营养师

美国。劳工统计局预测,2025 至 2035 年营养师就业增长 8%,从 86,300 人增至 93,000 人,每年约有 5,700 个职位空缺;理由是人们越来越关注饮食与营养在健康和预防保健中的作用。页面没有提到人工智能。它数的是一个国家的岗位。

一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。

日本。一家食品公司的公告:在与五家供餐企业试验之后,它于 2026 年 5 月 11 日开始销售一项 AI 服务,按管理营养士设定的条件自动生成菜单,每天一到三餐、最长数月;只覆盖普通膳食,面向养老机构、幼儿园和托儿所,每个设施每月 5,467 日元。它引用了一家试点合作方 70% 的估算。这是公司在描述自己的产品。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

一项横断面研究:五个 AI 模型(ChatGPT-4o、Gemini 2.5 Pro、Claude 4.1、Bing Chat 和 Perplexity)为四个标准化的青少年画像生成了 60 份三天食谱,并与营养师为每个画像准备的参考方案比较。各模型的微量营养素差异显著,没有一个模型在所有营养素上始终接近营养师;作者的结论是,基于 AI 的饮食建议不宜在没有专业监督的情况下使用。用的是标准化画像,不是病人。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

一项横断面研究:从注册营养师回答过的公开网络论坛中选出 100 个营养问题,每题配一份 ChatGPT-4o 的回答,由八名不知来源的持证营养师评分。AI 回答在质量(5 分制中 4.48 对 2.56)、同理心(4.62 对 3.21)和总体表现上得分更高;营养师的回答差异更大。论坛回答不是咨询会谈。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

日本,一家承包养老机构、企业和学校供餐的企业。它说,它参与了 AI 排菜单工具在实际供餐菜单中的试验;此前排菜单的工作集中在少数员工身上;这个工具能生成符合设定条件、最长数月的菜单;由管理营养士确认菜单;按它自己的估算,约 70% 的排菜单工作可以削减。这是企业在试点后的估算,不是测得的结果;该企业是厂商的合作方。

真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。

日本。《健康増進法》第二十一条第一款要求,被都道府县知事指定为需要特别营养管理的特定供餐设施,其设置者必须在该设施配置管理营养士;第二十一条第二款对其他特定供餐设施只要求努力配置营养士或管理营养士。它没有提到任何技术;它要求的是一个岗位上有人,不是某种排菜单的方式。

监管、补贴或公共采购正在要求或出资推动采用 —— 与「限制或撤回」互为镜像。它说明采用正在被要求,不说明采用已经发生,所以单独一条永远不够,两条互不相干的才够。

日本。一项研究用 2022 至 2024 年国家考试中 599 道公开的选择题,测试了 GPT-4o、GPT-4o-mini 和带检索的 GPT-4o。三者都超过 60% 的及格线;GPT-4o-RAG 得分最高,为 83.5%,在应用营养与临床营养类题目上更好,但在计算题上表现有限;作者说,数值推理和个体化指导方面的局限需要进一步开发。考的是题,不是病人。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

台湾。一项对 497 名营养师的横断面调查发现,59.8% 用过 ChatGPT,主要用于行政文书;更年轻、学历更高、在医院工作的营养师更可能使用。这是一个地方的自报使用情况;没有测量节省的时间或准确性。

一件工具在真实工作里被大规模使用,并且被测量到 —— 而做出「用它」这个决定的是使用者本人,不是雇主。它比「技术能力」多:干的是真活,不是演示;又比「实际部署」少:没有任何雇主把它投入生产、要求使用、或围绕它改过流程。权重定为 `cautious`:`automating` 的定义是「机器能做这件事**并且**有采用迹象」,而这就是一种采用迹象 —— 但使用可能只是试用,而且相当一部分测量来自有利害关系的一方,所以一条永远不够,两条独立的才够。还要注意是谁在计数。厂商遥测直接看得见这件事,而它同时在卖这件工具,所以这类记录要在适用范围里写明这层利害;而一个统计机构去问企业「员工有没有在任务里用 AI」,看见的是同一条通道、却没有任何利害 —— 在它存在的地方,它是更好的来源。

