AI 不在乎你的头衔：用任务清单评估职业暴露风险

你对人工智能的接触贯穿于你每周所做的任务，而不是你工牌上的职位。以下是如何衡量你的暴露程度并降低 风险。

我妈妈不理解我的工作，但这不是她的错。我最接近向她解释的说法是“我设计它如何运作”，这话没错，但几乎没告诉她我的 一天是怎样的。

当我穿着黑色高领毛衣、手持 iPhone、模仿我内心的 Steve Jobs 时，效果最好。

这就是知识的诅咒，在我工作过的许多地方，我从未直接定义过我的角色。几十年来，我管理过设计、产品管理和工程，而且不止一次在没有职位描述的情况下开始工作。重要的不是我的职位头衔，而是通过我构建软件的经验所运用的判断力。

人工智能不在乎你的职位头衔，也不在乎我的。它只是在做概率性的结果预测，而不会去看你的 LinkedIn。

在 2023 年发表的GPTs are GPTs中，OpenAI 和宾夕法尼亚大学的研究者对各种职业逐项任务进行了评分。他们估计，80% 的美国劳动者可能至少有十分之一的任务受到影响，约 19% 的人可能至少 一半的任务受到影响。

这些平均值掩盖了对个人而言真正重要的东西。你的暴露程度取决于你一周中有多少工作可以被简短地描述并快速地核验，而资历只有在改变这种 构成时才能保护你。

就她的作品而言，她没有暴露风险，尽管她出现在了模型中。来自 Claude：

Jean Neeman 在艺术界的主要痕迹是一件有充分记录的作品：一只名为“Tea on the Go”的茶壶，由 Jean Neeman（美国人，生于 1948 年）于 1994 年用银、铜、黄铜和可可波罗木制成，尺寸约为 8.4 x 7.75 x 4.5 英寸。这让她的作品与一些相当 重量级的作品并列。

她不必衡量自己的风险，因为她是一名艺术家。我一直在衡量自己的风险，这样我才能增加 AI 无法增加的价值，那就是判断力。

以下五个步骤展示如何衡量你的暴露程度，每一步都附有一个可在 Claude 中运行的提示词。

列出你的实际 任务

从一周开始，而不是从职位描述开始。

列出你花费超过半小时的每一件事：可用性报告、利益相关者评审、没人读的状态更新。记下时长、每项任务的重复频率，以及谁来评审 结果。

也要为任务之间的空白 留出空间。

为同事扫清障碍、一句快速回答省下别人一天时间、艰难评审之前的思考：这些都不会出现在职位描述或日历上。当人们评判你的工作时，它同样不被看见，无论是评审时的经理，还是为任务的暴露程度打分的研究者。

这往往是你吸收复杂性的地方，正如Tesler 定律所说，复杂性可以被转移，但永远不会被消除。

无论如何，把它写下来。

作为一份清单，美国劳工部的职业数据库 O*NET OnLine 为 Web 和数字界面设计师列出了 31 项任务。在 2009 年的论文 Putting Tasks to the Test: Human Capital, Job Tasks and Wages 中，经济学家 David Autor 和 Michael Handel 发现，同一职业内部的任务差异很大，足以预测从事相同 工作的人之间的工资差距。

在 2015 年为国际货币基金组织撰写的 Toil and Technology 中，经济学家 James Bessen 展示了自动取款机如何接管了现金发放和存款收取业务。1988 年至 2004 年间，运营一家普通城市分行所需的柜员人数从 20 人降至 13 人，但银行的城市分行数量增加了 43%，因此岗位得以保留。

头衔没变，但底下的工作已被重塑。

我自己的头衔在三月变了，从总监变成了高级首席设计师。这两个头衔都无法告诉你我的哪项任务是模型能做的，但我的日程表可以。

在 Claude 中试试

在同一个 Claude 对话中运行这些提示词。第一个会根据你的角色起草你的一周，这样你只需修改一份清单而不用从头写，而且你可以把它的任务与 O*NET OnLine 进行核对。

