方法与来源

这个工具能告诉你什么

报告结合已发表的职业层面指标与任务层面的建议，帮助你选择一个小范围 AI 流程进行验证。它不估算你的失业概率、可节省工时，也不预测职业消失的日期。

AI 适用性、单项任务自动化和就业变化是不同概念。即使任务适合 AI 辅助，结果责任仍可能由人承担。

已发表的 AI 适用性指标

展示 Microsoft《Working with AI》1.1 版的 ai_applicability_score 字段，保留原始 0–1 范围并四舍五入至三位小数。该指标综合观测活动覆盖率、估计的任务完成情况和影响范围。数值越大，表示按该研究方法衡量的适用性越高，不表示被替代的概率越高。

研究分析了 2024 年 1–9 月美国 Bing Copilot 的匿名化对话，使用模型分类器评估活动类别和完成情况。样本来自面向消费者的助手使用，不能代表所有员工、雇主、专业 AI 软件或当前模型能力。

研究使用 O*NET 29.0 和 2018 年详细 SOC 代码。我们保留已发表的评分，不使用 O*NET 31.0 任务重新计算。 数据仓库快照：550c00c9d1b0

观测到的活动覆盖率

报告使用 Microsoft soc_metrics.csv 中的 coverage_user：在研究中，用户目标对话占比超过 0.05% 的职业中间工作活动，按重要性和相关性加权后的比例。以百分比展示，保留一位小数。

它不是使用 AI 的人数比例、一天工作中已自动化的比例，也不是清单中每项任务的使用率。我们不会把职业覆盖率分配给单项任务。

此版本未纳入 Anthropic 和 ILO 指标。它们的样本与定义不同于 Microsoft；没有单独的方法说明，不应将这些指标平均为一个分数。

职业匹配与置信度

每份报告明确记录 O*NET 31.0 职业及研究 SOC 代码。两种代码都必须存在于对应来源中，导入才会成功。匹配时核对名称和职责范围，不会仅凭名称相似自动推断。

• 直接职业匹配： 职位名称对应所列的标准职业。细分专业和具体工作场所仍可能不同。
• 范围更广的职业组： 任务来自 O*NET 细分职业，但研究和 BLS 数据覆盖更广的 SOC 组。例如，商业智能分析师属于数据科学家职业组。
• 近似职业匹配： 标准职业只覆盖目标职位的部分工作。UX 设计师对应网页与数字界面设计师；数据工程师对应数据库架构师；产品经理对应营销经理。每份报告都会说明限制。

这些标签描述映射质量，不是统计置信度。我们不发布数值置信度或虚构置信区间。代码直接匹配也不意味着研究能够预测你的具体工作。

任务、分类与技能

每个职业包含编辑选出的八项任务，并关联 O*NET 31.0 任务 ID。任务名称经过简化，一项宽泛的 O*NET 任务可能拆为多项具体活动。原文可在“任务来源”中查看。这不是完整职位描述，也不是所有职责的排名。

有未被抑制的评分时，按 O*NET 的 1–5 范围展示任务重要性。技能列表选取基础与可迁移技能中可用重要性评分最高的五项。重要性描述职业要求，不衡量 AI 适用性。

• 部分自动化： 明确输入与验收条件后，可将范围有限的草稿或常规步骤交给 AI；结果仍需人工审核。
• AI 辅助： AI 可提出选项或执行中间步骤，由人核对证据并整合结果。
• 人类主导： 任务核心是责任承担、协商、情境判断、授权或直接验证。AI 可以帮助准备材料。

这些分类、解释、练习和工具匹配均为 AI IDE List 编辑建议，未由 O*NET、Microsoft 或 BLS 发布或背书，也不是经过实证验证的自动化估计。评分不由实时语言模型生成。

个性化如何生效

“不属于我的工作”权重为 0；“偶尔”“定期”“频繁”的权重分别为 1、2、3。每项任务默认设为 2。分类占比等于该类所选任务权重之和除以全部所选任务权重之和。各百分比单独四舍五入。

这只是按频率加权的任务分布，不代表工时或节省时间。未选择任务时计划为空。选择不会改变已发表的职业指标或 BLS 预测。

练习优先考虑执行频率较高的任务，保留不同技能领域，最多展示三项。频率相同时，辅助和部分自动化任务排在人类主导任务之前。工具按所选辅助任务的能力要求匹配；匹配只是待评估的建议，不证明该工具最适合这个职业。

就业预测与地域

BLS 表 1.2 提供 2025–2035 年美国就业变化百分比。通过明确的 SOC 映射关联，并在每份报告中标明 BLS 职业组。这些预测综合经济与人口等多种因素，不衡量 AI 的因果影响。

此版本不提供英国预测或“AI 改变英国 STEM 职业”的评分。英国报告需要 ONS SOC 2020 映射及英国证据，不能把美国指标当作其他国家的本地预测。

工具推荐与隐私

工具链接来自 AI IDE List 现有目录中已发布、仍有效的英文条目，模型链接来自站内模型目录。排除未发布或已停用的工具。推荐基于任务能力与频率，不使用付费排名或研究评分排序。

任务选择保存在当前浏览器中，可在报告中重置。复制的报告链接包含职业与频率编码，收件人可还原选择。我们不要求姓名、简历、职位描述或账户。

在用户同意分析统计后，网站会记录打开已知职业、调整任务、复制报告和打开工具等操作。事件不包含搜索原文或逐项任务频率。

署名与许可

• O*NET 31.0

  美国 O*NET 开发中心；美国劳工部就业与培训管理局。任务名称经过改写；任务建议由 AI IDE List 提供。

  CC BY 4.0

• Working with AI，v1.1

  Kiran Tomlinson、Sonia Jaffe、Will Wang、Scott Counts 和 Siddharth Suri。《Working with AI: Measuring the Applicability of Generative AI to Occupations》。NeurIPS 2026（待刊）。保留已发表评分，不重新计算。

  CC BY 4.0

• BLS 就业预测，2025–2035 年

  美国劳工统计局表 1.2。所选职业的增长百分比于 2026-10-25 从官方表格转录。

  美国政府数据

使用这些来源不代表它们认可 AI IDE List。O*NET 是美国劳工部就业与培训管理局的商标。

数据版本与更新

英语、简体中文和日语版本使用相同数据。翻译不改变职业代码、任务 ID、研究指标或任务选择权重。O*NET 任务陈述及官方职业名称保留英文原文，便于核对。

2026 年 10 月 25 日 — 版本 1.0.0。 首次发布英文版：20 份职业报告、160 项任务映射，采用 O*NET 31.0、Microsoft v1.1 与 BLS 2025–2035 年预测。

来源快照与显式映射随应用一起版本管理。更新来源时必须重新核对职业代码、任务 ID、评分抑制标记、预测期间与编辑建议，不会在现有报告中静默替换来源版本。

发现映射或说明有误？请提供职业、任务与来源。 提交更正