AI岗位增长，为什么找工作的人仍然感到压力？

2026年AI就业观察：岗位在变化，普通人的机会在哪里？

看AI招聘，我最在意的变化，是企业正在怎样重新描述一份工作。

同样叫运营，以前可能要求会写文案、做活动、看报表，现在还可能要求搭建AI工作流程、维护知识库、评估生成内容。职位名称变化不大，交付要求却已经不同。

这比“又出现了一个百万年薪岗位”，更值得准备学习AI的人关注。

科锐国际在2026年9月16日发布的活动预告中披露：与2024年同期相比，2026年上半年，其调研中的AI相关招聘岗位增长了119%，应用、产品、运营、设计等方向也在增长。这里比较的是两年间的同期数据，统计对象是招聘需求，不能直接当作实际新增入职人数。

我的判断是：AI职业机会正在向具体业务中的应用与交付扩展。对于大多数人，更实际的问题是，自己能接住其中哪一部分。

但在讨论机会之前，有一个容易被忽略的事实：AI岗位增长与企业减少招聘，可以同时发生。

举个假设例子。一个行业的总招聘需求从1000个降到600个，其中AI岗位从20个增至80个。AI岗位增长了300%，总招聘需求仍然减少了400个。两个数字都成立，却描述着不同的事情。

因此，不能用AI岗位的高增速证明整体就业没有压力，也不能把某个行业的招聘下降全部归因于AI。市场需求、企业预算、经营周期，也可能同时影响招聘。

这也是我不愿轻易说“AI只会改变工作，不会减少工作”的原因。具体岗位可能消失，新岗位也可能出现，二者能否抵消，需要更多证据。

国际劳工组织与波兰国家研究院NASK在2025年发布的研究估计，全球约四分之一就业处于可能受到生成式AI影响的职业中。研究认为，工作内容发生转变更可能成为主要影响，但这个比例衡量的是技术的潜在影响范围，并不意味着四分之一的人会失业。

把这个结论放回日常工作，就容易理解了。

一份工作通常包含许多任务。写初稿、整理资料、修改格式，只是其中一部分；判断需求、处理异常、协调他人、决定最终交付，又是另一部分。企业采用AI后，可能重新组合这些任务，也可能调整团队人数。

所以，观察自己的职业风险，最好具体到：哪些任务已经能被AI可靠完成，哪些任务仍然需要你负责。

沿着任务往下看，会发现值得关注的招聘变化。

普华永道2026年7月发布的《中国内地市场分析报告》显示，在其招聘数据统计口径内，2025年AI应用类和开发类岗位均有增长，其中应用类增长更快：

岗位分类	2025年岗位数量增量	增幅
AI应用类	近9万个	50.8%
AI开发类	约3.05万个	15.5%

这些是招聘数据中的变化，不等同于全国实际净增就业人数；两类岗位的具体划分应以报告方法为准。

对学习者而言，这组数字的意义在于：值得研究的方向正在扩展到模型的实际使用环节。

科锐国际在另一份《2026人才市场洞察及薪酬指南》的公开解读中，也提到了智能体开发、AI解决方案架构、数据治理、安全评估等人才需求，并强调技术能力与业务理解的结合。它与9月预告的《2026AI人才市场报告》是不同报告，不能混为同一份数据来源。

一个企业知识库项目，就能说明这些工作有什么不同。

有人负责整理资料，确定哪些版本可信；有人把模型接入业务系统；有人设计测试问题，检查回答是否准确；还有人决定哪些请求可以自动处理，哪些必须交给人工。这几类工作可能由不同岗位承担，也可能集中在一个小团队里。

