夜雨聆风
AI 不会突然淘汰你,但观望会慢慢拉开差距
这两年，很多人都在问一个问题：
AI 会不会取代我？
一开始我也问过。
甚至很长一段时间里，我并没有真正把它当回事。
那时候看到各种 AI 新闻、各种大模型发布、各种“一个人干掉一个团队”的案例，我的第一反应其实不是兴奋，而是怀疑。
是不是夸大了？
是不是又一轮概念炒作？
是不是离真正的企业生产还很远？
是不是等它更成熟一点，再学也来得及？
尤其做传统业务系统的人，对这种感觉应该更熟悉。
我们面对的不是几页网页、几个轻量应用，而是跑了很多年的核心系统，是历史包袱很重的业务逻辑，是几十张表关联出来的交易规则，是一个字段改错就可能影响投保、保全、理赔、续期、财务、监管报送的一整条链路。
所以最开始，我对 AI 也没有那么乐观。
我觉得它可以写写文案，可以辅助查资料，可以生成一点代码片段，但真要放到复杂业务、老旧系统、金融级项目里，恐怕没那么容易。
直到去年，我真的开始把 AI 用进自己的工作里。
不是试着问几个问题，也不是让它写几段文字，而是用它完整参与了一个产品工厂项目。
从需求分析、方案设计、代码生成、页面开发、规则配置、文档整理，到后续的知识库建设、功能优化、材料汇报，它都参与了进来。
后来我又用 AI 做了安卓和 iOS 的游戏 App，做了小程序，做了需求知识库，也做了很多以前一个人很难快速完成的东西。
这些事情做完以后，我对 AI 的看法变了。
不是变得盲目乐观，而是变得更现实。
我越来越确定一件事：
AI 不会像电影里那样，突然有一天把人替代掉。 但它会悄悄改变“什么样的人更有能力”。
这才是最值得警惕的地方。
真正的差距，不是人和 AI 的差距
很多人把 AI 时代的竞争，理解成“人和 AI 的竞争”。
其实不是。
在大多数工作场景里，真正发生的变化是：
人和会用 AI 的人之间，开始拉开差距。
这句话听起来有点刺耳，但我觉得它很真实。
过去，能力差距也一直存在。
会写代码的人，比不会写代码的人有优势。
懂业务的人，比只懂技术的人有优势。
会做系统设计的人，比只会堆功能的人有优势。
能把复杂问题讲清楚的人，比只会埋头干活的人有优势。
现在，只是能力体系里多了一项新能力：
你能不能借助 AI，把原来的工作做得更快、更深、更完整。
这不是简单地“会不会用 ChatGPT”。
也不是问几个问题、生成几段文字那么简单。
真正有价值的，是你能不能把 AI 放进自己的工作流程里。
比如做需求分析时，让它帮你梳理业务场景、补充异常分支、反推影响范围。
比如看老代码时，让它帮你解释逻辑、梳理调用链、定位可能涉及的表和字段。
比如做设计方案时，让它帮你列出几种实现路径，再结合实际系统做取舍。
比如写代码时，让它先生成初稿，再根据项目规范和历史代码风格进行调整。
比如做测试时，让它帮你补充边界条件、生成测试用例、检查遗漏场景。
比如做汇报时，让它帮你把零散材料整理成领导能看懂、业务能理解、技术也站得住的表达。
它不是替你做决定。
它也不能替你承担责任。
但它会让你更快进入问题，更快形成初稿，更快发现盲区，更快完成第一轮加工。
这就已经很不一样了。
我一开始也觉得：还早
说实话，我最开始也觉得 AI 还早。
尤其是在传统企业里，很多系统都不是新架构。
前端可能还是 JSP，后端可能是老框架，SQL 写得到处都是，业务逻辑散在代码、配置、存储过程、批处理和各种历史规则里。
需求文档也不一定完整。
很多逻辑不是写在文档里，而是藏在代码里、藏在老员工经验里、藏在某一次历史项目的口头约定里。
这种场景下，你说 AI 能马上接管分析、设计、开发、维护？
我是不信的。
而且 AI 本身也确实有很多问题。
它会一本正经地胡说。
它会给出看起来很完整但其实不准确的答案。
它不理解公司的历史包袱。
它不知道某个字段为什么十年前被设计成这样。
它也不知道一个看似普通的 SQL，背后可能影响多少业务链路。
所以如果有人说“AI 可以直接替代人”，我到现在也不认同。
但后来我慢慢发现，问题不在于 AI 能不能一步到位替代人，而在于：
它能不能在某些环节帮你节省时间、打开思路、降低试错成本。
这个变化，才是真正发生的。
以前看一段复杂代码，可能要靠自己一点点顺。
现在可以把关键逻辑拆出来，让 AI 先帮你解释一遍。它不一定完全对，但能帮你快速建立第一层理解。
