ARTICLE · 1253865
AI时代,最可怕的不是失业,而是你的工作越来越不值钱
AI时代,最可怕的不是失业,而是你的工作越来越不值钱
公司没有裁你，但你可能已经不再做原来的工作了。 以前，一个人离职，公司通常要赶紧招人。现在，有些岗位空出来，老板却不急着补。 先试试 AI。 原来三个人做的事情，两个人加上一套 AI 工具，似乎也能完成。业务没有出问题，工作也没停下来，那么第三个人还需要招回来吗？ 于是，一个部门还在运转，人数却慢慢减少；岗位名称没有变化，里面的工作却已经换了一遍。 变化未必从裁员开始。 它可能先从一项任务被自动化开始，再从一个岗位不再补人开始，最后才反映到招聘需求和组织结构上。 AI 不一定马上让你失业，但它可能先让你原来那套工作方法失去价值。 想象一个常见的工作场景。 客服每天接到大量电话，其中有些问题反复出现：订单怎么查、退款怎么申请、某项服务出了问题怎么办。 过去，这些问题需要客服一遍遍回答。新员工入职，也要花时间学习标准话术和处理流程。 现在，标准问题可以先交给智能客服。复杂问题再转给人工。 客服岗位还在，但每个人需要亲自处理的电话可能减少了。 接下来，企业真正需要的人工客服，可能更侧重处理例外情况、理解客户真正的诉求，以及解决机器无法顺利处理的问题。 同样是客服，工作内容已经发生了变化。 这件事放到 HR、财务、运营等岗位上，也一样成立。AI 未必能独立承担整个岗位，却可能先拿走岗位中最标准化、最容易重复的那部分工作。如果一个人的价值主要来自完成这些任务，那么即使公司没有裁员，他也可能逐渐失去原来的竞争优势。 2026 年 10 月 23 日，新华社受权发布国办发〔2026〕29号文件《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》，文件落款日期是 10 月 16 日。 文件出来之后，很多解读都落在同一句话上：饭碗保住了。 但文件真正在动的，不只是这一件事。它提出，对市场准入领域可能造成较大就业冲击的人工智能应用场景项目，在评审时要同步开展就业风险评估。 这提醒我们，AI 带来的就业变化不应该只由劳动者个人承担，企业和社会也有相应的责任。 但对个人来说，仍然有一个问题需要自己面对：岗位的工作内容正在变化时，你能否及时看见这种变化？ AI 让执行变便宜，让判断变贵。 这里的“贵”，不只是工资更高，而是指判断能力可能越来越能区分一个人的价值。 什么叫执行？ 按照明确的规则完成任务。整理资料、录入数据、生成常规文案、回答标准问题，都属于这一类。 什么叫判断？ 知道应该解决什么问题，能识别结果是否可靠，能在特殊情况下作出选择，并且知道什么时候不能照搬标准答案。 例如，同样是做运营。 把上个月的数据整理成报表，是执行。 发现某项指标突然异常，进一步判断是流量变化、产品问题还是统计口径出了错，才是判断。 让 AI 写一份活动方案，是执行环节的提效。 判断这份方案是否符合用户需求、预算是否合理、执行后可能出现什么问题，则需要结合具体业务作出决定。 当然，AI 也在不断提升分析和判断能力。不能简单地认为，只要工作涉及思考，就永远不会被替代。 真正的区别在于：当 AI 已经能完成越来越多的任务时，你是否还能识别问题、检验结果、处理例外，并对最终结果负责。 被抽走的可能不是整个岗位，而是岗位中那些越来越不需要人亲自完成的任务。 在得到《长谈》中，科锐国际轮值 CEO 曾诚分享过一个案例。 一位客服意识到，自己的工作正在受到 AI 的影响。 他没有只强调自己做了多少年客服，而是整理过去的工作经验：客户经常问什么问题，自己通常如何回答，哪些情况容易出错，哪些问题需要特殊处理。 随后，他拿着这些材料去接触一家开发智能体的公司。对方起初邀请他做顾问，之后双方一起开发客服智能体，他也进入这家公司，承担类似产品经理的工作。 这个案例值得关注的，不是“客服转行做产品经理”这件事本身，而是他完成了一次价值转换。 以前，他主要靠自己接电话、解决问题。 后来，他把工作中积累的经验整理出来，让这些经验能够被产品使用。 他不再只是亲自回答问题，还开始帮助一套系统理解问题、处理问题。 这正好对应前面那条分界线。 接电话、回答标准问题，是执行；理解客户需求、梳理处理规则、识别特殊情况，则包含了业务判断。 当一部分执行工作交给 AI 后，真正有用的经验，不只是“我做过很多次”，而是“我知道问题通常出在哪里，怎样处理才合理，以及哪些情况不能照搬标准流程”。 这不是人人都能复制的转型捷径。 但它说明了一种可能：经验如果只能靠你本人重复使用，价值就有边界；如果能变成流程、规则和产品能力，它就有机会被更大范围地复用。 看到这里，可能有人会问：那我是不是应该赶紧学 AI，学提示词，甚至学编程？ 可以学，但先做一件更基础的事：把每天做的事情拆开，看看哪些属于执行，哪些需要判断。 重复整理资料、汇总报表、生成常规内容，这些执行任务可以优先尝试交给 AI。 遇到异常数据、特殊客户、复杂业务情况时，重点则是弄清楚：问题在哪里，AI 给出的结果是否可靠，应该如何处理。 再往前一步，是思考能否把自己的经验沉淀成流程、知识库或工具，让整个团队都能从中受益。 这三步做下来，你确实会变快。但快，未必是好事。 AI 帮你把两小时的工作压缩到半小时，公司未必因此让你少工作一个半小时。它也可能直接给你安排更多任务。 所以，使用 AI 本身不等于职业竞争力提高。 如果你只是更快地完成同样的事情，却没有扩大自己能解决的问题范围，那么你提高的可能只是工作效率，而不是在组织中的价值。 不妨做一个简单的自检。 明天上班，把一天的工作记录下来，标出哪些事情是在按照既定规则完成任务，哪些事情需要你理解情况、识别问题、判断结果。 再看看，有多少执行工作已经可以交给 AI；又有多少工作，仍然需要你来核验、修正和承担责任。 再往下问一层。 如果 AI 已经完成了 80% 的工作，你剩下的 20%，究竟创造了什么价值？ 这个比例当然是我随口设的，不同岗位也差得很远。但它值得你换成自己的数字，认真算一遍。 因为真正发生变化的，可能不是你名片上的职位，而是公司为什么还需要你。 当岗位名称没有变化，工作内容却已经变了，最需要警惕的不是你有没有学会一个新工具，而是你是否还在用越来越便宜的执行能力，支撑自己原来的职业价值。
