ARTICLE · 1042095
AI 新岗位和旧岗位,到底差在哪、又连在哪
AI 新岗位和旧岗位,到底差在哪、又连在哪每次聊 AI 新岗位，最常见的说法是"这不就是老岗位换个名字"。真是这样的话，那些转过去的人凭什么涨薪三成到六成？把十组新旧岗位摆在一起看，会发现变化就集中在三件事上：从确定的系统，变成概率的系统；从执行，变成判断；从用工具，变成设计流程。 数据标注师 → AI 训练师 标注师干的是"告诉 AI 这是什么"：框出行人、标出情绪、给图片打标签。训练师干的是"告诉 AI 什么样的回答更好"：给你两个模型回答，判断哪个更好，还要写清楚理由。差别在这：标注是判断题里最简单的对错，训练师是在两个都不完美的答案之间做权衡。所以它要的是语言能力和逻辑，不是耐心。中文写得好、逻辑严密的人天然占优，这也是为什么编辑、教师、翻译转过去很顺。两者有联系：标注让你形成"什么叫好输出"的直觉，这份直觉是训练师的地基。但训练师的筛选门槛明显提高了，不再是来者不拒。 算法工程师 → AI 应用工程师 算法工程师造模型，应用工程师用模型造产品。这是整份清单里招聘量最大的技术岗。一个反直觉的地方：应用工程师里"工程师"三个字，分量比"AI"大。你得会写能上线、能测试、能扛真实流量的代码，还要懂后端、数据库、Docker 和云部署。写 RAG 系统的时候，难点往往不在模型，而在文档怎么切、检索怎么排、上下文怎么组装。工程能力是可以迁移的。后端工程师转过来六到十八个月就够，前端和测试要再久一些。不需要读研，不需要发论文，靠自学加项目就能完成。这也是对"AI 会不会取代程序员"的一个实际回答：会让写代码变便宜，但同时制造了更大的需求——有人得去搭、去调、去运维那些用 AI 建起来的系统。 传统产品经理 → AI 产品经理 传统产品的逻辑是确定的：点这个按钮，一定跳到那个页面。AI 产品不是，同样的输入可能得到不同的输出，而且会犯错。AI 产品经理的核心工作变成了三件：判断可行性边界（业务方说要自动写合同的 AI，你得知道现在能做几成、哪些环节必须留人工审核）；设计容错交互（AI 一定会答错，怎么让用户不被伤到还能给出有效反馈）；定义评测指标（什么算"做好了"，不是一个模糊的"感觉不错"）。产品方法论还能用，要补的是 AI 的认知。对已经有产品的职场人来说，这是沉没成本最低的一次升级——主动在公司里争取一个 AI 功能的小项目，六个月后简历就完全不同了。 文案 / 设计师 → AIGC 内容创作者 会用工具是门票，不是壁垒。即梦、可灵、Midjourney 一周就能学会基本操作，会用的人现在满大街都是。真正值钱的是两样：审美和选题，也就是从 AI 生成的一百张图里挑出"能让人停下手指"那几张的能力；以及效率工程，把"生成一条短视频"从两小时压到十五分钟，让产出稳定、利润可算。内容判断力是可以迁移的。但收入结构变了两样：这行的收入是极端长尾的，少数头部跑出来了，大量腰部维持在几千块。纯生成型内容的单价还在断崖式下跌，靠它吃饭越来越难。 主播 / 客服 → 数字人直播运营 数字人技术成熟了，不代表不需要人。一场数字人直播背后是：调形象音色口播节奏、写并迭代话术库、盯数据随时切商品、接管 AI 答不上来的弹幕、盯平台合规红线。你从"主播"变成了"直播间的导演加调度员"，同时管三到五个直播间。电商基础和话术敏感度比 AI 基础重要，做过淘宝客服、店铺运营、真人助播的人上手很快。一个常被忽略的机会：大量传统实体商家想做数字人直播却完全不会。如果你能把"配数字人＋搭话术库＋教他们运营"打包成服务卖出去，这就从打工岗位变成了小生意。 渗透测试工程师 → AI 安全红队 红队的工作一句话概括：在坏人之前，先把模型玩坏。越狱攻击、提示词注入、数据泄露测试、偏见评测、Agent 权限滥用。这类岗位几乎不接受零基础转入，但网络安全从业者有巨大优势——你已经有最难的那部分思维方式：习惯性地想"这个系统怎么才能被打破"。补六到十二个月 AI 知识就能切入。它的抗替代性在整份清单里排在前列，因为核心是"对抗性创造力"：一旦某种攻击能被自动化发现，它就不再是威胁；真正的威胁永远是还没被想到的那些。 法务 / 风控 → AI 治理与合规 全球 AI 监管正在从倡议变成法条。欧盟 AI 法案分阶段执行，国内生成式 AI 管理和内容标识办法陆续落地，直接造出一个新合规职能：制定 AI 使用政策、做风险评估、审计偏见与可解释性、对接监管部门处理算法备案。法务、风控、内审、数据隐私从业者转型最快，因为合规方法论可以整套迁移，需要补的只是 AI 技术常识和特有的监管框架。这行的节奏由立法进度决定，好处是确定性高——法规一旦生效，企业必须配人。 SEO → GEO / AEO 优化师 搜索的入口变了。越来越多人直接在 ChatGPT、Perplexity、AI 概览里找答案，传统 SEO 不够用了，于是有了生成式引擎优化：不再优化关键词密度和外链，而是优化结构化数据、权威来源和实体识别，让内容更容易被 AI 模型解析和引用。这个方向 2024 年基本还不存在。SEO 时代积累的内容策略和数据分析底子还在，但打法完全换了——从"抢排名"变成"抢被引用"。 系统集成 / 实施顾问 → Forward Deployed Engineer FDE 是软件工程师、方案架构师、客户成功三个角色压成一个人。公开的时间分配大概是：写代码三成、开会近两成、写文档一成多，剩下是基础设施和调研。它解决的是一个具体问题：大模型能力是通用的，但每家企业的数据、流程、合规、遗留系统都是独一份的。中间这段距离，就是 FDE 的全部价值。做 ToB 交付的人已经有了最稀缺的能力——在别人地盘上把事做成。需要补的是把技术深度拉回到"能自己写生产代码"。 培训讲师 → 企业 AI 培训师 企业老板普遍处于一种焦虑里：知道 AI 重要，买了一堆账号，员工不会用，用了也没效果。于是冒出一个市场——教企业员工真正把 AI 用起来。企业要的不是 AI 原理科普，是"我们财务部下周就能用上的三个具体方法"。表达和课程设计是核心能力，教师、咨询、销售出身的人天然占优。泛泛的通识课已经卖不上价，"给律所讲 AI""给制造业讲 AI"才有溢价。很多时候培训只是获客渠道：讲课收几万，后面的落地项目收几十上百万。 三件事 一个个看下来，新旧岗位的区别其实收束到三点。过去的产品和系统是确定的，现在的 AI 会给不同的答案、会犯错。所有围绕 AI 的新岗位，本质都在处理这个不确定性——用评测量化它，用交互兜住它，用合规约束它。纯执行的活儿正在被模型自己吃掉，涨价的是判断：判断哪个回答更好，判断哪段流程能自动化，判断客户嘴上的需求能不能做。会用某个工具不再值钱，值钱的是把工具串成一条能省钱的生产线，而且能说清楚省了多少。看懂了这三点，就明白为什么"AI 加行业"比"纯 AI"稳。AI 让技术变便宜了，剩下值钱的，是知道该把技术用在哪的人。