一份岗位说明书写着“运营”，真正的一天却很零碎：查数据、回复问题、核对一张图上的日期、催一句迟迟没有确认的答复，还要在事情出错时决定先处理哪一件。
当人们问AI会不会取代这个岗位时，常常把这些工作装进了同一个词里。可它们的难度、责任和自动化条件并不相同。
要看清变化，可以先把岗位拆开。
研究里说的“暴露”，究竟是什么
国际劳工组织与NASK相关团队在2025年发布的职业暴露研究，分析的是生成式AI可能影响哪些职业任务。报告摘要指出，全球约四分之一劳动者所在职业具有某种程度的生成式AI暴露；它同时强调，大多数职业包含需要人参与的任务，岗位转型是更可能出现的影响。ILO研究说明
这个口径非常关键。“存在暴露”不能直接翻译成“四分之一的人将失业”，更不是已经发生的裁员统计。这是2025年的研究结果，本文在2026年讨论它，也不能把它改称今天刚刚发生的新闻。
研究可以帮助我们找到变化可能从哪里进入。它无法单独告诉某个员工，下个月会不会收到解除合同的通知。
一项任务变快，后面可能发生不同的事
以下是编辑分析，而非报告对具体企业的预测。
假设一家公司制作常规说明文稿的时间明显缩短。它可能把省下来的时间用于增加服务，也可能提高员工的产出要求，还可能减少某类重复工作的用人需求。最后走向哪条路，取决于客户需求、经营方式和管理者的选择。
因此，只看到“AI能够完成初稿”，还不足以推导出整个岗位的结局。初稿之后，常常还有核对、取舍、协调和承担结果的人。
但这也不意味着可以放心地说“人只要会判断就永远安全”。判断能力如果没有具体对象，很容易变成安慰。你究竟知道哪些常见错误？能否识别材料缺了什么？出现两个互相冲突的要求时，你如何决定先后？这些才是能够在工作中被看见的能力。
普通人能先做的一张表
不妨选一个正常工作日，把做过的任务记下来。先不用评价自己重要不重要，只写任务、耗时和出错后果。
接着区分：哪些结果容易核对，哪些需要额外了解客户或现场，哪些错误一旦发生就会产生难以追回的损失。
例如，把一份公开资料改成便于阅读的目录，可以先试着让AI协助；确认客户最终承诺、处理争议或决定对外发送什么，则涉及上下文和责任。实际权限仍应由所在组织确定。
这张表不会替你预测职业命运，但会让学习方向具体起来。你不再需要一下子“掌握所有AI”，可以从一个可核对、可回退的小任务开始，记录它在哪些地方有用，又在哪些地方需要你收拾残局。
企业怎样分配收益，同样值得追问
讨论AI时，人们容易把目光放在个人身上：你有没有学，会不会用，能不能跟上。
这些问题当然重要，但如果所有提效都变成了更紧的期限和更多的工作，员工的感受未必随之改善。技术改变了完成任务的方式，组织仍然需要决定：谁来核查，错误由谁负责，员工有没有学习时间，节省下来的资源如何分配。
这些属于管理和协商问题。把它们全部归结为个人是否努力，会漏掉工作真实发生的环境。
对员工来说，可做的一件事是把效果记录下来。不要只报告“用了某个工具”，而要说清原来哪个步骤慢、现在怎样处理、还剩什么风险。这样的记录比一串产品名称更容易进入实际讨论。
对未来保留一点具体的判断
目前，一份职业暴露研究既不能证明你的岗位马上消失，也不能为任何职业提供永久安全保证。它提供的是一幅任务地图，接下来还需要观察技术能力、企业采用和真实工作如何变化。
今天可以先把那张岗位说明书放到一边，写下自己明天要完成的三件事。哪一件能借助AI少做一些重复劳动？哪一件需要你更懂业务？哪一件即使有了初稿，你仍然愿意亲手核对？
从这三件事开始，你才会知道下一步该学什么。