整理 | 屠敏

出品 | CSDN（ID：CSDNnews）

投稿或尋求報道 | zhanghy@csdn.net

大家都說，AI 是來搶程序員飯碗的。畢竟寫代碼這塊，是各大 AI 廠牌“卷”得最兇的戰場——Claude、Cursor、Windsurf、GitHub Copilot......一個個都在拼命展示自己的編程實力。

但真相真的是這樣嗎？程序員真的是 AI 沖擊下最“危險”的職業嗎？

微軟研究院最近用一項大規模研究給出了新的答案。他們分析了20 萬條用戶與 Bing Copilot 的真實對話，想看看大家實際在用 AI 做什么，AI 做得好不好以及哪些職業最容易被 AI 影響。據悉，這也是目前已知規模最大的生成式 AI 實際使用分析研究。

話不多說，先來看看微軟研究員得出的最新研究結果：

AI 影響最大的職業Top 6：

• 口譯員與筆譯員（98% 的工作內容 AI 能勝任）

• 客服代表

• 銷售代表

• 作家與作者

• 技術寫作人員

• 數據科學家

AI 影響最小的職業：

• 護理助理

• 按摩治療師

• 設備操作員

• 建筑工人

• 洗碗工

• 信息收集最常見的使用場景
• 寫作與編輯成功率最高的任務類型
• 客戶溝通AI 常以顧問或教練的身份提供建議

• 高薪 ≠ 高風險收入高的工作，不一定就更容易被 AI 取代
• 學歷有一定影響：本科學歷崗位 AI 適用性略高，但差異很大
• AI 有時“跑偏”：在約 40% 的對話中，AI 實際做的事情跟用戶請求的并不一樣
• 動手型職業基本沒受影響：需要實際操作的崗位，AI 目前還是“干不了”

• 論文地址：https://arxiv.org/pdf/2507.07935

注：O*NET 是一個官方、標準化的“職業任務庫”，它有一個層級結構，用來細分工作內容：最底層的是Tasks（具體任務），就是你日常在做的事情；中間是Intermediate Work Activities（IWA，中層工作活動），把很多類似任務歸類；最上層是Generalized Work Activities（GWA，廣義工作活動），是更寬泛的工作類別，比如“獲取信息”、“與他人溝通”、“分析數據”等。

一個有意思的切入點是，研究員把人和 AI 的每次對話分成兩個層面來分析。

• 第一個是用戶目標（user goal），也就是用戶希望 AI 幫他做什么，通過分析這個，大家能看出 AI 實際上在執行哪些任務；
• 另一個是AI 的實際行為（AI action），也就是 AI 在這段對話里到底干了什么。

• 在哪些工作內容上幫了忙？
• 效果好不好？
• 是在干核心工作，還是只是處理了一小部分？

所以，這份研究只關注眼下一個簡單的問題：AI 到底在做什么？是在協助人，還是直接動手？至于這些行為將來會不會導致失業或漲工資，他們并不做預測。

廣義來看，AI 擅長的是“腦力活”而非“體力活”

根據研究結果顯示，研究員先從“宏觀視角”分析了大家用 Bing Copilot 到底都在做哪些類型的工作？

為此，他們用上了上文提及的 O*NET 職業數據庫里最高層的分類方式，叫做 GWA，也就是“通用工作活動”。你可以把它理解成大類標簽，比如“搬東西”、“分析數據”、“動腦筋”、“操作設備”這種很寬泛的活。

結果一看，還挺有意思。有些在現實生活中非常常見的工作類型，在 Copilot 的使用數據里卻幾乎沒出現。比如說：

• 搬東西、體力勞動這類“實打實”的工作；

• 實時監控或檢查機器的操作；

• 控制設備、指揮人或機器工作

這些都是需要身體參與或實時監控的工作，而聊天機器人顯然不擅長這類任務，所以數據里出現得少也就不奇怪了。

上面講的是從用戶角度出發，也就是看他們在對話中輸入的 Prompt 想讓 AI 做什么。接下來我們換個視角，從 AI 實際做了什么——也就是輸出內容——來看看對應的 GWA 類型，主要集中在以下幾類：

