AI时代真正危险的,不是不会用AI的人,而是工作内容太容易被标准化的人,未来真正昂贵的,是判断、决策和解决复杂问题的能力

我真正开始警惕 AI，不是在看到它能写文章、做图片、分析表格的时候。

而是在我把一件自己做了很久的工作交给它，发现它很快就能做出一个七八十分的结果。

以前我会觉得，能把一件事熟练地做出来，就是能力。

一个人写稿快、表格做得熟、资料整理得整齐、汇报写得像样，在公司里通常都算靠谱。

很多人也确实靠这些能力，获得了不错的职位和收入。

但 AI 出现以后，我慢慢意识到：熟练和稀缺，根本不是一回事。

你做得很熟，只能说明这件事重复了很多次。

只要重复得足够多，步骤足够清楚，结果足够容易检查，它就有可能被整理成流程。

一旦变成流程，就可以交给成本更低、速度更快的工具。

我用 AI 优化文稿时，这种感觉特别明显。

如果我已经想清楚要表达什么，知道哪些材料能用，哪些判断不能说，AI 帮我整理结构、压缩废话、修改病句，效率确实很高。

可一旦让我把整篇文章直接交给它，我很快就会碰到另一个问题：文字没有明显错误，读起来也很顺，但很多地方不是我真正想说的。

它完成了写作动作，却没有经历我做判断的过程。

它不知道我为什么保留这个案例，也不知道我为什么把另一段删掉；不知道哪句话虽然正确，但我不愿意署名；更不知道有些地方，我宁愿写得不完整，也不想为了文章看起来漂亮，把一个自己还没有想明白的问题强行说满。

