新的 AI 职位名称正在涌现，但其工作内容仍难以界定

8 月 2 日，Google News 展示了 Doug Levin 的文章《New Titles Because of AI and Beyond》，将一个颇具争议的职业观点置于 AI 监管信息流中。

除标题和署名外，该条目提供的可访问信息很少。这一限制很重要，因为一篇谈论职位名称的文章，很容易被解读为对大规模职业变迁的预测。

更稳妥、也更有价值的结论是：在雇主尚未就这些新增工作如何命名达成一致之前，AI 已在改变既有岗位之间的边界。

这使显性的职位标签与实际运营情况产生冲突。企业希望用职位名称传递 AI 能力信号，而员工则需要拥有明确权限、评估标准和职业发展路径的岗位。

Levin 的标题抓住了这场冲突的前半部分。劳动力市场的证据则补充了后半部分。

这则 Google News 条目 将 Levin 及其 Substack 列为来源。不过，在撰写本分析时，原始文章并非始终可供独立查阅。

这一核实缺口使我们无法对 Levin 的完整论点作出确切判断，但并未消除标题提出的更大问题。

新的 AI 职位名称，是确实出现新工作的证据，还是企业在组织模式尚未稳定之际，对熟悉职责的重新命名？

Google News 的标题究竟改变了什么

眼下发生的是一篇关于职业命名的公开论述，而不是某个官方职业或就业类别的诞生。

Google News 通过一个围绕 AI 监管与安全的资讯流分发了这一标题。来源是 Doug Levin 的 Substack 出版物《Lessons from a Startup Life》。