• 獲取信息

• 解讀信息

• 發散性思維（比如創意類任務）

• 更新和使用知識

• 使用電腦工作

這些都是典型的“知識型工作”，也就是說，AI 更常被用來處理信息、思考問題、寫東西、查資料等偏腦力的工作內容。

“你說東它答西？”——四成對話中 AI 沒能對上用戶的意圖

緊接著，研究團隊想弄明白：用戶平時用 Copilot 最常干什么？

于是，他們把對話進一步按照“中間層間的工作內容分類”（IWA）拆解，結果發現，用戶目標大致集中在三類活上：

• 首先是找資料，比如“收集信息”、“獲取資料”、“保持知識更新”、“閱讀文檔”；

• 其次是寫東西或做內容，包括“撰稿、編輯、做視覺設計”；

• 最后是對外溝通，譬如“向別人提供信息、解答技術問題、解釋規章制度”。

再看看 AI 實際在做什么，就能看到另一幅互補的圖景。

AI 的動作明顯帶著“服務”屬性，輸出的關鍵詞常常包含“回應、提供、呈現、協助”。如果再細分，也能歸到三大塊：一是搜集并匯報信息（比如“整理資料”“制作說明材料”），二是解釋說明（像“展示研究結論”、“講技術細節”、“說明法規”），三是直接同用戶溝通（“解答客戶問題”、“提供幫助”、“建議下一步怎么做”）。

合在一起看，人類更多是讓 AI 幫自己“找、處理、分發信息”，而 AI 則通過“搜集、解釋、交流信息”來配合。

紅色代表用戶目標，藍色代表 AI 行為

不過，人和 AI 的分工并不完全對稱。研究發現，有 40% 的對話里，用戶的目標和 AI 實際執行的任務，完全是兩碼事；有多達 96% 的對話，兩邊各自做的事情比重都超過了重合的部分。也就是說，他們雖然在交流，但用戶和 AI 自身的關注點其實常常不一樣。

即使如此，AI 的整體表現還是讓不少人感到滿意。

在滿意度方面，研究員分析了一批包含用戶點贊數據的對話，發現 Copilot 在大多數任務上都收獲了不錯的口碑。只要是出現頻率比較高的任務，用戶給的正向評價普遍都在 50% 以上。

至于哪些任務最受歡迎？結果顯示，寫東西、改文檔、查資料、保持知識更新，甚至是挑選商品、比較產品這些購物相關的工作，用戶都表示“挺有用的”。

不過，有些任務就沒那么受歡迎了，像是做數據分析、財務計算、搞科學研究，還有視覺設計類的活，比如排版、畫圖、布置頁面等等。換句話說，Copilot 在“文字類”和“信息類”的工作上更擅長，碰上圖形或復雜數據，就有點力不從心。

當然，光靠點贊可能還不夠全面，微軟研究員還讓另一個模型來自動判斷每次對話有沒有把用戶任務完成。這種方式雖然沒有主觀反饋那么直接，但勝在客觀、穩定，不受“誰懶得點贊”這類因素影響。

最終結果也很一致：哪個任務點贊多，它的完成率一般也高。

除了“完沒完成”，研究團隊還特別關注了一個維度：AI 到底能幫上多大一部分？簡單來說，是在任務里“參與度”有多高。有的任務 AI 能搞定七八成，有的可能只能插上一句話。

結果發現，AI 覆蓋最廣的，還是那些信息型任務，比如找資料、寫內容、解釋技術。這些活本來就偏“知識處理”，AI 發揮空間大。相反，那些需要跟人打交道的，比如溝通協調、身份核實、調查信息等，AI 就很難介入太深。

還有個特別明顯的趨勢：AI 更擅長“輔助人類”，而不是“替代人類”。它能協助用戶處理任務的范圍往往比它能獨立完成的部分要大很多。雖然這種“覆蓋范圍”跟點贊或完成率的關系沒那么強，但卻是一個很好的“預測信號”——用戶通常更愿意在那些 AI 能幫上不少忙的任務中使用它，而不是盲目追求“交給 AI 全權負責”。

