文 | 字母 AI

诚然，AI 让无数企业裁员，但另一方面，AI 也在产生新的工作岗位。

根据人社部启动了互联网企业云端招聘月活动的最新数据，今年暑假，超 5000 家互联网企业集中释放了超过 20 万个就业岗位。京东、腾讯、字节跳动、美团等头部企业合计贡献超 4.6 万个岗位，覆盖 AI 算法、大模型应用、高性能计算等前沿方向。

不只是岗位增加了，工种也增加了。比如算法工程师、提示词工程师等等。而最近刚刚兴起的 botsitting，就很有可能成为新的劳动力蓄水池。

啥是 botsitting？babysitting 是指照顾婴儿的保姆，那 botsitting 就是照顾机器人（AI）的保姆。

微软的 Copilot 部门就有 "AI 培训师 "、" 数字化采纳专员 "、"AI 倡导者 " 这样的岗位。他们干的活，从某种程度上来说就是一种 botsitting。

具体来讲就是教同事怎么用 AI、检查 AI 输出的质量、把 AI 嵌入到具体的业务流程里。

在实际工作中，从 AI 输出的答案，再到真正将其应用到实际场景，这俩之间往往不是一回事。

AI 可能会输出幻觉，也有可能完全会错你的意思。总之一句话，你得花点时间来修改修改 AI 输出给你的答案。

那这个时间具体是多长呢？

根据 Glean 旗下 Work AI Institute 联合斯坦福、UC 伯克利等高校发布的《Work AI Index 2026》报告，一个白领每周都需要花将近一天的工时来进行 botsitting。

再加上 botsitting 不是什么难活，稍有点 AI 使用经验就能上手。因此，刚好适合那群刚刚毕业，想要了解行业的大学生。

就像当年的数据标注师一样，一开始干的人也很少，但是随着 AI 发展，大家越来越注意到这个岗位的重要性，因此岗位也随之壮大。

botsitting 都是干啥？

所以 botsitting 到底干的是啥活？举个例子你就明白了。

比如说，你用 AI 帮你写一份市场分析报告。AI 一开始不知道你们公司的产品线，你得先把背景信息喂进去。结果出来以后，你得逐个核实竞品数据。

最后你还得给 AI 输出的内容进行排版。这一套流程走下来，差不多要一两个小时。

《Work AI Index 2026》中提到，87% 的白领已经在工作中使用 AI，平均自称每周节省了 13 个小时。

然而，他们每周平均要花 6.4 个小时在 botsitting 上。也就是说，AI 帮你省下的时间里，有一半又被你亲手还回去了。

还有一点，botsitting 这种事有一种自我恶化的倾向。69% 的人不经审核，直接把 AI 生成的内容原封不动地提交上去。

报告进一步指出，员工每周花在 AI 上的时间中，37% 是在 botsitting，36% 是用 AI 生产东西，剩下的 27% 是在学工具、搭 Agent。

这数据确实有些离谱，但现实更离谱。

导致 botsitting 比实际使用 AI 还耗时的原因是，36% 的 AI 会话直接 " 失败 "，需要全部推翻重来。另一个原因是工具实在太多了，77% 的 AI 用户每周要在多个 AI 工具之间来回切换，33% 的人同时用四个以上。

Claude 的用户里，只有 0.5% 只用 Claude，平均每个人还在同时跑着另外四个 AI 工具。每换一个工具，之前喂进去的公司背景、项目上下文就断一次，回头还得再喂一遍。

报告管这叫 " 上下文税 "。

报告显示，每多花 10% 的时间给 AI 喂上下文，员工感到筋疲力尽的概率就上升 25%。

还不止是这样，重度 AI 用户的 botsitting 频率是轻度用户的两倍还多。等于说你 AI 用得越猛，当保姆的时间占比就越高。

AI 输出质量越不稳定，人需要的 botsitting 就越多；botsitting 越多，人越疲惫；人越疲惫，越倾向于跳过审核直接提交；越多人跳过审核，组织越看不到 AI 的真实回报。

报告显示，75% 的个人用户认为 AI 提升了生产力，但实际上，只有 13% 的人表示，企业因为 AI 获得了显著改善。这中间的 62%，就是缺少 botsitting。

