、质量 +40%；在能力范围外的任务，用 AI 的顾问答对的概率低 19 个百分点。
• 证据等级：A。法院判决、公开数据库、随机实验。
• 情景：全情景。
• 来源：Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023) ; Charlotin D (2026). AI Hallucination Cases. <https://www.damiencharlotin.com/hallucinations/> ; Dell'Acqua F 等 (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013. <https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321> ; Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935>
• 备注：BCG 实验里那 19 个百分点是这条的核心：AI 在自己不擅长的任务上会自信地错，而法律问题的边界在哪里，模型不会告诉你。中国法院对律师提交 AI 编造判例的处理案例作者未找到公开判决，待核实。行业总岗位可能缩（一个律师做十倍的活），但相对纯文书岗缩得慢。见第 7 章第 5 条和第 18 章。本书不构成法律意见。

12. 如果你是中小学教师：暴露度低、增强型，先学会用 AI 备课批改，把课堂和家长那一端守住

<!-- 标签: 钱=0 时间=少 毅力=是 收益=中 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。每周 1 到 2 小时学工具。
• 说人话：中小学教师在微软的真实使用数据里只有 0.18，斯坦福把教育归为"AI 补充人"的职业，就业持平或上升。2026 到 2027 学年全国中小学开设 AI 课，教师是这件事的执行者不是被替代者。备课、出题、批改会大量外包给 AI，课堂管理、家长沟通、学生的在场感不会。
• 收益：微软 2025 年：小学、中学和特殊教育教师小类 0.18，高等教育教师 0.31，其他教育与图书馆 0.19。斯坦福 2026 年：在 AI 主要补充工人的职业中就业持平或上升。Anthropic 2025 年 9 月：教育与图书馆类占 Claude.ai 对话 12.3%，为第二大类，且以增强型使用为主；企业 API 中该类只占 3.6%。教育部"人工智能+教育"行动计划（2026 年 4 月）：2026 到 2027 学年起全国中小学开设 AI 课程（本书事实基线）。哈佛大学 2024 年物理课随机试验：AI 辅导组学习增益约为主动学习课堂的 2 倍（Kestin 等，2025 年发表，具体数字待核实）。
• 证据等级：B。使用数据与行政数据为 A，但教师岗位受编制和生源影响大，AI 不是主要变量。
• 情景：全情景。
• 来源：Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Brynjolfsson E 等 (2026). <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/> ; Anthropic (2025). Economic Index, September 2025. <https://www.anthropic.com/economic-index>
• 备注：教师岗位的真实风险是出生人口下降导致的编制收缩，不是 AI，这个变量比 AI 大得多，见第 22 章。高等教育教师暴露度（0.31）明显高于中小学，尤其是商科、经济、政治等偏讲授的学科（微软列出的高暴露职业里有多个"高校教师"）。课外培训机构的教师不在编制保护里，暴露度按培训内容算，语言和应试类偏高。

13. 如果你是医生或护士：不要转行，护理是四组研究里最低暴露也是增长最快的职业之一

<!-- 标签: 钱=0 时间=少 毅力=否 收益=大 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。要学的是本院引进的 AI 辅助诊断和病历工具。
• 说人话：护理员在微软的真实使用数据里得分为 0，抽血员 0.02，医疗设备准备员 0.02，全是最低的 40 个职业。医生的得分也低，口腔外科接近 0。美国劳工统计局预测执业护士是十年增长最快的职业之一。AI 会写病历、读片、给第一意见，但开处方、做手术、签病危通知书、被投诉的人还是你。
• 收益：微软 2025 年：护理员（orderlies）0.000，抽血员 0.022，医疗设备准备员 0.021，手术助理 0.012，口腔颌面外科医生 0.026，眼科技师 0.007；健康技师小类 0.10，其他医疗从业者 0.16。ILO 2025 年：医护类多在低暴露梯度。美国劳工统计局 2023 到 2033 年就业预测：执业护士增长约 46%，家庭健康与个人护理助理增长约 21%、新增岗位数居各职业之首，注册护士增长约 6%（数字为作者记忆的 BLS 职业展望手册数据，待核实当前版本）。中国 AI 辅助诊断的试验数据与医院分布见第 4 章和第 31 章。
• 证据等级：B。暴露度为 A 级真实数据，就业预测数字待核实且为美国数据。
• 情景：全情景。快线上医生的诊断权重下降、执行与责任权重上升，岗位仍在。
• 来源：Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Gmyrek P 等 (2025). <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Fastest Growing Occupations. <https://www.bls.gov/ooh/fastest-growing.htm>
• 备注：医生内部分化：影像、病理、皮肤这些"读图给结论"的科室暴露高于外科和急诊，但读图科室的责任制度（报告签字）没变，变的是每个医生要签的报告数。护理的风险不是 AI，是工作强度和薪酬，这个问题 AI 不解决。护工与养老护理员见第 19 条。

