技术 的AI职业风险
科技行业在各行业中显得不同寻常，因为它既是这波自动化浪潮的源头，又是受其影响最深的领域之一。代码补全、测试生成和日志分诊如今已是开发者日常工具箱中的常规部分，它们确实明显加快了构建软件中机械性的那部分。而没有变得更容易的，是最初决定要构建什么、如何构建一个不会在两年后被自身复杂性压垮的系统结构，以及当一个生产系统在凌晨三点、客户正盯着看的时候崩溃时，由谁负责。
行业平均风险分数
54.78
分析职业数
23
如何更好地阅读这一页
下面的固定解说会帮助读者理解分数该怎么看、自动化压力通常先出现在哪些环节，以及这个行业里哪些价值仍更可能由人来主导。
如何阅读本行业页面
把科技工作拆成代码生产和系统责任两部分，因为 AI 对二者的重塑方式非常不同。编写样板代码、生成单元测试、补全常规函数，以及为调试而摘要日志，是 AI 工具如今能快速且相当不错地完成的任务，往往比一名初级工程师还快。而选择一个能在产品扩展时依然站得住的架构、决定一个系统在真实约束下应该做出什么取舍，以及在生产系统出问题时成为那个被呼叫的人，需要对数月乃至数年后才显现的后果进行判断，而这正是工程资历持续发挥最大作用的地方。
更容易被自动化的部分
AI 最先进入的是代码补全、样板代码生成、单元和集成测试编写、日志和错误分诊，以及工程师过去总是无限期拖延的技术文档初稿。代码审查助手已经能在人工审查者查看拉取请求之前，捕获相当一部分风格、正确性和安全性问题。而在系统设计决策上，在调试运行手册中毫无先例可循的真正新颖的生产事故上，在与不具备工程语汇的产品和业务利益相关方谈判技术取舍上，以及在承担一个系统正常运行时间的值班责任上，它就会止步。
仍然由人主导的部分
持久的科技行业角色，是那些承担设计和运营责任的角色：决定服务应该如何拆分、接口应该设在哪里的架构师，在实时事故中判断该回滚什么、该保留什么的资深工程师，以及在相互竞争的团队之间就速度、成本和可靠性进行权衡谈判的资深工程师。评估真正新型威胁的安全工程师，以及应对团队冲突和利益相关方压力的工程经理，同样依赖无法简化为模式补全的判断力。
看分数时要注意什么
评估一个科技岗位时，要问它主要是按已知规格写代码，还是主要在做团队和业务所依赖的决策。以常规实现、测试编写和样板代码工作为核心的角色暴露度更高，因为 AI 助手已经承担了这部分工作量的大半。而以系统设计、事故响应，以及真实运营风险下的技术取舍为核心的角色分数更低，因为 AI 辅助加快了敲代码的速度，却没有消除对最终交付成果的责任。
AI高风险职业
下表展示的是该行业当前更偏高风险一侧的职业快照。它更适合与上面的固定解说结合阅读，而不是被当成长期不变的例子清单。
AI低风险职业
下表展示的是该行业当前更偏低风险一侧的职业快照。它适合用来比较工作结构，而不是用来断言这些岗位以后一定不会变化。
常见问题
Q.技术行业中,哪些工作最容易受到AI的影响?
在技术行业中,AI风险评分最高的工作包括软件测试员。上方展示了技术行业中受影响程度从高到低的完整排名。
Q.技术行业中,哪些工作最不容易受到AI影响?
技术行业中受AI自动化影响最小的岗位包括机器学习工程师。这些工作通常依赖判断力、现场实际操作或责任担当,而这些是目前的AI无法承担的。
Q.技术行业对AI来说安全吗?
没有哪个行业是完全安全或完全高危的。在技术行业内部,从事常规信息处理的岗位比依赖判断力和责任担当的岗位更容易受到AI影响。因此,该评分更适合被理解为任务受AI影响程度的信号,而不是对失业情况的预测。
Q.技术行业的AI风险评分是如何计算的?
该评分是我们所追踪的技术行业各职业AI风险的平均值,每周更新一次。有关基础评分的计算方式及解读方法,请参阅方法论页面。