這屆大學生畢業後，可能得給AI當保姆

這屆大學生畢業後，可能得給AI當保姆字母AI2026.07.08 15:58 · 來自北京全文5023字00:00 / 14:14botsitting，下一個勞動力蓄水池？文 | 字母AI誠然，AI讓無數企業裁員，但另一方面，AI也在產生新的工作崗位。根據人社部啟動了互聯網企業雲端招聘月活動的最新數據，今年暑假，超5000家互聯網企業集中釋放了超過20萬個就業崗位。京東、騰訊、字節跳動、美團等頭部企業合計貢獻超4.6萬個崗位，覆蓋AI算法、大模型應用、高性能計算等前沿方向。不只是崗位增加了，工種也增加了。比如算法工程師、提示詞工程師等等。

而最近剛剛興起的botsitting，就很有可能成為新的勞動力蓄水池。啥是botsitting？babysitting是指照顧嬰兒的保姆，那botsitting就是照顧機器人（AI）的保姆。微軟的Copilot部門就有“AI培訓師”、“數字化採納專員”、“AI倡導者”這樣的崗位。他們乾的活，從某種程度上來說就是一種botsitting。具體來講就是教同事怎麼用AI、檢查AI輸出的質量、把AI嵌入到具體的業務流程裡。在實際工作中，從AI輸出的答案，再到真正將其應用到實際場景，這倆之間往往不是一回事。AI可能會輸出幻覺，也有可能完全會錯你的意思。

總之一句話，你得花點時間來修改修改AI輸出給你的答案。那這個時間具體是多長呢？根據Glean旗下Work AI Institute聯合斯坦福、UC伯克利等高校發佈的《Work AI Index 2026》報告，一個白領每週都需要花將近一天的工時來進行botsitting。再加上botsitting不是什麼難活，稍有點AI使用經驗就能上手。因此，剛好適合那群剛剛畢業，想要了解行業的大學生。就像當年的數據標註師一樣，一開始乾的人也很少，但是隨著AI發展，大家越來越注意到這個崗位的重要性，因此崗位也隨之壯大。botsitting都是幹啥？所以botsitting到底乾的是啥活？舉個例子你就明白了。

比如說，你用AI幫你寫一份市場分析報告。AI一開始不知道你們公司的產品線，你得先把背景信息喂進去。結果出來以後，你得逐個核實競品數據。最後你還得給AI輸出的內容進行排版。這一套流程走下來，差不多要一兩個小時。《Work AI Index 2026》中提到，87%的白領已經在工作中使用AI，平均自稱每週節省了13個小時。然而，他們每週平均要花6.4個小時在botsitting上。也就是說，AI幫你省下的時間裡，有一半又被你親手還回去了。還有一點，botsitting這種事有一種自我惡化的傾向。69%的人不經審核，直接把AI生成的內容原封不動地提交上去。

報告進一步指出，員工每週花在AI上的時間中，37%是在botsitting，36%是用AI生產東西，剩下的27%是在學工具、搭Agent。這數據確實有些離譜，但現實更離譜。導致botsitting比實際使用AI還耗時的原因是，36%的AI會話直接“失敗”，需要全部推翻重來。另一個原因是工具實在太多了，77%的AI用戶每週要在多個AI工具之間來回切換，33%的人同時用四個以上。Claude 的用戶裡，只有0.5%只用Claude，平均每個人還在同時跑著另外四個AI工具。每換一個工具，之前喂進去的公司背景、項目上下文就斷一次，回頭還得再喂一遍。報告管這叫“上下文稅”。

報告顯示，每多花10%的時間給AI喂上下文，員工感到筋疲力盡的概率就上升25%。還不止是這樣，重度AI用戶的botsitting頻率是輕度用戶的兩倍還多。等於說你AI用得越猛，當保姆的時間佔比就越高。AI輸出質量越不穩定，人需要的botsitting就越多；botsitting越多，人越疲憊；人越疲憊，越傾向於跳過審核直接提交；越多人跳過審核，組織越看不到AI的真實回報。報告顯示，75%的個人用戶認為AI提升了生產力，但實際上，只有13%的人表示，企業因為AI獲得了顯著改善。這中間的62%，就是缺少botsitting。