为什么 botsitting 天然适合刚刚毕业的大学生

美国大学与雇主协会（NACE）的《Job Outlook 2026》报告表示，45% 的雇主将 2026 年的人才市场评为 "fair"，这是自 2021 年以来最差的评分。

2025 年秋天，企业雇主们预测对应届生的招聘增长只有 1.6%。虽然到了春季更新时这个数字回升到了 5.6%，但大型科技公司在 2025 年对应届生的招聘缩减了 25%。

不过《Work AI Index 2026》认为，botsitting 将会给大量的大学生创造就业机会。

第一个原因：botsitting 的入行门槛极低，但行业接触面极高。

很多人一听到跟 AI 沾边的工作，脑子里浮现的就是写代码、调参数、训练模型。botsitting 完全不是这回事。

它不需要你懂什么算法知识，只需要你有最基本的人类判断力。

你能看出 AI 写的这段话是不是在胡扯吗？你能判断这个数据分析报告的结论跟前面的数据对得上吗？你能识别 AI 为了凑字数塞进去的那堆看似专业实则空洞的术语吗？

你只要是一个正常人类，受过基本的大学教育，就具备了这样的能力。

第二个原因：这届大学生是 AI 原住民。

一个事实，2026 年毕业的大学生，他的论文多半是 ChatGPT、Claude、DeepSeek 完成的。可很多资深的老员工，他们用 AI 的方式，还停留在把 AI 当成一个更快的搜索引擎。问一个问题，得到一个答案。

但这届毕业生不一样。他们在反复被 AI 坑过的过程中，已经建立了一种直觉，什么时候该信任 AI 的输出？什么时候要多检查一眼？什么时候 AI 看似在回答，其实在绕圈子？

更重要的是，这代人天然理解什么是 " 提示词工程 "，这是他们用挂科换来的教训。

他们也不觉得反复修改 AI 的输出是一件 " 额外的工作 "，因为这本来就是他们日常的作业流程：让 AI 生成初稿，自己大改，再让 AI 润色，再自己检查。

换句话说，botsitting 这件事，对老员工来说是一种 " 额外负担 "，但对这届毕业生来说，这就是他们学会的 " 正常的工作方式 "。

第三个原因：劳动强度适中。

正如前文说的，一周需要 6.4 小时。而且对于那群擅长 AI 的大学生来说，时间还会再缩短一些。

NACE 的调查还显示，70% 的雇主已经在使用技能优先的招聘方式，比去年上升了 5%。

什么叫技能优先？就是不看你的学校和专业，看你能不能干这个活。

还有一个容易被忽略的点，botsitting 并不是那种一眼就到头的岗位，它有明确的上升通道。

Scale AI 和 Surge AI 这类公司，会直接从表现最好的训练师里招全职的质量分析师和项目经理。起薪时薪十几二十美元，转正后年薪能到四到六万英镑。

对一个刚刚毕业的大学生来说，你的晋升依据是可以量化的，你纠出来的错误比同行多、比同行准，那你就能晋升。

botsitting 会常态化吗？

还有一个更根本的问题没有回答：botsitting 到底是一个过渡阶段的临时现象？还是一种常态的岗位？

要理解这一点，我们需要先拉一个参照物出来——数据标注。

10 年前，" 数据标注 " 这个词几乎没人听说过。

就拿 " 怎么让模型认识一只猫 " 这事来说，当时的解决方案是雇人一张一张地给图片打标签，这张是猫，这张不是猫，这张猫的脸被遮住了一半但仍然是猫。

Fortune Business Insights 曾经公布过一组数据，2015 年前后，中国的数据标注从业者大概只有几万人，总市场规模约为 5 亿元人民币。到了 2020 年，中国的数据标注市场规模达到了 31 亿元人民币。2025 年时，突破 105 亿元。

在全球范围内，数据标注工具市场在 2025 年的估值约为 17 亿到 36 亿美元之间，预计到 2034 年会增长到 140 亿到 380 亿美元，年复合增长率在 26% 以上。