要绘制我受人工智能影响的程度，不要读我的日程表或已连接的账户，也不要让我描述我的一周。如果你不知道我的头衔，就问一次。说出你匹配到的 O*NET 职业名称，并说明你是否在凭记忆回忆其任务。据此起草 15 到 20 项任务，外加这些任务之间未被记录的工作，针对一个正常的一周。为每项任务给出小时数、频率和审核人，并标注为猜测。然后让我来修改它，包括我是否管理 任何人。

为每项任务评估暴露度

难度不是衡量暴露度的好指标。在 2023 年为 Navigating the Jagged Technological Frontier 做的一项实验中，由 Fabrizio Dell’Acqua 领导的团队给波士顿咨询公司的 758 名顾问布置了真实的工作任务。

借助模型，他们在模型能力范围内的 18 项任务上表现好得多，但在能力范围之外的一项任务上，答对的可能性低了 19 个百分点。合著者 Ethan Mollick 在 Centaurs and Cyborgs on the Jagged Frontier 中称之为锯齿状前沿：看起来同样困难的任务，可能位于一道无形之墙的两侧。

改用两个问题来为每项任务打分。我称之为规格与检查测试。

• 明确产出。问自己能否用两句话描述出一个完成的版本，让别人也能照做。
• 检查产出。问自己别人能否用比制作它更少的时间确认它是对的。

一项容易明确产出、也容易检查的任务就是有暴露风险的，无论你的头衔怎么说。

二十种空状态的变体能通过这两个问题。决定这三个问题中哪一个在本季度获得资金则两个都通不过，而目前这个决定仍归你。

然后按小时数给清单加权，因为 帕累托法则通常成立，少数几项任务就填满了大部分工作周。一项两项都通过、又占满每周两天的任务，就是你的风险所在。

当领导层查看一张饼图、审视团队的时间花在哪里时，你可不想站在它不利的那一边。

通过测试意味着模型能够完成这项任务，而不是说它已经在做了。在《AI 对劳动力市场的影响：一种新的衡量方法与早期证据》中，Anthropic 根据其 2026 年 3 月自身的使用数据发现，Claude 覆盖了约 33% 的计算机和数学任务，而《GPTs are GPTs》中评估为可行的任务比例为 94%。

所以下面这个提示词让 Claude 来试一试。

在 Claude 中试试

把这段话粘贴到任务表格后面。它会以 Claude 尝试你最易受影响的任务收尾，这样你就能评判真实的输出，而不是一个预测。

为我表格中的每项任务打分：完成后的成果能否用两句话描述，以及检查它是否比制作它更快？每项任务回答是、部分是或否。然后诚实地说出你今天能否完成每项任务——完全能、部分能还是不能，以及原因。把两个“是”的任务标记为“易受影响”，按小时数排序，并告诉我我一周中有多少比例处于易受影响状态。提议尝试我最易受影响的任务，以便我进行评判。

检查你所处的职业阶段

在Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence的 2026 年 8 月修订版中，斯坦福大学的 Digital Economy Lab 在薪资数据中没有发现全经济范围的岗位流失。然而，在易受影响职业中，22 至 25 岁劳动者的就业率比如果他们与受影响较小的同龄人保持同步增长应有的水平低 19%，这主要是因为企业减少了对年轻人的招聘。

有经验的员工没有出现类似的差距，作者称这些是早期指标，而非因果关系的证明。

入门级工作通常是团队中规定得最明确的，会带着清晰的指示交接下去，并由资深人士审核，而这正是模型表现最好的地方。经验通过判断力和背景知识提供保护，而这些很少能塞进两句话的规范里。

顶着资深头衔却只做一周状态汇报幻灯片，那是拿着更高薪水的初级岗位暴露。

如果你处于职业生涯早期，主动要求从头到尾负责一个小决策。如果你是资深人士，把判断性的任务和普通任务一起交给你的初级同事。

管理方式也会改变，因为团队会变得更小。

Melvin Conway 在 1968 年观察到，组织构建的系统会复制其沟通结构，我在Conway’s Law中对此有论述。我的延伸观点是，管理的很大一部分存在是为了承载这种沟通，所以团队越小，需要的管理就越少。四个人之间有六种可能的配对，而十个人之间有 45 种。

