你还在不停的学AI工具?学的越多你贬值的越快!

你已经被skill了吗？还是在被skill的路上？不管你在这条光谱的哪个位置，我都建议你认真读完这篇文章，是的，不是泛读，是认真读，真正理解这篇文章精髓的人，不用多，5年后你会来感谢我，我先回答，不用谢！

你现在的工作里，有相当一部分内容已经可以被AI接管——那一部分它完成得比你稳定、比你快、成本比你低。这不是将来会发生的事，而是正在以不同的速度发生在不同的职业里。这件事的规模比大多数人想象的要大。麦肯锡全球研究院2023年发布的报告估算，到2030年，全球约有3亿个全职工作岗位的任务内容会受到生成式AI的直接影响。我认为这个估计还是太过保守，毕竟2023年，还没有opus 4.6，更别提anthropic都不敢公开的、会装傻骗过监管的、号称迄今最强模型——Claude Mythos。毫不夸张地说，2030年，将会有很多人变成那个趴在公司电脑里的XX.skill。

图1：不同职业受生成式AI冲击的任务比例估算（来源：麦肯锡全球研究院，2023）

在这个背景下，大家纷纷开始下意识地盘点自己：我做的事情里，哪些会被替代，哪些不会？这个问题的答案通常会落在几个固定的维度上——创意、判断力、情感连接、在不确定环境下的处理能力。这些答案不是错的，但它们已经被引用了太多次，已经变成了一种标准安慰剂，用来让自己在焦虑中暂时缓口气。

但这些答案有一个共同的问题：它们描述的是一种能力的类型，而不是这种能力的来源和深度。说“我有判断力“，就像说“我有体力“，它可能是真的，但这个表述本身什么都说明不了——因为它没有告诉你这种判断力建立在什么基础上，能解决什么具体问题，在整条价值链上服务于什么目的。

职场里真正的断层，不在于“这件事AI能不能做“，而在于“你是否真的知道这件事为什么要做、在整个链条里服务于什么目的“。这个区别，正是接下来要拆解的核心。但在那之前，有必要先把“谁被替代了“这件事讲得更准确一点。

不同的职业在这条替代光谱上的位置，差别是非常大的。数据录入、基础翻译、标准化内容生产、初级客服——这些岗位处于光谱的高风险端，AI对其任务的覆盖率已经超过60%，这是麦肯锡研究给出的数字。而医疗诊断、管理决策、路径创造型工作，则处于低风险端，暂时的低风险来源于这些工作所需的信息整合方式、问题识别方式，目前还难以被AI的生成机制所模拟。

但这个分布图并不是命运。你在光谱上的位置，不只取决于你从事什么行业，还取决于你在这个行业里是以什么方式在工作。同样是做市场，一个人在做的是照单完成月度内容计划，另一个人在做的是识别出公司在整条获客链路上的结构性问题并重新设计解法——这两种做法，在替代风险上的差距，远比行业之间的差距要大。

所以，真正值得问的问题不是“我的职业会不会被替代“，而是“我现在的工作方式里，哪些是在真正创造价值，哪些是在填充时间“。这个问题，很多人从来没有认真回答过——不是因为他们不聪明，而是因为传统的职场体系从来不要求你回答这个问题。它只要求你完成任务、达到指标、汇报结果。

结果就是，很多人对自己工作的理解，停留在“我在做什么“的层面，而从来没有真正想清楚“我的工作解决了什么问题，这个问题在整个产业链里的位置是什么，替代我解决这个问题的成本是什么“。这种认知上的空白，在AI出现之前影响不大。但现在，这个空白正在变成一个真实的、会影响你职业价值的漏洞。

01/你以为自己在创造价值，

实际上只是在执行模式

来说一个具体的场景，可能会让人有点不舒服。

有一类市场营销从业者，做了很多年，有丰富的经验，手里有一套成熟的打法：用户画像、漏斗分析、内容矩阵规划、AB测试、ROI复盘。这套东西做得很流畅，跟行业前辈学来的，经过多次项目验证，是真实有效的方法论。但如果你问他们：你做的这件事，在你们公司整条商业链路上，解决的是什么问题？你产出的那些内容和转化数字，如何传导到公司最核心的价值创造环节？他们中的很多人，会在这个问题上停顿，然后给出一个很宽泛的答案——比如“提升品牌认知“或者“带来销售线索“。