Levin 将自己介绍为科技高管、创始人、董事会成员和创业顾问。Doug Levin 的出版物 聚焦 AI、创业公司、治理以及企业领导者面临的决策。

这一背景赋予该标题管理层视角。它将新职位视为组织对 AI 的回应，而非政府统计机构或专业协会发布的分类体系。

这一差别很重要。通讯作者可以识别新兴趋势，但仍由雇主决定哪些岗位存在，以及这些岗位拥有什么权限。

随后，招聘人员会将这些岗位转化为职位描述。员工将其视为职业机会，薪酬团队则尝试将其与既有岗位进行比较。

搜索和聚合系统又增加了一层影响。一个简洁的标题传播范围可能远超原文中列出的任职资格。

这似乎正是这里的核心风险。“因 AI 而出现的新职位名称”听起来很具体，但现有条目并未证明哪些职位名称已获得实质性采用。

它也没有说明 Levin 是将这些职位视为建议、观察、玩笑还是警示。因此，任何细节性的归因都将超出证据范围。

不过，这个标题能进入 Google News，是因为它触及了一个可辨识的变化。组织正艰难地为跨越产品、工程、法务、安全和运营的 AI 系统划分责任归属。

传统软件团队通常可以将应用开发与基础设施、合规工作区分开来。但 AI 系统让这些边界变得不那么稳定。

其行为取决于模型、检索到的信息、提示词、权限、评估机制和人工审查。故障可能源自其中任一层。

必须有人决定系统能够访问哪些数据；必须有人衡量输出质量、调查错误、控制支出，并确定何时仍必须保留人工审批。

即使统管这些职责的职位名称是新的，这些职责本身也是真实存在的。因此，这场讨论主要并非关于词汇。

它关乎一个组织是否承认了那些过去夹在部门之间的工作。

当新职位名称明确了责任归属时，它才具有意义；若只是把“AI”加在既有职位前面，却不改变决策权、资源或问责机制，它就只是表面修饰。

这正是该标题制造的张力。它促使读者越过新鲜感，追问雇主是否真正重新设计了工作本身。

AI 职位名称的增长快于组织清晰度

雇主面临着展示 AI 能力的压力，而他们尚未厘清谁负责部署、安全、评估和业务成果。

证明这种压力的最有力证据来自劳动力市场活动，而不是富有想象力的职位名称清单。

LinkedIn 在 2025 年 9 月发布的 AI 劳动力追踪报告 考察了超过 2 亿名美国会员的劳动力数据。

报告称，2025 年 AI 工程人才的招聘同比增长超过 25%。AI 工程岗位占技术职位发布量的近 7%。

报告称，这一比例较前一年增长了 63%。然而，AI 人才在 LinkedIn 会员中的占比不足 1%。

这些数据表明供需确实失衡，但并不能证明每个新职位名称都代表一种独立职业。

一家为稀缺人才竞争的公司，有多种理由尝试不同职位名称。它可以借此展示技术雄心、将岗位与普通软件工作区分开来，或锁定更细分的候选人群体。

职位名称也会塑造公司内部的预期。将某人称为 AI 工程师，意味着模型行为和 AI 应用设计属于该人员的职责范围。

将同一个人称为解决方案工程师，可能更强调客户部署。“前置部署工程师”则暗示其直接负责在客户环境中调整产品。

AI 产品经理可能负责用例选择和产品成果。AI 治理负责人可能专注于政策、文档、控制措施和升级路径。

这些岗位相互重叠，是因为已部署的 AI 系统本身就相互交织。模型选择会同时影响成本、延迟、安全性和输出质量。

这种重叠带来了管理难题：如果人人都参与 AI，就不会自动有人对最终结果负责。

首席 AI 官可以协调战略，却未必对产品团队拥有管理权限。治理专家可以制定控制措施，却未必能掌控发布节奏。

AI 工程师可以构建评估系统，却未必能决定客户可接受的失败率。法务团队可以识别风险暴露，却未必能决定造成这些风险的产品行为。

新职位名称往往出现在这些边界上。它们是组织试图将共同关切转化为具名责任的尝试。

这种压力并不限于科技公司。教育、专业服务、金融、医疗保健、制造业和政府部门，都需要能够将模型与特定领域工作流连接起来的人。

这些雇主不能简单照搬实验室的组织架构图。他们的 AI 工作更贴近受监管数据、客户、员工和运营决策。

他们需要能在技术可能性与机构责任之间搭桥的人。然而，“协调者”一词在职位描述中很少能传达足够的权限。

雇主的应对方式是创造复合型职位名称。AI 战略、负责任 AI、智能体工程、模型风险和 AI 运营等术语，正越来越多地与既有职能并列出现。

