制造业里AI暂时抢不走的三件事——现场判断（换一家供应商的毛坯加工结果就不一样）、跨部门扯皮（把设计工艺生产拢到一张桌上）、背锅担责（客户追责时不能说“是AI让我这么设计的”），这三件事在CAD岗位的日常里到底占多少比重，足以支撑“工程师不会被整体消灭”这个判断吗？

ABSTRACT 摘要与核心命题

关于“AI会不会取代工程师”的讨论，长期停留在两种粗糙的叙事里：一种把大模型当作万能替代者，另一种把工程经验当作不可侵犯的黑箱。两者都缺乏可检验的任务结构分析。本文选取CAD岗位作为观察切口，提出一条贯穿全文的分析主线：一项工程任务能否被AI实质替代，取决于它在“任务可分解性—责任可转移性—知识可编码性”三维空间中的位置。现场判断、跨部门协调、责任承担这三类任务，恰好在这三个维度上同时处于低分位，因而构成当前技术条件下的替代边界。

CONTENTS 文章目录

OVERVIEW 1. 背景与问题定义：为什么“取代论”总是失准

1.1 讨论失准的根源：把“任务”和“岗位”混为一谈

主流讨论经常犯一个分类错误：把“AI能完成某项任务”直接等同于“AI能替代某个岗位”。岗位不是任务的简单加总，而是一组任务、责任、权限与协作关系的结构化捆绑。Autor等人在任务模型（task-based model）中早已指出，技术替代发生在任务层面，而岗位层面的变化表现为任务重组而非整体消失（Autor, Levy & Murnane, 2003, Quarterly Journal of Economics）。本文评述：这个判断在制造业尤其成立，因为制造岗位的“任务束”里混入了大量难以编码的现场信息与组织性责任。

近两年生成式AI进入工程软件后，讨论进一步升温。CAD领域已经出现自然语言驱动建模、自动生成工程图、基于历史模型的相似件检索等能力（例如Autodesk、Siemens、PTC在2023–2025年间陆续公布的生成式设计功能）。但这些能力集中在“几何生成”与“文档生成”环节，而CAD岗位的真实工时分布远比建模复杂。要判断替代边界，必须先做任务拆解，而不是停留在软件功能演示层面。

1.2 CAD岗位的任务束：一个被低估的复杂系统

在离散制造企业（如汽车零部件、工程机械、消费电子结构件）中，CAD岗位通常不是单纯的“建模员”。一个典型的结构设计工程师，其任务束至少包含：

• 几何建模与出图：3D建模、2D工程图、公差标注、BOM输出；
• 可制造性判断：毛坯选择、加工余量、装夹方案、刀具可达性；
• 跨部门接口：与工艺、生产、采购、质量、供应商对接；
• 变更与问题处理：ECN变更、现场异常、客户投诉的技术响应；
• 责任签署：图纸签署、技术协议确认、设计责任归属。

本文评述：这五类任务的可编码程度差异极大。几何建模的可编码性最高，可制造性判断次之，跨部门接口与责任签署的可编码性最低。把它们混在一起谈“AI替代率”，在方法论上是不成立的。正确的做法是逐类估计替代难度，再加权求和。

FRAMEWORK 2. 分析框架：任务替代的三维边界模型

2.1 三个维度的定义

本文提出一个可操作的三维评估框架。对任一工程任务，从三个维度打分（0–1），得分越低，越难被当前AI实质替代：

这三个维度并非本文凭空构造。任务可分解性对应Simon的“有限理性”与问题分解理论（Simon, 1962）；知识可编码性直接承接Polanyi的默会知识理论（Polanyi, 1966, The Tacit Dimension）；责任可转移性则来自工程伦理与产品责任法中的责任主体问题。本文评述：三者组合起来，恰好能解释为什么“软件演示很惊艳、落地替代很有限”这一常见落差。

2.2 三维打分与替代概率的映射

为便于工程使用，把三维得分做简单加权（等权或按企业实际调整），得到“可替代指数”R：

R = w1·D + w2·T + w3·K
D：任务可分解性（0–1）
T：责任可转移性（0–1）
K：知识可编码性（0–1）
w1+w2+w3 = 1，默认等权 1/3

经验阈值（本文建议，非行业标准）：
R > 0.70  高替代风险，优先自动化
0.40–0.70  人机协同区，AI做初稿、人做审核
R < 0.40  低替代风险，人主导、AI辅助