这个答案不是错的，但它是空的。“提升品牌认知“不是一个解决了什么问题的描述，而是一个岗位功能的定义——就像问医生“你干什么的“，他回答“我治病“一样，这句话什么信息都没有传递。

真正理解自己工作的人，能回答的是：在这家公司、这个行业、这个竞争格局里，品牌认知的提升在哪个具体的节点上转化为商业价值？这个转化过程里，有什么信息摩擦和决策障碍？我现在的做法，解决的是这些障碍里的哪一个，还是在绕过这些障碍做一些对自己KPI友好但对公司问题解决实际上没什么贡献的事？

这种差距，有一个词可以描述：局部最优。在自己的那个环节做得很好，但对这个环节在整体中的位置和意义缺乏感知。AI出现之前，这种局部最优的代价是隐形的，因为整个行业都这样运转，相对于同行你并没有落后。但AI出现之后，局部最优变得非常脆弱，因为AI最擅长的事，恰恰就是在既有框架内把局部任务完成得快速、准确、低成本。

这里有一个认知误区需要特别点破，因为它很普遍，而且很有迷惑性。很多人在讨论AI与人的差异时，会谈到“创意“——你有创意，所以AI取代不了你。但创意这个词，其实包含着两种完全不同的东西，它们在AI面前的处境截然相反。

第一种创意，是在既有框架内做变体：换一种视觉风格、换一个叙事角度、换一种情绪基调、换一种产品组合方式。这是绝大多数被称为“创意工作“的日常内容。Midjourney可以生成几乎任何风格的图像，GPT可以写出几乎任何语气的文案，这些都是在已知坐标系内做排列组合，而这个坐标系本身是由人类过去产出的所有创意作品训练出来的。这类创意，AI已经做得非常好了。

第二种创意，是发现一个框架本身不再适用，重新定义问题的边界，为一个具体情境创造一种之前不存在的解法。这完全是另一种事情。它不需要比别人更有美感，不需要比别人更聪明，但它需要对一个具体场景有真实的、足够深的理解，理解到能看出“原来大家都这么做，但其实这么做有个根本性的假设错了“的程度。这类创意，AI完全做不到——不是因为AI不够聪明，而是因为它的生成机制只能在已有数据覆盖的空间里工作，一旦要发现的是“这个空间本身的边界应该重画“，AI就没有参照物了。

图2：创意工作的两种类型与AI替代可能性分析

问题是，大多数声称自己在做“创意工作“的人，其实做的是第一种创意，而不是第二种。这不是一种批评，而是一种结构性的现实——大多数职场环境里，第一种创意就已经足够满足日常的业务需求，没有人会要求你去做第二种。但正是因为这样，当AI把第一种创意的成本和门槛大幅拉低的时候，很多人才会突然发现，自己一直以为有价值的那部分能力，原来比想象中脆弱。

为了把这个区别说得更具体，让我举一个看起来很平凡的例子。

一个在某个县城做食材冷链配送的供应商，做了十几年，给当地的学校、餐馆、工厂食堂送菜。如果按传统职业分类，这个岗位几乎没有所谓“创意“可言——接订单、排车次、协调仓储、确保准时送达。这个人多年来做了一件很特别的事：他花了两年时间，把自己配送的每一个客户群的实际损耗数据、季节性需求波动、竞争对手的动态，全都整理成了一套他自己的供应节律模型。这套模型不是凭感觉的，是他用真实数据反复校准出来的。这套模型让他能够提前两到三周预判某类食材在特定客户群体里的需求波动，并据此在采购端提前锁价——最终，他把损耗率控制在整个行业平均水平的三分之一。这个成本结构的差异，让他能够以更低的报价拿下更多客户，同时保持比竞争对手更高的毛利率。

你可以说这是经验。但这个行业里做了二十年的人多了去了，为什么只有他建出了这套模型？更准确的描述是：他是真正理解了自己工作的价值——不只是在“做配送“，而是在理解供需之间的传导逻辑，在识别整条链路上的信息不对称，在用这种理解创造别人没有的路径。

