☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
「核心提示」 AI浪潮催生数据采集、标注与构建等新兴岗位，但职业发展受限、薪酬地域失衡及能力天花板问题，正制约人才持续流入，反向拖慢AI在垂直领域的突破进程。
AI正在重塑劳动力结构：顶层由人类主导价值判断与战略决策；底层依赖人工完成数据采集、清洗、标注与构建；而中层——曾由分析师、咨询师、行政人员承担的归纳、推理与总结类工作——正加速被AI工具接管。
值得留意的是，上下两端正裂变出一批新职业入口。数据标注、数据构建、具身智能数据采集等岗位密集涌现，成为就业市场新热点。脉脉《2026春季AI人才趋势报告》显示，当季AI相关岗位发布量同比激增8.7倍。
数据采集深度绑定具身智能：采集员需穿戴动作捕捉设备，同步采集触觉反馈、视觉轨迹、力学响应等多模态信号，为机器人习得抓取、行走、避障等物理交互能力提供“真实世界教材”。
数据构建本质是数据治理的前置环节：面对杂乱无章的公开网页数据或企业内部异构数据库，需人工完成去重、格式归一、字段对齐、错误修正与语义补全，产出结构化、可训练的原始素材。
数据标注则充当AI内容生成的“质量守门人”：通过人工筛选最优输出、定义优劣边界、建立人类偏好反馈闭环，推动大模型持续逼近人类认知标准——它不是简单打标签，而是将隐性经验转化为可计算的评价体系。
这些岗位究竟是技术演进中的长期支点，还是过渡性“数字临时工”？能否成为文科生的职业跃迁通道，抑或只是高流动率的“新蓝领陷阱”？《豹变》深入一线，对话多位从业者，试图穿透AI光环，还原真实图景。
“数据做题家”的生存实录
景璃就职于北京某头部互联网企业的外包团队，专职提升AI文创产品的生成质量。本科毕业于戏剧影视文学专业，她经手过演讲稿、学术论文、网络小说，目前主力标注AI短剧与漫剧剧本。
她向《豹变》坦言：“AI初稿常出现逻辑断层、节奏失衡、人物动机模糊等典型戏剧性缺陷。标注标准看似客观——比如‘是否符合起承转合’‘主角弧光是否完整’——但实际操作中，常面临多个选项均不达标的困境。”
数据标注生态中，兼职形态同样活跃。成都某高校英语系学生文琪承接远程语音转写标注项目，日均处理数百条英文音频文本，月入近万元。
其标准作业流程高度结构化：系统推送AI生成的3–5个候选文本，标注员择一最优解；质检岗二次复核；项目负责人随机抽检；最终交付甲方终审。每一次选择，都在为AI注入人类审美与价值标尺。
部分资深外包人员兼具数据构建能力。数学或计算机背景同事会负责定向爬取行业语料、按预设规则清洗噪声、统一命名规范、补全缺失字段，形成可用于模型微调的高质量语料包。构建属上游工序，标注为下游应用，二者构成数据生产闭环。
业内戏称该群体为“数据做题家”——没有这群人，就没有当下所有AIGC工具的可用性基础。
据国家数据发展研究院测算，2025年专业数据产品（含AI训练用高质量数据集）产值突破2.3万亿元；国家数据局2025年3月数据显示，成都、沈阳、合肥等七大数据标注基地已吸纳从业人员5.8万人，带动产值超83亿元。
薪酬呈现鲜明梯度：北京头部外包团队月薪12k–18k，部分含绩效奖金；成都远程兼职可达近10k；但北方部分省会城市同岗薪资仅为北京一半；小城市首月工资低至1500元，员工入职即开始刷新BOSS直聘，“电梯里都在改简历”。
招聘门槛亦持续抬升：景璃所在团队前身系业内头部外包服务商，客户覆盖多家AI大厂，因此编剧、文学创作经验成硬门槛，校招学历要求已从本科升级至985/211高校文学类专业；文琪所投英语标注岗明确限定专八且成绩“良好”及以上。
AI为何离不开“裁判”“翻译”与“保姆”？
根本原因在于：当前AI缺乏行业沉淀的隐性知识与情境化判断力。
通用大模型已吞下全网公开文本，但大量关键信息仍沉于水下——如特定地区法官的自由裁量倾向、某类证据在司法实践中的采信概率、行业黑话背后的潜规则……这些无法显性编码的知识，必须借由标注员的经验直觉完成“翻译”。
法律领域即是典型：AI可精准复述法条，却难以评估一个证据链在真实庭审中的说服力权重；剧本生成赛道中，AI虽能组合情节要素，但对戏剧张力、角色可信度、观众情绪曲线等抽象维度缺乏感知，标注过程实则是将不可言传的行业直觉量化为可训练信号。