14. 如果你是电工、水管工、焊工或维修工：你在最低暴露组，把证考齐，往新能源、数据中心和机器人维护升

<!-- 标签: 钱=少 时间=中 毅力=是 收益=大 口径=钱 证据=A 情景=全 可逆=是 -->

• 成本：特种作业操作证几百到一千多元，培训几周。升级到新能源或工业机器人维护几千元。
• 说人话：建筑工种在微软的真实使用数据里只有 0.07，屋顶工 0.009、水泥工 0.015，是全经济里最难被大模型触及的活。而且需求在涨：美国数据中心装机从 2025 年的 31 GW 要涨到 2027 年的 66 GW，每一兆瓦都要电工接线。这是原则 3 的教科书案例：出了事故要坐牢的活，AI 短期压不掉。
• 收益：微软 2025 年：建筑工种小类 0.07，屋顶工 0.009，水泥工与混凝土工 0.015，高速公路养护 0.021，电气与电子设备机械师 0.17；上述职业的美国就业规模从数万到数十万。ILO 2025 年：建筑与手工业职业在最低暴露梯度。美国数据中心装机 31 GW（2025）到 41 GW（2026）到 66 GW（2027 预计）；全球已知 AI 数据中心 13.5 GW（Epoch，2026 年 9 月）（本书事实基线）。《安全生产法》（2021 年修正）第三十条：特种作业人员必须按照国家有关规定经专门的安全作业培训，取得相应资格，方可上岗作业。
• 证据等级：A。真实使用数据、全球指数、法律原文、行业装机数据。
• 情景：全情景。快线上人形机器人在 2028 年后进入部分工种，但许可证制度是缓冲。
• 来源：Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Gmyrek P 等 (2025). <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; Epoch AI (2026). AI data centers（2026 年 9 月）. <https://epoch.ai> ; 全国人民代表大会常务委员会 (2021). 中华人民共和国安全生产法（2021 年修正），第三十条.
• 备注：反方：这类工作的风险是身体（工伤、职业病、45 岁后体力下降），AI 不解决，原书的工伤保险和职业病条目照旧。2026 年上半年人形机器人出货 1.91 万台（+272%），增速高但基数小，2030 年前进入电工水管工的概率低，进入焊接和搬运的概率高。技能升级方向：光伏、储能、充电桩、机房弱电、工业机器人维护，这些都有国家或行业证书。见第 9 章和第 10 章。

15. 如果你是骑手或快递员：大模型动不到你，人形机器人五年内也动不到，但别背长期车贷

<!-- 标签: 钱=0 时间=少 毅力=否 收益=中 口径=选择权 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。
• 说人话：物料搬运类在微软数据里只有 0.07。2026 年上半年全球人形机器人出货 1.91 万台，同比涨 272%，但比起中国上千万骑手快递员，这个数还是零头。真正的风险在五到十年后，而且会先从固定线路的仓储和园区开始，不是从爬楼送餐开始。眼下该防的是收入波动，不是被机器人替代。
• 收益：微软 2025 年：物料搬运小类 0.07，工业叉车操作员 0.013（美国就业 77.9 万）。2026 年上半年全球人形机器人出货 1.91 万台（+272%），智元 8,400 台、宇树 5,900 台；宇树 2026 年 8 月科创板上市首日 +460%，市值约 660 亿美元（本书事实基线）。Autor 等 2022 年：美国 2018 年的多数就业在 1940 年不存在的新职业里，1980 年后新增工作集中在高薪专业岗和低薪服务岗。骑手与快递的收入数据和机器人配送的时间表见第 15 章。
• 证据等级：B。暴露度为真实数据，人形机器人的时间表是推演。
• 情景：全情景。快线上 2028 到 2030 年园区和仓储先替代；慢线上 2030 年前基本不动。
• 来源：Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Autor D, Chin C, Salomons A, Seegmiller B (2022). New Frontiers: The Origins and Content of New Work, 1940–2018. NBER Working Paper 30389. <https://www.nber.org/papers/w30389>
• 备注：人形机器人的市值（宇树 660 亿美元）和出货量（1.91 万台）之间的差距说明市场在为未来定价，不是为现在。骑手的现实风险是平台算法定价和交通事故，原书条目照旧。"别背长期车贷"是原则 1：在一个五年后需求可能变化的行业里，不签五年的债。