為什麼botsitting天然適合剛剛畢業的大學生美國大學與僱主協會（NACE）的《Job Outlook 2026》報告表示，45%的僱主將2026年的人才市場評為“fair”，這是自2021年以來最差的評分。2025年秋天，企業僱主們預測對應屆生的招聘增長只有1.6%。雖然到了春季更新時這個數字回升到了5.6%，但大型科技公司在2025年對應屆生的招聘縮減了25%。不過《Work AI Index 2026》認為，botsitting將會給大量的大學生創造就業機會。第一個原因：botsitting的入行門檻極低，但行業接觸面極高。

很多人一聽到跟AI沾邊的工作，腦子裡浮現的就是寫代碼、調參數、訓練模型。botsitting完全不是這回事。它不需要你懂什麼算法知識，只需要你有最基本的人類判斷力。你能看出AI寫的這段話是不是在胡扯嗎？你能判斷這個數據分析報告的結論跟前面的數據對得上嗎？你能識別AI為了湊字數塞進去的那堆看似專業實則空洞的術語嗎？你只要是一個正常人類，受過基本的大學教育，就具備了這樣的能力。第二個原因：這屆大學生是AI原住民。一個事實，2026年畢業的大學生，他的論文多半是ChatGPT、Claude、DeepSeek完成的。可很多資深的老員工，他們用AI的方式，還停留在把AI當成一個更快的搜索引擎。

問一個問題，得到一個答案。但這屆畢業生不一樣。他們在反覆被AI坑過的過程中，已經建立了一種直覺，什麼時候該信任AI的輸出？什麼時候要多檢查一眼？什麼時候AI看似在回答，其實在繞圈子？更重要的是，這代人天然理解什麼是“提示詞工程”，這是他們用掛科換來的教訓。他們也不覺得反覆修改AI的輸出是一件“額外的工作”，因為這本來就是他們日常的作業流程：讓AI生成初稿，自己大改，再讓AI潤色，再自己檢查。換句話說，botsitting這件事，對老員工來說是一種“額外負擔”，但對這屆畢業生來說，這就是他們學會的“正常的工作方式”。第三個原因：勞動強度適中。正如前文說的，一週需要6.4小時。

而且對於那群擅長AI的大學生來說，時間還會再縮短一些。NACE的調查還顯示，70%的僱主已經在使用技能優先的招聘方式，比去年上升了5%。什麼叫技能優先？就是不看你的學校和專業，看你能不能幹這個活。還有一個容易被忽略的點，botsitting並不是那種一眼就到頭的崗位，它有明確的上升通道。Scale AI和Surge AI這類公司，會直接從表現最好的訓練師裡招全職的質量分析師和項目經理。起薪時薪十幾二十美元，轉正後年薪能到四到六萬英鎊。對一個剛剛畢業的大學生來說，你的晉升依據是可以量化的，你糾出來的錯誤比同行多、比同行準，那你就能晉升。botsitting會常態化嗎？

還有一個更根本的問題沒有回答：botsitting到底是一個過渡階段的臨時現象？還是一種常態的崗位？要理解這一點，我們需要先拉一個參照物出來——數據標註。10年前，“數據標註”這個詞幾乎沒人聽說過。就拿“怎麼讓模型認識一隻貓”這事來說，當時的解決方案是僱人一張一張地給圖片打標籤，這張是貓，這張不是貓，這張貓的臉被遮住了一半但仍然是貓。Fortune Business Insights曾經公佈過一組數據，2015年前後，中國的數據標註從業者大概只有幾萬人，總市場規模約為5億元人民幣。到了2020年，中國的數據標註市場規模達到了31億元人民幣。2025年時，突破105億元。

