换岗位职能怎么判断2026年11月9日提问追问2次

怎么判断是否要换一个岗位,换一个职能工作?

先别问“要不要换”,先问三个具体问题:目标岗位的硬条件你满不满足、它实际做什么你认不认同、它的环境你喜不喜欢。三个都答得具体,再决定换不换。

AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。

用三个问题把“想换”变成可判断的事

材料里的观点

立正给找工作的人列了三个必答问题:这个工作有什么硬条件和避选项、你满不满足;这个工作到底做什么、你认不认同;它处在什么环境、你喜不喜欢⁠1。他提到只有约2%的申请会被认真看,原因常常不是经历不够,而是申请方式不对⁠1。换职能时,这三个问题同样适用:它们把模糊的“不喜欢现在”拆成可核对的差距。

想象要落到具体公司、岗位和人

材料里的观点

立正强调要有“具体的甲方感”:脑子里要有具体的公司、具体的岗位、具体的人,才能想清楚简历怎么打动他、面试讲什么⁠2。他指出的常见错误是想得太虚——要么是够不着的dream company,要么只是身边类似的工作,结果做的事自然不够有效⁠2。判断要不要换职能,可以先挑一两个真实在招的岗位,按它的要求对照自己,而不是拿“换个方向会不会更好”这种笼统感觉做决定。

换之前先看目标岗位在奖励什么能力

立正把职级阶梯描述为:初级把清楚的任务可靠做完,高级在模糊需求里定架构和取舍,Staff跨团队判断什么值得做;招人看最底下一级,升职看上面几级⁠3。他还说,AI很会干初级的活,机械编码变便宜后,人会更早碰到真实系统、做真正的设计和取舍⁠3。这是AI的综合:如果换职能只是换一种“执行局部任务”的活,未必解决你想解决的问题;如果新职能能让你更多做判断和取舍,才更接近他说的往上走。这个推论需要你用自己的目标岗位去验证。

这些片段讲的是找工作、升职和AI时代的能力判断,没有直接给出“何时该换岗位”的决策标准;上面的应用是把这些原则迁移到换职能问题上,不是原文结论。

出处

  1. 1如何通过解读Job Description,让自己的简历被认真对待?

    视频发言:立正2024-02-26

    给出三个可直接用来评估目标岗位的问题。

  2. 2想通过跳槽升职加薪,要先做好这件事

    会员视频发言:立正2024-08-10

    说明为什么要把目标岗位想得具体,以及想得太虚会怎样。

  3. 3AI替你做出来以后,你还会什么?|哥大客座课程回放

    超线性学院2026-10-03

    解释不同职级在奖励什么能力,帮助判断换职能是否真的往上走。

追问2026年11月9日

怎么判断目标岗位的“硬条件”自己差多少?

把岗位描述里的硬条件逐条拆出来,再逐条对照自己的证据,差多少就清楚了。关键是先看清要求,再看自己有没有能拿出来的证明。

先把硬条件从岗位描述里拆出来

材料里的观点

立正把求职要先回答的问题列成三个,第一个就是:这份工作有什么硬条件、有什么避选项,以及你满不满意⁠1。所以判断差距的第一步不是看自己,而是把目标岗位的要求拆开:哪些是学历、专业、技能这类硬门槛,哪些是沟通、协作这类软要求,以及它要的是深耕型还是快速学习型的人⁠2。拆得越具体,后面比较才有对象。

逐条对照,看自己有没有证据

拆出条件后,一条条问自己:我有没有能证明这一条的经历或作品?课程里那位求职者的做法是先搞清楚目标岗位需要什么,再让简历、日常工作项目、业余学习都围绕这个需求展开⁠2。这提示差距不只看“会不会”,还看“拿不拿得出证据”。某条要求你完全没接触过,差距就大;做过但没整理成可展示的材料,差距在呈现而不在能力。

对照时盯住具体岗位,别停在想象

AI推演

立正提醒,很多人不够具体:心里想的是一个够不着的梦想公司,或者身边类似的工作,结果做的事自然不够有效⁠3。用在判断差距上,就是别拿一个模糊的“理想岗位”当标准,而要落到具体的公司、具体的岗位,甚至想象具体是谁在看你的申请⁠3。这样对照出来的差距才可操作。

提供的片段讲的是求职前要回答的三个问题和方法,没有给出逐条打分或量化差距的具体标准;上面第二段的对照方法是基于课程案例的推演,不是原文给出的评分规则。

出处

  1. 1如何通过解读Job Description,让自己的简历被认真对待?