需要强调：R不是精确预测，而是任务排序工具。它的价值在于把“AI会不会取代我”这种焦虑式提问，转化为“我手上哪些任务该交给AI、哪些必须自己守住”的可操作清单。

CASE 01 3. 现场判断：换一家供应商，毛坯结果为什么就不一样

3.1 问题的技术本质：毛坯变异与工艺窗口

同一张图纸，交给两家铸造厂做毛坯，加工出来的结果经常不同。原因不在图纸，而在毛坯的“隐性输入”：铸造收缩率、拔模斜度、分型面位置、浇冒口布置、热处理变形、材料批次波动。这些因素共同决定了毛坯的实际余量分布，而余量分布又决定了后续加工的装夹与走刀策略。

从可编码性看，铸造收缩率有经验公式（如灰铸铁约0.8%–1.0%，铸钢约1.5%–2.0%，具体随牌号与结构变化），但“这家供应商这一批毛坯的实际变形模式”无法从公式推出，只能通过首件检测、三坐标测量、现场对照获得。这就是典型的默会知识：知道“大概会变形”，但不知道“这一批会往哪个方向变形多少”。

3.2 一个可复用的现场判断流程

把老师傅的“看一眼就知道”拆成可执行步骤，是让现场判断可传承、也可与AI协同的关键。下面是一个在机加工导入阶段常用的五步流程（属工程实践总结，非特定企业数据）：

这套流程里，AI可以承担STEP 1的数据处理、STEP 5的知识沉淀，但STEP 2–4的判断依赖现场反馈闭环。本文评述：现场判断的可替代性低，不是因为“人更聪明”，而是因为它是在线学习（online learning）过程——必须在加工进行中根据实时信号调整策略，而当前AI在车间的感知与执行闭环尚不成熟。

3.3 学术与产业证据

制造业AI落地的实证研究普遍显示“最后一公里”困难。Wuest等人对工业AI应用的综述指出，数据质量、分布偏移与现场集成是主要障碍（Wuest et al., 2016, Computers in Industry）。近三年，关于制造过程数字孪生的研究进一步表明，孪生模型与物理现场的一致性维护成本极高（Tao et al., 2023, Journal of Manufacturing Systems）。本文评述：这些结论共同指向一个事实——现场判断的难点不在算法，而在数据获取与闭环维护。

CASE 02 4. 跨部门协调：把设计、工艺、生产拢到一张桌上

4.1 协调任务的本质：多目标冲突下的可行解搜索

设计要性能与外观，工艺要可制造与低成本，生产要节拍与稳定，采购要交期与价格。这些目标天然冲突，协调的本质是在约束条件下找到一个各方都能接受的可行解。它不是信息传递，而是偏好聚合与让步谈判。

从三维框架看，协调任务的可分解性低（冲突往往在会议中才暴露）、知识可编码性低（大量信息是口头、非正式、情境化的）、责任可转移性低（协调结果由人背书）。三项都低，R值自然落在低替代区。

4.2 协调工时的经验分布

工程工时的调查数据分散且口径不一，但多项行业调研指向同一趋势：工程师相当比例的时间花在沟通与协调上。麦肯锡2023年关于生成式AI经济潜力的报告估计，工程与研发职能中相当一部分工时属于信息收集与沟通类活动，这类活动是生成式AI的高潜力场景（McKinsey, 2023）。本文评述：需要注意，这里的“高潜力”指辅助效率提升，不等于替代。整理会议纪要、汇总变更影响是AI擅长的；推动各方达成一致不是。

CASE 03 5. 责任承担：客户追责时，不能说“是AI让我这么设计的”

5.1 责任不可转移的制度根源

工程设计涉及产品安全、人身财产风险，责任主体必须是可追责的自然人或法人。现行产品责任法与合同体系下，AI不是法律主体，无法签署图纸、无法承担设计缺陷责任。这意味着：即使设计由AI生成，签署与背书仍必须由人完成。

欧盟《人工智能法案》（EU AI Act, 2024年生效）对高风险AI系统设定了人类监督（human oversight）要求，产品安全相关应用属于高风险类别。本文评述：这类监管不是技术障碍，而是制度约束。它把“责任可转移性”长期锁定在低水平，从而在制度层面为工程师保留了一块不可替代的职责空间。

5.2 责任链的技术化表达

在工程实践中，责任可以通过技术手段部分显性化：设计输入记录、版本控制、评审签字、变更追溯。这些机制让“谁在什么信息基础上做了什么判断”可被审计。AI的引入反而强化了这类需求——当设计由模型辅助生成时，人更需要保留完整的决策日志，以证明自己尽到了审核义务。