这些东西没办法只靠一个提示词补出来。

因为提示词只能告诉 AI 你想要什么结果，却不能替你承担结果带来的后果。

这也是我后来重新理解工作的地方。

我们过去经常把一份工作看成一个整体：这是客服工作，这是运营工作，这是设计工作，这是财务工作，这是写作工作。

AI 不会按照职位名称来替代人。

它会把一份工作拆开，看里面有哪些动作可以单独完成。

查订单、提取信息、整理会议纪要、套用固定格式、生成常规回复、汇总数据、修改尺寸，这些任务的共同点不是简单，而是边界清楚。

输入什么、执行什么、输出什么，大致都能提前写明。

哪怕它们过去需要不少经验，只要经验能够被整理成稳定规则，就会越来越便宜。

复杂投诉就不一样。

客户说自己要退款，表面上看只是处理一个售后问题，实际可能同时涉及公司规则、客户情绪、责任划分、潜在舆情和后续合作。

规则要求拒绝，客户的情况又确实特殊；同意退款可能造成损失，不同意可能把一个小问题拖成更大的问题。

这时候，真正值钱的已经不是回复速度。

谁来判断这是普通问题还是异常情况？

谁有权改变原来的处理方式？

如果判断错了，谁承担损失？

工具可以给出选项，最后仍然需要有人决定。

很多人害怕 AI，是因为觉得自己不会写提示词，于是开始追各种工具、教程和工作流。

今天学这个模型，明天装那个插件，后天又研究新的智能体。

学会以后，确实能比以前更快地完成工作。

可如果一个人只是把过去的重复操作，从自己手动执行，变成让 AI 执行，他并没有真正改变自己在工作中的位置。

过去，他按照领导给出的步骤做事。

现在，他按照领导给出的目标指挥 AI 做事。

速度变快了，工作仍然是别人定义的。

公司需要的是那份结果，至于结果由他完成、由新人完成，还是由 AI 完成，差别只剩成本。

真正危险的不是不会用 AI，而是你的全部价值都集中在「把已经确定的事情执行出来」。

别人提出问题，你整理答案；别人决定方向，你负责推进；别人划定边界，你在边界里优化效率。

这种人过去可能非常勤奋，执行力也很强。

公司扩张的时候，事情多、人手少，他甚至会成为团队离不开的骨干。

但这里有一个很难受的地方：公司离不开的可能只是这套执行能力，不一定是这个人。

一旦流程能够被拆解、记录和检查，个人的熟练度就开始失去议价能力。

《史记·货殖列传》里写过一些当时并不起眼的小生意：卖浆、贩脂、洒削、马医。

司马迁没有因为这些行业看起来小，就认为它们没有价值，他最后用「诚壹」概括这些人的长期经营。

这段材料不能证明只要专注一件事就一定能成功。

它真正留下的提醒是：一项工作值不值钱，不能只看它看起来大不大、体面不体面，还要看从业者有没有在反复解决问题的过程中，积累出别人难以直接拿走的专业能力。

重复本身不会自动产生能力。

如果一个人做了十年，十年都在按照同一张表格、同一套话术、同一份流程执行，他积累的可能只是熟练度。

换一个人照着流程做，结果差不多；交给 AI，结果可能也差不多。

真正的积累发生在流程失效以后。

遇到新情况时，你能不能发现原来的规则不适用了；信息互相冲突时，你知不知道该相信哪一条；客户说不清需求时，你能不能从几句模糊的话里找到真正的问题；结果不对时，你能不能判断到底是执行出了错，还是一开始解决的就不是那个问题。

这些能力很难一次性写进操作手册。

因为复杂问题没有稳定答案。

问题每变化一点，原来的经验就可能只剩一半有用。

所以，判断力不是知道得多，也不是表达得像专家。

判断力是一堆限制同时摆在面前时，你仍然知道先处理什么、暂时放弃什么，以及自己愿意承担哪种结果。

决策能力也不等于敢拍板。

真正的决策，要看清每个选项的代价，知道哪些损失可以承受，哪些后果一旦发生就很难收回来。

最后在信息不完整的情况下，选一个方向，并继续根据反馈修正。

至于解决复杂问题，最难的地方经常发生在动手以前。

别人交给你的问题，可能根本就不是问题。

老板说销量不够，未必应该先加大投放，也可能是产品没有复购；团队执行不下去，未必是员工不努力，也可能是几个人拿着互相冲突的目标；客户不断提出新需求，未必是产品功能少，也可能是一开始就卖给了不合适的人。

如果问题定义错了，执行越快，浪费越大。

AI 会让执行越来越便宜，也会让这种浪费发生得更快。

以前一个错误方案需要十个人做一个月，代价很高，所以大家多少会犹豫一下。

现在一套方案很快就能生成，看起来成本低，团队反而更容易跳过判断，直接进入执行。

报告出来了，内容发出去了，页面做完了，数据也整理得很漂亮。

忙了一圈才发现，最开始问错了问题。

以后真正稀缺的人，大概不会是那个什么都亲自做的人。

他会使用 AI，也愿意把大量重复工作交出去。

但在交出去以前，他知道任务应该怎样定义；结果回来以后，他能看出哪里只是表面正确；异常出现时，他敢于停止流程，重新判断。

这种人的价值不在产量，而在他能减少多少错误行动。

普通人真正应该积累的，也不只是更多工具教程。

可以从自己每天的工作里挑一件事问：如果这项工作明天完全交给 AI，我还能留下什么？

如果答案只剩下检查错别字、调整格式、把结果转交给领导，那这个位置确实危险。

如果你能解释为什么要做这件事，能识别它什么时候不该做，能处理规则覆盖不了的情况，还能对最终结果负责，那么 AI 越强，你能调用的执行能力反而越多。

未来不会简单地分成「会用 AI 的人」和「不会用 AI 的人」。

真正拉开差距的，是有人只学会了让 AI 替自己干活，有人开始借 AI 把自己从重复执行里抽出来，把时间放到问题、判断和决策上。

前一种人提高了效率。

后一种人，开始改变自己在工作里的定价。