    视频发言:立正2024-02-26

    提出把“硬条件和避选项、你满不满足”作为求职首要问题。

  2. 2第15课|打造产品:如何积累「手艺」,打造黄金简历?

    会员课程2025-03-02

    说明如何拆解目标岗位的硬技能、软技能和人才模型,并围绕需求准备证据。

  3. 3想通过跳槽升职加薪,要先做好这件事

    会员视频发言:立正2024-08-10

    强调对照要落到具体公司、岗位和人,避免停留在模糊想象。

追问2026年11月9日

BI转行业运营怎么样?在AI出来后,BI这个岗位还还是长期深耕吗

BI 转行业运营,关键不在“BI 还是运营”这个标签,而在你转过去后做的是搬运报表,还是定义问题、设定口径、验收结果。AI 正在挤压前一类工作,后一类反而更稀缺。

先分清 BI 里哪部分会被压缩

材料里的观点

立正把大公司里最容易被 AI 挤压的岗位归为“信息搬运型 + 叙事包装型”:周报月报汇总、会议纪要链条、不拥有真实交付物的对齐型项目管理,以及只做 slide/doc/status 的分析岗。他同时说,这些岗位不一定消失,可能先变成“产出更多垃圾更快”。反过来,更可能被增强的是掌握边界条件的人:定义问题、设定约束(合规、风控、架构、数据治理)、评估与验收的人⁠1。所以“BI 值不值得深耕”要先拆开看:你日常是在拼报表、对数、做汇报,还是在定指标口径、判断数据能不能信、推动业务按数据改动作。前者是 AI 的强项,后者是 AI 暂时替代不了的判断。

转行业运营,可能只是换个地方做胶水层

杜磊在对话里描述过一类运营:SaaS 已经把大量本质工作自动化后,企业内部运营变成“胶水层”,做大量难度不高的判断,把系统 A 的东西搬到系统 B,再配上大量会议、跨部门协调和 meeting notes,他称之为“假的工作”。他还说,AI 正在替换这类按模板做灵活产出的文书型工作⁠2,3。这是他对运营岗位的一种判断,不是对所有行业运营的定义。放到你的问题上:如果“行业运营”的实际内容是跨系统对数、催流程、写周报、做汇报,那它和 BI 里被挤压的部分是同一种工作,转过去并不会更安全。如果它包含真实的业务决策权、资源调配和结果负责,性质就不一样。

深耕的方向是“设计系统”,不是“维护流程”

立正给 Data Scientist 的转型建议是:不要原地补技能,而是往“更接近模型、也更接近结果”的位置走,价值在于把模糊业务问题翻译成 AI 能消费的 context、设计评估和反馈回路、编排模型工具数据流程、判断什么该自动化什么该人工接管。他的原话判断是:重点是你是不是在设计系统,还是只是在维护流程;前者会更值钱,后者会越来越尴尬⁠4。他自己 2023 年离开大厂去 Statsig,理由之一是 A/B 实验这类“为了证明你错”的东西 AI 生产不出来,而做 dashboard、数据分析、埋点 AI 可以自动化⁠5。这两处可以合起来看:BI 的长期价值不在出数,而在实验设计、因果判断和验收标准。

材料没有给出“行业运营”的具体岗位定义,也没有 BI 岗位的市场数据或薪资变化,所以无法判断某个具体 offer 的好坏。以上是关于工作性质的判断框架,不是对某个岗位的结论。

出处

  1. 1在大公司,AI 到底会不会“真正改变组织”?

    超线性学院 · 会员2026-01-30

    区分哪些分析岗会被 AI 挤压、哪些判断型能力会增强,是回答的核心依据。

  2. 2AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下

    视频说话人待核2025-08-16

    杜磊对运营“胶水层”和假工作的描述,用于检验转运营的风险。

  3. 3AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下

    视频说话人待核2025-08-16

    可回到原文核对这部分判断

  4. 4AI时代,大厂打工人的五条路

    超线性学院 · 会员2026-04-12

    给出“设计系统而非维护流程”的转型方向,直接对应是否长期深耕。

  5. 5为了躲开AI,我差点去美国开餐馆,最后为什么卖起了课?

    视频发言:立正2026-07-22

    立正本人离开数据科学岗的理由,说明哪些 BI 相关工作 AI 替代不了。

你也有想问的?

卡住的时候,问问立正:回答附有出处,可以点回原文核对。

也可以接着问:

所有问题 →