这些工作将更快被人工智能取代

• 数据密集的行业最容易受到人工智能的冲击。
• 数据匮乏的行业正急于数字化，以享受人工智能的好处，但正与既定做法产生更大冲突。
• 员工和求职者必须关注那些将技术能力与人类判断和商业需求相结合的机会。

人人都在谈论人工智能将夺走工作，这在某种程度上是事实。我们担心人工智能接管工作，但并不完全了解将以何种方式发生、何时发生，或者还有多少时间来做准备。

大多数人认为，任务的复杂性决定了人工智能采用的速度。这一假设完全是错误的。正如孙子所说：“知己知彼，百战不殆。”你需要理解以下动态。

人工智能的运作方式

即使对专家来说，人工智能的机制也依然有些模糊。然而，我们知道一件重要的事：人工智能会学习。

人工智能模型会从数据中学习。一个数据有限的人工智能模型就像一个蹒跚学步的幼儿；相反，一个拥有海量数据的人工智能模型则像一位经验丰富的爷爷。

数据悖论

开车和写代码，哪个更难？大多数人会说是写代码。然而在人工智能的发展中，情况似乎相反。

大型语言模型（LLM）相对较新。在ChatGPT出现之前，很少有人把人工智能和聊天机器人联系在一起，更多人想到的可能是《终结者》。随着word2vec等神经网络的出现，LLM时代大约始于2013-2014年。相比之下，自动驾驶早在1980年代就已开始。1987年，Ernst Dickmanns的团队用计算机视觉技术，让一辆梅赛德斯-奔驰面包车在德国高速公路上以96公里/小时的速度实现自动驾驶。

尽管有如此巨大的领先优势，自动驾驶依然落后于LLM。ChatGPT在无数场景中稳定发挥，而人工智能驾驶员的表现仍然好坏不一。

为什么呢？特斯拉和Waymo等公司已经投入了数十亿美元。可如果有一家新公司想进入这一领域，即使拥有顶尖的工程师和无限的资金，也仍然需要数千小时的多样化驾驶数据。一些事故类型极其罕见，几乎不可能让人工智能进行训练。

同时，LLM却可以在整个互联网上进行训练——一个有着丰富数据的乐园。因此，人工智能之所以更可能取代程序员而非司机，并不是因为写代码更容易，而是因为相关数据更容易获得。

总的来说，人工智能就像在大学里拿到历年试卷和复习资料的学生。他们当然会比那些只能拿到几节课零散笔记的人更轻松地通过考试。

这正是就业市场上正在发生的事情。一些行业拥有大量可供人工智能学习的有用数据，而另一些只能凑合着用零散的数据。数字非常直观：拥有丰富优质数据的行业，人工智能的采用率可能达到60%–70%；而数据匮乏的行业，则可能连25%都不到。

受冲击最严重的工作

• 软件开发工作正遭受重创。GitHub上托管着超过4.2亿个代码库，其中至少有2800万个是公开的——数以百万计的编程问题解决方案示例。GitHub Copilot等工具会学习这些代码，从而独立编写程序。目前有四分之三的开发者在使用人工智能助手。
• 客户支持也是一个“活靶子”。由于数据丰富，这一领域非常适合人工智能自动化。IBM指出，人工智能利用通话、邮件和工单数据来提升回复质量，并将成本降低23.5%。
• 金融领域也大量使用机器学习进行算法交易，依靠海量市场和交易数据进行预测，高频交易约占美国股票市场成交量的70%。

数据匮乏的行业

• 医疗行业的人工智能采用速度落后，原因在于公共数据稀缺。公开可获取的手术数据集不到10%，受限于HIPAA法规和数据来源分散。患者数据分布在不同的医院、保险公司和诊所之间。当信息被封锁在成千上万个地方时，人工智能无法有效学习。
• 建筑业可能是最不容易被人工智能取代的行业。这并不是因为建房子有多难，而是因为该行业几乎没有数字记录。每个项目都不一样，文档记录很差，而且没有标准化的方法来追踪什么有效、什么无效。
• 教育行业的人工智能潜力受学生隐私法限制。美国教育部指出，《家庭教育权利和隐私法案》（FERPA）限制数据收集和共享，从而影响了人工智能对学生数据的利用。

为了应对这些数据短缺，一些行业正在采取侵入性的措施。医院在手术室内安装全面的视频监控，表面上是为了训练手术人工智能，但也带来了前所未有的对专业医护人员的监视。AI监考系统正在开发中，可在考试期间追踪学生的眼动、面部表情和打字模式，这引发了人们对监控系统可能远超其原本用途的担忧。

经济现实

人工智能的变革并未以同样的方式冲击经济的每个部分。在有丰富数据的行业，我们正以惊人的速度见证经济学家所称的“创造性破坏”。旧岗位几乎一夜之间消失，新岗位迅速涌现，但这些新岗位往往需要完全不同的技能，并且倾向于集中在科技中心。例如，一个曾雇佣500名员工的客户服务中心，可能会转变为一个只有50名人工智能监管专家、集中在同一地点运作的团队。

数据匮乏的行业面临的是完全不同的挑战。它们必须实现数字化以保持竞争力，但这会在尖端技术和既定做法之间造成日常摩擦。这种转型的速度更慢，但影响更深远——它不是简单地替换个人岗位，而是重组整个部门。

诚然，新工作会出现，但并不是一对一的替换。预计到2030年，将有9200万个岗位被取代，同时会有1.7亿个新岗位出现。但这并不是在同一地点、同一批人中的直接交换。真正的挑战不仅仅是岗位数量，而在于岗位消失的地方与新岗位出现的地方之间的差距，以及工人现有技能与新岗位所需技能之间的差距。

如何适应

对于求职者来说，关键的洞察是：行业边界变得模糊的速度比岗位类别变得明确的速度更快。与其只专注于传统职业路径，不如寻找跨领域的职位——那些将人类判断力与人工智能能力结合，或在技术系统与商业需求之间起到桥梁作用的岗位。

将你的技能重新聚焦在适应力上，而不仅仅是专业知识。与其单纯列出你做过的事情，不如明确你是如何学习、解决问题以及适应新系统的。雇主越来越重视那些能够在不确定性中游刃有余，并能将新工具融入现有工作流程的人。你在工作中成功适应上一次重大变革的能力，可能比你对某个特定软件的精通程度更重要。

瞄准“摩擦点”。任何引入人工智能的组织都会面临同样的挑战：如何让复杂的技术在混乱的人类系统中发挥作用。寻找那些在采用人工智能的公司中负责管理、培训或流程优化的职位。这些岗位通常不需要深入的技术背景，但需要了解当理论与实践相碰撞时，组织是如何实际运作的。

思考你所在行业的“最后一公里”机会。虽然科技中心占据了新闻头条，但每个行业都需要能够弥合人工智能能力与本地执行之间差距的人。医疗系统需要既懂患者护理又懂数据分析的人；制造工厂需要能与自动化系统协作的操作员。你在当前行业的既有知识，加上基本的人工智能素养，往往比从零开始进入一个全新领域能创造更多机会。

Atul Kumar

论坛议程撰稿人