“AI 会取代哪些工作”很难用一个职业名称回答。招聘市场通常不会因为某项工作能被自动化一部分，就立刻取消整个岗位。更常见的变化是，岗位保留原有职责，但把资料整理、初稿撰写、基础分析、测试生成等环节交给工具完成，然后提高对判断力、业务理解、结果负责能力的要求。

因此，AI 职业安全感不应建立在“我的工作暂时不会被替代”上，而应建立在另一件更具体的事上：你是否能拿出招聘方看得懂、核实得了的能力证据。

未来90天不适合泛泛地“学AI”。更有效的做法是，从目标岗位的JD倒推能力栈，再用一个有边界的项目验证：这条路到底有招聘需求、你能否完成、是否值得继续投入。

把工作拆成任务，比给职业判“安全”或“危险”更有用。可以先列出你当前或目标岗位中最常做的十项任务，并按下面三类标记。

| 任务类型 | 常见例子 | 未来更值得强化的部分 | |---|---|---| | 容易被工具加速 | 会议纪要、资料初筛、标准化邮件、基础代码补全、模板化报告 | 提示词设计、质量检查、流程自动化 | | 需要人机协作 | 数据分析、客户支持、市场内容、产品需求整理、测试 | 问题定义、数据判断、异常处理、结果复盘 | | 依赖情境与责任 | 跨团队协调、客户谈判、预算取舍、合规判断、产品优先级 | 决策依据、利益相关方沟通、风险承担 |

如果你大部分时间都在做第一类任务，不代表必须转行，而是说明原岗位的交付方式会改变。此时应优先学习如何用AI缩短重复劳动，并把省下来的时间用于更高价值的判断、沟通和改进。

如果你已经在第二类任务中积累经验，转向AI相关岗位未必需要从机器学习工程师开始。许多职位需要的是能把业务问题说清楚、处理数据、评估模型输出并推动落地的人，例如 Data Analyst、Business Analyst、Product Operations、AI Product Manager、Solutions Consultant、Trust and Safety Analyst 等。

第三类任务也不会天然免疫于技术变化，但它们的价值较难只靠一个模型输出替代。你要展示的不是“我很会沟通”，而是“我如何在信息不完整时做判断，并让项目继续向前”。

在 LinkedIn、Indeed、Glassdoor 或公司自己的 Greenhouse、Lever 招聘页面上，找20份你愿意申请的岗位。不要只看大厂，也加入中型公司、行业软件公司和非科技企业的职位，因为它们往往更清楚地写出实际工作内容。

这20份JD最好分成三组，每组约6至8份：

然后把每份JD中的要求放进表格，不要只记录工具名。

| JD原文要求 | 它实际考察什么 | 可被验证的证据 | 你的现状 | |---|---|---|---| | Build dashboards and communicate insights | SQL分析、指标定义、面向业务解释结论 | Dashboard链接、分析报告、案例讲解 | 已有项目，缺业务叙述 | | Experience with LLM applications | 调用模型、设计流程、评估输出 | 可运行原型、评估集、错误案例 | 只做过课程作业 | | Work cross-functionally with stakeholders | 收集需求、推进决策、管理预期 | 项目复盘、需求文档、推荐人可核实经历 | 有相关经验 |

统计时重点看三件事：出现频率、是否是岗位核心职责、你能否在90天内做出证据。某项技能即使在15份JD里出现，如果你只能背概念、无法展示成果，也不能算近期的优先项。

工具名也要分层看。Python、SQL、Tableau、Power BI、AWS、Snowflake、OpenAI API 等只是入口。招聘方更关心你能否用它们完成一个工作场景，例如用SQL定位留存下滑原因，或为客服知识库搭建带人工审核的检索流程。

很多人搜索AI岗位所需技能时，容易把注意力集中在模型、框架和证书上。但从JD角度看，较常见的能力组合通常包括以下四层。

先说明问题值不值得解决。比如“做一个聊天机器人”不是问题定义，“让客服能在两分钟内找到符合退款政策的答案，并减少重复查询”才是。你需要明确用户是谁、当前流程的瓶颈是什么、成功指标如何衡量。

不同岗位深度不同。数据或工程岗位通常要求 SQL、Python、数据清洗、API、版本管理和云服务基础；产品、运营或咨询岗位可能更重视数据阅读、实验设计、需求文档和工具整合能力。

不要把“会用ChatGPT”写成技能。更可信的表达是：你如何设计输入、如何保护敏感信息、如何记录版本、如何处理模型答错或拒答，以及何时必须交给人工处理。

AI项目的难点往往不在第一次跑通，而在于输出是否可靠。一个成熟项目应说明你怎样定义“好答案”，如何建立测试样本，如何记录 hallucination、遗漏、偏见或格式错误，并据此修改流程。

如果目标职位涉及医疗、金融、招聘、教育或用户数据，合规与隐私意识尤其重要。即使是作品集项目，也不要上传真实客户资料、公司内部文档或可识别个人信息。

美国招聘流程常要求候选人在面试中讲清项目背景、个人贡献和结果。项目写得再复杂，如果无法回答“为什么用这个方法”“失败时怎么处理”“它比原流程好在哪里”，仍很难转化为面试优势。

90天的目标不是成为所有方向的专家，而是获得一次有证据的选择权。下面的节奏适合多数正在求职或探索转向的人。

| 时间 | 重点动作 | 应产出什么 | |---|---|---| | 第1至2周 | 收集并拆解20份JD，确定一个目标岗位和一个相邻备选岗位 | 技能频率表、能力缺口清单 | | 第3至4周 | 选择真实且范围小的问题，完成数据或资料准备 | 项目说明、需求假设、成功指标 | | 第5至8周 | 搭建最小可行项目，保留过程记录 | 可演示原型、代码仓库或分析文档 | | 第9至10周 | 设计测试案例，记录错误并迭代 | 评估表、失败案例、改进说明 | | 第11至12周 | 重写简历项目经历，投递并复盘反馈 | 两版简历、面试讲稿、投递数据 |

项目题目不必追求“像创业公司”。关键是可展示、可复现、可解释。例如，数据分析方向可以分析公开招聘数据，找出某类职位对技能组合的要求变化；产品方向可以设计一个帮助用户检索政策文档的原型，并评估回答准确率；运营方向可以搭建内容审核或工单分类流程，比较人工处理与辅助工具处理的差异。

每周至少记录三个指标：完成了多少目标JD中反复出现的能力要求、项目是否能在五分钟内演示、投递后是否带来更高质量的回复或面试问题。后两个指标尤其重要，它们比“学了多少课”更接近市场反馈。

90天结束时，用结果做选择。如果深耕本岗的JD匹配度高，项目也能带来面试，就继续补强核心能力；如果相邻岗位给出的反馈更好，说明迁移成本可能更低；如果AI相关岗位普遍要求你短期无法补齐的工程或领域经验，也不必硬转，可以先在原岗位中积累AI协作项目。

职业方向不需要靠预测AI的最终影响来决定。先找到市场正在采购的能力，再用一个完成度足够高的项目验证自己能否交付，这比焦虑地追逐每个新工具更有用。