在全球範圍內，數據標註工具市場在2025年的估值約為17億到36億美元之間，預計到2034年會增長到140億到380億美元，年複合增長率在26%以上。既然模型越來越強了，為什麼還需要越來越多的人標註呢？答案很簡單，模型越強，要處理的任務越複雜；任務越複雜，需要的訓練數據越精細；數據越精細，需要的人工判斷就越不可替代。AI每往前走一步，對數據標註的要求就會越高。botsitting正在重複數據標註的路徑，而且會走得更遠。第一，botsitting的核心瓶頸不是技術，是組織。哈佛商業評論在2026年3月發表了一篇重磅文章，標題叫《拖慢AI轉型的“最後一英里”問題》。

文章的作者包括哈佛商學院的卡里姆·拉卡尼（Karim Lakhani）、微軟AI at Work的負責人傑拉德·斯帕塔羅（Jared Spataro）和哈佛D³研究所的珍·史黛弗（Jen Stave）。文章中他們給出的核心結論是，模型可以無限變強，但只要它不懂你公司的內部邏輯，你就必須得派人去給它善後。這不是模型不夠好的問題，是模型和我們的真實世界之間，存在著一條信息鴻溝。每一個企業都有自己獨特的上下文，比如潛規則、企業文化等等。這些東西不在任何公開數據集中，AI永遠不可能靠自己學會。但只要AI要在組織里發揮作用，就必須有人把這些東西翻譯給它、補給它、糾正它。

而這恰恰是botsitting的核心價值。它不是在替代AI的能力不足，而是在彌合AI與組織之間的信息鴻溝。只要企業是獨特的，那麼這條鴻溝就永遠存在，botsitting就永遠有人需要。第二，AI的工作方式決定了它天生需要人來兜底。福布斯在2026年的文章《AI 在取代工作嗎？新數據表明，它可能正在加重工作負擔》中提到一個觀點，說AI不會讓工作消失，它只會讓工作移位。文章認為，“只要AI進入真正的工作流，那就必須得有人來監督、編輯、驗證、兜底。”2025年，美國密西西比州聯邦法院出了一檔子事。

Butler Snow律所的幾名律師，把AI胡編的判例直接寫進了法庭文件裡，並且在交上去的時候連看都沒看一眼。法官布里頓·馬納斯科（Britton Manasco）看完直接炸了，裁定書裡的原話是“虛構法律依據屬於嚴重不當行為”。《國家法律評論》在2026年初對85位法律專業人士的調查得出的結論是，未來律師的差異化競爭點，可能不在於用了哪個AI，而在於輸出驗證的能力。“人機協同工作流、質量控制和可辯護的審查流程，將成為法律行業的核心競爭力，而非可選的保障措施。”摩根斯坦利在2024年推出了名為Morgan Stanley Debrief的AI工具，到2025年底，98%的財富管理顧問都在使用它。

然而摩根斯坦利有這麼一條規矩，顧問在使用AI生成的會談摘要和投資建議時，必須“審查和調整AI生成的輸出，然後才能最終確定”。同時，美國金融業監管局（FINRA）在2025年12月發佈的2026年度監管報告中，也專門新增了針對“自主執行任務的AI系統”的監管框架，明確要求一旦AI系統能夠在券商工作流中採取行動而非僅僅生成內容，公司的監督、賬簿記錄和治理義務就必須實質性升級。翻譯成大白話就是，AI可以幫你寫文件、做分析、甚至做決策建議，但最後簽字的那個必須是活人。不僅如此，簽字的這個人，還要對自己籤的東西解釋和負責。可以下放，但責任不能外包，所以botsitting註定永遠存在。

第三，實證已經出現。世界經濟論壇2025年的《未來就業報告》稱，AI和大數據專家是2030年增長最快的崗位之一，但同時指出，AI治理、AI戰略等非技術性崗位也在同步高速增長。AI人才平臺Mercor的報告顯示，全球市場對人類評估師和訓練師的需求正以每年25%到35%的速度增長。並且報告還提到，大部分崗位完全遠程，不需要技術背景，但非常看重領域專長和判斷力。當AI從一個個人使用的效率工具變成一個組織的基礎設施，botsitting就從“誰有空順便幹一下”變成了一件必須有專人負責的事。