这种扁平化早于这些工具。在The Manager Mass Exodus: How SMBs Are Flattening the Org Chart中，Gusto 研究了约 8,500 家中小型企业的薪资数据。其中管理他人的员工占比从 2019 年的略低于 25% 下降到 2024 年底的约 15%。如果你是管理者，把花在传递信息上的时间转移到决策和辅导上，这是更小的团队仍然需要的。

在 Claude 中试试

这个提示词会将你的任务清单与你的经验进行对比。如果它弄错了你的背景，请予以纠正。

根据我的职级和经验，把我的任务拆分为入门级工作（明确界定、由他人审核）和只有我能做的判断性工作。如果不知道我的工作年限，请只问一次。给出两者各占的工时比例；如果我带团队，还要说明有多少时间用于传达信息。列出我能提供的、无需我判断即可由你补充的知识。如果我的一周工作内容相对于我的职级显得初级，请直说，并建议一个本季度我可以独立负责的决策。

深化你的领域专长

懂你的领域比懂你的工具回报更高。Anthropic 在 2026 年 6 月发表的 Agentic coding and persistent returns to expertise 中研究了约 400,000 次 Claude Code 会话。

人类做出了约 70% 的规划决策——这就是人的主导性——而智能体做出了约 80% 的执行决策。

研究人员逐项任务对专业水平进行了评估，并指出它与职级不同：一位资深工程师第一次问 Rust 语言的问题，在 Rust 上就算初学者。专家会话的成功率约为新手会话的两倍，而对该领域的实用掌握捕获了大部分收益，这与 Power Law of Practice 的早期陡峭曲线相同。

理解问题而不理解模型的人，比理解模型而不理解问题的人收获更多。

仅凭知识已不再能保护你：如果你所知道的东西可以在不涉及如何应用判断的情况下从大语言模型中获取，你就处于风险之中。

公司不需要你告诉他们已经知道的事情，他们需要的是知道哪个答案适合这个客户和这个季度的人，是充当人与人之间连接组织、建立信任并推动决策落地而非仅仅传达状态的人。

如果你两者都不是，你的专长就只是搜索或 AI 助手的结果。

对于设计师来说，领域就是用户的世界以及围绕它的业务。要比你的产品经理更贴近用户的领域：阅读你的客户所遵循的法规，在客服部门待上一天，了解资金是如何流动的。

在 Claude 中试试

像面对新经理时那样回答，不要修饰。简短、不确定的回答能最快暴露差距。

如果你不知道我的公司卖什么，就问一次。用一句话告诉我我的产品服务于谁，让我来纠正。就他们的法规、资金、指标和工作流程，一次一个问题地问我八到十个；“不确定”也是个好答案。按对我设计决策的影响程度排列我的知识缺口，建议一种在 30 天内弥补最大缺口的方法，并修改你之前建议的决策。

重建你的作品集

世界经济论坛的 《2025 年未来就业报告》预计，到 2030 年，39% 的劳动者核心技能将发生变化。一个由精致成品界面组成的作品集，会把你工作中变化最快的部分放在最前面，而掩盖了真正保值的部分。

围绕决策来重建它：你选择的问题和你拒绝的问题，权衡取舍以及原因，以及上线后发生了什么。展示一个案例，说明你如何指导一个模型、发现它的错误并发布了修复。

展示那些没有你就无法完成的工作。

也要横向看看。

O*NET 在同一设计师类别下列出了 10 个相关职业，从软件开发人员到平面设计师，只要任务有重叠，这些职位就会彼此交叠。正如我在 我们以前看过这部电影：桌面出版已经向我们展示了 AI 原型设计会如何发展 中所写的，排版实际上已经作为一个职业消亡了，而平面设计则发展成了网页、动效和产品设计。它们都完成了调整，我们现在也正看到这一幕 重演。

整个经济体此前也曾完成过这样的转变。

农业革命让更少的人种出了更多的粮食，而工业革命吸纳了被解放出来的劳动力。据美国农业部经济研究局的 20 世纪美国农业与农业政策的变革 显示，1900 年美国 41% 的劳动者从事农业，而到 2000 年这一比例已不足 2%。

