AI替不掉哪些职业?一份截至2026年的AI抗性职业调研

现在让孩子学什么，将来不容易被AI替掉？

说实话这个话题已经被说烂了。每次有人说，要么在贩卖焦虑，要么在贩卖安慰——"学编程就安全""学文科必死""AI会让所有人失业"。都太绝对了。

这次我想换个做法：先把"适不适合你"完全放下，单纯去做一次截至2026年的调研。把OECD、ILO、WEF这几份权威研究摆出来，看看它们到底说了什么，而不是凭感觉喊口号。

先说结论：

如果把"AI抗性"定义为未来5–10年内，职业核心任务不容易被现有AI直接替代，那么研究最一致指向的，不是某几个神奇职业，而是几类特征非常明显的工作——强物理操作、非标准现场、人际互动、责任承担、情境判断。

OECD 2026年最新的AI暴露指标说得很直白：当前AI离"例行信息处理、行政和可编码任务"最近，离"情境判断、人际理解、复杂决策和责任承担"最远。

翻译成人话就是：AI最擅长的是坐在屏幕前处理文字和表格；它最不擅长的是，走到一个乱糟糟的现场，在不确定中做判断，然后为这个判断负责。

这个区分，可能比记住一份职业名单更重要。

我把ILO 2025的职业分类暴露表、OECD 2026的能力差距模型、WEF 2025的就业趋势，加上几篇经典任务级暴露研究放一起比，结果高度一致。最抗AI的是这些：

建筑安装与维修：电工、水管工、木工、瓦工、焊工、屋顶工、油漆工——这些在ILO的表里直接被标成"Not Exposed"，即按任务结构，生成式AI没有表现出显著替代潜力。

机械维修：汽车维修、工业机械维修、飞机发动机维修。同属Not Exposed。

现场施工、美容理发、餐饮现场、农业园艺、清洁维护、消防——这一整片，几乎都挤在暴露表的最低端。

你可能觉得，这不是废话吗？这些本来就不是脑力活。

对，但这恰恰是这件事最反常识的地方——

因为它推翻了一个流传很久的想象："低技能工作先被AI替，高学历脑力劳动安全。"

生成式AI让这件事部分倒过来了。

Eloundou等人那篇经典研究发现，美国约80%的劳动者至少有10%的任务可能受LLM影响，约19%的人至少有一半任务受影响；而且高工资职业的暴露度并不低，甚至总体更高。中国劳动力市场的研究也发现类似现象：工资较高、信息处理密集的职业，LLM暴露往往更高。

所以真正"抗造"的不是学历高低，而是这个活要不要把身体伸进一个不可预测的现实里。

如果只盯"生成式AI暴露"，还有一类老被看走眼。

医生、护士、牙医、物理治疗师、言语治疗师——ILO 2025把全科医生、专科医生、牙医、护士等多项职业归入Not Exposed。

这听起来跟"AI医疗很强"矛盾。其实一点都不矛盾。

因为：AI可以高度参与一个职业，不等于AI可以替掉这个职业。

医生可能大量用AI——诊断辅助、病历整理、影像分析、知识检索。但职业剩下的部分——身体检查、临床情境判断、风险权衡、沟通、治疗、责任承担——正是OECD认为AI能力差距最大的部分。

这一点我特别想展开，因为它跟老师这个行当，是同一个道理。

教师不能简单说"抗性高"或"抗性低"。ILO 2025把中学教师、小学教师、特殊教育教师、社会工作和咨询人员都归入Not Exposed。WEF 2025也预测，到2030年，护理、社会工作、教师这些岗位仍属显著增长领域。

但另一套研究会告诉你一个看似相反的故事：Felten、Raj和Seamans发现，大学教师，尤其语言、文学、历史这些，是LLM暴露程度非常高的职业之一。

为什么两个研究会得出不同结果？因为它们测的不是同一个东西。

把教师的任务拆开看：

• 备课、写反馈、出题、整理资料 → AI暴露非常高。
• 课堂组织、理解学生、处理关系、激励、照护、即时判断 → AI暴露低。

我常说一句话：未来不是"教师被不被替代"，而是教师职业内部重新分工。

能用AI干的那部分（找资料、写教案初稿、出题），让AI干，没毛病。但剩下那部分——一个学生在你课上突然不说话了，你是接着讲还是停下来问一句？这个判断，AI给不了你。这件事我在课堂里站了六年半，我知道。