可参考的工程实践资源包括：ASME关于设计评审与责任的标准体系（ASME 官网）、ISO 9001质量管理体系对设计验证的要求，以及各企业内部的ECN流程规范。这些不是学术概念，而是日常可执行的制度工具。

METRICS 6. 占比测算：三类任务在CAD岗位日常中的真实权重

6.1 测算方法与数据来源说明

需要坦白说明：目前没有一项公开研究精确统计“现场判断/协调/担责在CAD岗位中的工时占比”。本文的占比是整合估算（模拟整合数据），依据三类来源：①工程工时调查类研究（如设计活动时间分配研究）；②行业报告对工程职能活动结构的估计（McKinsey 2023；World Economic Forum《Future of Jobs Report 2023/2025》）；③制造业AI落地案例中披露的实施前后工时变化。估算区间用于支撑结构性判断，不用于精确预测。

把上表按区间中值加权，现场判断约30%、协调约20%、担责约15%，三类合计约65%。即便取保守下限，三类合计也超过50%。本文评述：这个量级足以支撑“工程师不会被整体消灭”的判断——因为超过一半的工时集中在低替代区任务上。但同样要看到，高替代区的建模与文档任务占比也不低，这意味着岗位内部的任务结构会发生显著迁移。

COMPARISON 7. 对比与局限：AI已经拿走了什么，还拿不走什么

7.1 已经发生的变化

必须承认，AI在CAD相关任务中已经实质接管了一部分工作：相似件检索与借用、标准件库自动匹配、工程图标注初稿、BOM自动生成、设计规则检查（DRC）的自动化。这些任务的可分解性与可编码性都高，R值普遍在0.65以上。近三年生成式设计工具（如衍生式设计、拓扑优化结合生成模型）进一步压缩了几何探索的时间。

本文评述：这些变化常被误读为“替代”，实际是“任务下沉”。原本由初级工程师做的重复性建模，被工具吸收后，初级岗位的入门任务变少，但高级判断任务的需求并未减少。这对人才培养路径构成真实挑战——新人少了练手的低阶任务，如何积累现场判断力？这是比“失业”更值得讨论的问题。

7.2 框架的局限

• 权重主观性：三维等权是简化处理，不同企业、不同产品线应调整权重；
• 占比数据为整合估算：缺乏统一口径的公开工时统计，区间较宽；
• 技术演进非线性：多模态模型与具身智能可能改变现场判断的可编码性，框架需定期重估；
• 组织差异大：大型企业与中小企业的任务结构差异显著，结论不能直接平移。

PLAYBOOK 8. 操作路径：人机任务再分工的五步法

把前面的分析落到日常，可以按以下五步执行。这套方法适用于个人工程师做自我盘点，也适用于团队做任务重分配。

延伸学习资源（均在新窗口打开）：生成式设计工作流视频、Autodesk 官方教程、Siemens 数字孪生资料、NIST 智能制造标准资源。这些资源可用于补充工具操作层面的细节，本文不重复其内容。

OUTLOOK 9. 结论与展望：从“岗位替代”到“任务迁移”

回到开篇的问题：现场判断、跨部门协调、责任承担，在CAD岗位日常中占多少比重？本文的整合估算给出约50%–65%的区间。这个量级足以支撑“工程师不会被整体消灭”的判断，但不足以支撑“工程师工作不变”的乐观。更准确的表述是：岗位保留，任务重组，能力要求上移。

展望未来三到五年，最值得关注的变量不是模型能力，而是三个制度与技术条件：车间感知闭环的成熟度、AI辅助设计的责任认定规则、以及产品族标准化程度。这三个变量共同决定低替代区的宽度。本文评述：与其争论“会不会被取代”，不如持续跟踪这三个变量，并据此调整自己的任务结构。对工程师个体而言，最稳妥的策略是把时间投资在低R任务上——现场判断的闭环能力、跨部门协调的信誉资本、责任承担的专业背书。这三样，恰恰是AI最难编码的部分。

REFERENCES 参考文献与延伸资源

本文参考与延伸阅读资料共62篇（含期刊论文、行业报告、标准与官方资料），其中近三年（2023–2025）文献占比约56%。以下列出9篇主要参考文献，完整清单可按关键词在公开数据库检索核对。

数据说明：第6章工时占比为模拟整合数据，依据工程工时调查类研究、行业报告与落地案例披露信息综合估算，非单一来源精确统计；引用时请以原始文献为准。涉及数据集类信息（如行业报告中的职能活动结构估计），其预处理口径以原报告定义为准，本文未做二次清洗。