译者：Carl Cui
译者之前翻译整理过
Wes McKinney一篇 关于 AI Agent 的文章。和 Wes McKinney 那篇相比，Tanmay Bansal这篇文章的思考深度差了不少。Wes 用了具体的代码库规模数据、自己的亲身经历、以及《人月神话》的理论来支撑其论点；而这篇文章更像是把流行观点重新包装了一遍。译者会在结尾第 9 节讨论这篇文章深度不足的地方。以下开始至第 8 节是文章内容。
大多数人认为 AI 将取代程序员、设计师和作家。这种说法有失偏颇。第一批悄然消失的工作更容易预测，而且隐蔽性很强。一不留神，你现在可能就在做着这样的工作。
这不是一个关于未来的理论警告。这已经在发生了，只是你还没有注意到。
1. 普遍观点
随便刷刷哪个技术论坛或者社交动态，都能感觉到那种恐惧。大家都觉得语言模型和 coding copilot 的到来，意味着工程部门和创新部门要被取代了。人们看到 AI 能写出过得去的代码，或者能生成文章，立刻就得出结论：那些正在做这些事情的人已经过时了。
表面上看这说得通：我们看到一台机器输出文字，就把它和“作家”这个职位联系起来；我们看到它输出一个 React 组件，就把它和“开发者”联系起来。
但这忽略了 AI 在现实世界中的实际应用情况。
2. 真实规律
这里的核心观点：人工智能取代的不是工作，而是取代那些可预测、可重复、也容易评估的任务。
The upcoming job scenario with AI: Image by Tanmay Bansal
仔细看看软件行业和现代知识密集型工作，你会发现其中有很多工作的产出其实只是把一些高度可预测的输出拼接了起来。这正是自动化首先冲击的领域。
3. 实际上正在被取代的工作
让我们分析一下那些正在悄然消失的工作类别。
3.1 中间层知识工作
想想那些纯粹为了喂算法或填写公司报告而生成的海量内容：基础的 SEO 文章生成、每周指标的总结，或是初级市场研究报告的汇总。
我自己管理着一份技术简报，从数据中可以看到：读者渴望独特的洞见，但网络上充斥着泛泛的总结。那些专门生产这些泛泛总结的工作，其产出高度结构化且易于验证，正在迅速减少。
3.2 协调与“胶水“角色
企业环境中充斥着纯粹用于将信息从 A 点传送到 B 点的角色。例如，做会议记录、根据 Slack 线程更新 Jira 工单、为高层管理人员格式化状态报告以及起草内部沟通摘要。
AI 在主要认知负荷是格式化和总结的环境中蓬勃发展。如果你的工作是作为数据库和经理之间的人类 API，那么你的角色就很容易被取代。
3.3 初级认知工作
我们需要谨慎地理解这里的措辞：开发者并没有消失。但初级的基础性任务正在减少。
如今在构建应用程序时，比如为物流应用搭建初始架构或配置 Next.js 环境，没有人再从头编写基础代码了。基本的 UI 实现、编写标准单元测试以及简单的 trace 调试等工作正被工具链所吸收。可供新人磨练的“初级“任务数量正在减少。
3.4 高频轻决策工作
一级客户支持、基本邮件分类处理和重复性决策流程。如果客户提出的问题答案需要检查数据库并返回预先批准的政策回复，那么人类就不再需要介入了。
规律很清晰：AI 取代的是可预测的思考，而不是复杂的思考。
4. 尚未被取代的工作
要了解市场的发展方向，你必须审视机器目前还做不到的事情。
4.1 决策密集型角色
高级工程师、产品经理和系统架构师并不靠编写代码来获得报酬，但他们靠做出决策来获得报酬。他们决定要开发哪些功能，如何在流量突发时扩展数据库，以及何时该承担技术债。
4.2 模糊的高风险工作
战略制定、高层谈判以及在组织内部处理复杂人际关系。AI 需要清晰的参数和明确的目标。在现实世界中，目标往往相互冲突，参数每天都在变化。
4.3 深度情境角色
需要长期跨领域理解的角色。例如修复一个 bug，这需要理解遗留系统的特殊之处、特定客户的业务逻辑以及合规团队的未成文偏好。
AI 擅长回答问题。但它不擅长判断哪些答案真正重要。
5. 为什么会这样（心智模型）
要理解这一点，我们需要放下炒作，从技术角度看待这项技术。大型语言模型是基于模式预测，而非有意识理解的。
What can AI actually do: Image by Tanmay Bansal
它们在以下情况下效果最好：
- 输入是结构化的
- 输出是可预测的
- 反馈循环是即时且清晰的
想想我们在现代应用中如何处理数据分类。以前，可能需要人工阅读传入的支持工单并进行标记。现在，我们使用模型的结构化输出来处理可预测的路由，仅保留人工干预用于异常情况。
下面是一个用 Python 实现这种转变的实际示例。我们强制 AI 返回严格、可预测的 JSON schema，完全自动化“一级”分类任务：
import google.generativeai as genai
import typing
import json
import os