16. 如果你是网约车或货车司机：看你所在城市的 robotaxi 牌照数，那是你的时间表

<!-- 标签: 钱=0 时间=少 毅力=否 收益=中 口径=选择权 证据=C 情景=基准线及更快 可逆=是 -->

• 成本：不花钱。每半年查一次本地牌照和运营范围。
• 说人话：萝卜快跑累计订单过 1 亿，2026 年 3 月 31 日武汉大规模停摆之后监管明显降温。这两件事合起来说明：技术能跑，但每个城市什么时候放开、放多少台，是地方政府的决定，不是技术的决定。所以你的时间表不在北京的新闻里，在你所在城市的交通局公告里。
• 收益：萝卜快跑累计 1 亿单；武汉 2026 年 3 月 31 日大规模停摆事件后监管降温（本书事实基线，具体停摆原因和监管措施待核实原文）。微软 2025 年：交通与物料搬运类适用性低。ILO 2025 年：司机在低暴露梯度（该指数只量大模型）。美国网约车与货车司机的自动驾驶替代进度作者未核实到 2026 年的原始数据。
• 证据等级：C。替代方向明确，但时间按城市分化，且 2027 年后的进度是推演。
• 情景：基准线及更快。慢线上 2030 年前只有个别城市的核心区受影响。
• 来源：本书事实基线（第 1 章）；ILO Working Paper 140. <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure>
• 备注：货车司机的替代先从高速干线开始（编队、固定线路），城配和最后一公里最晚。网约车的替代先从划定区域的一线城市开始。停摆事件说明 robotaxi 本身有系统性故障风险，这对乘客的意义见第 20 章。如果你买车跑网约车，车贷年限不要超过你所在城市 robotaxi 从"试点"到"全域"的预计年限，查不到就按三年算。

17. 如果你是工厂普工或装配工：大模型不动你，机械臂已经在动，往设备维护和质检转

<!-- 标签: 钱=少 时间=中 毅力=是 收益=中 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：设备维护或质检培训几百到几千元，几周到几个月。
• 说人话：装配类在微软数据里 0.11，包装机操作 0.02，机器上料 0.019，都是低暴露。但这个指数只量大模型，不量机械臂，而工业机器人在中国已经是成熟产业。人形机器人半年出货 1.91 万台是新闻，工业机器人年装机几十万台不是新闻。你的岗位风险来自后者。
• 收益：微软 2025 年：装配与制造小类 0.11，包装与灌装机操作员 0.020（美国就业 37.2 万），机器上料员 0.019，生产帮工 0.021（18.2 万）。2026 年上半年全球人形机器人出货 1.91 万台，+272%（本书事实基线）。中国工业机器人年装机量数据作者未核实到 2025 到 2026 年的原始数字，待核实（国际机器人联合会 IFR 历年报告显示中国自 2013 年起为全球最大工业机器人市场）。Autor 等 2022 年：1940 到 1980 年新增工作集中在中等收入的生产与文员岗，1980 年后转向高薪专业岗和低薪服务岗，中间层被掏空。
• 证据等级：B。大模型暴露为 A 级数据，机器人替代进度待核实。
• 情景：全情景。
• 来源：Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Autor D 等 (2022). NBER Working Paper 30389. <https://www.nber.org/papers/w30389> ; International Federation of Robotics. World Robotics reports. <https://ifr.org>
• 备注：设备维护和质检是"机器越多越需要人"的岗位，而且有国家职业资格（如工业机器人系统运维员，人社部 2019 年新职业）。产线上的普工与骑手一样，真实风险首先是订单波动和用工方式（劳务派遣），原书条目照旧。见第 10 章"技能工种"。

18. 如果你做面对面销售或大客户：AI 会吃掉你的信息工作，把客户关系变成写在你名下的资产

<!-- 标签: 钱=0 时间=中 毅力=是 收益=大 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。要做的是把每个客户的关系记录、决策链、历史承诺整理成你自己的档案。
• 说人话：服务类销售代表在微软数据里 0.45，全经济第四高，美国 114 万人；电话销售 0.40。但这个分数量的是"回答客户询问、提供产品信息"这类任务，不是"让客户信任你"。AI 会把前者做掉，让每个销售能跟更多客户，最后剩下的是谁手里的关系多。关系是资产，资产要有账。
• 收益：微软 2025 年：服务类销售代表 0.449（美国就业 114.2 万），广告销售 0.353，电话销售 0.404，批发与制造业销售代表小类 0.31，零售销售 0.30。斯坦福 2026 年：补充型职业就业持平或上升。Ju 和 Aral 2026 年：人机团队里人际类信息少 18%，任务类信息多 25%，说明 AI 进入后团队内部的关系维护被挤压。第 3 章第二节：真人的注意力和信任在变贵。
• 证据等级：B。使用数据为 A，"关系资产化"是作者推断。
• 情景：全情景。
• 来源：Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Ju H, Aral S (2026). <https://arxiv.org/abs/2503.18238> ; Brynjolfsson E 等 (2026). <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/>
• 备注：客户档案是你的资产，但客户数据可能是公司的商业秘密，两者的边界见第 7 章第 4 条和《反不正当竞争法》第九条，离职带走客户名单是有判例的侵权行为。所以"写在你名下"指的是关系本身，不是公司的数据库。电销和在线销售不在这条里，它们在第 4 条客服的时间表上。