由此形成的市场，可能看上去比实际更成熟。一个精致的职位名称，可能掩盖了试验性的授权范围、不确定的资金，或相互冲突的汇报关系。

因此，候选人应审视标签之下的动词。“负责”“批准”“评估”“部署”和“监控”等表述，比 AI 术语的数量更能说明问题。

一个需要为结果负责的岗位，必须能够获得系统、数据、预算和决策者的支持。没有这些资源，这个职位主要承载的是声誉风险。

这正是该趋势给谁带来压力：雇主必须设计可信的岗位，而员工则必须区分真正的权限与品牌包装。

真正的较量：新的问责机制与新的标签

核心冲突并非旧工作与新工作的对立，而是运营问责机制与职位名称通胀之间的对立。

职位名称通胀，是指一个岗位获得了更时髦的名称，却没有相应改变其职责范围、权限或所需能力。

这种做法早于生成式 AI。围绕 Web、移动应用、云基础设施、数据科学和网络安全，科技周期曾反复产生新的标签。

其中一些标签发展为持久的职业，另一些则因其职责回归更广泛的工程、营销或运营团队而消失。

AI 职位名称也将经历同样的筛选过程。能够存续下来的职位，将描述那些即使具体工具变更后仍然必要的工作。

评估便是一个可能的例子。AI 评估流程衡量一个系统在既定任务、用户和故障条件下的行为是否可接受。

当组织更换模型时，这项工作并不会消失。事实上，更换模型会让一致性评估变得更加重要。

上下文管理是另一个例子。AI 应用在回答问题或采取行动时，通常需要获取选定的公司信息。

团队必须控制哪些来源进入这一上下文、这些信息的新鲜程度，以及谁可以访问它们。检索增强生成（通常称为 RAG）为模型响应提供经过筛选的外部信息。

术语可能会演变，但责任仍会存在。组织依然需要可靠的信息筛选与权限控制。

智能体运营也描述了一种持续存在的需求。智能体是利用模型选择并执行行动、以实现某个目标的软件。

一旦智能体能够发送消息、修改记录、执行代码或批准交易，监控就会成为一项运营职能。必须有人设定边界，并调查意外行为。

这些职责之所以支持不同的专业分工，是因为它们需要不同的证据和决策权。评估关注系统是否有效，治理则关注其使用是否获准。

安全团队考察系统可能如何被操纵或滥用。产品团队决定剩余风险是否可为某种特定客户体验所接受。

一个有用的职位名称会让其中某条责任边界清晰可见。一个薄弱的名称则把一切打包进“AI 负责人”这一角色中，留下未解决的权限问题。

这一差别会影响招聘质量。当雇主尚未定义其实际问题时，候选人就无法为该岗位做好准备。

它也会影响绩效评估。如果其他团队控制着每项变量，就无法公平地根据采用率、成本、安全性和业务价值来评估一个人。

世界经济论坛发布的 就业前景 说明了为何这种不确定性将持续存在。

其2025年报告预测，到2030年，广泛的劳动力市场变化将创造1.7亿个岗位，并取代9200万个岗位。这些估算涵盖多种宏观经济力量，而不只是AI。

在其技术分析中，预计AI和信息处理将创造1100万个就业岗位，同时取代900万个岗位。这讲述的是重新配置，而不是简单扩张。

该报告还将AI和机器学习专家列为增长最快的岗位之一。与此同时，它也将部分知识型工作职业列入下降最快的群体。

这些发现削弱了“新职位名称就等于净新增机会”这一简单说法。新头衔可以出现，而相邻职能中的职位总数却可能下降。

更可靠的信号是任务的流动。在正式职业分类跟上之前，工作会在人、软件、供应商和部门之间转移。

分析师可能会减少撰写常规摘要的时间，转而投入更多时间验证模型生成的工作。软件工程师可能会少写样板代码，更多进行系统层面的审查。

管理者可能会减少汇总状态报告的时间，更多投入到决策流程设计中。这些变化都不会自动要求设立一个新头衔。

不过，当重新调整后的任务组合需要不同的招聘画像，或赋予不同的权限时，新头衔就变得合理。

这一标准比新颖性更严格。它要问的是：公司是否会以不同方式招聘、培训、薪酬激励和评估这一职位。

如果答案是否定的，新头衔很可能只是暂时的包装。如果答案是肯定的，这个角色就已经开始制度化。

AI劳动力数据能支持什么，又不能支持什么

现有证据支持技能快速变化和任务重构的不均衡趋势，但并不支持对每一种拟议AI职业作出充满信心的预测。

PwC的2026年就业晴雨表分析了六大洲逾10亿条招聘广告。

报告发现，在最受AI影响的岗位中，所需技能的变化速度是受影响最小岗位的两倍以上。

报告还描述了一个双轨市场。受AI增强的职位，与AI降低工作执行门槛的职位，增长方式并不相同。

