我们刚过了人类最后一个劳动节？AI新职业的八个变化¶

Ch01.218 我们刚过了人类最后一个劳动节？AI新职业的八个变化¶

📊 Level ⭐⭐ | 16.6KB | entities/ai-employment-eight-changes-tencent-research.md

研究背景与方法¶

研究团队选取了7家具有代表性的AI公司作为样本，收集其在2025年9月和2026年5月两个时间点的公开招聘数据。样本选择覆盖了美国头部模型厂商（OpenAI、Anthropic、Google DeepMind）和中国头部模型厂商（智谱AI、Kimi、DeepSeek、通义千问），力求反映全球AI行业的整体趋势。

岗位总量从718个增长至1570个，8个月内实现翻倍。这一增速远超同期软件行业整体岗位增长率，反映了AI行业正处于快速扩张期。与之形成对比的是，2025年全年软件行业岗位增长率约为12%，而AI行业同一时期的增速是其数倍。

八个核心发现¶

1. 岗位总量倍增¶

7家公司在招岗位从718增长至1570，8个月实现翻倍。这一增长既反映了AI行业持续扩张的态势，也说明各厂商正在加速商业化步伐。岗位数量的高速增长与模型能力提升呈正相关：当模型在基准测试上取得突破后，公司会迅速增配人力以加速商业落地。

2. 人力从研发转向商业化¶

最显著的结构性变化是人力从研发向商业化迁移。使能者（Enablers，技术研发类岗位）占比下降9个百分点，而协作者（Collaborators，产品化和交付类岗位）与推广者（Promoters，市场营销和销售类岗位）合计上升11个百分点。这一变化标志着AI行业从「技术追赶」阶段进入「商业落地」阶段。

3. 使能者内部换血¶

即使在研发类岗位内部，也发生了显著的结构性调整。推理工程师（Reasoning Engineer）和研究科学家（Research Scientist）岗位增长，而预训练工程师（Pretraining Engineer）和数据工程师（Data Engineer）岗位减少。这反映了当前AI技术发展的重心转移：从Scaling Law驱动的基础模型预训练，转向推理能力优化和模型能力挖掘。

4. 部署军队成型¶

FDE（Field Deployment Engineer，驻场部署工程师）从零星需求增长至100+岗位，其中OpenAI一家占据78.5%的FDE招聘量。这一现象揭示了一个关键洞察：API key模式无法有效服务传统大企业——一个API key解决不了银行的合规流程或医院的电子病历系统对接，必须依赖驻场工程交付团队。

这一发现与 The new AI lock-in 中的分析高度吻合：OpenAI最终认识到，客户真正需要的不是更聪明的模型，而是一个能到现场做"无聊、昂贵、难替换"的流程整合工作的真人。OpenAI收购Tomoro并成立"OpenAI Deployment Company"，正是这一趋势的印证。

5. 推广者激增¶

推广者类岗位从66个增长至275个，四个月内增长4倍。增长主要来自客户成功（Customer Success）和合作伙伴销售（Partner Sales）方向。这说明AI公司正在从「产品交付」向「客户经营」转型：不仅要卖出去，还要帮客户用起来、持续用下去。

这与 OpenAI收购AI咨询公司一文揭示的趋势一致：企业AI落地服务的毛利率可能比API调用更高，但需要长期投入和客户成功团队。

6. 支持者占比稳定¶

支持者（Supporters，后勤运营类岗位）占比保持稳定，意味着AI增强而非替代白领岗位。HR、财务、法务、IT运营等职能岗位的比例未发生显著变化，说明当前AI技术尚未对白领职业结构产生颠覆性影响。

7. 治理者分化¶

治理者（Governors，安全合规治理类岗位）在各公司间分布极不均匀。Anthropic和OpenAI两家贡献了90%的治理者岗位，而多数中国AI公司对安全合规的投入严重不足。这一分化反映了对AI安全的重视程度存在显著的公司文化差异。

8. 中美差异¶

在宏观趋势一致的前提下，中美AI公司呈现出结构差异：中国公司的使能者占比更高、推广者占比更低、治理者更少。这可能与中国AI行业仍处于技术追赶阶段、以及中美商业环境差异有关。

