哪些工作会被AI彻底自动化？一套判断方法与两个真实案例

这篇文章基于Theory Ventures合伙人Andy Tadman的演讲，系统拆解了“大语言模型在哪些工作上已经是超人级别”的判断方法。你将看到一套清晰的自动化评估框架，以及安全运营和客户营销两个真实案例，理解为什么真正被颠覆的不是“复杂工作”，而是“高频工作”。

别再泛谈“岗位”，AI自动化必须拆到任务级

为什么很多关于“AI会不会取代某某职业”的讨论都失焦？Andy Tadman一上来就点破问题：我们讨论错了粒度。不是“岗位”，而是“任务”。

在Theory Ventures的研究方法中，每一个岗位都会被拆解成一系列可执行的任务和子任务。例如在安全运营（Security Operations）中，一个分析师的工作并不是“处理安全事件”，而是：接收告警、查询系统、补充上下文信息、整合结果、分析判断，然后反复迭代直到得出结论。甚至在“查询”这个步骤里，还可以继续拆成选择工具、写查询语句、调试错误。

Andy特别强调了两个容易被忽略的事实。第一，“一份工作不一定对应一个人”，它可能由多人协作完成，也可能部分已经被自动化系统接管。第二，一个人的工作不仅是核心任务，还包括大量会议、沟通、协作等组织行为，而这些对自动化的影响非常不同。

这也是他反复强调的一句话：“When you’re thinking about AI automating workflows， you need to get really specific.”如果不拆到任务层面，就根本无法判断LLM真正能替代什么、不能替代什么。

LLM真正擅长的三件事，决定了它能自动化什么

理解LLM能做什么，必须回到它的本质。Andy给出了一个极其克制但准确的定义：“All an LLM is trained to do is to model the distribution of the data that it’s trained on.”正是这一点，催生了三个对工作流自动化至关重要的能力。

第一是“转化（Transformation）”。把信息从一种格式变成另一种格式，比如PDF到表格、表格到邮件、邮件到JSON。历史上，数据整合和格式转换一直是自动化的最大阻力，而LLM几乎天然解决了这个问题。

第二是“综合（Synthesis）”。不是简单总结，而是从大量信息中提炼结论、回答问题。Theory内部已经在使用Gemini和OpenAI的深度研究工具，一次性总结数百个网站来判断某个技术或市场。

第三是“推理（Reasoning）”。Andy的表述非常谨慎：LLM并不是真正在“思考”，而是在拟合人类书面推理的分布。这意味着它在常识、代码、数学、逻辑等有大量公开文本的数据领域表现很好，但在安全分析师、律师、会计等高度依赖隐性经验的领域，还需要大量定制数据。这反而成为初创公司的差异化机会。

这三种能力，直接决定了LLM在哪些任务上是“勉强可用”，在哪些地方是“压倒性优势”。

真正被颠覆的，是“高频、低复杂度”的工作

Andy提出了一条极具操作性的判断轴：用“任务复杂度”和“任务量级”来看待所有工作。

在光谱的一端，是低频但高度复杂的工作，比如战略规划。这类工作短期内更多是Copilot形态，“人驱动，AI加速”。中间地带，是客户支持等核心流程自动化场景，LLM可以覆盖40%到70%的日常工作，但仍需要人工介入和配置。

而最激进、也最有创业机会的区域，是“高频、相对低复杂度”的工作。Andy用了一个非常有记忆点的说法：“These are jobs that are hard because of scale.”难的不是判断，而是数量。

在这里，LLM的对手甚至不是人类，而是上一代的规则引擎。Andy直言，在很多人担心“LLM只有80%到90%可靠性”的场景里，它依然可以“10倍好于人类”，因为只要能完成一次，它就能完成一千次、一万次，而且不会疲劳、不会打错字。

“Competition is no longer AI versus human， it’s AI versus rules-based software.”这句话，几乎定义了这一代AI自动化公司的真正战场。

两个真实案例：安全告警与千万级用户沟通

第一个案例来自Theory投资的Dropzone AI，面向安全运营中心。随着公司购买的安全产品越来越多，告警数量呈指数增长，分析师往往只能查看1%的告警，其余交给规则系统处理。这不仅效率低，而且工作极度重复，全球还缺口约400万名安全分析师，人员流失率极高。

Dropzone构建的是端到端的Agent系统，完整执行调查流程。它们精通所有查询语言、不犯拼写错误、拥有近乎完美的记忆，并且可以7×24小时运行。Andy特别指出，关键并不是它们“比人更聪明”，而是“比规则系统更好”已经足够。更重要的是，系统还能跨客户共享新威胁的学习成果。

第二个案例是客户互动平台Amp。在营销中，决定“给一个用户发什么消息”并不难，难的是“给一百万个用户分别发什么”。规则式旅程在面对时间、渠道、偏好等变量时会发生组合爆炸。

Amp的Agent系统持续试验不同文案、时机和渠道，让营销团队从“规则维护者”转变为“实验设计者”。一个极具故事性的发现来自某食品配送客户：系统识别出一群只在晚上11点或午夜响应的“夜宵用户”，这是人类团队过去从未意识到的用户群体。这种洞察，本身就成为了战略资产。

总结

这场演讲真正的价值，不在于告诉你“哪些岗位会消失”，而是提供了一套可反复使用的判断框架：拆解到任务、评估复杂度与频率、理解LLM的真实能力边界。对于创业者，这是寻找“技术问题匹配”的地图；对于管理者，这是重新设计组织结构的起点。当高频工作被系统接管，组织将从金字塔走向“倒金字塔”或“菱形”，而真正稀缺的，将是能设计、审查和进化这些系统的人。

关键词： 大语言模型， AI自动化， AI Agent， 工作流自动化， Copilot

事实核查备注： 演讲者：Andy Tadman（Theory Ventures合伙人）；投资机构：Theory Ventures（旧金山）；核心能力：Transformation、Synthesis、Reasoning；提及产品：Gemini、OpenAI深度研究工具；案例公司：Dropzone AI（安全运营）、Amp（客户互动）；数字：全球约400万名安全分析师缺口；观点原话包括“model the distribution of the data”“AI versus rules-based software”“jobs that are hard because of scale”。