https://www.knightli.com/tags/%E7%9F%A5%E8%AF%86%E5%B7%A5%E4%BD%9C/ Recent content in 知识工作 on KnightLi的博客 Hugo -- gohugo.io zh-cn Fri, 15 May 2026 09:03:35 +0800 https://www.knightli.com/2026/05/15/llm-workforce-disruption-industries/ Fri, 15 May 2026 09:03:35 +0800 https://www.knightli.com/2026/05/15/llm-workforce-disruption-industries/ <p>讨论大语言模型对就业的影响，最容易走向两个极端：一种说 AI 会替代所有白领，另一种说它只是提高效率，不会真的改变岗位结构。</p> <p>更接近现实的说法是：LLM 不会按行业整齐地“消灭工作”，而是先重组任务。谁的工作里有大量阅读、写作、摘要、分类、检索、解释、客服、代码、报表、流程文档，谁就会先感受到 workforce disruption。</p> <p>这种冲击不是简单的“失业”，而是三件事同时发生：</p> <ul> <li>一部分任务被自动化。</li> <li>一部分岗位被 AI 增强。</li> <li>一部分入门级、重复型、协调型工作被重新定价。</li> </ul> <h2 id="先看一个判断框架">先看一个判断框架 </h2><p>判断一个行业会不会被 LLM 影响，不要只看行业名字，要看任务结构。</p> <p>高暴露任务通常有几个特征：</p> <ul> <li>输入主要是文本、表格、代码、图片或文档。</li> <li>输出主要是文本、结构化数据、方案、邮件、代码或报告。</li> <li>判断规则可以被写成 checklist。</li> <li>工作成果可以被人快速审核。</li> <li>错误成本可控，或者可以通过人工复核降低风险。</li> <li>任务频次高，流程重复。</li> </ul> <p>低暴露任务则通常依赖现场操作、复杂人际关系、强责任背书、真实世界感知、监管许可或高风险决策。</p> <p>所以，LLM 最先影响的不是“某个行业全部岗位”，而是行业里的知识处理层、文档层、沟通层和初级分析层。</p> <h2 id="客服和客户运营">客服和客户运营 </h2><p>客户运营是最先被 LLM 改造的领域之一。</p> <p>原因很直接：大量客服问题可以从知识库、历史工单和流程规则中回答。LLM 能做意图识别、自动回复、工单摘要、升级判断、质检、话术改写和多语言支持。</p> <p>最先被影响的岗位包括：</p> <ul> <li>一线文字客服</li> <li>工单处理员</li> <li>售后支持</li> <li>客服质检</li> <li>客户成功助理</li> <li>呼叫中心知识库维护</li> </ul> <p>但这不意味着客服全部消失。复杂投诉、重大客户、强情绪沟通、退款争议、合规边界仍然需要人。变化更可能是：一个人管理更多会话，低复杂度问题被自动处理，高复杂度问题被升级给更少但更熟练的人。</p> <h2 id="行政文秘和后台运营">行政、文秘和后台运营 </h2><p>WEF Future of Jobs Report 2025 把文书、秘书、收银、票务、数据录入等角色列为明显承压方向。ILO 的生成式 AI 职业暴露研究也指出，文书类岗位暴露最高。</p> <p>这类岗位的共同点是：大量工作围绕信息整理和流程流转。</p> <p>受影响任务包括：</p> <ul> <li>会议纪要</li> <li>日程协调</li> <li>邮件起草</li> <li>表格整理</li> <li>数据录入</li> <li>文档归档</li> <li>报销和审批材料准备</li> <li>内部通知和流程说明</li> </ul> <p>这里的 disruption 会很快，因为很多企业不需要重构整个业务系统，只要把 AI 接进办公套件、IM、邮件和文档系统，就能减少大量低价值手工操作。</p> <h2 id="市场营销广告和内容生产">市场营销、广告和内容生产 </h2><p>营销行业会被深度改造，但不是因为 AI 能写几句广告语，而是因为内容生产链条被压缩了。</p> <p>过去一次营销活动可能需要调研、定位、文案、海报、短视频脚本、落地页、邮件、社媒版本、A/B 测试素材。现在 LLM 和多模态工具可以把这些环节变成高并发生成和快速迭代。</p> <p>受影响岗位包括：</p> <ul> <li>初级文案</li> <li>SEO 编辑</li> <li>社媒运营</li> <li>广告素材策划</li> <li>邮件营销</li> <li>商品描述编辑</li> <li>内容本地化</li> <li>品牌调性改写</li> </ul> <p>真正留下价值的，不是“会写文案”，而是懂用户、懂渠道、懂转化、懂品牌边界，能判断什么内容值得投放。</p> <h2 id="软件开发和-it-服务">软件开发和 IT 服务 </h2><p>软件开发不是简单被替代，而是被重新分层。