以前写一个方案，可能要从空白文档开始。
现在可以先让 AI 按你的思路搭一个框架，再由你根据业务、系统、风险、实施路径去补充和修正。
以前整理一堆需求材料，可能要花很久归类。
现在可以让 AI 先帮你提炼背景、目标、功能点、影响范围、待确认问题，再由你做专业判断。
这个过程不是“AI 替你干活”。
更像是多了一个不知疲倦的助手。
它不一定老练，但反应很快。
它不一定完全懂，但可以陪你反复推敲。
它不一定一次就对，但可以帮你把第一步迈出去。
很多时候，最难的不是最后那一步，而是从零到一的启动。
AI 在这件事上，确实很有价值。
真正让我改变看法的，是自己做出来了一些东西
我觉得学习 AI 最重要的，不是看了多少教程，也不是听了多少课程，而是你真正用它做成过一件事。
哪怕这件事很小。
只有你亲手做出来，感受是不一样的。
去年做产品工厂项目的时候，我第一次比较系统地感受到 AI 对一个复杂项目的帮助。
一开始只是让它辅助写一些代码，后来慢慢扩展到需求分析、页面设计、接口设计、数据结构、规则逻辑、测试场景、说明文档、汇报材料。
当然，中间也踩了很多坑。
生成的代码不一定符合项目规范。
有些逻辑看起来对，实际跑起来有问题。
有些表结构设计得太理想化，落到真实系统就要调整。
有些方案写得很漂亮，但不符合企业内部的实施条件。
但这些问题并没有让我觉得 AI 没用。
反而让我更清楚：
AI 的价值，不是一次性给你最终答案，而是帮你更快完成多轮迭代。
以前一个功能从想法到初版，可能要花很久。
现在可以先快速生成一个版本，再改，再试，再问，再调整。
这种效率提升，不是一点点。
后来我又用 AI 做了安卓和 iOS 的游戏 App。
以前如果让我从头做移动端应用，我会先想到环境搭建、技术栈、页面适配、打包发布、各种坑。光是想想就容易劝退。
但有了 AI 之后，至少第一步没那么难了。
你可以让它帮你拆功能。
可以让它给出项目结构。
可以让它生成基础代码。
可以让它解释报错。
可以让它带着你一点点把功能跑起来。
小程序也是一样。
很多东西过去不是完全做不了，而是启动成本太高。
现在 AI 把启动成本降低了。
它让你有机会在短时间里看到一个东西从无到有。
哪怕很粗糙，哪怕还不完美，但那一刻会给人很强的反馈。
你会突然觉得：
原来我真的可以做出来。
这种感觉很重要。
因为它会带来成就感。
而成就感，会继续推动你学下去。
AI 学习的起点，不应该是宏大的课程，而是你手边的小问题
很多人一说学 AI，就容易把事情想得很大。
要不要先学大模型原理？
要不要先学 Prompt 工程？
要不要先搞清楚 RAG、Agent、微调、向量数据库？
要不要先系统看一套课程？
这些当然都有价值。
但对大多数普通职场人来说，真正有效的第一步，不是把 AI 当成一门新学科去啃，而是从自己最熟悉的事情开始用。
你是程序员，就从一段代码开始。
让它帮你解释逻辑，帮你优化代码，帮你生成单元测试，帮你分析报错。
你是产品经理，就从一份需求开始。
让它帮你整理业务场景，补充异常流程，拆分功能点，生成待确认问题。
你是测试人员，就从一个功能开始。
让它帮你列测试用例、边界条件、异常场景、回归范围。
你是项目经理，就从一次会议纪要开始。
让它帮你提炼结论、整理风险、拆分任务、形成跟踪清单。
你是做业务系统维护的，就从一次生产问题、一个历史需求、一段老代码、一条复杂 SQL 开始。
不要一开始就追求“大而全”。
也不要想着第一天就搭一套完整体系。
先让它帮你解决一个小问题。
这个小问题一旦解决，你会对它产生第一点信任。
再解决第二个问题，你会开始知道它适合做什么。
等你解决到第十个问题，你的用法就会慢慢变得稳定。
等你解决到第一百个问题，它可能已经变成你工作流的一部分。
学习就是这样发生的。
不是靠一次冲动，也不是靠一篇教程。
而是靠连续不断的小反馈。
最怕的是，一直在观望
我现在最怕的，不是 AI 不够强。
而是很多人一直在观望。
观望当然有理由。
工作太忙。
系统太复杂。
工具太多，不知道选哪个。
AI 回答不稳定，感觉不靠谱。
公司还没有明确要求。
身边人也没有真正用起来。
这些理由都真实。
但问题是，变化不会等你准备好。
你可以不着急。
但别人已经开始了。