其中的Agent，也就是智能体，可以简单理解为：在一定规则下，能够调用工具、分步骤处理任务的AI系统。这里用来解释工作分工，不代表某一家企业的实际招聘案例。

做出一次漂亮演示，只能说明方案有潜力。把错误率、响应时间和使用成本控制住，让同事持续使用，才接近企业需要的交付结果。

因此，学习AI时，有必要把“我会使用什么工具”，进一步写成“我能解决什么问题，怎样证明解决了”。

公司选择也可以沿着同一条思路展开。

普华永道的上述报告指出，2025年，其统计覆盖的各行业AI岗位占比均有所提升。这支持了AI应用正在向更多行业扩展的判断，但不能据此推算“传统企业贡献了多少新增就业”。

招聘时，公司的行业标签只提供一部分信息。更值得追问的是：这个岗位服务什么业务？谁使用它的成果？项目有明确预算吗？上线后由谁验收？

比如，做内容的人可以研究素材生产和审核流程；有客服经验的人可以研究知识库与人工转接；懂制造流程的人可以研究质量检测、设备维护中的数据需求。这些是值得调查的应用场景，是否存在适合自己的职位，还要看企业的具体招聘要求。

城市选择也一样，产业基础比一张增速榜更有解释力。

以苏州为例，2026年1月发布的“AI+制造”八大行动，将工业大模型、工业数据集和典型应用场景等列为推进方向。这说明当地在推动AI与制造业务结合，但政策目标本身不等于已经形成的岗位数量。

据此，一个有制造业经历的求职者，可以进一步查当地企业需要哪些工业软件、数据处理或AI实施能力。这是根据产业方向寻找线索，最后仍然要落实到真实职位。

而判断某座城市是否适合自己，至少要同时看岗位总量、经验要求、薪酬与生活成本。还要留意分母：AI岗位占比上升，既可能来自AI招聘增加，也可能与其他招聘减少有关。仅凭占比增幅，很难判断找工作的难易程度。

说到这里，很多人最关心的问题才真正浮出来：过去积累的经验，还能用吗？

我的看法是，经验需要被重新表达。

“我做过很多年”说明你待过这个行业；“我知道哪些判断容易出错，并能把判断标准放进工作流程”才让别人看见这段经验怎样发挥作用。

下面这些实践方向，可以作为学习项目的起点：

已有经验	可以尝试的AI项目	值得展示的成果
内容、设计、视频	搭建选题、制作、审核流程	完整作品、修改记录、质量标准
电商、运营	分析用户反馈，辅助制作内容	原始材料、分析依据、人工复核结果
客服、销售支持	整理知识库，辅助生成回复	回答准确性、异常处理、转人工规则
制造、供应链	整理缺陷记录或设备维护资料	数据质量、业务适用范围、验证记录
软件开发	构建智能体或业务集成工具	可运行项目、测试结果、成本记录

这些项目也提醒我们，AI应用岗位并不等于低门槛岗位。涉及系统集成的工作，可能需要编程；涉及行业判断的工作，需要业务知识；涉及内容交付的工作，也需要审美、事实核查和质量控制。

初学者可以先把学习目标缩小。

第一步，收集一批目标岗位的真实招聘说明。把反复出现的任务和要求记下来，分清哪些是必需能力，哪些只是加分项。这样选课程、练工具，才有明确方向。

第二步，从自己熟悉的任务里做一个完整项目。例如，用允许使用的资料搭一个小型问答库，记录它在哪些问题上答对、在哪些问题上答错，以及错误如何处理。

第三步，留下能被检查的过程。记录人工耗时、工具成本、返工情况和质量结果。做效率比较时，尽量保持任务难度与验收标准一致，不能拿一次顺利演示代表长期效果。

对求职者来说，一份讲得清楚、能够复现的项目，比一长串工具名称更容易让招聘方判断你的能力。对在职者来说，它也能帮助你识别：哪些AI用法确实省事，哪些只是把工作转移到了后续检查。

下次打开招聘软件，可以试着搜索“行业名称＋业务任务＋AI”，然后认真看岗位描述。

把其中一项你熟悉、又确实需要补强的任务做完整。读懂报告之后，这会是一个具体的起点。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）