既然模型越来越强了，为什么还需要越来越多的人标注呢？

答案很简单，模型越强，要处理的任务越复杂；任务越复杂，需要的训练数据越精细；数据越精细，需要的人工判断就越不可替代。

AI 每往前走一步，对数据标注的要求就会越高。

botsitting 正在重复数据标注的路径，而且会走得更远。

第一，botsitting 的核心瓶颈不是技术，是组织。

哈佛商业评论在 2026 年 3 月发表了一篇重磅文章，标题叫《拖慢 AI 转型的 " 最后一英里 " 问题》。

文章的作者包括哈佛商学院的卡里姆 · 拉卡尼（Karim Lakhani）、微软 AI at Work 的负责人杰拉德 · 斯帕塔罗（Jared Spataro）和哈佛 D ³ 研究所的珍 · 史黛弗（Jen Stave）。

文章中他们给出的核心结论是，模型可以无限变强，但只要它不懂你公司的内部逻辑，你就必须得派人去给它善后。

这不是模型不够好的问题，是模型和我们的真实世界之间，存在着一条信息鸿沟。每一个企业都有自己独特的上下文，比如潜规则、企业文化等等。

这些东西不在任何公开数据集中，AI 永远不可能靠自己学会。但只要 AI 要在组织里发挥作用，就必须有人把这些东西翻译给它、补给它、纠正它。

而这恰恰是 botsitting 的核心价值。

它不是在替代 AI 的能力不足，而是在弥合 AI 与组织之间的信息鸿沟。只要企业是独特的，那么这条鸿沟就永远存在，botsitting 就永远有人需要。

第二，AI 的工作方式决定了它天生需要人来兜底。

福布斯在 2026 年的文章《AI 在取代工作吗？新数据表明，它可能正在加重工作负担》中提到一个观点，说 AI 不会让工作消失，它只会让工作移位。

文章认为，" 只要 AI 进入真正的工作流，那就必须得有人来监督、编辑、验证、兜底。"

2025 年，美国密西西比州联邦法院出了一档子事。Butler Snow 律所的几名律师，把 AI 胡编的判例直接写进了法庭文件里，并且在交上去的时候连看都没看一眼。

法官布里顿 · 马纳斯科（Britton Manasco）看完直接炸了，裁定书里的原话是 " 虚构法律依据属于严重不当行为 "。

《国家法律评论》在 2026 年初对 85 位法律专业人士的调查得出的结论是，未来律师的差异化竞争点，可能不在于用了哪个 AI，而在于输出验证的能力。

" 人机协同工作流、质量控制和可辩护的审查流程，将成为法律行业的核心竞争力，而非可选的保障措施。"

摩根斯坦利在 2024 年推出了名为 Morgan Stanley Debrief 的 AI 工具，到 2025 年底，98% 的财富管理顾问都在使用它。

然而摩根斯坦利有这么一条规矩，顾问在使用 AI 生成的会谈摘要和投资建议时，必须 " 审查和调整 AI 生成的输出，然后才能最终确定 "。

同时，美国金融业监管局（FINRA）在 2025 年 12 月发布的 2026 年度监管报告中，也专门新增了针对 " 自主执行任务的 AI 系统 " 的监管框架，明确要求一旦 AI 系统能够在券商工作流中采取行动而非仅仅生成内容，公司的监督、账簿记录和治理义务就必须实质性升级。

翻译成大白话就是，AI 可以帮你写文件、做分析、甚至做决策建议，但最后签字的那个必须是活人。

不仅如此，签字的这个人，还要对自己签的东西解释和负责。可以下放，但责任不能外包，所以 botsitting 注定永远存在。

第三，实证已经出现。

世界经济论坛 2025 年的《未来就业报告》称，AI 和大数据专家是 2030 年增长最快的岗位之一，但同时指出，AI 治理、AI 战略等非技术性岗位也在同步高速增长。

AI 人才平台 Mercor 的报告显示，全球市场对人类评估师和训练师的需求正以每年 25% 到 35% 的速度增长。并且报告还提到，大部分岗位完全远程，不需要技术背景，但非常看重领域专长和判断力。

当 AI 从一个个人使用的效率工具变成一个组织的基础设施，botsitting 就从 " 谁有空顺便干一下 " 变成了一件必须有专人负责的事。