5. 工作包含仰賴資料回答問題
我們已經曉得，與大部分人類相比，分析與演算工具更擅長從資料中發掘意義。機器已經取代部分保單核保員與財務規畫師的工作， 未來它們也許會取代更多工作，因為這種人機表現間的分野只會逐漸擴大。舉例來說，一家名為肯紹科技（Kensho Technologies）的公司已推出一套名為「華倫」（Warren）的智慧軟體系統，能夠回答諸如「當石油交易價上漲至每桶 100 美元以上，同時中東發生政治動盪，會對能源公司股價造成何種影響？」的問題。該公司宣稱到了 2014 年年底，其軟體已能回答超過一億個與複雜資料相關的金融問題。
6. 工作包含進行量化分析
有人或許會以為在「分析時代」中，量化分析師仍然不會面臨失業風險，但是威脅他們工作的科技已經問世。許多量化分析師將被機器學習系統取代，或者至少必須接受這些系統的大力輔助。機器學習最適合用來輔助人類分析師，改善他們的分析生產力與模型開發工作。但是某些情境必須運用機器學習，才能及時產出需要的模型，網路廣告就是其中一例。為了瞄準特定消費者與特定廣告機會，每星期需要的模型數目可能多達數千個，至於成功達成說服（例如讓消費者在一星期內購買廣告產品）的可能性最多只有千分之一，表示這項工作不值得人們投注心力。對於這個產業以及愈來愈多的其他產業而言，利用機器學習產生模型是唯一可行之道。當然，只有量化分析專家才能設計機器學習程式，但是長期下來，一名專家可以產生數百萬個模型。如果你是一名了解機器學習的量化分析師，或許可以保住工作；如果你不了解機器學習，就可能會被機器取代。
7. 工作包含能夠在虛擬情境中模擬或執行的任務
對於教師與其他內容專家而言，另一個問題是：如果一項任務能夠被模擬，將其教給學生的最佳方式之一，會是接受模擬訓練。關於這點，可以請教世界上所剩不多的飛行教練。現在已經有相當不錯的領袖模擬訓練出現，也許商學院教授與企業主管教練也會面臨失業危機。
8. 一致性表現在工作中非常重要
電腦的工作表現永遠一致；舉例來說，這是金融業已使用電腦進行授信的原因。在其他一致性同樣重要的工作領域—例如保險理賠理算、財務壓力測試，甚至判定刑事犯罪的懲罰—電腦的角色愈形重要。以保險理賠為例，「自動損失分攤」系統能夠自動評估與決定多達 75% 的理賠。只有最棘手的案子，才需要保險理算師處理。
9. 工作包含創造以資料為基礎的敘述
包含資料與分析的敍述工作，一度完全是人類的工作，但是自動化系統已經開始取而代之。在新聞領域，像是自動化洞察力公司（Automated Insights）與敘事科學公司（Narrative Science）等業者，已經創造出資料密集的內容。運動與金融報導已經面臨威脅，不過這些領域的自動化仍然處於起步階段，採用的報導只有中學與夢幻運動， 以及中小企業的財報等等。但是分析內幕公司（AnalytixInsight）推出的「資本立方體」（CapitalCube）服務，已經創造出關於超過 4 萬家上市公司的投資分析。以這個例子而言，受到威脅的工作是投資分析師。金融服務業的財富管理現在已仰賴電腦系統提供最佳投資組合， 未來這項工作也會面臨威脅。目前理財經理與交易顧問經常採用自動化系統的建議，然後將之轉述給客戶。隨著客戶知識愈來愈充足、愈來愈了解電腦，這項轉譯功能將會失去必要性。