PwC表示，其“专业化”类别中的职位增长速度是“普及化”职位的两倍。自2021年以来，前一类别的工资增长快了42%。

其分析还发现，高度受影响的初级职位要求具备传统上与高级员工相关的能力的可能性高出七倍，其中包括领导力。

这一发现与职位设计尤其相关。雇主可能保留既有的初级头衔，同时悄然提高对持有该职位者判断力的要求。

反过来也可能如此。一个新的AI头衔，可能被附加在现有团队已借助新工具完成的工作上。

这两种模式都使职业建议变得复杂。劳动者不能假定旧头衔意味着旧工作，也不能认为新头衔必然保证一条新的职业晋升路径。

这些数据也存在方法论局限。招聘广告表达的是雇主意图，可能与实际完成的招聘和日常工作有所不同。

公司可能会照搬竞争对手的措辞，或列出很少实际使用的期望技能。一则招聘信息无法揭示员工入职后是否获得了足够的权限。

使用数据提供了另一种视角，但也带有不同的局限。

Anthropic在2026年6月发布的经济指数考察了人们如何使用Claude，并对其部分用户进行了调查。

近六成受访者选择了更高的区间，表示AI在12个月内可能完成其工作中更大比例的任务。

超过三分之一的人预计，AI将在该期间处理其大部分或几乎全部任务。不过，Anthropic明确提醒，这项调查并不具有对总体人口的代表性。

计算机和数学类职业约占受访者的30%，而其在美国就业人口中的占比约为4%。

管理类岗位的代表性也偏高。这种构成可能放大那些本已接近AI应用的人群的预期。

招聘广告数据与使用数据之间的对比很有价值。雇主揭示他们想要什么，用户则揭示他们认为工具能做什么。

两类数据集都无法直接告诉我们哪些新职位头衔会存续。持续性还需要满足若干额外条件。

一个角色需要在不同雇主间拥有持续需求。其职责必须足够具体，才能被教授、比较和评估。

该职位还需要一条从初级工作走向高级权限的清晰路径。没有这种递进，它仍只是临时项目分工。

职业标准可以强化一个角色，但过早认证可能固化薄弱假设。AI实践仍在快速变化，并非每个标签都足以支撑稳定的资质认证。

监管又增加了一层不确定性。规则可能会创造文档、监控和风险管理工作，却不会明确规定应由哪个部门负责。

一家公司可能将这类工作置于法务部门。另一家公司可能把它交给安全、合规、产品运营或专门的负责任AI团队。

因此，同一项义务可能催生多个头衔。在审查其任务之前，不应把这些头衔计作彼此独立的经济需求形式。

这是许多关于AI职业的讨论所缺少的怀疑视角。为工作命名比围绕它建立制度容易得多。

Google News可以在数小时内让一个头衔获得曝光。雇主可能需要数年才能判断，底层角色是否值得在组织中获得永久位置。

劳动者应将职位描述视为一张控制图

可信的AI职位应明确员工可以作出哪些决定、必须提供哪些证据，以及当系统失效时由谁承担责任。

对劳动者而言，实际的应对方式不是记住每一个新兴AI头衔，而是把每则招聘信息转化为一张决策与依赖关系图。

先从被管理的对象开始。该职位负责的是模型、应用程序、内部工作流、客户部署，还是全组织范围的政策？

这些对象需要不同技能。模型工作强调训练、推理和评估，而应用工作则将软件工程与用户行为和运营可靠性结合起来。

内部工作流岗位需要流程设计和变革管理。客户部署岗位则需要领域知识、集成工作和直接沟通。

治理岗位需要证据、文档、风险分类和升级处理流程。它不应被视为一般性的沟通职位。

接下来，识别可用的控制权。员工能否选择模型、修改提示词、限制工具、阻止发布，或要求人工审批？

这个人能否查看使用日志和评估结果？该职位是否掌控预算，还是每次变更都要依赖另一支团队？

这些细节决定了问责是否真实。一个被赋予责任却没有控制权的人，会成为其无法预防的失败的便利责任人。

候选人还应询问成功如何衡量。即使输出不可靠或系统几乎不创造商业价值，仅看采用率也会奖励使用量。

Token使用量衡量的是消耗，而不是结果。如果没有准确性、审查时间和后果等信息，自动化任务数量说明不了太多。

有用的指标会将技术行为与业务流程联系起来。它们可以包括完成率、人工修正、错误严重程度、周期时间和用户留存率。

具体衡量方式取决于系统。关键在于雇主是否定义了可接受的结果及其测试方法。

知识溯源值得特别关注。溯源用于识别信息来自何处，以及它如何进入某个回答或决策。

AI系统可能生成流畅的输出，却依赖过时、不完整或未经授权的信息。涉及AI运营的职位应明确由谁维护这些信息流。

