本刊记者 张燕

凌晨1点，深圳南山科技园的一间写字楼里，34岁的后端工程师张远鹏终于关掉了显示器。

“AI来了以后，我干活确实少了，但我的脑子转得更快了。以前是我加班，现在是我陪着‘它’加班。”张远鹏对记者说，“以前我写代码，一行一行敲，累是累，但下班就是下班。现在我要同时管着三个智能体，它们替我敲代码，我得盯着、审着、改着、兜底。它们不休息，我也没法完全休息。”

这不是个例。过去一年，随着AI从“会聊天的大模型”进化为“能干活的智能体”，无数像张远鹏一样的职场人正经历着一场前所未有的“工作拆解”——岗位还在，但干法变了；职业还在，但价值逻辑变了。

AI的能力边界不断扩张，对人类的工作究竟意味着什么？

AI质变：从顾问到执行者

“从技术进步的角度看，过去几年AI的发展堪称惊人，无论是模型能力、算力规模还是产品迭代速度，都远远超出了很多人的预期。”北京大学计算机学院副教授、博士生导师杨仝在接受本刊记者采访时说，真正的质变在于AI的角色转换——从“回答问题的大模型”进化为“能够执行任务的智能体”。

“过去的大模型更像顾问，负责提供答案；现在的AI开始像人一样使用工具，能够规划任务、调用软件、访问数据库，甚至完成一整套工作流程。”杨仝说。

上海财经大学特聘教授胡延平用“让人睡不着觉”来形容这种飞跃。“真的是连续好多天，每天凌晨1点、2点甚至3点还在用这些智能体工作。技术带来的能力跃升与价值创造，让从业者真切感受到人工智能发展的澎湃动能。”

在胡延平看来，这种飞跃的实质，是AI打通了云端与终端，能够联动本地数据、办公软件、各类文档信息，依托完整工作流自主、持续推进复杂长周期任务。

AI智能体不再是单一功能工具，而是可以整合全网与本地各类算力、软件、工具及服务，让普通使用者有可能完成以往需要团队数月才能落地的工程级项目与大型工作任务，短则数小时、长则数日便可实现规模化产出。

这种从“回答”到“执行”的转变，并非凭空而来。杨仝从技术角度拆解了背后的关键突破：一方面是算力持续增长，面向AI训练和推理的专用算力仍在快速提升；另一方面是算法不断进步，许多能力提升已经不再单纯依赖参数规模扩大，而是来自训练方法、推理机制和模型架构的优化。

此外，开源社区、产业界和学术界之间形成了高效的创新扩散机制，使得新的技术突破能够迅速被整个行业吸收和应用。

杨仝指出，AI之所以能从“替代简单体力或脑力劳动”跃升到“替代专业认知劳动”，背后有六个关键支撑：“大规模预训练、指令微调与人类反馈强化学习、推理能力提升、工具调用能力、多模态能力以及智能体框架。这些突破叠加在一起，使AI第一次具备了承担专业认知劳动的能力。”

杨仝特别强调，过去一年还有一个容易被忽视的变化——可靠性问题在逐步改善。“过去的大模型虽然具备较强的知识获取和内容生成能力，但‘幻觉’现象使其难以直接应用于法律、金融、医疗等高责任领域。而随着推理能力显著增强，模型能够完成复杂数学证明、软件设计甚至科研推理。”

这意味着，AI不再只是一个会聊天的“聪明人”，而是一个能干活的“靠谱员工”。正是这种可靠性上的突破，让AI开始真正走进企业的核心业务流程，也让人与工作的关系，迎来了真正的转折点。

影响：“不是岗位没了，是‘技能包’全换了”

知名科幻作家，雨果奖得主郝景芳在最近的采访中透露，在她新小说的创作中，AI写作的比重已经可以占到一半了。不仅如此，她创业的公司团队在引入AI智能体后，从44人减到仅剩2人——包括她自己在内。

同样的事情也发生在张远鹏身边。他所在的公司是一家为零售行业提供数据分析服务的创业公司，不到100人。今年初，公司开始全员推行智能体辅助开发。随着AI能够写单元测试、补全代码片段，甚至自动修复一些低级bug，他所在的小组已经从9个人缩减到了5个人。

被影响的，是那些主要负责“搬砖”的同事——写简单接口、修常见bug、做重复性测试。留下的，是那些能拆解复杂需求、能设计系统架构、能承担最终交付责任的人。

当技术开始系统性地替代那些标准化、重复性的认知劳动时，究竟哪些工作最容易受到影响？

胡延平在采访中给出了一个清晰的替代次序：“从数字世界到现实世界、从脑力工作到体力工作、从语言文字到多模态任务、从单一任务到综合业务。”

他进一步举例道，基础文档撰写岗位，常规文案、报告等文字工作，AI的完成质量已超越大量基础文职人员；图文、简单视频制作岗位，媒体行业大量使用AI生成配图和短视频，替代了传统美工和图文编辑；中小型网页、网站开发岗位，简单网站、知识库搭建可快速完成；基础编程岗位，重复性、无创意的“蓝领程序员”受冲击最大；纯信息咨询类岗位，法律、医疗、金融等领域的基础信息解答也逐步被AI承接。

杨仝从技术特征上给出了判断标准：“最受影响的职业往往有几个共同特征：工作对象主要是数字信息，工作流程高度标准化，工作结果也比较容易被评价和量化。这类工作本质上可以被拆解为一系列明确步骤，而大模型恰恰最擅长处理结构清晰、规则明确、评价标准统一的任务。”