數據科學家、Web 前端開發者上榜“受 AI 影響最大的職業”

在研究的最后，微軟研究員給每個職業打了個“AI 適用性得分”，這相當于是在評估：Copilot 這樣的 AI 聊天助手，在這個職業里到底能不能派上用場？

打分的標準有三個：第一，這個職業的工作內容在 Copilot 用戶對話里出現得多不多（只要出現頻率超過 0.05% 就算有代表性）；第二，AI 完成這些工作的表現怎么樣（完成率高不高）；第三，AI 的“幫忙范圍”廣不廣（是不是只幫點邊角活，還是能搞定核心任務）。得分越高，就說明這個職業更有可能被 AI 實際“用得上”。

那么，哪些職業得分最高呢？

結果顯示，在排名前 40 的職業中，排第一的是口譯員和筆譯員——他們的工作內容里，有 98% 都和 Copilot 常見任務重合，而且 AI 表現也不錯。

排在前列的還有很多熟面孔，比如寫作編輯類（作家、校對、記者）、銷售客服類、編程類，還有各種辦公室文職工作（比如文員、證券事務人員）。另外，數據科學家、Web 前端開發者等職業也紛紛進入了受 AI 影響最大的前 40 名榜單。

這些職業有個共同點：都屬于“知識型”工作，也就是說主要處理信息、文字，跟人腦打交道多，跟體力打交道少。

反過來，得分墊底的是一批需要“動手做事”的職業，比如護理助理、按摩師這類要直接照顧人的崗位；也有水廠操作員、樁機司機、卡車司機這些要動設備、盯機器的工作；再比如洗碗工、屋頂工人、保潔員等傳統體力活。對于這些職業來說，Copilot 這類“打字型 AI”暫時幫不上太多忙。

不過研究員提醒道，這個研究專注的是聊天型 AI（像 Copilot 這種 LLM）對工作的影響，沒考慮別的 AI 技術。所以像卡車司機這種職業，未來可能會被自動駕駛影響，但目前還不太可能被聊天機器人取代。

在論文中，微軟研究員還畫了一張很有意思的圖，展示了 AI 適用性得分最高的 25 個職業，以及對這些分數“貢獻最大”的 20 個中層任務（也就是 IWA，類似“撰寫內容”、“維護知識”、“編輯文檔”這種更具體的工作內容）。

圖里還能看到，每個職業的“塊頭”代表它的就業人數有多大。如果一個職業的任務沒出現在這張圖里，但分數還是挺高，說明它可能還有其他“被 AI 干得不錯”的活兒，只是沒畫出來。

這些任務很多都集中在知識密集型工作，比如編輯文稿、寫程序、解讀文化信息等等，流向的職業也基本是技術寫手、編輯、公關、數學家、記者、翻譯、證券文員、CNC 程序員……都是我們熟悉的“腦力工種”。

為了看得更清楚，研究團隊還把所有職業歸類到“職業大類”這個層級上——也就是官方標準里的 22 個大類。結果一目了然：AI 目前最能派上用場的，是銷售類、計算機與數學類、行政支持類這幾個大類。

研究還補充分析了一下：AI 協助 vs. AI 代勞，到底差在哪？

他們把前面的“AI 適用性得分”拆成兩部分，一個是“用戶想讓 AI 幫忙”的任務（user goals），一個是“AI 實際上在做的事”（AI actions）。

結果發現，有些職業很依賴 AI 協助，但讓 AI 獨立上手就不行，比如廚師、養殖員這類要“動手”的工作——AI 可以告訴你怎么做，但它做不了；另一些職業則反過來，比如培訓經理、HR、教練這類擅長傳授知識、搞管理的職業，AI 理論上能勝任，可現實中用戶卻沒怎么用它來干這些事。

工作的 AI 化與薪資、學歷并無直接關系

一個職業會不會被 AI 波及，和工資與學歷高低有關系嗎？這是很多人關心的問題。

早期有些研究說，高薪職業反而更容易被生成式 AI 盯上；但也有研究表示，傳統機器學習技術跟工資之間壓根沒啥關系。那這次微軟研究團隊拿 Copilot 的真實使用數據來一看，結果有點出人意料——