ECPGS五类岗位框架¶

腾讯研究院提出了ECPGS框架，将AI公司岗位划分为五个大类：

类别	定义	典型岗位
使能者 Enablers	AI技术研发	推理工程师、研究科学家、算力工程师
协作者 Collaborators	产品化和交付	FDE、ADE（Application Deployment Engineer）、解决方案架构师
推广者 Promoters	市场营销和销售	客户经理、合作伙伴销售、客户成功
治理者 Governors	安全合规治理	安全工程师、AI合规官、威胁调查员
支持者 Supporters	后勤运营	HR、财务、法务、IT运营

这一框架为理解AI公司组织结构提供了分析工具。需要注意的是，同一岗位名称在不同公司可能属于不同类别（例如某些公司称「架构师」为协作类，某些公司则划入治理类），需要根据实际工作内容判断。

部署岗三层递进模型¶

针对FDE/ADE类岗位，报告识别出一个三层递进的职业发展路径：

FDE（Field Deployment Engineer）：驻场工程交付，负责将AI产品部署到客户环境并确保稳定运行
ADE（Application Deployment Engineer）：产品采用指导，帮助客户团队理解和使用AI产品功能
ADM（Application Deployment Manager）：方法论标准化，将个案经验提炼为可复用的部署方法论

OpenAI的ADE招聘要求尤其值得关注：明确要求「你必须是AI编程工具的深度用户，已经深度定制了自己的开发工作流」。这说明部署岗不仅需要技术能力，还需要有AI原生的使用经验。

关键洞察¶

API经济向部署经济转型¶

研究揭示了一个重要趋势：单纯售卖API key无法有效渗透传统大企业市场。银行、医疗、政府等传统行业对AI应用有特殊的合规要求、集成需求和运维要求，这些无法通过自助式API调用满足。因此，AI公司正在从「API经济」向「部署经济」转型，组建专职的部署和交付团队。

正如所分析的，95%的企业GenAI试点未能交付可衡量业务价值，这指向的不是模型能力不足，而是部署工程的失败 。

对软件工程师的启示¶

过去软件工程师的转型方向是「做云/微服务」，未来则是「走到客户面前，把AI变成生产力」。这意味着纯粹的技术深度已不足以保证职业竞争力，工程师需要具备客户视角和商业理解能力。FDE/ADE类岗位的兴起为工程师提供了新的职业路径。

投资规模超40亿美元，McKinsey和Bain参与，说明行业正在用真金白银验证这一趋势。

对白领职业的影响¶

白领岗位不会消失，但「能用AI重新定义自己工作方式」的人才将获得竞争优势。报告将此描述为「AI增强而非替代」——掌握AI工具使用能力的白领将比未掌握者效率高出数倍，但完全不需要AI技能的岗位将逐渐被自动化。

企业AI落地的三层锁定¶

结合的分析框架，企业AI落地存在三层锁定：

Orchestration层：LangGraph等框架积累了业务逻辑、eval框架、恢复策略和可观测性追踪，一旦投入生产使用，替换代价等同于部分重写
Vendor-controlled workflow surface：Claude Cowork等平台的管理成本本身就是壁垒
Services层：FDE/咨询团队的流程知识是最深层的锁定，无法通过切换底层模型复制

MCP协议的出现正在降低第一层锁定（工具连接成本），但企业工作流的粘性——审批路径、权限体系、制度记忆——依然 irreducibly local，无法被标准化。

研究局限与可信度¶

本研究的局限包括：仅覆盖7家AI公司（均为头部厂商），可能无法反映中小型AI公司的情况；数据来源为公开招聘信息，可能存在岗位名称与实际工作内容不匹配的问题；研究窗口仅8个月，长期趋势有待进一步验证。

