AI时代,保持长期竞争力的一些小tips

AI时代

    2026年10月发表的一篇经济学论文，用美国劳工统计局2018年到2026年6月的数据，对这个现象做出了解释。

    在受AI影响较大的职业中，每多一年学校教育的回报，下降了0.55个对数点。但经验的回报变化更有意思：在职业早期（约3年经验），每多一年经验的回报上升了0.26个对数点；到了15年左右，基本持平；到25年时，反而下降了0.12个对数点。

    翻译成日常语言：AI让“可编码的知识”变便宜了，但让“通过实践长出来的判断力”在职业早期变得更值钱，而在职业后期——如果那些经验没有跟着技术更新——反而在贬值。

    生成式AI改变了不同形式人力资本的稀缺性，它让可编码的知识在生产端变得廉价可得，而通过实践获得的判断力，仍然更紧密地绑定在劳动者身上。

    所以“经验贬值”这个说法，其实只说对了一半。贬值的是经验里可编码的那一部分——流程、模板、话术、标准操作步骤。这些东西AI学得比你快，记得比你牢，用得比你便宜。但经验里不可编码的那一部分——在信息不全的时候怎么判断、在多个方案之间怎么取舍、在出了问题时怎么兜住——这些东西没有因为AI的到来而变得不重要，反而因为AI能做的事越来越多，变得更重要了。

    技能半衰期的数据也在佐证这件事。技术相关领域的技能半衰期已经从四十年前的十年以上，缩短到了大约两年。你花两年练熟的一套操作，两年后可能已经被新的工具链覆盖了。但“学习如何学习”“判断什么值得学”“知道学了之后用在哪”，这些东西的半衰期，要长得多。

    要谈长期竞争力，先得把AI的能力边界看清楚。不是看它“今天能做什么”，是看它“做到什么程度就停下来了”。

    WorkBuddy企业版的数据提供了一个很好的观察窗口。自3月上线以来，它已经落地50多个行业，覆盖50%的中国企业500强和60%的中国企业100强，累计完成90亿次任务请求。伊利把它和企业微信、小程序打通，由它汇聚业务数据、生成经营策略并下发给上千名导购，运营效率提升超过50%；海王集团把7000多名药师的专业知识导入进去，变成可随时调用的技能，运营成本降低80%。

    这些是真实的生产力。腾讯云CTO王慧星把企业级Agent的落地堵点概括为四道关：跑得通（能否接入真实业务系统、拿到真实数据）、可托付（数据会不会外流、Agent会不会越权）、可衡量（花了多少钱、效果怎么算）、好落地（一个团队跑通后能否复制到全公司）。

    这四道关里，没有一道是“模型不够聪明”。它们全是判断、责任和信任的问题。

    瞭望周刊的一场专家对话把这件事说得更直接：AI可以处理超高维空间、非线性关系，能够发现人类无法企及的复杂规律，但就业者的竞争力不再体现为知识、记忆、熟练度、执行速度，而是定义问题能力、人机协同能力、跨领域整合能力、批判判断能力，以及创意、情感、伦理、审美、快速学习与自我重构能力。

    AI可以赋能，但不能负责。AI不会产生懊悔情绪……能够为自身行为负起责任的，只能是人们自己。

    AI能在一秒钟内给你十个方案。它不能替你决定选哪一个，不能替你在选错之后面对后果，不能替你向被这个决定影响的人解释为什么。它能生成答案，不能真正负起责任。

    如果把上面这些东西收拢一下，普通人值得花时间积累的，大概是四种“AI暂时拿不走、或者拿走了也不放心”的能力。

    第一种，定义问题的能力。AI很擅长回答一个被清晰定义的问题。但真实工作里，大部分时间花在“到底要解决什么问题”上。麦肯锡的观察是，未来人类最重要的能力是清晰地表达自己的需求，讲清楚目标是什么、边界在哪里、想要达成什么目的。你问AI“帮我写一个活动方案”，它给你的是一个模板。你问AI“这个活动要解决的是新用户第一次下单的信任问题，预算有限，不能打折，你帮我列三种建立信任的路径”，它给你的东西才可能有用。会提问的人，和不会提问的人，用同一个AI，产出差距是十倍。