英格兰,一个医院团队发表在专业团体网站上的亲身记述。三名糖尿病专科营养师说,AI 记录工具减少了他们写记录和信函的时间,90% 的情况下记录和信函准确、恰当,而临床人员仍必须审阅每一份产出;他们还描述了如何让 AI 用患者的语言、结合当地食物写出针对病情的食谱。这是一个团队没有方法的印象。

一件工具在真实工作里被大规模使用,并且被测量到 —— 而做出「用它」这个决定的是使用者本人,不是雇主。它比「技术能力」多:干的是真活,不是演示;又比「实际部署」少:没有任何雇主把它投入生产、要求使用、或围绕它改过流程。权重定为 `cautious`:`automating` 的定义是「机器能做这件事**并且**有采用迹象」,而这就是一种采用迹象 —— 但使用可能只是试用,而且相当一部分测量来自有利害关系的一方,所以一条永远不够,两条独立的才够。还要注意是谁在计数。厂商遥测直接看得见这件事,而它同时在卖这件工具,所以这类记录要在适用范围里写明这层利害;而一个统计机构去问企业「员工有没有在任务里用 AI」,看见的是同一条通道、却没有任何利害 —— 在它存在的地方,它是更好的来源。

一项研究用 1,050 道来自备考题库的美国注册营养师考试题测试了 GPT-4o、Claude 3.5 Sonnet 和 Gemini 1.5 Pro。GPT-4o 在零样本提示下得分 91.92%,总体最高;作者指出,结果随提示方式和题目领域有相当大的差异。考题测的是知识,不是对病人的照护。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

一项对营养类应用的研究,其中七款提供 AI 拍照识别食物功能,用包括混合菜肴在内的食物图片测试。最准确的识别出 97% 的食物成分(39 个中的 38 个),最不准确的 46%(39 个中的 18 个);作者发现 AI 拍照识别的自动能量估算并不准确,并说与营养师合作是改进这些应用的关键。这是在少量图片上测试的消费类应用。

演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。

如果你刚入行,预期 AI 会起草你的食谱、宣教材料和记录;培养它会出错的部分:具体病人的数字、针对病情的饮食,以及能改变一个人饮食的关系。

预期排菜单和文书会变快,尤其是在团体供餐中。医学营养治疗,以及对每一份 AI 起草方案的把关,仍在你手里。

调整职责

从从头写方案转向核查 AI 起草的方案

研究显示 AI 食谱在营养素上有偏差,而排菜单工具的卖点正是由营养师审核其产出。

保住并强化

留在需要执照的临床营养工作中

日本要求指定设施配置管理营养士,而模型最弱的正是针对具体病人的计算。

相邻转岗

转向验证营养软件

饮食记录应用和排菜单工具需要营养师核查它们的食物数据库和能量估算。

证据没有显示这一点。AI 能通过考试题库、写出流畅的回答,但它的食谱在营养素上有偏差,拍照应用也估不准能量。在日本,团体供餐的菜单起草正在被自动化,而法律仍要求指定设施配置管理营养士。美国预测 2025 至 2035 年营养师就业增长 8%。

我们不用年数回答这个问题。看看你的单位是否采购排菜单或写记录的 AI,以及你的执照规则为营养师保留了什么。这些比任何日期都更能说明问题。

它能起草,但研究发现 AI 食谱在能量和营养素上偏离营养师的方案,作者建议不要在没有专业监督的情况下使用 —— 尤其是给儿童或病人的饮食。

在识别食物上,最好的应用是准的;在估算能量上,一项研究发现它们不准。七款应用识别食物成分的准确率从 97% 到 46% 不等。