如果说数据标注是AI理解人类价值的“裁判”，那么具身智能数据采集就是AI感知物理世界的“翻译官”。真实世界充满连续变量与不确定性，人类神经系统可自主适应，机器人却必须依赖人将其“翻译”为离散、可建模的数据流。
行业数据显示：GPT-5级大模型训练所需语料折合约100亿小时，而全球高质量具身智能数据总量仅约50万小时，差距逾万倍。
巨大缺口催生资本涌入。光轮智能、帕西尼感知等头部玩家估值均已破百亿。帕西尼感知2025年在天津建成全球最大具身数据工厂Super EID Factory，部署超150个标准化采集单元，年产2亿条高质量训练样本；2026年又于江苏宿迁、湖北武汉、四川自贡、江西赣州启动四座超级工厂建设。
企业数据治理更显复杂。制造业人士向《豹变》指出：个人AI与企业级AI Agent存在显著鸿沟——前者可容忍概率性误差，后者需在订单管理、设备运维等场景实现零容错。而现实是，多数制造企业数据库长期处于“三无”状态：无统一标准、无字段映射、无质量校验。同一物料编码在采购、仓储、生产系统中名称各异，数据冗余率超40%，错误率居高不下。AI因幻觉特性无法直接消化“脏数据”，必须依赖人工完成清洗、对齐、补全等“保姆式”服务。
当前企业级AI Agent落地路径已固化为三步：先线上化沉淀数据资产，再人工清洗构建可信底座，最后才部署AI应用模块。
人与AI的双重困局
不仅传统行业，AI大厂自身也陷入效能悖论。管理层期待AI降本增效，却低估了基层员工在决策链中的不可替代性。
多位大厂员工向《豹变》透露：AI工具上线后，KPI未减反增——员工需在AI辅助下完成更多任务，同时承担AI“甩锅”后的纠错成本。一份AI生成的合同初稿，常需法务逐条核验；一套AI推荐的营销方案，仍要市场部重新验证ROI。
员工行为分析平台ActivTrak追踪2023–2025年超千家企业、4.43亿小时数字化工作行为发现：AI普及后，员工实际工作负荷未降，反而呈现周末加班频次上升、任务切换频率加剧等特征。协作沟通时长增长34%，多任务并行处理时间增加12%。
相较之下，数据外包岗位压力相对可控。“朝十晚七，每天8–9小时，中间还能摸鱼休息。”景璃坦言。尽管认可当前收入性价比，但她已开始规划转型：“目标是做短剧编剧，现在这份工作机械重复，长期看对能力积累几无助益。”其同事多为30岁以上，普遍持“先上岗再观望”心态。
文琪则明确将标注视为纯经济行为：“只当兼职赚外快，校招绝不会投这类岗位。”其兼职群成员以在校生、自由职业者及寻求灵活收入者为主。
这折射出深层结构性矛盾：数据标注行业尚未形成成熟的职业晋升通道与专业认同体系，导致资深从业者稀缺、知识沉淀断裂。有头部标注公司曾邀约资深律师参与法律垂类标注，遭婉拒——对方直言：“200元/小时的报价，连我执业风险的零头都不够覆盖。”
越是依赖经验判断的垂直领域，高质量标注成本越高，但多数标注企业受限于甲方预算，难以为专业人才支付合理溢价。结果是：医疗、金融、法律等高壁垒领域数据长期短缺，模型效果始终徘徊于“可用”而非“可信”。
具身智能亦受制于数据价格瓶颈。真机遥控采集被公认为数据金标准，单小时有效数据成本高达数千元。资金雄厚的头部机器人公司借此构筑数据护城河；中小厂商则被迫依赖开源数据或仿真环境，但仿真与现实物理规律存在本质偏差，“Sim2Real Gap”导致模型迁移后性能断崖式下跌。
长远看，数据成本终将随规模化摊薄。但AI始终绕不开终极诘问：当AI决策出错，责任主体是谁？
现行法律框架下，AI非人格化主体，无法独立承担民事责任。若企业以AI替代律师、医生、工程师等专业人士履职，一旦发生事故，责任链条将在算法开发者、模型提供商、使用方、监管机构之间无限延展，最终损害公众信任。
这也解释了为何某些岗位注定长期存在——它们既是AI进化的基石，也是AI局限性的活体证明。只要AI仍在学习人类知识，只要物理世界仍需被“翻译”为数字语言，只要社会仍要求明确的责任归属，这些岗位就不会消失，只会不断进化。
（应受访者要求，文中均为化名）
本文来自微信公众号 “豹变”（ID：baobiannews），作者：张经纬，36氪经授权发布。
