怡居地產

加入怡居

過去7年，我司每年平均捐出52%純利作慈善用途，款額動輒以百萬元計，可稱實至名歸的社會企業。閣下光顧我司，是變相自己做善事！日後請多多光顧為感！

尖沙咀總行 : 2569 2192

太古城華山分行 : 2569 1339

沙田銀禧分行 : 2636 1380

太古城明宮分行 : 2560 3738

沙田第一城專責組 : 2647 1838

杏花邨專責組 : 2898 0007

尖沙咀總行 : 2569 2192

太古城華山分行 : 2569 1339

沙田第一城專責組 : 2647 1838

沙田銀禧分行 : 2636 1380

太古城明宮分行 : 2560 3738

杏花邨專責組 : 2898 0007

回應 : 0

好文共賞

什么职位受AI冲击最大？1.8亿个招聘信息来说明

罗輯思維

2025年11月24日

(原文發表於2025年11月22日)

职位受到的冲击

首先，Revealera并不是什么招聘网站，这是一家数据公司，长期抓取全球最主要的招聘网站的数据，比如Indeed、LinkedIn（领英）。

然后把数据去重、清洗后，分析出可靠的结果，为投资机构和企业提供招聘相关的咨询服务。这家公司从事这类数据分析已经有8年时间了，所以是非常专业的。

这次的分析起始时间是2023年1月，终点是2025年10月，一共涉及1.8亿条招聘记录。他们是用机器学习的方法，把各种职业的头衔归了一个类，于是，全部1.8亿个工作就可以归到650个职业头衔里去了。

这份报告的核心就是，对比2025年相较于2024年，还有2024年相较于2023年，都有哪些变化。

要知道，OpenAI在2023年2月中旬才开启每月20美元的付费服务，而我们都知道，后来AI的第一波冲击真的来了，而且今天这个状况还愈演愈烈，所以，这次的报告里，很多剧烈变化可以视为由AI冲击带来的变化。

这次报告有以下几个关键数据。

首先是2025年全球岗位发布数量相比2024年，同比下降8%。

这个数字并不是说全球就业形势好不好，因为如果你要想下这样的结论，你至少要比较一下2015年到2025年这11年间的变化，才能知道下降8%是大是小。

所以，这个8%只是一个背景设定，如果在这个大背景下，某一个行业还逆势上涨10%，那一定是有什么特殊的原因；而如果某个行业有18%的下跌，那也值得仔细探讨。

下降最剧烈的是计算机图形艺术家，2025年比2024年下降33%，2024年比2023年还下降了12%，也就是说连续两年大幅下滑。当然，这是在背景下降的速率8%的基础上，这个33%也算是很剧烈了。

接着，咱们说的“下降”全都是2025年比2024年下降的幅度了：摄影师28%，合规专员29%，作家、撰稿人28%，可持续发展专员28%，环境技术专员26%，记者22%，公关专员21%。

谁在猛增呢？以下都是增加。记住，它是在整体下降8%的大背景下的增长。实际上，下降7%就已经可以算是逆势了，更何况绝对值本身就在涨的那些。

首先是，机器学习工程师40%，这是在2024年比2023年增长78%的基础上，又涨了40%。数据工程总监23%，房地产总监21%，法务总监21%，网红和网红营销专员18%，调试工程师15%，贷款客户经理14%，软件工程总监14%。

像机器学习工程师涨得猛，根本不用解释，因为这两年本身就是最热门的。另外，网红和网红专员也不用多解释。还有，这几年的房价，很多国家都在剧烈波动，所以房地产相关领域的职位增加，也不稀罕。

冲击的后续影响

而可能受AI影响的职位，我们是可以总结一些规律的。

首先就是和内容创意相关的执行层，需求大幅下降。也就是具体去拍照的岗位、去写方案的岗位，你看，他们都叫“xxx专员”，他们是把客户需求落实到纸面上的人，这些岗位明显下降。

而增加最多的岗位，就是“总监”和“经理”。哪怕总监负责的工作里有写文案的工作，那些文案工作是可以被AI大幅提升效率的，总监的需求也是在增加的。

这份报告还按职位级别做了统计，总体是8%的下降。高级管理，也就是副总裁和总监职位，只跌了1.7%。

中层管理，也就是经理，跌了5.7%。基层职位，也就是专员跌了9%。再考虑到增长前十的榜单里一半都是中、高级职位，这份报告呈现的规律就是：AI对基础职位的冲击更加猛烈。

当然，目前还没有走到完全不需要基础职位的地步，但这个趋势已经明显了。随着现在智能体（Agent）的调用成了研发的重点，随着评估“AI自主工作时长能有几个小时”这个性能指标越来越主流，今后基础职位的工作会越来越被AI替代。

这会出现什么坏处？就是对年轻人来说，想要获得第一份工作越来越难了，因为在工作要求上出现了一个断档。

公司想要的那些人是30岁以上的，也就是已经对所有基础工作都熟悉，在这个要求的基础上，还能理解客户需求，能自带人脉关系，能带来更多订单的中高级职位的人。这些是年轻人根本不具备的，而且也无法通过在学校刻苦学习或者积极去公司实习能够掌握的能力。