19. 如果你做家政、保洁、月嫂或养老护理：你是全经济里暴露最低的职业之一，把证考了、把评价攒起来

<!-- 标签: 钱=少 时间=中 毅力=是 收益=大 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：养老护理员、育婴员、健康照护师等证书几百到两千元，培训几周。
• 说人话：保洁在微软的真实使用数据里得分 0.008，全部 800 多个职业里倒数；护理员是 0。这些活既没有信息部分给大模型吃，也没有固定动作给机械臂学。需求还在涨：老人越来越多，护理的人越来越少。你的对手不是 AI，是没有证、没有评价、没有稳定客户的自己。
• 收益：微软 2025 年：女佣与保洁员 0.008（美国就业 83.6 万），护理员 0.000，按摩师 0.012，洗碗工 0.018，个人形象服务小类 0.06，建筑清洁与虫害控制 0.08。ILO 2025 年：家政与照护类在最低暴露梯度。美国劳工统计局 2023 到 2033 年预测：家庭健康与个人护理助理新增岗位数居各职业之首（数字待核实当前版本）。中国 60 岁以上人口占比与养老护理员缺口的官方数字作者未在本章核实，见第 24 章。
• 证据等级：B。暴露度为 A 级数据，需求增长的中国数据待核实。
• 情景：全情景。
• 来源：Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; Gmyrek P 等 (2025). <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; U.S. Bureau of Labor Statistics. Occupational Outlook Handbook. <https://www.bls.gov/ooh/>
• 备注：这类职业的收入天花板低、身体消耗大、社保覆盖差，这是真实的坏处，AI 时代没有让它们变好，只是让别的职业变差了。"评价"指平台和客户的可核实评价，它在 AI 时代是这类职业的履历（见原则 4）。家政平台的算法定价和保险问题见第 15 章。

20. 如果你是应届生或 22 到 25 岁：别等"对口岗位"，选 AI 补充人的职业，把作品做成可核实的

<!-- 标签: 钱=0 时间=多 毅力=是 收益=大 口径=选择权 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。要花的是接受"第一份工作不对口"的心理成本和半年到一年的作品积累时间。
• 说人话：22 到 25 岁在 AI 暴露度高的职业里的就业比同龄人低 19%，一年前是 13%，还在扩大。美国应届生失业率 5.6%，就业不足率 42%。中国 16 到 24 岁失业率 8 月 18.9%，2026 届毕业生 1,270 万。机制是公司不招新人，所以"等对口岗位"是在等一个正在关的门。斯坦福同一份数据里，AI 补充人的职业年轻人就业持平或上升。
• 收益：斯坦福 2026 年 8 月：22 到 25 岁在高暴露职业就业低 19%（2025 年 7 月版 13%），调整通过减少招聘发生，补充型职业持平或上升，高暴露职业里年长工人就业稳定甚至上升。纽约联储 2026 年二季度：应届大学毕业生失业率约 5.6%，就业不足率 42%。国家统计局：2026 年 8 月全国城镇调查失业率 5.3%；16 到 24 岁不含在校生失业率 3 月 16.9%、5 月 15.6%、8 月 18.9%（本书事实基线）；2026 届高校毕业生 1,270 万。Brynjolfsson 等 2023 年客服研究：AI 让新手的效率提高 34%，说明 AI 缩短的正是"学徒期"，而学徒期是入门岗存在的理由。
• 证据等级：A。行政数据与官方统计。
• 情景：全情景。
• 来源：Brynjolfsson E 等 (2026). <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/> ; Federal Reserve Bank of New York (2026). <https://www.newyorkfed.org/research/college-labor-market> ; 国家统计局 (2026). 8 月份国民经济运行情况（2026 年 9 月 15 日）. <https://www.stats.gov.cn/sj/zxfb/202609/t20260915_1965307.html> ; Brynjolfsson E, Li D, Raymond LR (2023). <https://www.nber.org/papers/w31161>
• 备注：反方：LSE 的研究认为远程办公比 AI 更能解释入门岗下降（待核实），而且中国青年失业率的季节性和结构性因素（毕业季、学历与岗位错配）比 AI 大。但两种解释给出的建议是一样的：入门岗的门在关，别在门口排队。"可核实的作品"见第 7 章第 8 条和第 9 章。18 岁的路见第 10 章。

