AI时代,首先过时的可能是岗位说明书

最近和团队聊 Data Scientist 的发展路径，我突然有点搞不清楚了。

这个问题放在一年前都不难。做算法、建模型，把数据变成洞察，大致就是一条清楚的路。

可今天再看，团队已经自然长出了好几个方向。有人开始做内容，有人开始搭 AI Agent，有人越来越靠近业务问题和最终交付。大家的岗位名称没有变，实际工作却已经变了不少。

如果此时再打开当初的岗位说明书，里面写的还是那些熟悉的职责。它没有错，只是拍摄得太早了。

AI 带来的变化，可能最先让岗位说明书失去时效。

01岗位说明书一直滞后，AI把时间差拉大了

岗位说明书很像一张工作证件照。它在某个时点，把一个岗位包含的任务、能力和责任定格下来。

这张照片从来都不是实时的。过去工作变化得慢，隔一段时间重新拍一次，通常也来得及。AI 进入日常工作之后，还没等到下一轮岗位盘点，人的任务组合已经变了。

一个 Data Scientist 仍然叫 Data Scientist，他做的事情可能已经从亲自建模，逐渐转向定义问题、组合模型、编排 Agent、判断结果，再把结果做成别人可以使用的产品或内容。

这种变化也不会整齐发生。有人向内容走，有人向产品走，有人开始组织一群 Agent 工作。没有哪一天，组织会正式通知大家：从今天起，你的岗位变了。

工作先向旁边长出去，能力跟着长出来，岗位名称还留在原地。

02拿着旧照片，判断会在哪些地方偏掉

岗位说明书不只在招聘时出现。它会进入招聘、绩效和职业发展，成为组织判断一个人的共同底稿。一张旧照片，由此被反复使用。

招聘时，它先决定什么样的人能够进入候选池。只要起点仍是昨天的任务组合，人们就容易继续寻找“昨天那个岗位”的标准答案。

到了绩效评价，那些写在职责里的稳定产出最容易被看见。一个人花时间试 Agent、改工作流、学着做内容，短期内反而像在做“岗位之外”的事。等这些探索真的变成新能力，评价体系往往还要再等一个周期才能承认它。

职业发展讨论也受到同样的影响。大家习惯问“下一个岗位是什么”，很少先看这个人最近已经能够交付什么。于是，组织拿着过去的职位序列，去定义一批已经在变化的人。

最容易被错过的，往往是团队里那些已经悄悄改变的人。

03角色融合，发生在组织图更新之前

在一次关于 AI 组织变革的讨论里，我们谈到一个很朴素的判断：角色会相互融合，沟通、管理和协同机制也会跟着变化。

这些变化往往先出现在具体任务里。有人把问题说清楚，有人真正把 AI 用起来；有人判断结果靠不靠谱，另一个人把它交到业务手里。原来分散在几个岗位中的工作，开始围绕一个结果重新组合，人和 AI 之间也不断交换任务。

今年一份 Gartner 关于数据与分析团队的报告，把这个方向概括为 Build an AI-Ready D&A Team With Skills, Not Roles：人才规划要从固定岗位转向完成任务所需的能力。

但技能清单仍然只记录了一个人“有什么”。真正决定交付的是这些能力怎样围绕任务重新组合，哪些环节交给 AI，哪些判断仍然由人完成，最后又由谁承担责任。

角色融合，正发生在这一连串具体分工里。等它出现在组织图上，通常已经是很后面的事了。

04岗位还在，照片需要带上日期

岗位不会很快消失。薪酬、职级、责任和决策权，依然需要一个稳定的载体。组织也不可能每天改一次架构。

真正值得留意的是岗位与工作之间的时间差。

当正式制度仍然沿用上一个周期的定义，真实工作已经换了组合，组织就会低估一些人，也会高估另一些经验的有效期。这种时间差过去一直存在，AI 只是把它放大到很难忽略。

岗位说明书因此会更像一份带日期的工作假设：它记录这个岗位此刻要交付什么、承担什么责任，以及哪些能力仍然重要。至于一个人最近做成了什么，他在项目中怎样与 AI 协作，真实的工作记录会比头衔更接近本人。

核心工程能力、数据治理、领域知识、判断力和责任边界，依然稳定。变化快的，是这些能力如何组合，以及人和 AI 之间怎样重新分工。

05发展是能力长出来之后的结果

那次讨论里还有一句话，我后来反复想起：职业发展是果，不是因。

一个人先进入真实问题，开始使用新的工具，接住原来不属于自己的任务，慢慢做出过去做不出来的东西。身边的管理者通常最先看见这种变化，正式的评价和岗位名称随后才会跟上。

再回到最初那个问题，Data Scientist 接下来应该走向哪里？也许很难再用一条统一的路径回答。更值得看的，是每个人已经从工作里长出了什么，又开始对什么新的结果负责。

岗位说明书依然有用。只是别拿着一张旧照片，去判断一个已经跑起来的人。