不过，这种调整并不温和。

在 恩格斯停顿 中，经济史学家罗伯特·艾伦发现，在工业时代初期，英国的工资停滞了大约半个世纪，而人均产出却持续攀升。

人们进行了调整，但这花了一代人的时间，而其中适应得最好的人是主动转向新工作，而不是坐等新工作找上门。

好消息是，雇主现在有了软件来绘制这些重叠部分，这是 亨利·福特 从未拥有过的。据 HISTORY 的 福特 T 型车生产的最后一天 显示，1927 年福特停产 T 型车时，约有 60,000 名工人被裁员。如今，像我雇主 Workday 推出的 Skills Cloud 这样的技能平台，可以关联整个员工队伍中的各项技能。

在该报告的 劳动力战略章节 中，85% 的雇主计划提升员工技能，51% 的雇主计划将员工转移到增长型岗位。各组织正寻求重新投资与自我重塑。

不过，意图并不等于计划，正如 Dan Maccarone 为 UX Collective Editors 撰写的 AI 时代欠你什么 中所主张的那样。你的职业生涯属于你自己，而不属于你的公司。

你要自己弄清楚冰球将要去向何方，这是 韦恩·格雷茨基 从他父亲沃尔特那里得到的建议，而你的任务清单则显示了它正在朝哪个方向移动。

在 Claude 中试一试

先在你最出色的案例研究上运行它。然后将其复用到其余案例上，并保留它生成的相邻职位列表。

向我索要我最出色的案例研究。围绕我的决策对其进行重写：问题、我放弃的选项、权衡取舍、我如何使用并纠正人工智能工具（或者我根本没有使用），以及最终结果。一次只询问缺失的事实，而不是凭空编造。然后列出四个或五个与我的任务重叠最多的职业、我需要为每个职业补充什么，以及根据前面的测试，哪些职业比我的职业面临更高的风险。

结论

柜员的故事还有第二章，而保住他们饭碗的分行扩张潮并未长久。美国劳工统计局对柜员的就业展望预测，2025 年至 2035 年间就业人数将下降 13%，因为手机存款和网上银行让客户不再到柜台办理业务。第一波自动化改变了柜员的工作内容，而第二波正在夺走他们工作的场所。这就是为什么任务清单是一项周期性工作。模型的进步并不均衡，去年春天未通过“可规格化并可检验”测试的任务，明年春天可能就能通过。每六个月重新梳理一次清单，把更多小时转向那些没有你、模型就无法完成的工作。

“总需要有人在环路中，也就是那个对系统提出的方案作出承诺的人，正如我的Human-in-the-Loop条目所述。除此之外，还必须有人的能动性：是作出决定的人，而不是点击‘批准’的人。”

“无论下一个头衔是什么，我妈妈都无法解释我的工作。模型不需要这个头衔就能找到我暴露在外的工作，而且它能指出这些工作在哪里。”

“下周一就运行第一个提示词，赶在下一次重组或下一个模型发布替你决定工作组合、以及你该如何向妈妈解释之前。”

行动项

• 起草你的任务清单。运行第一个提示词，并根据你的角色修正它生成的表格；或者连续五天手工记录每一项超过 30 分钟的任务，并用你所在职业的 O*NET 任务清单来查漏补缺。
• 为每项任务评分。标注完成的成果能否用两句话说清楚规格，以及检验它是否比制作它更快；把同时满足这两点的任务视为你的暴露面。
• 交换一小时。每周从你暴露度最高的任务中挪出一小时，用于一项规划决策、一次利益相关方沟通，或与用户相处的时间。
• 重写一个案例研究。围绕你所作的决策重构你最强的作品，包括你撰写的任何评估标准以及上线后发生了什么，并注明它的任务还能让你胜任哪些相邻岗位。

AI doesn’t care about your job title 最初发表于 Medium 上的 UX Collective，人们正在那里通过高亮和回应这篇文章继续这场对话。