这条路径，AI的数据库里完全没有。不是因为AI不够聪明，而是因为这条路径是他在一个具体的县城、具体的客户结构、具体的季节性特征下，通过持续的真实观察和反馈校准，从零创造出来的。它不存在于任何行业报告里，不在任何供应链管理的教材里，不在任何大语言模型的训练数据里。它是一个全新的存在。

这就是那条断层的本质：能被替代的，是那些按照已有路径把事情做好的能力；不能被替代的，是在真实情境里从系统性理解出发，创造出原来不存在的路径的能力。而后者，要求你真的理解自己工作在整个产业链里的位置，理解你的产出在整个价值传导链条里服务于什么目的，而不是只知道“我的KPI是什么、我要完成什么任务“。

但这里还有一个更根本的问题需要挖出来：为什么大多数人做不到这种理解？不是因为他们能力不够，也不是因为他们不努力。而是因为他们的工作方式，从一开始就被设计成了不需要理解的状态。

传统职场的运转逻辑是：前辈设计好流程，后辈按照流程执行，系统通过KPI考核执行质量。这套机制非常高效，它让一个行业可以快速复制出大量合格的执行者，而不需要每个人都真正理解这个行业在做什么。但这套机制有一个隐含的假设：前辈设计的流程是正确的，而且会持续正确。在一个变化缓慢的行业里，这个假设基本成立。但在一个被AI重新定义规则的环境里，这个假设正在以越来越快的速度失效。

当前辈设计的流程本身可以被AI更低成本地执行，你作为“高效执行这套流程的人“的价值，就在快速稀释。而你能够重新找回价值的路径，只有一条：真正理解为什么要有这套流程，这套流程在解决什么问题，而这个问题在今天是否还适合用同样的方式来解决。

02/发现路径，比走路径更值钱

上面谈到的这些，可能听起来很有道理，但落地很难。“真正理解自己工作在产业链里的位置“——这句话说得很抽象，具体怎么做？

先从一个职业发展中的常见误区开始。很多人在职业发展的过程中，隐含的逻辑是“成为更好的执行者“——做得更快、更精准、更少出错、产出更高。这是一条正确但日益危险的路径。说它正确，是因为执行力确实是职场中不可或缺的基础；说它危险，是因为执行力的天花板是被更好的工具替代，而工具换代的速度正在以指数级加快。跟上一轮并不代表能跟上下一轮。

另一条路径，是“成为真正理解问题的人“。这条路更难走，但它的终点不一样。

什么叫真正理解问题？不是懂行业名词，不是熟悉业务流程，而是能够清晰回答几个层次递进的问题：你所在的工作环节，在整个产业链里是什么位置？它的上游输入是什么，下游承接的是什么？它对最终价值创造的贡献方式，是通过什么传导路径实现的？这个环节现在的做法，是怎么形成的？它解决了什么历史问题，但今天是否还在以同样的方式面对一个已经变化了的问题？如果你把现有的解法路径全部拿掉，重新回到问题本身，今天的你会用什么方法来解决这个问题？这个新方法，和原来的方法有什么实质差异？这个差异，代表的是什么价值？

这三层问题，构成了一种“纵向看自己工作“的方式。它让你不只是在水平面上横向比较“我比同行做得好不好“，而是从垂直方向审视“这件事本身应不应该这样做，以及我是否真的理解我在做什么“。

但纵向还不够，还需要横向。

很多人在反思自己工作价值的时候，视野只停留在公司内部：我在这个组织里的价值是什么，我和同事相比有什么优势。这是一种视野极其有限的自我评估方式。更有价值的问法，是在产业链的维度上看：在我所在的产业链上，我所处的这个环节，对整条链条的其他参与方来说，解决的是什么问题？替代我这个环节，他们需要付出什么代价？如果我这个环节不存在，链条的其他部分会发生什么？

这种横向看法不只是一种视野拓展，它实际上是一种价值重估工具。因为一个工作在整个产业链上的真实价值，往往比在单一公司内部看到的要大得多。理解了这一点，你才能看到自己工作的真正杠杆点在哪里——也就是说，哪些地方的微小改变，可以在整条链条上产生放大的效应。