在杨仝看来，AI并不一定会立刻取代这些职业本身，但会率先替代其中大量重复性、标准化的工作内容。随着AI能力持续提升，这些岗位对从业者的要求也将发生变化，单纯依靠执行和重复劳动的价值会越来越低，因此它们往往会成为最早受到影响的一批职业。

人力资源的专业视角提供了更具体的图景。王敏是北京一家中型互联网公司的招聘总监，她向记者展示了一组内部数据：2024年，公司社招岗位中明确要求“熟练使用AI工具”的只占12%；到2026年第一季度，这个数字已经涨到了71%。

“不是岗位没了，是岗位的‘技能包’全换了。”王敏说，“两年前我们招运营，要求是会写文案、做表格、懂一点数据分析。现在，同样的岗位，我们要求会用AI生成内容、搭建知识库、调优智能体工作流。”

边界：哪些工作AI暂时够不着

普通人关心的问题是：还有哪些工作是“安全”的？

胡延平给出了一个看似出人意料的回答：“由人驾驭AI、需要人与AI协作来完成的工作，以及体力劳动，尤其是物理AI还替代不了的那些工作。”

他进一步解释：“当前物理AI、机器人技术尚未成熟，强实操性、强现场性的体力岗位稳定性更高，例如建筑施工、设备维修等一线实操类工作。如今AI已快速追赶并超越人类的脑力工作能力，但人类依靠肢体、现场判断、临场应变完成的体力工作，暂时难以被全面替代。此外，数字智能体等新的AI形态，也使人获得了借助人工智能大幅度提升自我效能的机会。”

杨仝提出了三类安全职业：“第一类是涉及复杂现实环境的工作，比如护士、维修工、养老护理人员——现实世界远比数字世界复杂，机器人在实验室和真实环境的表现差距巨大；第二类是高责任职业，比如医生、法官、教师、心理咨询师——这些职业不仅需要知识，更需要承担责任、建立信任；第三类是创造新问题的职业，比如科学家、企业家、战略咨询师——AI擅长解决已有问题，但定义问题、发现机会、承担风险，仍然是人的优势。”

不过，杨仝同时指出了一个更深层的挑战：AI生成复杂推理的速度越来越快，而人类验证这些推理的成本却极高。

“在许多情况下，问题已经不再是‘AI能否完成推理’，而是‘人类是否有能力持续验证AI的推理’。”这意味着，未来专业领域面临的核心挑战可能不是AI缺乏解释，而是如何验证其结论是否可靠。尤其是在类似科学研究、医疗诊断和法律判断等开放性领域，往往缺乏统一标准，也难以完全验证结果正确性。

这种“验证困境”在现实工作中已经真切地发生了。

AI刚“跑”起来的时候，张远鹏一度以为自己解放了。但很快，他的工作量从“写代码”变成了“审代码”，从解决问题变成了发现AI没发现的问题。

“有一次，AI帮我生成了一个订单处理模块，跑起来一点问题没有。但上线第三天，一个边缘场景触发了死循环，导致整个系统瘫痪了半小时。我查了整整一夜才发现，AI在递归调用里写了一个逻辑漏洞——它以为自己是对的，但实际上错了。”张远鹏说，“如果是人写的，我可能会更快发现问题，因为我能问‘你当时怎么想的’，但AI不会回答这个问题。”

应对：人与AI各司其职

那么，面对这场不可逆的冲击，普通人该怎么办？

王敏的感受非常直接:“AI没有消灭岗位，但它把人和人之间的差距拉大了。同样是程序员，有的人已经在用智能体搭建整个开发流水线，有的人还在逐行敲代码。前者一天产出顶后者一个月。这种差距，是会不会用工具的差距。”

言下之意，应对这场变革的第一步，就是主动去补上这个“认知差”。胡延平在采访中强调，要把AI当作赋能自身的核心工具，借助技术打破个人能力天花板。不要再单纯追求 “知识储备量”，重点培养项目设计、任务架构、问题探索、落地执行等综合能力。理解、探索、实践的价值，已经远远超过传统的“知道”和“技能”。

“人和人工智能将越来越呈现错位发展态势。人不是去和人工智能竞争、比拼，而是越来越实现‘人之为人’的价值，而不仅是人作为劳动力的价值。”胡延平说。

杨仝建议，重点培养AI协作能力、数据与计算思维、判断与决策能力、领导与协同能力。他特别说：“未来的危机，不在于不懂AI，而在于工作内容可能被AI轻松取代。未来的核心竞争力，源自专业深耕+AI统筹管理的综合能力。”

不过，杨仝也提醒，不必被技术的迭代速度吓到。“AI的发展速度确实很快，但需要区分‘技术进步速度’和‘社会变化速度’。技术真正改变企业流程、组织结构和普通人的生活方式，往往需要更长时间。历史上电力、互联网、智能手机，都经历过类似过程。技术成熟只用了几年，但大规模普及和产业重构，往往需要10年甚至更长时间。”

从大模型到智能体，从回答问题到执行任务，AI正在改变大量岗位的工作方式。技术不会等人，但也不会一夜之间颠覆一切。这场变化已经开始了，每个人都要作出选择。

（应受访者要求，文中张远鹏、王敏为化名）