据Gartner预测,到2030年,IT部门的所有工作都将涉及AI的使用。
在澳大利亚黄金海岸举行的Gartner IT研讨会上,副总裁分析师Alicia Mullery和Daryl Plummer在主题演讲中表达了这一观点。Gartner认为,到2030年,IT部门执行的所有工作都将涉及AI的使用。这是一个重大转变,因为据Mullery介绍,目前81%的IT工作都没有使用任何AI技术。
到2030年,不仅所有IT工作都将依赖AI,而且其中很多工作将由机器人在没有人类帮助的情况下完成。Gartner分析师预测,五年后,25%的IT工作将完全由机器人执行,而75%的IT工作负载将由人类在AI辅助下完成。
对于AI质疑者来说,这并不是一个受欢迎的预测,他们经常以潜在的工作岗位流失作为对AI持怀疑态度的理由。如今,许多组织已经在其他行业使用AI来完成历史上由人类执行的任务,包括招聘、新闻、客户服务,甚至社交媒体影响力营销。
**IT行业不会出现大规模失业**
IT行业已经为数千个AI驱动的工作岗位流失做好了准备,并且可能会看到更多。但是,如果Gartner的预测被证实,最终AI将成为IT领域每个人都必须熟悉的工具。
尽管AI自动化工作负载在IT中的作用不断增长,但Gartner并不预期这项技术会造成"AI就业大屠杀",Plummer说。目前,根据Gartner的数据,只有1%的工作岗位流失是AI造成的。
但这并不意味着IT领域不会有任何与AI相关的工作岗位流失。Plummer和Mullery认为,AI将会取代入门级的IT工作。这与我们今天已经看到的一些情况一致。根据劳动研究公司Revelio Labs的数据,从2023年1月到2025年7月,"高度暴露于AI的入门级工作岗位下降了超过40%"。8月,高盛研究预测,如果AI被广泛采用,"可能会取代美国6%到7%的劳动力",但指出这种影响可能是"暂时的",因为会创造新的工作岗位。
随着AI改变IT员工的工作方式,预计它将扩大IT部门能够完成的工作量,这使得IT部门更有必要证明其人员配置的合理性。
"你永远不想看起来人员过多,"Plummer说。
每个行业仍在努力理解AI对工作岗位的影响,包括某些角色的替代。然而,也有一种流行的观点认为,AI最终将成为员工的有用工具,使工作者能够完成更多和/或不同类型的工作,而不是完全取代他们。
一些人预期AI最终创造的工作岗位会比其消灭的更多。世界经济论坛1月发布的《2025年未来工作报告》基于来自雇佣1400万全球工作者的1000家公司的数据,发现到2030年,AI可能创造7800万个工作岗位,超过其消除的数量。
**其他紧迫的AI关注点**
现在判断AI对IT或其他领域的工作机会是积极还是消极影响还为时过早。在更直接的未来,问题是组织是否以有效和高效的方式实施AI,并为员工和/或客户带来改善。在他们的主题演讲中,Gartner的分析师强调了公司在管理AI相关成本和不同AI能力方面面临的挑战。根据引用的Gartner研究,目前65%的公司在AI投资上亏损。
更广泛地说,普通美国人对AI能够改善他们生活的能力仍然持怀疑态度。皮尤研究中心4月发布的一项针对5410名美国人的调查中,51%的人表示他们对AI更担心而不是兴奋。最常提及的担忧包括工作岗位流失、深度伪造、错误信息和偏见。
Q&A
Q1:Gartner预测到2030年AI在IT领域会达到什么程度?
A:Gartner预测到2030年,IT部门的所有工作都将涉及AI的使用。其中25%的IT工作将完全由机器人执行,75%的IT工作将由人类在AI辅助下完成。这是从目前81%的IT工作不使用任何AI技术的重大转变。
Q2:AI会导致IT行业大规模失业吗?
A:Gartner认为不会出现"AI就业大屠杀"。目前只有1%的工作岗位流失是AI造成的。虽然AI会取代一些入门级IT工作,但预期AI最终会成为帮助员工完成更多工作的工具,而不是完全取代他们。
Q3:目前企业在AI投资方面的情况如何?
A:根据Gartner研究,目前65%的公司在AI投资上亏损,企业在管理AI相关成本和不同AI能力方面面临挑战。同时,51%的美国人对AI更担心而不是兴奋,主要担忧包括工作岗位流失、深度伪造、错误信息和偏见。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。