21. 如果你 45 岁以上被裁：转型窗口窄，优先考责任型资格，不要赌新行业

<!-- 标签: 钱=少 时间=多 毅力=是 收益=大 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：资格考试几百到几千元，半年到两年。心理成本见第 5 章。
• 说人话：美国用 1974 到 2008 年的社保记录算过：有一定工龄的男性被裁后 20 年内的收入损失，经济好的时候相当于 1.4 年的原工资，经济差的时候 2.8 年。年纪越大、工龄越长损失越大，因为你的技能是这家公司的、这个行业的。在这个年纪去"转行学 AI"是把仅剩的行业资产也扔掉。更划算的是在原行业里往有执照、有签字权、有现场的岗位挪。
• 收益：Davis 和 von Wachter 2011 年（布鲁金斯经济活动论文）：用美国社保纵向记录 1974 到 2008 年，工龄 3 年以上的男性被裁后 20 年内（5% 贴现）的收入损失现值，在失业率低于 6% 时约为原年收入的 1.4 倍，在失业率高于 8% 时约为 2.8 倍。Roelfs 等 2011 年荟萃分析：失业的死亡风险在职业生涯早期和中期高于晚期。斯坦福 2026 年：高暴露职业里年长工人就业稳定，这是因为经验和责任在补充 AI，不是因为他们安全。
• 证据等级：B。历史数据外推，且为美国男性样本。
• 情景：全情景。
• 来源：Davis SJ, von Wachter T (2011). Recessions and the Costs of Job Loss. Brookings Papers on Economic Activity. <https://www.brookings.edu/articles/recessions-and-the-costs-of-job-loss/> ; Roelfs DJ 等 (2011). <https://doi.org/10.1016/j.socscimed.2011.01.005> ; Brynjolfsson E 等 (2026). <https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/>
• 备注："责任型资格"的例子：安全员、消防设施操作员、质量工程师、注册安全工程师、监理、社工师，它们的共同点是法律要求有证的人到场签字。别去报"AI 转型训练营"，见第 13 章。经济性裁员的法定程序和补偿见第 8 章，被要求"培训转岗 AI"后再裁的证据保留也在那里。

22. 如果你在大模型或 AI 应用岗：需求 +73% 的岗位也是最依赖情景的岗位，储备要比别人多，期权不当现金

<!-- 标签: 钱=0 时间=少 毅力=是 收益=中 口径=选择权 证据=C 情景=全 可逆=是 -->

• 成本：不花钱。少花的是本来会花掉的钱。
• 说人话：大模型相关岗位一季度需求涨 73%，是所有职业里涨得最猛的。它的另一面是：Anthropic 年化收入 650 亿美元、估值 9,650 亿美元，这个估值建立在基准线或更快的情景上；2026 年一季度美国有 75 个数据中心项目（1,300 亿美元）被推迟或取消。慢线一旦成立，这个领域会像 2001 年的互联网一样先收缩。涨得最快的岗位，储备要按最坏情景准备。
• 收益：中国 2026 年一季度大模型相关岗位需求 +73%（本书事实基线，待核实）。Anthropic 年化收入约 650 亿美元（2026 年 7 月）、估值 9,650 亿美元；OpenAI 估值 8,520 亿美元；两家已秘密递交上市申请。美国 2026 年一季度 75 个数据中心项目（1,300 亿美元）被阻止或推迟（Data Center Watch），多地市镇出台了数据中心暂停令。2000 年互联网泡沫后纳斯达克指数最大回撤 78%（以上均为本书事实基线）。截至 2026 年 4 月，没有实验室观察到 AI 使自身研发提速 2 倍。
• 证据等级：C。关于这个领域未来收缩的判断是推演。
• 情景：全情景。慢线上这条最重要；快线上这类岗位本身也可能被智能体替代。
• 来源：本书事实基线（第 1 章、第 3 节、第 4 节）；Epoch AI. <https://epoch.ai>
• 备注：AI 岗位的薪酬里期权和股票占比高，而这些资产和你的工作押在同一个情景上，这是原则 6 和第 14 章"别押单一 AI 概念"在个人层面的版本。可做的对冲：储备金按 12 个月算而不是 6 个月，期权兑现后分散，不用 AI 概念股做储备。本书不构成投资建议。