</p> <p>LLM 对代码生成、代码解释、测试补全、重构建议、迁移脚本、文档生成、日志分析、错误定位都有明显帮助。McKinsey 把软件工程列为生成式 AI 潜在价值最高的职能之一。</p> <p>最容易被冲击的是：</p> <ul> <li>简单 CRUD</li> <li>样板代码</li> <li>单元测试补齐</li> <li>脚本自动化</li> <li>API glue code</li> <li>文档和注释</li> <li>低复杂度 bug 修复</li> <li>初级前端页面</li> </ul> <p>但复杂系统设计、跨团队协作、架构取舍、线上事故处理、性能优化、安全边界、遗留系统迁移，仍然高度依赖经验。</p> <p>开发者的变化是：写代码本身的重要性下降，定义问题、拆任务、审查 AI 输出、设计验证路径的重要性上升。</p> <h2 id="金融保险和银行">金融、保险和银行 </h2><p>金融行业会受到很大影响，因为它有大量文档、合规、分析、客服和销售流程。McKinsey 也把银行列为生成式 AI 影响较大的行业之一。</p> <p>受影响任务包括：</p> <ul> <li>投研摘要</li> <li>客户问答</li> <li>风险报告初稿</li> <li>合规材料检索</li> <li>贷款材料预审</li> <li>保险理赔文本处理</li> <li>反洗钱线索解释</li> <li>内部知识库问答</li> </ul> <p>不过金融不会轻易把最终决策交给模型。监管、责任、审计、数据安全都会让 AI 更多处在“辅助分析”和“文档加速”位置。真正被压缩的，是大量初级分析和后台文档处理时间。</p> <h2 id="法律和合规">法律和合规 </h2><p>法律行业对 LLM 的暴露也很高，因为法律工作中有大量阅读、检索、摘要、条款对比和文本起草。</p> <p>可能被影响的任务包括：</p> <ul> <li>合同初稿</li> <li>条款摘要</li> <li>尽调资料整理</li> <li>判例检索</li> <li>合规政策问答</li> <li>法律意见书初稿</li> <li>文档审阅</li> <li>多版本合同对比</li> </ul> <p>但法律服务的最终价值不只是文本。责任承担、策略判断、谈判、庭审、客户信任和监管许可仍然是人的壁垒。</p> <p>更可能发生的是：初级律师和 paralegal 的大量文档劳动被自动化，资深律师负责更高层次的判断和风险背书。</p> <h2 id="媒体出版和翻译">媒体、出版和翻译 </h2><p>媒体和翻译行业会被直接冲击，因为 LLM 的核心能力之一就是语言生成和语言转换。</p> <p>受影响任务包括：</p> <ul> <li>快讯改写</li> <li>摘要生成</li> <li>标题生成</li> <li>多语言翻译</li> <li>字幕整理</li> <li>采访稿清理</li> <li>编辑初审</li> <li>内容分发版本改写</li> </ul> <p>高质量调查报道、深度采访、事实核查、观点判断和独家消息仍然需要人。但低附加值、批量化、模板化内容会越来越便宜。</p> <p>翻译行业也会分层。通用文本和内部文档会被机器处理，高风险法律、医疗、文学、品牌创意和跨文化沟通仍需要专业译者把关。</p> <h2 id="教育和培训">教育和培训 </h2><p>教育不会被 LLM 整体替代，但会被重构。</p> <p>LLM 可以做个性化答疑、作业反馈、测验生成、教案初稿、课程大纲、学习路径、语言练习和模拟面试。对培训机构和在线教育平台来说，这会显著降低内容生产和辅导成本。</p> <p>受影响岗位包括：</p> <ul> <li>助教</li> <li>题库编辑</li> <li>教案编写</li> <li>基础答疑</li> <li>课程运营</li> <li>学习报告生成</li> </ul> <p>但教育的核心不只是传递知识。激励、陪伴、课堂管理、价值观、成长判断和复杂反馈仍需要人。AI 更可能先替代“批量辅导”和“内容准备”，而不是替代优秀教师。</p> <h2 id="咨询研究和企业服务">咨询、研究和企业服务 </h2><p>咨询、研究、审计、人力资源、企业服务都会受到影响，因为这些行业高度依赖信息收集、结构化分析和文档表达。</p> <p>受影响任务包括：</p> <ul> <li>行业资料初筛</li> <li>竞品分析</li> <li>访谈纪要</li> <li>PPT 初稿</li> <li>项目周报</li> <li>数据解释</li> <li>HR JD 生成</li> <li>简历筛选</li> <li>员工手册问答</li> </ul> <p>这里最危险的不是合伙人，而是初级分析师的训练路径。过去新人通过大量资料整理、制表、写初稿来学习业务。AI 接管这些任务后，企业要重新设计新人培养方式，否则中长期会出现经验断层。</p> <h2 id="医疗药企和生命科学">医疗、药企和生命科学 </h2><p>医疗领域的 AI 采用会更谨慎，但影响也会很深。