无论他们多么努力，这些东西也得需要工作一段时间才能积累。就像小升初只考微分方程和随机过程那样，无论孩子和家长怎么卷都是不可能及格的。所以，也许职位还有空缺，但失业的问题会加剧。

其次一个问题是，正因为当前的AI能力上限低，于是，所有行业的活动的多样性会剧烈下降，创新由此断崖式下跌。

什么意思呢？咱们举一个具体的例子。

上世纪90年代初，丰田集团的一个子公司“电装”（Denso）有大量的汽车零配件要生产、分发。所以，从库存到流水线的流转过程，为了保证故障零件能够溯源，每个零部件身上都有一个条形码。

电装的工程师原昌宏就是这样一个产线上的基层员工。他给零件编制条码，贴对位置，信息录入电脑，这就是他的工作。

如果按今天的AI能力去看，几乎是可以完全覆盖他的工作内容的。而且从工作质量上来说，今天的AI如果能替代他，那是可以很好地替代他，因为AI从不知疲倦，几乎又从不犯错。

当电装公司面对两个选择：一个是这套AI，他根本不需要培训，只要程序设定好，效率比人还高，质量比人还好。而另一个选择是，大学毕业生，至少得培训2个月，你得教他数据库的结构、录入的规则等等。而且他还得午休，还会病假，错误还多。那么电装公司面对这两个选择，就会毫不犹豫地选择AI。

可是真实世界里，没有AI的电装公司，工程师原昌宏就发现，条形码一旦磨损就很难读出来了，而且那几厘米的长度只能容纳20个字符。想要多标注一些信息，比如把“原产地、工厂名称、批次、要入库到哪个库房、什么车型、第几批车对应的零件”都写上，那就得贴2条、3条条形码，这很麻烦。

或者把相关库房、厂房、零件用代号再编一次码，但是想读取的时候，就得去查编码对应才能知道具体是什么含义。

1992年，他在午休和同事下围棋的时候，突然意识到，棋盘上可以组合的棋局的含义是无限多的，如果把条形码的一维信息变成围棋棋盘那样的二维信息，那信息量不就一下丰富多了吗？然后他就把这个想法细化，加上了定位眼和冗余纠错，就是今天的二维码了，如今已经是支付领域的绝对主力方案了，远远超出了零件溯源这个应用。

这样的例子其实是数不胜数的。

比如，计算机领域发明纠错码的理查德·哈朗，他就是负责盯着老式计算机报错，然后处理的一个专员。

社会科学临床实验里的小样本分析、A/B测试，就是威廉·高斯特在酿酒质量控制时突发奇想琢磨出来的一种人为构建统计分布的方法。

如果你秉持“公司经营要理性”的观念，那么你一定只有一个选择，就是去选那个高效可靠的AI。但你将失去的是二维码、纠错码、小样本分析方法，这些跨行业产生价值的真正的创新。

这还是在没有考虑到，大批年轻人失业、公司之外那些负面社会效应的基础上。这些问题如何解决，没人知道，这将是一场残酷的动荡。

今后需要哪种AI

最近，OpenAI的前研发核心Karpathy（安德烈·卡帕西）在播客中探讨了这样一个观点——既然推理模型生成的内容高度逻辑化又有条理，为什么不能让模型自己生成下一轮训练所需要的数据，再训练自身呢？这不是挺好吗？

之所以不行，问题就在于，那些高质量的输出，虽然看起来很棒，但最终效果会让模型性能大幅下降，轮数越多，性能崩溃得就越剧烈。

因为模型生成的内容只能覆盖所有可能的思考空间里极为狭窄的一部分，单看一条输出，你会觉得质量很高，但总体上说，它是严重缺乏多样性的。这一点，和“让AI全面取代基础工作之后，整体上看，全球的公司创新将大幅削弱”，是一个道理。

人类的思考之所以有趣、有创造力，和思维里的“噪音”高度相关。噪音听上去不完美，但却因此保留了丰富的多样性。所以，怎么让AI既能生产出用于训练的合成数据，又保持高度的多样性，就是当前的难题。

其实，这种多样性丧失在人的大脑中也会出现。

我们总能听到孩子说出很多意想不到的故事和说法。但随着年岁增长，思考路径开始被大幅切削，于是说话有了条理。

而老年时，这种切削还会把原来1800种有条理的方式，切削到8种有条理的方式，于是我们视其为思维的僵化，人脑好像也在不停地收缩探索空间。

今天的大语言模型可以很好地准确记住海量知识，但并没有真正的理解。

未来AI模型的开发方向，一定是寻找一种减少记忆负担，让模型不再存储事实本身，而只保留思考、推理的算法结构。

当模型需要知识的时候，它完全可以当场查询。可一旦模型真的做到了这一点，那我想，要取代的可就不是基层职位了，大部分职位都将被取代。