# 免责声明：这是一个简化的抽象。在生产环境中，
# 你需要包含健壮的错误处理、重试逻辑和日志记录。
genai.configure(api_key=os.environ.get("GEMINI_API_KEY"))
class TicketClassification(typing.TypedDict):
category: str
urgency: str
requires_human: bool
automated_response_draft: str
def triage_ticket(ticket_text: str) -> TicketClassification:
"""
自动化支持工单分类这一可预测任务。
"""
model = genai.GenerativeModel('gemini-2.5-flash')
prompt = f"""
分析以下客户支持工单。
确定类别（Billing、Technical、Account、Other）和紧急程度（Low、Medium、High）。
如果工单涉及复杂技术故障、法律威胁或情绪困扰，将 requires_human 标记为 true。
否则，起草一个简短的自动回复。
工单：{ticket_text}
"""
# 我们强制执行可预测的输出结构。AI 在这里表现出色。
response = model.generate_content(
prompt,
generation_config=genai.GenerationConfig(
response_mime_type="application/json",
response_schema=TicketClassification,
temperature=0.1 # 低温度用于高度可预测的任务
),
)
return json.loads(response.text)
# 使用示例：
# 高度可预测的任务（密码重置）-> 由 AI 处理。
# 高上下文任务（企业数据库损坏）-> requires_human = True
如果一个任务可以被清晰描述、可靠结构化、轻松核查，AI 就会接管他。
6. 无人谈论的过渡
工作不会在一夜之间消失。它们会收缩、合并，然后向上转移。
想想传统的团队结构。你以前需要五个员工组成的团队来制作文档，现在你只需要一个高技能编辑来管理 AI 生成草稿的 pipeline。你以前需要三个初级分析师来提取数据和格式化报告，现在你只需要一个能直接向数据仓库提问的决策者。
这是一个金字塔被压扁的结构性转变。
7. 这对你意味着什么
你需要调整职业轨迹，以适应扁平化的金字塔。
7.1 停止在输出上竞争
如果你的核心价值主张是“我能打字快”、“我能快速编写基本脚本”或“我能生成标准报告”，你就是在和一台每秒工作成本只有几分之一美分的机器竞争。你会输的。
7.2 向上发展
从执行转向决策。不要只做写 SQL 查询的人，要成为理解数据模型为何如此设计、以及业务应该如何使用结果的人。
7.3 培养判断力
在审查 AI 生成的代码或文字时，你需要足够的技术深度来迅速发现细微的幻觉和架构缺陷。评估输出从根本上比生成输出更难。
7.4 学习系统，而不只是技能
停止过度专注于单个框架的语法。学习数据库如何连接到后端，网络层如何运作，以及部署 pipeline 如何运行。系统思维需要一定程度的跨领域推理，而这正是模型所欠缺的。
在人工智能时代，最安全的技能不是编程或写作，而是判断力。
8. 结论
AI 取代的不是房间里最聪明的人，而是房间里最可预测的工作。
我们必须面对一个令人不安的事实：我们目前认为许多“技术性”的角色实际上是披着企业复杂外衣的高度可预测的常规工作。在未来五年中能够茁壮成长的人，是那些主动识别自己日常工作中哪些部分是可预测的，并亲自自动化这些部分，并把剩余时间用于做高风险决策的人。
9. 译者对这篇文章的印象
9.1 论点过于简化
“AI 取代可预测任务，不取代复杂任务”这个框架本身没错，但作者把它当成终极答案，忽略了边界在快速移动这个事实。今天需要判断力的任务，明年可能就变成可预测的了。文章给人一种“只要往上走就安全”的错觉，但“上面”的空间是有限的。
9.2 举的例子太表面
Python 代码示例展示的是一个一级客服分类器，这个例子在 2020 年就能做到，用来论证 2025 年的 AI 冲击显得有点过时。而且代码本身也只是调用 API，并没有真正说明什么深层问题。
9.3 “深度情境角色暂时安全”缺乏支撑
作者说修复涉及遗留系统和业务逻辑的 bug 需要人类，但现在 Claude 和 Cursor 在这类任务上已经表现得相当不错了。这个论点在写作时可能成立，但没有给出任何数据或边界条件。
9.4 建议部分是老生常谈
“学系统思维”、“培养判断力”、“向上移动”，这些建议在每一篇讨论 AI 冲击的文章里都能看到，缺乏具体的操作路径。