前两周，团队来了个紧急项目，中间卡在一道大量数据转换的工序上。

如果靠人工干，得两到五天，还得逐条核对、反复检查，稍不留神就错一个数。眼看时间不够，我协调了一个开发同事，临时写了个小程序，把数据转换整个自动化了——原来要熬几天的活，程序跑几分钟就出结果，而且一个错都不带。

这件事不大，但给我的震动不小。倒不是程序多神奇，而是我意识到一个更本质的东西：

同样一堆重复的体力活，有人上去就干，有人先停下来想一句——这能不能交给程序干？

这一句之差，就是 AI 时代一个人能不能立足的分水岭。

一、先厘清一个词：什么叫"编程思维"

一提编程，很多人就摇头：我不会写代码，跟我没关系。

这是个误会。编程思维 ≠ 写代码。编程思维是一种"看事情"的方式——它问你三个问题：

编程思维的三个问题

1. 这件事，是不是重复的？
2. 重复的部分，有没有规律？
3. 有规律，能不能让机器替我做？

写代码只是最后那个动作，是技术；前两个问题，是任何人都能训练的判断。你不会写代码没关系，但你得能识别出"这件事值得交给程序"——识别不出来，代码再厉害也轮不到你头上。

就像这次的数据转换：它重复（几千条同样的操作）、有规律（每条都是同样的规则）、可自动化（程序能跑）。三个条件全中，而我在项目里的价值，不是写出那个程序，是第一个认出它"该交给程序"。

二、人和人拉开差距的，是"识别"这一步

为什么说这一步最关键？

因为大多数人的默认反应是"上来就干"。看到一个活，脑子里第一个念头是"得抓紧，人手不够，赶紧上"。这没错，但方向错了——把力气花在了"怎么更快地手工做完"，而不是"怎么让手工这件事消失"。

一旦你默认了"这是手工活"，后面的所有努力，都只是在优化一个本可以被消灭的动作。

而那些有编程思维的人，多做了半件事：在动手之前，先给这件事做一次"体检"——它重不重复？有没有规律？做完体检，才决定是自己上手，还是找程序。

三、重复劳动，本来就该是程序的活

再往深一层说，把重复劳动交给程序，不是"偷懒"，而是对人和机器各自价值的一次正确分配。

机器擅长什么？快、准、不厌其烦——同样的事做一万遍也不出错，不喊累，不走神。

人擅长什么？判断、取舍、应对意外——哪里该特殊处理，哪个数据对不上背后是什么原因，这个结果到底对不对。

问题来了：很多重复劳动，恰恰是把人这个"最贵、最会判断"的资源，拿去干了机器"最便宜、最擅长"的活。这不止是浪费，还是双重浪费——既浪费了机器，又把人困在重复里，没时间去干只有人能干的事。

这次的数据转换，正好是前者。而我作为当事人的价值，就是把这个分工看清，并推动它发生。

四、AI 时代，这个能力从"加分项"变成了"基本功"

如果放在十年前，会写程序、懂自动化，还算是少数人的"加分项"；放到今天，它已经变成了普通人的"基本功"。

原因很简单：AI 把"会写代码"的门槛打下来了。以前你要自动处理个表格，得会 VBA 或 Python；现在你把需求用大白话讲清楚，AI 就能帮你把代码写出来、把工具搭起来。

门槛一下来，竞争的焦点就转移了——不再是"你能不能写代码"，而是"你能不能想到用代码"。

换句话说：工具人人都有，会提问、会识别"这件事该自动化"的人，才稀缺。你的编程思维，不再是一个具体技能，而是一种"抬头看路"的习惯：

这一问，在 AI 时代，比会写任何一门语言都值钱。

五、养成这个习惯，就靠四个动作

道理不复杂，难在"每次遇到事都想得起来"。我给自己总结了四个动作，反复练：

结语：别做那个"替机器打工"的人

回到那次数据转换。程序跑完的那一刻，我最大的收获不是省了几天时间，而是又一次确认了那个朴素的分工：

重复的，交给程序；判断的，留给自己。

AI 时代淘汰的，从来不是"不会写代码的人"，而是"明明可以交给程序，却还在用手一点点磨"的人。因为你的每一次手工重复，其实都是在替机器打工——而且是用最贵的代价，干最便宜的活。

下次再遇到一堆重复的体力活，先别卷袖子。停一下，问自己一句：

这个，能不能交给程序干？

能，你就已经赢了这一局。