综合评分：8×8=64分，属于高质量研究。该评分基于知识价值8分和置信度8分的乘积，反映了研究团队方法论的规范性和数据来源的可靠性。

深度分析¶

1. API 经济向部署经济转型是 AI 商业化的必然阶段

研究揭示的核心洞察是：单纯售卖 API key 无法有效渗透传统大企业市场。银行、医疗、政府等传统行业对 AI 应用有特殊的合规要求、集成需求和运维要求——一个 API key 解决不了银行的合规流程或医院的电子病历系统对接。FDE（Field Deployment Engineer）从零星需求增长至 100+ 岗位，OpenAI 一家占据 78.5%，这个数据印证了行业正在从"卖模型"向"卖服务"转型。

2. 95% 企业 GenAI 试点失败指向的是部署工程失败，而非模型能力不足

腾讯研究院的数据与的分析高度吻合：企业 AI 落地的瓶颈不是模型不够聪明，而是"把 AI 变成生产力"这个转化过程的工程复杂度。FDE/ADE/ADM 三层递进模型的本质是将"AI 落地"这一过程系统化、方法论化、可复制化。

3. 治理者岗位的分化揭示了 AI 安全的公司文化差异

Anthropic 和 OpenAI 两家贡献了 90% 的治理者岗位，而多数中国 AI 公司对安全合规的投入严重不足。这个分化不是技术能力问题，而是公司文化和对 AI 风险认知的差异。Anthropic 创立时就以 AI safety 为核心使命，这种文化差异直接反映在招聘结构上。

4. 白领岗位"AI 增强而非替代"的时代窗口

支持者（HR、财务、法务、IT 运营）占比稳定，说明当前 AI 技术尚未对白领职业结构产生颠覆性影响。但这个窗口不会永远开放——"能用 AI 重新定义自己工作方式"的人才将获得竞争优势，完全不需要 AI 技能的岗位将逐渐被自动化。

5. ADE 岗位要求揭示了 AI 原生工作者的下一代技能树

OpenAI 的 ADE 招聘要求明确写道："你必须是 AI 编程工具的深度用户，已经深度定制了自己的开发工作流" 。这说明未来的 AI 行业从业者不仅需要技术能力，还需要有 AI 原生的使用经验——不是"会用 AI"，而是"已经被 AI 改造过"。这对教育体系和职业培训体系都是新的挑战。

实践启示¶

1. 职业规划：向"客户面前"转型，而非纯粹技术深耕

对软件工程师而言，过去转型方向是"做云/微服务"，未来则是"走到客户面前，把 AI 变成生产力" 。FDE/ADE 类岗位的兴起为工程师提供了新的职业路径——纯粹的技术深度已不足以保证职业竞争力，工程师需要具备客户视角和商业理解能力。

2. 企业策略：组建专业部署团队，而非迷信 API 赋能

如果你的企业想用 AI 改造业务，先问自己：有没有能力组建部署团队？OpenAI 投资 40 亿美元成立专职部署公司，McKinsey 和 Bain 参与，说明行业正在用真金白银验证这一趋势。对于大多数传统企业，与其迷信"API key + 内部 AI 团队"的模式，不如考虑与有部署能力的 AI 公司深度合作。

3. 安全投入：治理者岗位是 AI 公司的长期投资

如果你是 AI 公司创始人，治理者岗位的投入不会立即产生商业回报，但代表了公司的长期风险意识和品牌信誉。Anthropic 在治理者岗位上的持续投入，构成了其在 AI safety 领域的品牌护城河。对于任何想成为百年企业的 AI 公司，安全合规不是成本中心，而是核心竞争力的组成部分。

4. 技能升级：建立 AI 原生工作流的个人竞争力

不要等到 AI 技能成为求职门槛才开始学习。现在就开始用 AI 编程工具深度改造自己的工作流——不只是"让 AI 帮我写代码"，而是"重新设计我的开发流程，让 AI 成为核心参与者"。这种经验在未来 ADE 类岗位的招聘中将是差异化竞争优势。

5. 战略判断：关注部署经济的三层锁定机会

企业 AI 落地存在三层锁定：Orchestration 层的业务逻辑积累、Vendor-controlled workflow surface 的管理成本、以及 Services 层 FDE/咨询团队的流程知识。MCP 协议的出现正在降低第一层锁定，但企业工作流的粘性——审批路径、权限体系、制度记忆——依然 irreducibly local，无法被标准化。这是创业者和从业者应该关注的核心机会领域。