举一个稍微复杂一点的例子，关于B端软件的销售。

一家做SaaS产品的公司，销售团队长期困惑于一个问题：转化率上不去。他们的常规解法是优化话术、提升演示效果、缩短销售周期、加大线索投入。这些都是在“销售效率“的框架内做优化，属于执行层面的改进，也是行业标准打法，用AI辅助的话效率还可以进一步提升。

但有一个人提出了一个不同的问题：我们的客户在购买决策过程中，真正的阻力是什么？他没有从转化漏斗入手，而是做了大量客户访谈，发现了一个在销售团队里几乎没有人真正在意过的细节——这家公司的产品在客户方的IT部门通常能顺利推进，但最后往往卡在财务审批环节。卡点不是产品价格高，而是财务部门无法量化ROI。而无法量化ROI的根本原因，是这个产品的价值指标设计得对工程师友好，但对CFO完全不友好——它呈现的是技术指标和效率数据，而财务审批者需要的是现金流影响和成本节省的财务语言翻译。

一旦识别了这个真实的卡点，解法就完全不同了。不是话术优化，而是重新设计产品的价值呈现方式——专门为财务决策者创建一套用财务语言描述的价值说明，并将它系统性地嵌入销售流程中。结果，转化率的提升幅度远超任何话术调整所能带来的效果。

这个案例的关键，不在于那个人更聪明，而在于他问了一个不同层次的问题。他没有问“怎么做得更好“，而是问“为什么现在做不好“。前一个问题的答案，存在于所有的销售培训材料和行业最佳实践里，AI可以给你一个非常完整的答案。后一个问题的答案，存在于这家公司、这个市场、这个时间点上的具体现实里——它需要你真正进入问题所在的系统，理解各方的动机和约束，识别出那个真实的卡点。这个过程，没有任何AI模型可以替你完成。

这里引出了一个更根本的判断：AI替代不了的，是那种“在真实世界中还没有被命名的问题“的发现者。

训练一个AI大语言模型，本质上是把人类已经处理过的、描述过的、解决过的问题和解法，压缩成一个可以快速检索和生成的系统。它的能力边界，等于人类集体知识的覆盖边界。一旦一个问题超出了这个边界——也就是说，这个问题在任何人类的经验描述中都没有明确出现过，它的解法也从未被任何人整理记录——那么AI就没有真正有效的参照物，它只能给出一个在训练数据上拟合出来的、听起来合理但实际上无法应对这个具体情境的回答。这就是AI生成机制的底层局限，而这个局限，正好是人类最有机会发挥价值的地方。

图3：工作价值能力维度对比——AI与两类人类工作者的差异

但这里有个陷阱需要特别点出：很多人以为创造新路径，需要的是那种宏大的、横跨多个领域的复合型视野，需要既懂技术又懂商业又懂用户，需要成为传说中的“T型人才“或“π型人才“。这种说法本身没有错，但它会让人陷入一种弥散性的焦虑，觉得自己无论学什么都不够，无论懂多少都还差得远。

实际上，很多最有价值的新路径，来自于对一个极其具体的领域的极其深入的理解。前面那个食材供应商，不需要懂AI，不需要懂互联网，不需要懂金融或者跨界打法——他只需要把一件小事理解得比任何人都深，深到能看到别人看不到的结构性信息，然后根据这个信息创造一种别人没有想到过的做法。

这个观察有一个重要的推论，对很多有职业焦虑的人来说，可能是一种解脱：你不需要变成一个“全能的“、拥有很多跨界技能的人。你需要做的，是回到你真正工作的地方，认认真真地想清楚几件事：你的工作，最终服务于哪个终端价值？不是上司给你的KPI，而是再往前追一步、再追一步，这个KPI背后的KPI，最终连着的是什么？在你工作的这个环节，现有的做法，是在解决真实的问题，还是在重复一个已经不是最优解的惯例？如果你要重新设计这个环节，你会怎么做？你现在的做法和这个重新设计之间，有多大的距离，这个距离代表的是什么机会？

这三个问题，听起来简单，但大多数人从没有认真回答过。不是因为这些问题太难，而是因为它们从来没有被要求回答。在一个只考核输出结果的体系里，理解输入与输出之间的传导逻辑，是一种额外的、没有立即回报的工作。但现在，这种额外的工作，越来越接近于职场上真正不可替代的核心。