教师必须保留教育判断和责任，技术不能替代人的问责。这不是情怀，是职业结构决定的。

把几份研究叠一起，有三个职业大类几乎总是出现在AI暴露最低端：

1. 建筑施工类
   ——水管工、电工、木工、瓦工、焊工、屋顶工、油漆工、装修安装。
2. 安装维护维修类
   ——汽车维修、工业机械维修、电气设备维修、飞机维修、自行车维修。
3. 农业与现场身体服务
   ——农业、园艺、畜牧、林业、清洁、建筑维护。

OECD对韩国劳动力市场的分析也总结得很清楚：需要手工技能和身体力量的职业，像清洁工、农业林业渔业劳动者、食品准备辅助人员，是AI暴露最低的一批。

这几类有个共同点：非标准环境 + 灵巧身体操作。

机器人最难的不只是"动手"。举个例子——一个老房子的水管漏了，你不知道里面被前面五任房主改成了什么样。这种所谓"非结构化环境"，才是真正的护城河。

这是研究AI抗性时特别容易犯的错。

比如清洁工，对GPT的抗性是满分。但如果未来低成本通用机器人成熟，可能只剩三星。

同样，仓储、快递、卡车驾驶、流水线、农业采摘——目前LLM几乎替代不了，但长期机器人可能替代。

OECD 2026的新模型之所以比早期研究更有价值，就是它开始把AI能力拆成语言、推理、社会交互、视觉、机器人等多个维度，而不光研究ChatGPT。

所以我把"高AI抗性"分成两种：

真正的双重抗性——既抗LLM，也相对抗机器人：水电维修、复杂装修、汽车维修、理发、美容、健身教练、护理、康复、儿童照护、消防、医疗。

它们的共同点是：非标准环境 + 灵巧身体操作 + 人际互动或判断。

而单纯"在固定环境里重复身体动作"的活（流水线、清扫、搬运），对生成式AI抗性强，但不能直接推导为长期自动化安全。

哪些职业AI抗性明显低？研究也高度一致：

数据录入行政文员秘书银行柜员基础客服翻译基础文案标准化会计任务法律文本处理基础编程电话营销

WEF 2025预计下降最快的岗位，就包括数据录入、银行柜员、行政助理、秘书。

这些活的共同特征：在标准环境里，处理可编码的符号。 AI的主场。

把上面收一收：

第一梯队 · 强现实世界职业

建筑/安装/维修（水电木瓦焊）、个人身体服务（理发美容健身）、医疗身体服务（护士医生牙医康复）。

第二梯队 · 人际 + 判断职业

儿童照护、养老照护、特殊教育、社会工作、心理咨询、部分教师、消防与现场公共安全。它们未必不用AI，但AI更可能是助手，不是替代者。

第三梯队 · 当前抗AI，但要警惕机器人

农业、园艺、清洁、搬运、建筑劳工、部分制造业、部分驾驶、食品加工。对生成式AI抗性极强，但不能直接等于长期安全。

做了这轮调研，我觉得最有解释力的不是某份职业名单，而是一条非常稳定的规律：

AI抗性 ≈ 现实世界复杂度 × 人际复杂度 × 情境判断 × 责任

其中一个维度高，就能形成一定保护。几个维度叠起来，就是很强的保护。

水管工= 非标准现实环境 + 手部操作

理发师= 手部操作 + 审美 + 人际互动

护士= 身体操作 + 人际互动 + 情境判断 + 责任

健身教练= 身体观察 + 人际关系 + 激励 + 实时调整

医生= 情境判断 + 人际沟通 + 身体世界 + 高责任

纯文字资料整理= 四项几乎是零

这可能比单独记住"哪些职业安全"更有用。因为它是个判断框架，不是一份会被刷掉的名单。

回到开头那个问题——现在让孩子学什么不容易被AI替？

如果非要给一句不那么空洞的回答，我会说：学一个需要把身体伸进不可预测的现实、在不确定中做判断、并为判断负责的活。哪怕它看起来没那么"高级"。

主要参考：OECD AI Exposure Measure (2026)、ILO Generative AI and Jobs (2025)、WEF Future of Jobs Report (2025)、Eloundou et al. (2023)、Felten, Raj & Seamans (2023)、中国劳动力市场LLM研究 (2023)。