别人可能也不懂原理，但他先用起来了。
别人可能也踩坑，但他在踩坑中积累方法。
别人可能也遇到不准的答案，但他学会了怎么追问、怎么验证、怎么把 AI 的输出变成自己的成果。
差距就是这样拉开的。
不是某一天突然发生的。
而是每天一点点积累出来的。
今天别人用 AI 少花半小时。
明天别人用 AI 多做一个方案。
后天别人用 AI 多理解一块代码。
再过一段时间，别人已经把这些小技巧串成了一套自己的工作方式。
你还在问：
现在学是不是太早？
这个工具到底靠不靠谱？
会不会过段时间又换了？
等公司培训是不是更好？
等你开始的时候，别人可能已经不是在学习工具了，而是在用工具重构自己的工作方式。
这才是差距。
AI 不会让经验失效，但会重新放大经验
有一点我感触很深：
AI 并不会让专业经验变得不重要。
恰恰相反，越是复杂场景，经验越重要。
比如在保险核心系统里，一个规则能不能这么改，一个字段能不能这么取，一个状态能不能这么流转，一个接口能不能这么对接，这些都不是 AI 看几段代码就能完全判断的。
它不知道历史原因。
不知道监管要求。
不知道业务口径。
不知道系统之间那些微妙的边界。
也不知道某些“看起来不合理”的设计，其实是为了兼容历史数据。
所以，专业判断不能丢。
但问题在于：
同样有经验的人，会用 AI 的那个人，会把经验放大得更快。
他可以更快整理材料。
更快形成方案。
更快验证思路。
更快输出文档。
更快把一个想法落成原型。
更快从一堆复杂信息中抓住重点。
这不是 AI 取代经验。
这是 AI 放大经验。
没有经验的人，用 AI 容易写出看似完整、实际很空的东西。
有经验的人，用 AI 可以把多年积累变成更高效的产出。
所以真正有竞争力的，不是单纯会用 AI 的人，也不是只靠老经验的人，而是：
有业务判断、有专业积累，又愿意借助 AI 提升效率的人。
这类人，在未来会越来越有优势。
不要等自己准备好了，先做出一个小成果
如果让我给现在还没开始的人一个建议，我不会说“你要系统学习 AI”。
我更想说：
先做出一个小成果。
真的，不需要多大。
用 AI 帮你写好一份汇报。
用 AI 帮你把一个需求拆清楚。
用 AI 帮你看懂一段老代码。
用 AI 帮你把一个报错解决掉。
用 AI 帮你做一个简单页面。
用 AI 帮你生成一个小工具。
用 AI 帮你整理一份知识库雏形。
只要你有一次真正做成了，你的感觉就会变。
那种感觉不是看文章能得到的。
也不是听别人分享能得到的。
是你自己坐在那里，原本以为要花很久的事情，突然在 AI 帮助下往前推进了一大步。
那一刻，你会有一点震撼。
也会有一点成就感。
甚至会有一点兴奋。
然后你就会想：
那它还能不能帮我做别的？
这个念头一出来，你的学习就开始加速了。
因为你不是被动学习，而是被问题牵着往前走。
你不是为了学 AI 而学 AI，而是为了把手头的事情做得更好、更快、更有质量。
这是完全不同的状态。
写在最后
现在回头看，我觉得 AI 时代最重要的一件事，不是焦虑，也不是追风口，而是不要一直停在观望里。
观望太久，人会慢慢失去行动力。
因为你总能找到理由。
工具还不成熟。
回答还不稳定。
企业落地还不充分。
安全合规还要考虑。
模型变化太快，学了也可能过时。
这些都对。
但它们不应该成为不开始的理由。
真正适合普通人的路径，不是一下子把自己变成 AI 专家，而是从自己最熟悉的工作开始，从一个很小的点开始。
先用起来。
先做成一件小事。
先获得一次正反馈。
先让自己感受到，AI 真的可以帮你把事情往前推。
有了这个开始，后面很多东西都会自然发生。
你会开始关心提示词怎么写。
会开始研究工作流怎么搭。
会开始思考哪些环节可以自动化。
会开始整理自己的方法。
会开始把 AI 从一个聊天工具，变成自己的工作能力。
AI 不会突然淘汰你。
但它会慢慢改变能力的标准。
未来真正被拉开差距的人，可能不是不聪明的人，也不是不努力的人，而是一直站在原地、迟迟没有开始的人。
我们不需要把 AI 神化。
也不用被它吓住。
但至少应该承认：
这个时代，已经不太适合一直观望了。
哪怕从一个很小的问题开始。
哪怕只是做出一个很粗糙的小成果。
哪怕只是有一次被 AI 帮到的瞬间。
都值得。
因为很多改变，就是从那一次开始的。