还有一个维度需要单独谈，关于“发现问题“这件事本身的层次。

在传统的职场逻辑里，发现问题是有价值的，但它通常停留在一个层次：发现流程里的漏洞、发现效率的损耗、发现某个环节的输出质量不达标。这类问题的发现，是有价值的，但本质上还是在已有的框架内做修补，解法路径是可以被历史经验覆盖的，也就是说，AI完全可以参与这个过程，甚至在某些场景下做得比人更系统。

真正有高价值的问题发现，是发现框架本身的错误假设。这需要一种特殊的认知能力：你能够从局部走出来，看到整个框架是怎么运转的，然后识别出这个框架建立在一个在过去成立、但今天已经不再成立的前提上。这种能力，不是通过学习最佳实践得来的，而是通过真正理解“这件事的目的是什么，以及现有的做法在多大程度上真的服务于这个目的“来发展出来的。

这其实是一种很古老的能力——在所有行业的演进历史里，真正带来范式转换的，往往不是那些在原有轨道上跑得最快的人，而是那些停下来问了一句“我们为什么要在这条轨道上跑“的人。但这种能力以前之所以珍贵，是因为它在技术层面就很难——你既要有足够的知识积累才能看清楚现有框架，又要有足够的认知弹性才能跳出来质疑它。现在，AI把技术层面的知识积累这部分的门槛大幅降低了——你可以用AI快速了解一个行业的现有最佳实践和历史沿革。所以剩下来真正稀缺的，是那种能够在具体情境里识别出“现有框架的错误假设是什么“的能力，而这个识别，只能来自于真实的、在场的、对这个具体情境的深入观察和理解。

说到这里，这篇文章想讲的事情，其实可以归结为一句话：AI正在把“按照已有路径把事情做好“的价值压缩到接近于零，而把“在真实情境里创造原本不存在的路径“的价值放大到前所未有的程度。这两件事看起来都叫“工作“，但在AI时代里，它们的市场价格正在急速分化。

这几年，有一类职场建议非常流行：你需要学这个技能，学那个工具，你需要会用AI，会写提示词，会用各种效率软件，否则就会落后。这些建议都没有错，但它们指向的，是那条“成为更好的执行者“的路径——用新工具，把已有的任务做得更快更好。这条路需要走，但它解决不了根本问题，因为新工具会继续迭代，工具的使用方法会被下一个新工具所替代，你能跟上一轮，并不代表能跟上下一轮。

唯一真正能让你站稳的，是回到那个更基础的问题：我的工作究竟在解决什么问题？这个问题在整条价值链上的哪个环节还没有被很好地解决？而我有没有能力从零开始，在这个具体的现实情境里，重新为这个问题设计一条路径？

这个能力，没有任何一家公司会明确要求你具备，没有任何一份工作描述会把它写进岗位职责，也没有任何一所学校会把它列进课表。但它越来越接近于在AI时代里，一个人真正的劳动力资本。

有一种恐惧，是看着AI越来越强，觉得自己越来越没有立足之地。但还有一种恐惧，可能更值得警惕：一直很努力，一直在跟进新工具，一直在提升执行效率——但始终没有回头看看，自己的工作到底值钱在哪里。而那个值钱的部分，自己是否真正理解过。

不知道这件事，会让你在一个正确的轨道上努力，却跑向一个越来越低价值的终点。知道了这件事，哪怕你的工作看起来很普通，也能找到那个只属于这个具体情境的、AI没有参照物的路径。

参考文献

[1] McKinsey Global Institute. (2023). The Economic Potential of Generative AI: The Next Productivity Frontier. McKinsey & Company.

[2] Goldman Sachs Global Economics Research. (2023). The Potentially Large Effects of Artificial Intelligence on Economic Growth. Goldman Sachs.

[3] Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at Work. NBER Working Paper No. 31161. National Bureau of Economic Research.

[4] Acemoglu, D., & Restrepo, P. (2022). Tasks, Automation, and the Rise in US Wage Inequality. Econometrica, 90(5), 1973-2016.

[5] World Economic Forum. (2023). Future of Jobs Report 2023. Geneva: World Economic Forum.

[6] Autor, D., Levy, F., & Murnane, R. J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. Quarterly Journal of Economics, 118(4), 1279–1333.