23. 如果你是公务员、事业单位文职或银行柜员：制度保护你的岗位，不保护你的岗位内容，主动当本单位 AI 流程的责任人

<!-- 标签: 钱=0 时间=中 毅力=是 收益=中 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。要主动接手别人不想接的"系统上线"活。
• 说人话：柜员和文员在 ILO 指数里都是高暴露，但编制和劳动合同让岗位不会像互联网公司那样一夜消失。历史上 ATM 普及后 30 年美国柜员总数反而上升，因为网点变便宜、开得更多，柜员从数钱变成卖产品。同样的事会发生在你身上：岗位还在，内容全换。谁先成为"这套 AI 系统出问题找谁"的人，谁在下一轮定岗时最稳。
• 收益：ILO 2025 年：文员类暴露最高；银行柜员与信贷文员在梯度 3 到 4。Bessen 2015 年：美国银行柜员数量从 1980 年到 2010 年上升，同期 ATM 从零普及到 40 万台以上，机制是网点运营成本下降、网点数增加、柜员任务转向销售与客户关系。Humlum 与 Vestergaard 2026 年：丹麦暴露职业的工人已转入"AI 监督与集成"角色，工资尚未变化。"十五五"规划（2026 年 3 月）："人工智能+"渗透率目标 2027 年 70%、2030 年 90%（本书事实基线），意味着体制内单位是被规划要求上 AI 的。
• 证据等级：B。历史类比和行政数据，制度变量大。
• 情景：全情景。
• 来源：Bessen J (2015). Learning by Doing. Yale University Press ; Humlum A, Vestergaard E (2026). NBER Working Paper 33777. <https://www.nber.org/papers/w33777> ; Gmyrek P 等 (2025). <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure>
• 备注：柜员的故事在 2010 年后反转：手机银行普及后美国网点和柜员开始减少，说明"技术让岗位增加"有期限。体制内的风险不是被裁，是"不再补员"，见第 2 条。事业单位的另一个变量是财政，这在 AI 之外。

24. 如果你是自由职业者或接单者：价格先于岗位下跌，把报价单从"按字数、按张"改成"按责任、按交付"

<!-- 标签: 钱=0 时间=少 毅力=是 收益=大 口径=钱 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。要改的是报价方式和客户预期。
• 说人话：受雇的人被冲击时先是不招人，自由职业者被冲击时先是价格跌。ChatGPT 发布后在线平台上写作类自由职业的接单和收入都降了，而模型公司的经济指数显示企业 API 用量里 77% 是"直接让 AI 做完"。按字数和按张报价的活，你是在和一个每千字几分钱的对手比价。按"我对结果负责、出了错我改到好、我签名"报价，对手就不是它了。
• 收益：Hui、Reshef、Zhou 2024 年 Organization Science：ChatGPT 发布后在线自由职业平台上写作类工作者的接单量与收入下降（具体百分比待核实）。Anthropic 2025 年 9 月：企业 API 用量 77% 为自动化模式、12% 为增强模式，97% 的 API 任务表现为自动化。Noy 和 Zhang 2023 年：ChatGPT 使写作任务用时减少 40%、质量提高 18%，并缩小了能力差距。斯坦福 2026 年：替代型职业就业下降。
• 证据等级：B。平台数据具体数字待核实，其余为 A 级但需外推到中国平台。
• 情景：全情景。
• 来源：Hui X, Reshef O, Zhou L (2024). <https://doi.org/10.1287/orsc.2023.18441> ; Anthropic (2025). Economic Index, September 2025. <https://www.anthropic.com/economic-index> ; Noy S, Zhang W (2023). <https://doi.org/10.1126/science.adh2586>
• 备注：一人公司的合规、发票、AI 内容标识和"AI 出错谁赔"的合同写法见第 11 章。自由职业者没有失业保险，储备要按 12 个月算，见第 14 章。这条什么时候失效：当客户自己能用智能体完成端到端交付并承担责任时，"按责任报价"也失效，那是快线上 2028 年后的事。