    第二种，判断力，尤其是“在信息不全的时候做判断”的能力。沃顿商学院教授在讨论AI时代的核心能力时，列了四样东西，其中一样是审美判断力——AI产出内容的数量巨大，但“哪一个更好、为什么更好、对谁更好”，需要人来判断。这种判断力不是天生的，是在一次次“我选了这个，结果是这样”的反馈循环里长出来的。AI可以给你一百个选项，但它不会替你承担选错的代价。而恰恰是“承担代价”这件事，在训练你的判断力。

    第三种，责任感，或者说“可被问责”的能力。在一个组织里，谁签字、谁拍板、谁在出了事之后站出来说“这是我的决定”，这个人的价值，不会因为AI变强而降低。联合国教科文组织的文件里有一句话：责任必须归属于自然人或法律实体，让渡操作控制权是人的选择，但不能让渡问责。职场里也一样。一个“能把事交给他、出了问题他会及时识别、给出plan B”的人，和“一个用AI生成了漂亮方案、但出了事找不到人”的人，前者的长期价值是后者无法比较的。

    第四种，业务理解，或者说“知道这件事为什么值得做”的能力。AI可以优化一个流程，但它不知道这个流程在商业上到底重不重要。它可以写一封邮件，但它不知道这封邮件发出去之后，客户关系会往哪个方向走。它可以把数据拉成一张图，但它不知道这张图里的哪一个波动，是老板半夜睡不着的原因。AI没有的经验来自你在一线待过的时间、你和客户吵过的架、你在复盘会上被问住的那几个问题。

    能力不会凭空长出来。它需要一个系统来沉淀。

    一个适合普通职场人的最小系统，可以分三层。

    第一层，项目档案。每做完一件事，不要只留下“做完了”这个结果。留下三样东西：当时要解决什么问题、你做了哪几个关键判断、如果重来一次你会改哪里。这三样东西，就是“可编码知识”之外的“判断痕迹”。AI可以帮你整理格式，但“当时为什么这样选”只有你知道。

    第二层，方法卡片。把你反复用到的判断逻辑，写成一张一张很小的卡片。不是“怎么写周报”，是“周报里如果出现‘进展顺利’这四个字，说明我没有找到真正的风险点，需要重新拆”。不是“怎么做竞品分析”，是“竞品分析里如果所有维度都是‘持平’，说明我的维度设计没有区分度”。这些卡片是你从具体经验里提炼出来的“如果—那么”规则，换一家公司、换一个岗位，它们大概率还能用。

    第三层，定期修剪。每三个月，把项目档案和方法卡片翻一遍。问自己：哪一条判断后来被证明是错的？哪一张卡片已经过时了？哪一个方法在新的AI工具面前已经没有意义了？知识系统不是越攒越厚就好。一个不断被修剪的系统，比一个只进不出的仓库，值钱得多。

    这套系统最朴素的好处是：它让你在换工作、换行业、换工具的时候，带走的不是“我用过什么软件”，而是“我判断过什么、判断对过什么、判断错过什么”。前者会被新的软件覆盖，后者跟着你走。

    写到这里，其实可以回答小c那个问题了。

    他攒了四年的东西，不是不值钱了。是值钱的那一部分，和他以为值钱的那一部分，不是同一部分。他以为值钱的是“会做周报、会拆竞品、会拉图表”。这些确实在贬值。但他在这四年里长出来的、他自己都没太在意的那些东西——知道哪个数据波动值得追、知道哪个方案在老板那里过不了、知道客户说“再看看”的时候真正卡在哪里——这些东西，AI替不了。

    AI时代的长期主义，不是“押注一个AI永远做不到的领域”。那种领域越来越窄，而且押不准。

    更踏实的长期主义，是把AI当成一个不断变强的同事，然后问自己：在这个同事面前，我靠什么不被替代？

    答案大概不是“我比它做得快”。是“我知道什么值得做”。“我知道做到什么程度可以停”。“出了问题我在这里”。

    深度专业认知、审美判断力、跨领域整合能力，这些东西至少能帮人建立一部分优势。“一部分优势”——意味着没有谁能在AI面前建立“全部优势”。但一部分，已经够用了。

    小c后来把简历改了一版。他把“熟练使用XX工具”那一行删了，换成了三句话：在xx项目里，遇到了xx卡点，他做了什么判断，结果是什么。

    为什么AI取代不了人类，我想大家已经有答案了~