我们如何评估一个职业
大多数关于自动化的报道,把三个不同的问题压成一个数字。我们把它们分开,并且会告诉你:任何一条结论,站的是三者中的哪一个。
评估单位是任务,不是职业
职位名称只是一组恰好被打包购买的任务。自动化作用在任务上,所以我们在任务这一层评估。
三层永不合并
关于自动化的报道里最常见的错误,就是把「机器能做这件事」当成「这个岗位会消失」。
机器到底能不能完成这项任务?
企业在这个场景里会不会真的采用 —— 成本、可靠性、监管、维护?
采用之后,人数或职责真的变了吗?
四类技术信号
分别追踪。一个职业暴露于其中两类,不等于风险翻倍 —— 这些风险不相加。
证据分阶段
不是每一条新闻都有资格改变评估。一次演示和一次裁员不是同一类事实,所以权重不同 —— 而且其中只有一部分能改变基线。
只有二手摘要或信息不完整。会记录,但绝不改变评估。
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」。
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。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
招聘、人数、工时或职责出现可验证变化。权重最高 —— 但因果归因仍需论证,不能默认。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
每条结论都带标签
你不该需要猜:某句话到底是有来源的事实,还是我们的推理。
目前 37 条已核实事件支撑了 151 项任务判断中的 45 项;其余标记为「平台推断」。每条记录都读过原文、人工录入 —— 自动监测流水线尚未接入。我们宁可诚实地给出这个数,也不引用未经核实的来源。
我们明确不做的事
- 把不同技术的风险相加成一个分数。
- 把任何东西称为失业概率。
- 在没有数据时,让模型编一个看起来合理的百分比。
- 把一家公司的案例外推到全球某个职业。
- 把一条新闻被转载的次数当成证据强度。
- 在没有可信因果论证时,把裁员归因于 AI。
- 用「学习 AI」「保持终身学习」这类建议充当计划。
有多少是站在证据上的
每个职业页上那些逐条标注,加总起来是这样。
已研究 30 个职业、10 个专业。37 条已核实事件关联到 30 个职业,让 151 项任务判断中的 45 项有了证据支撑;其余 106 项在页面上逐条标记为「平台推断」。
接下来
证据现在通过一条人工、可审计的路径进入:每个事件记录来源 URL、日期、阶段、范围和它支撑的任务;录入后是待核实状态,由具名的人核实后才进入页面 —— 并把关联任务从「平台推断」翻成「有证据支撑」。自动化流水线(定时检索、事实抽取、去重、实体解析)仍待建;在那之前,列表以一个人能核实的速度增长。