基本沒啥關系。

研究員試著把每個職業的 AI 適用性得分和工資掛鉤分析了下（工資數據來自美國勞工統計局），畫了各種圖，算了各種平均數，最后得出的結論是：兩者的相關性只有 0.07，低得可以忽略不計。就算你把那些頂尖高薪崗位排除掉再算一次，也只是漲到 0.13，依然挺弱。

而且還發現一個“攪局大戶”——銷售、行政、辦公室類工作。這些職位工資不算高，但 AI 用得很頻繁，而且從業人數還不少，直接把“AI=高薪”的邏輯給打破了。

當然，如果你不考慮就業人數，只看每個職業的平均分數，相關性會稍微強一點（比如用戶請求這邊相關性是 0.17，AI 實際執行是 0.21），但還是算不上強關聯。

那學歷呢？

研究發現，需要本科學歷的職業，AI 適用性普遍更高。比如，本科崗位的平均得分是 0.27，而不需要本科學歷的職業平均只有 0.19，差距還挺明顯的，統計上也很顯著。

不過也別以為“學歷越高越 AI 化”是鐵律。因為銷售、辦公室助理這類不要求本科的職業，AI 適用性分數也挺高，尤其在人多的行業里更是如此。所以一旦把這些工作考慮進去，整個“學歷越高 AI 越好用”的趨勢也就沒那么線性了。

簡單說——AI 到底會不會影響你的工作，關鍵不在于你賺多少錢、讀了幾年書，而是你做的活是不是信息密集型。要是你的工作是靠處理文字、分析資料、生成內容的，AI 就很可能插得上手；但如果是動手干活、跑現場，那 AI 暫時幫不上什么忙。

部分網友破防：AI 的崛起對數據科學家太不公平了

這項研究一出，立刻在 Reddit 等社區引發熱議。很多從業者看了榜單直呼“破防”，有人自嘲道：“從數據主管到洗碗機主管，這都非常適合我……”

不少人原本以為 AI 的影響會集中在幾個特定領域，沒想到研究結果顯示：幾乎每一個崗位都或多或少被 AI 點了名，而且還不是隨便說說——這些結論是從真實用戶用 Copilot 聊出來的數據里推出來的。

有網友看完調侃：“RIP 數據科學家，太不公平了。”也有同行認真回應：

他們這次衡量“影響”的方式挺有意思。就我個人來說，作為一名數據科學家，AI 對我的影響確實非常大。我的產出大概提高了 10 倍——或者說，完成同樣工作所需的有效工時大幅下降（當然，我可不希望因此桌上堆更多任務 ）。所以從這個角度看，影響確實很大。

不過，考慮到我現在的職級（Principal），寫代碼只是我工作的一部分。AI 對我工作中其他部分的影響，比如制定策略、做規劃、和業務方協作等，其實非常有限。

所以……我只能說一句：RIP 初級數據科學家。

也有一些程序員表示“暫時躲過一劫”。一位開發者評論說：

“還好程序員沒在這份榜單上。AI 現在處理稍微復雜點的編程任務就有點拉垮，尤其是涉及公司內部系統或要理解大規模代碼庫的項目。你要是真打算用 AI 替掉一堆程序員，最后可能還得再招人回來，把它搞砸的東西修好。”

那么，你覺得 AI 正在“幫你省事”，還是“準備取代你”？你的職業在這份 AI 高影響榜單上嗎？

參考：

https://www.reddit.com/r/OpenAI/comments/1lwzcl1/microsoft_study_reveals_which_jobs_ai_is_actually/

https://arxiv.org/abs/2507.07935

明晚 20:00，【開談】來了！
AI 正在重塑組織，你的工作是被“替代”還是被“增強”？
《無人公司》作者李智勇 × Tanka.ai CEO 林宋琪，首次同臺拆解：
· 超級團隊 VS 無人公司
· AI 原生產品，究竟該長什么樣？
· SaaS 終局：共存 or 被 AI 吃掉？
掃碼預約，明晚一起搶跑未來！