</p> <p>LLM 更容易先进入这些环节：</p> <ul> <li>病历摘要</li> <li>医患沟通材料</li> <li>医学文献综述</li> <li>临床试验文档</li> <li>药物研发资料整理</li> <li>医保和理赔材料</li> <li>医疗客服</li> <li>医生助手</li> </ul> <p>医疗的核心诊断和治疗责任不会轻易交给模型，但文书和知识检索负担会下降。对医生来说，AI 更像减负工具；对医疗后台和药企研发支持岗位来说，任务结构会明显变化。</p> <h2 id="哪些行业相对没那么快">哪些行业相对没那么快 </h2><p>相对不容易被 LLM 快速冲击的行业，有几个共同点：工作依赖实体世界、现场操作、真实风险和强人际互动。</p> <p>例如：</p> <ul> <li>建筑施工</li> <li>护理和养老现场服务</li> <li>维修技工</li> <li>物流搬运</li> <li>餐饮后厨</li> <li>消防和应急</li> <li>农业现场作业</li> <li>高端手工制造</li> </ul> <p>但“没那么快”不等于不受影响。它们的排班、培训、报价、客服、库存、设备维护记录、质检报告、内部知识库，仍然会被 AI 改造。</p> <h2 id="真正会变化的是岗位结构">真正会变化的是岗位结构 </h2><p>LLM 带来的 workforce disruption，不是简单的行业名单，而是岗位结构变化。</p> <p>未来很多组织会出现三种变化：</p> <p>第一，初级岗位减少。重复写作、整理资料、基础分析、简单代码、客服回复，会更容易被 AI 接管。</p> <p>第二，中级岗位工具化。会用 AI 的员工能同时处理更多任务，不会用的人会显得更慢。</p> <p>第三，高级岗位更强调判断。战略、审查、责任、复杂沟通、系统设计、风险取舍会更值钱。</p> <p>所以真正的问题不是“AI 会不会影响我的行业”，而是“我的工作里有多少任务可以被文本化、流程化、检查清单化”。</p> <h2 id="小结">小结 </h2><p>当前大语言模型最先影响的行业，集中在知识密集、文本密集、流程密集的领域：客服、行政、营销、软件、金融、法律、媒体、教育、咨询、医疗文书和研发支持。</p> <p>但它们不会以同样速度、同样方式被改变。监管强、错误成本高、信任要求高的行业，会更偏向增强；流程重复、输出可审核、替代成本低的岗位，会更偏向自动化。</p> <p>对个人来说，最重要的准备不是恐慌，而是拆解自己的工作：哪些任务可以交给 AI，哪些任务必须由人负责，哪些能力能让你成为审核者、编排者和最终负责人。</p> <p>参考资料：</p> <ul> <li>World Economic Forum, Future of Jobs Report 2025: <a class="link" href="https://www.weforum.org/publications/the-future-of-jobs-report-2025/" target="_blank" rel="noopener" >https://www.weforum.org/publications/the-future-of-jobs-report-2025/</a></li> <li>International Labour Organization, Generative AI and Jobs: <a class="link" href="https://www.ilo.org/publications/generative-ai-and-jobs-global-analysis-potential-effects-job-quantity-and" target="_blank" rel="noopener" >https://www.ilo.org/publications/generative-ai-and-jobs-global-analysis-potential-effects-job-quantity-and</a></li> <li>McKinsey, The economic potential of generative AI: <a class="link" href="https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier" target="_blank" rel="noopener" >https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier</a></li> <li>OpenAI / OpenResearch / University of Pennsylvania, GPTs are GPTs: <a class="link" href="https://openai.com/index/gpts-are-gpts/" target="_blank" rel="noopener" >https://openai.com/index/gpts-are-gpts/</a></li> </ul>