25. 给自己写一张三行的表：2027、2028、2030 年，我的岗位在三条线上各会怎样，每半年改一次

<!-- 标签: 钱=0 时间=少 毅力=是 收益=中 口径=选择权 证据=C 情景=全 可逆=是 -->

• 成本：不花钱。第一次一小时，之后每半年 20 分钟。
• 说人话：本章开头那张时间表是按职业组写的，粗。你自己的表要按第 1 条算出的暴露度、第 3 条标出的责任占比、第 2 条查到的公司信号来填。三条线各写一行，每行写三个年份下"我的岗位会怎样"和"到那时我要有什么"。这张表的用处不是预测准，是让你在情景切换时已经有一份写好的动作清单，不用在应激期现想。
• 收益：这条没有试验。它的依据是本书的三条情景线（第 2 章：基准线 2027 年出现可靠完成一周任务的智能体，2028 年上半年"超人编码者"级系统，2030 年白领任务过半可自动化；慢线 2030 年前没有"超人编码者"，翻倍周期放缓到 250 天以上；快线 2027 年研发飞轮启动，2028 到 2029 年大规模替代）和 METR 的时间跨度数据（2023 年以来约每 129 天翻倍，2026 年 5 月 50% 成功率约 12 小时）。
• 证据等级：C。推演。
• 情景：全情景。
• 来源：METR (2026). Frontier Risk Report. <https://www.metr.org/blog/2026-05-19-frontier-risk-report/> ; 本书第 2 章与第 2 章。
• 备注：填表时把"岗位消失"和"岗位变形"分开写，把"我要有什么"限定在可逆的动作上（证书、作品、储备、关系），不可逆的（辞职、搬家、借债）只在两条以上情景线都指向它时才写。附录 B 有三条线的逐年年表。

26. 别被"47% 的工作会消失"这类数字吓到，也别因此觉得什么都不会发生

<!-- 标签: 钱=0 时间=少 毅力=否 收益=中 口径=时间精力 证据=A 情景=全 可逆=是 -->

• 成本：不花钱。
• 说人话：2013 年牛津的两位学者说美国 47% 的就业处于被计算机化的高风险，十年后美国失业率在 4% 上下。ILO 2025 年的精炼指数只把 3.3% 的全球就业放在最高暴露组。丹麦两年的全国数据说工资和工时没变。但斯坦福说 22 到 25 岁在暴露职业里的就业已经低了 19%，Challenger 说 2026 年 AI 连续五个月是美国裁员的第一大理由。这些数字不矛盾：总量没崩，结构在变，变的地方很具体。看具体的地方，别看总量。
• 收益：Frey 和 Osborne 2013 年（2017 年发表于 Technological Forecasting and Social Change）：约 47% 的美国就业处于高风险。美国 2026 年 8 月失业率 4.1%（本书事实基线）。ILO 2025 年：3.3% 的全球就业处于最高暴露梯度。Humlum 与 Vestergaard 2026 年：ChatGPT 发布两年后丹麦暴露职业的工资与工时变化被排除在 2% 以外。斯坦福 2026 年：22 到 25 岁在高暴露职业就业低 19%，无经济范围替代。Challenger 2026 年：AI 连续五个月为裁员首要理由，1 到 8 月 116,175 人归因于 AI，占 22%。Autor 等 2022 年：美国当前多数就业在 1940 年不存在的职业里。
• 证据等级：A。官方统计与已发表研究，方向一致。
• 情景：全情景。
• 来源：Frey CB, Osborne MA (2013/2017). The future of employment: How susceptible are jobs to computerisation? Oxford Martin School; Technological Forecasting and Social Change 114:254-280. <https://www.oxfordmartin.ox.ac.uk/publications/the-future-of-employment> ; Gmyrek P 等 (2025). ILO. <https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure> ; Humlum A, Vestergaard E (2026). <https://www.nber.org/papers/w33777> ; Challenger, Gray & Christmas (2026). Job Cuts Reports. <https://www.challengergray.com/blog/> ; Autor D 等 (2022). <https://www.nber.org/papers/w30389>
• 备注：Frey 和 Osborne 量的是"技术上可行"，不是"会发生"，这和 OpenAI/Penn 的暴露度是同一类数字。本书的时间表也是这一类，所以本章第二张表全部标 C。反方：快线上"总量没崩"这句会失效，那时候第 2 章的 8 个指标里会有至少 4 个同时越线。

27. 记住正在增长的岗位清单，它们的共同点是"机器越多越需要人"或者"人必须在场"