这也是个人知识管理与个体劳动者相关之处。人们需要可靠地记录来源、决策和不断变化的职责。

进入AI密集型岗位的劳动者，应记录哪些任务发生了转移、增加了哪些控制措施，以及哪些结果得到了改善。

这份记录比名片上的头衔更持久。当雇主为类似工作使用不同名称时，它也能支持未来的面试。

管理者在发布招聘需求前也应进行同样的练习。他们应先定义反复出现的问题，再选择头衔。

职位描述应说明哪些决策属于该职位，哪些仍由法务、安全、工程或业务领导层负责。

它还应区分必需经验与工具特定的偏好。否则，招聘团队可能因为候选人没有接触过一款近期流行的产品，而拒绝有能力的人选。

公司也应避免将多个高级专业领域合并为一个初级职位。一则同时要求架构、机器学习、安全、治理、产品战略和销售能力的招聘信息，默认并不意味着跨学科。

它可能只是表明该组织尚未完成工作拆分。头衔无法修复这种规划失败。

清晰的范围界定能改善劳动力市场中的流动性。它让候选人能够比较名称不同、但所需能力相近的职位。

它也能揭示相同头衔掩盖极不相同工作的情形。模型实验室中的“AI工程师”，可能与保险公司的同名职位大相径庭。

因此，将职位描述视为控制图对双方都有益。雇主获得更现实的招聘目标，候选人则不会把可见度误认为权限。

三个信号将揭示哪些新AI头衔能够存续

下一阶段将由重复招聘、正式所有权和可衡量的工作成果决定，而非新闻标题出现的频率。

第一个信号，是无关行业雇主之间的头衔整合。一个持久的角色应出现在多个行业，并拥有可识别的共同核心职责。

措辞不必完全一致。然而，这个角色应持续负责某一明确问题，例如评估、智能体可靠性或模型风险。

如果每则招聘信息都用同一个头衔描述不相关的职责，这个标签就尚未稳定。如果多个头衔汇聚到相同的任务组合，整合便已开始。

这一信号将强化Levin标题背后的论点。它将表明雇主正在为真正反复出现的工作命名，而不是进行孤立实验。

第二个信号，是正式的决策权限。观察新角色是否获得审批权、预算、报告访问权和升级处理职责。

一个无法参与部署决策的治理头衔，仍然只是咨询性质。一个无权延迟发布的评估头衔，其运营影响力有限。

一位无法影响产品投资的首席AI官，可能主要充当发言人。组织架构图不如书面权限重要。

正式所有权的证据将强化其作为独立职业的理由。持续的模糊性则表明，公司正在重新命名协调工作，却没有解决问责问题。

第三个信号，是基于结果的绩效衡量。雇主应将AI角色与可靠性、成本、采用质量、安全性或业务成果联系起来。

这是最严峻的考验，因为许多组织仍缺乏可靠的基线。他们或许知道员工使用 AI 的频率，却不知道工作是否因此得到改善。

一个可持续发展的职业需要可重复的方法来证明其价值。否则，一旦预算收紧或高管注意力转移，它就容易受到冲击。

同样的考验也适用于求职者。一个看似前景良好的职位名称，应当配有员工将负责的决策、系统和成果示例。

Google News 的曝光度可以显示哪些短语正获得关注，但关注度只是早期指标。搜索频率并不能证明一种职业具有正当性。

更重要的证据将出现在职位描述、汇报架构、专业培训，以及试验项目结束后仍被保留的岗位中。

读者也应关注既有职业。AI 最重大的许多影响，可能会通过熟悉岗位中不断变化的预期而显现。

软件工程师、分析师、律师、营销人员、研究人员和管理者，可能会在职位名称不变的情况下承担 AI 相关职责。这一路径的重要性，可能超过少数高度可见的专业岗位。

最可能出现的结果是一个混合型劳动力市场：一些 AI 职位标签会逐渐成熟，另一些则会融入更广泛的职能之中。

劳动者应为底层职责做好准备，而不是押注于某一个短语。评估、信息治理、工作流设计、安全和领域判断力，都可以在不同职位之间迁移。

雇主应避免在尚无法说明该岗位权限之前，就宣布设立一个新角色。没有控制权的头衔会给候选人和内部团队带来混乱。

Doug Levin 的标题之所以有价值，是因为它指向了一个尚未定论的组织问题。它不应被视为经过验证的未来职业目录。

更尖锐的问题是：你的组织中，是否存在没有任何人明确负责的工作？

如果存在，请记录与这项工作相关的决策、风险、证据和结果。然后判断，一个新头衔究竟能否厘清责任，还是仅仅在展示热情。

继续关注下一条 Google News 标题背后的劳动力数据。最终存续下来的头衔，将是那些与可重复的问题、真实的控制机制以及雇主能够辩护的成果相联系的头衔。