<!-- 标签: 钱=0 时间=少 毅力=否 收益=中 口径=选择权 证据=B 情景=全 可逆=是 -->

• 成本：不花钱。
• 说人话：增长的岗位有四类。一是造 AI 和管 AI 的：大模型应用、AI 评测与安全、数据标注质检、AI 训练师，人社部已经把"生成式人工智能系统应用员"列为国家新职业。二是给 AI 供电供楼的：电工、机房弱电、暖通、数据中心运维。三是修机器的：工业机器人运维、设备维护。四是人必须在场的：护理、养老、康复、社工、消防、特种作业。第一类涨得最快也最不稳，后三类涨得慢但三条线都成立。
• 收益：中国 2026 年一季度大模型相关岗位需求 +73%（本书事实基线，待核实）。人力资源社会保障部 2024 年 7 月 31 日发布 19 个新职业，含生成式人工智能系统应用员、生成式人工智能动画制作员、智能网联汽车测试员等（具体名单待核实公告原文）；2019 年新职业含工业机器人系统运维员。美国数据中心装机 31 GW（2025）到 66 GW（2027 预计）。微软 2025 年：数据科学家 0.357（美国就业 19.3 万），说明"造 AI 的岗位"本身也有高暴露部分。美国劳工统计局 2023 到 2033 年：执业护士、风电技术员、光伏安装员、数据科学家、信息安全分析师、医疗与健康服务经理在增长最快职业之列（数字待核实）。
• 证据等级：B。多数为官方文件与统计，具体数字有待核实项。
• 情景：全情景。第一类在慢线上收缩。
• 来源：人力资源社会保障部 (2024). 关于发布新职业信息的公告（2024 年 7 月 31 日）. <https://www.mohrss.gov.cn> ; Tomlinson K 等 (2025). <https://arxiv.org/abs/2507.07935> ; U.S. Bureau of Labor Statistics. Occupational Outlook Handbook. <https://www.bls.gov/ooh/fastest-growing.htm>
• 备注：数据标注和 AI 训练师的真实时薪与平台规则见第 15 章，它们是增长岗位里最容易被压价的。"AI 评测与安全"在 2026 年夏的沙箱逃逸事件后需求上升（见第 1 章），这是少数在快线上更安全的信息型岗位。学什么划算见第 9 章。

这一节在 AGI 时代变了什么、没变什么

先说没变的。职业的相对安全度，一百年来一直由三样东西决定：法律要不要有人担责、活要不要人到场、动作能不能被机器重复。ATM 没有消灭柜员，电子表格没有消灭会计，计算机没有让 47% 的美国人失业。Autor 的数据说今天多数人干的活在 1940 年还不存在。这一节的四组研究只是用 2023 到 2026 年的数据重新量了一遍这三样东西，量出来的结果和历史一致：信息处理最先被吃，责任和在场最后。原则 3（责任比技能保值）不是本书的发明，是把这个老规律说明白。

变了的有四件事。第一是速度和范围。以前一种技术只吃一类任务，大模型一次吃掉了"生成、处理、传递信息"这一整类，而这一类正是过去 40 年白领岗位增长的主体。OpenAI/Penn 说 80% 的人至少有 10% 的任务暴露，微软的真实使用数据证实了这个预测。所以"变形"的范围比以往任何一次都广，几乎每个白领岗位都要重写岗位说明。

第二是冲击的形态。斯坦福的数据说，调整通过"不招年轻人"发生，不是裁老员工。这让冲击变得安静、缓慢、难以指认，也让它集中落在一个年龄段上。丹麦的数据说两年内工资工时没动，但工作内容已经重组。对在职者，这意味着你有窗口期；对刚入行的人，这意味着门在关而没有人宣布。第 2 条和第 20 条是对这两群人分别说的。

第三是分界线从"技能高低"变成了"责任有无"。微软的数据里 AI 适用性和工资的相关系数只有 0.13，和学历没有单调关系。高薪的翻译和文案暴露最高，低薪的护理员和保洁暴露最低。这打破了"多读书就安全"的直觉，也是第 9 章要重写"学什么划算"的原因。这一节的第 3 条要求每个人把自己岗位里"签字、到场、动手"的部分标出来，因为那才是定价的依据。

第四是增长的地方换了。1980 年以后新增的工作在高薪专业岗和低薪服务岗两头，中间被掏空。这一轮，高薪专业岗里的"信息部分"也在被吃，剩下的增长在四个地方：造 AI 和管 AI、给 AI 供电供楼、修机器、人必须在场。第 27 条列了清单。其中第一类涨得最快也最依赖情景，原则 6（储备决定你能等多久）对这类岗位反而最重要。

这一节所有条目都是"如果你是 X，先做 Y"，而 Y 几乎全是可逆的：算一遍暴露度、查三个信号、考一个证、把作品变成可核实的、把关系记成账、改一张报价单。这是原则 1（可逆优先）在职业上的应用：在一个每 129 天翻一倍的世界里，不可逆的转行是在赌情景，而可逆的准备在三条线上都不亏。本章的最大反例仍是第 3 章所说的说的：责任型职业的总岗位也会缩，一个律师、一个会计在 AI 辅助下做十倍的活。本章给出的是相对排序，不是安全承诺。绝对的安全在这一节里不存在，存在的只是每个人能算出来的、自己岗位的时间表，以及在时间表到期之前可以做完的那几件可逆的事。