AI时代,什么样的人最不容易被替代?

2024年2月，瑞典金融公司Klarna宣布：它的AI客服上线一个月，处理了230万次对话，相当于约700个全职客服的工作量，平均处理时间从11分钟压到不到2分钟。在此之前，Klarna已经因为AI停招了除工程师外的所有岗位。很多人读到这条新闻，心里可能会想——下一个会是我吗？

一年多后，同一家公司又上了新闻。2025年5月，Klarna的CEO公开承认：成本考核占得太重，服务质量下滑了。公司开始重新招聘人类客服，并强调“客户想找人时，永远要有人可找”。

同一家公司，AI先替了人，又把人请了回来。到底什么样的人，AI替不掉？

答案不在行业，在你和AI的关系里。

同样是每天面对AI：

四种人，站在同一条台阶的不同层级上：第一级拼的是会不会用，第二级拼的是有没有机器学不到的本事，第三级拼的是会不会和机器搭伙，第四级拼的是能不能做出从0到1的创新。站得越高，越安全。你在第几级？

四种人台阶卡：建议长按保存，对照一下你在第几级

先说第一级，也是最基础的一级：会用AI的人。

不管你是哪个行业——化学、物理、生物，还是艺术、设计、教育——都要学会用AI解决自己的问题。AI不是某个学科的专属工具，而是通用方法。

会用AI到底值多少钱？2023年哈佛商学院与波士顿咨询公司做了一场实验：758名咨询顾问随机分组，做的都是咨询的日常活，写报告、想点子、做分析。用GPT-4的人多完成了12.2%的任务，速度快25.1%，质量高出40%以上。

但在一项AI不擅长的任务上，数据里的明显答案是错的，用AI的人反而更容易掉进去，正确率低了19%。会用，首先是知道AI擅长什么、不擅长什么。先想清楚自己要什么，再让AI动手；它不擅长的事，AI越帮忙，错得越快。

第二级：拥有AI学不到的知识的人。这种知识有个名字，叫隐性知识。

这些知识写不进说明书，也教不会机器。

1966年，哲学家波兰尼说过一句很朴素的话：“我们知道的，比我们能说出来的多。”能写成流程、政策、代码规范的，叫显性知识；写不出来的——现场手感、读人的分寸、经验直觉、价值判断，只能在做中学。

判断一份工作安不安全，看两件事：第一，知识能不能写进说明书；第二，如果让AI替人干这份工作，出错了要承担多高成本。错一次赔小钱，还是赔信任、赔声誉，甚至赔人命？成本越高，人越不能离场。

按工作类型大致分四类：

全权交给AI：完全标准化、低风险、能写进说明书的工作，比如简单代码生成、常规数据整理。

创意筛选：需要创意和品牌判断的工作，AI出一堆选项，人来定稿。

严格把关：高责任、必须有人签字的工作，AI先产出，人最后负责，合同、医疗建议、关键代码上线都在这里。

人主导：需要深度经验、情绪共鸣和价值判断的工作，人做决策，AI只提供数据辅助。

四类工作，四种分工，越往后，人越不能离场。

两个维度矩阵卡：建议长按保存

最危险的，是工作里几乎全是“显性知识”的人。比如只会把明确需求翻译成代码的初级码农——需求写得越清楚，代码越像说明书。

几十年来，写代码一直被视为某种“现代巫术”。只要你能力过得去，几乎就能稳拿一生的饭碗；如果你特别厉害，再加上运气好，甚至还能发财。2010年代，硅谷的大人物们还常常对那些处在衰退行业中的美国工人说：你们得去“学编程”。

可如今，连编程本身都开始被自动化了。

站在圈外人视角看，这一幕甚至带着一点黑色幽默：多年来，美国白领一直担心，硅谷会不会有一天用AI自动化掉他们的工作；结果最先被冲击的，居然正是硅谷程序员自己。

但这句话要说准确：危险的不是“程序员”这个职业，而是工作里显性知识的占比。懂业务、做架构、调复杂系统的人，工作里全是经验和判断，AI替不掉。

开篇Klarna的故事就是这个道理：客服规则写得越清楚，AI替得越彻底；复杂、带情绪、没有标准答案的对话留下来了，因为那部分没有说明书。

再看高错误成本的例子。2018年路透社披露，亚马逊内部曾用AI给技术岗位简历打分，训练数据是过去十年的简历。那十年技术岗大多是男性，模型于是学会了：带“women's”这个词的简历、女子象棋社、女子学院毕业生，一律降分。模型不是在选最好的人，是在复制过去十年的偏见。亚马逊修了几次，修不干净，最后在2017年初叫停了项目。招错一个人，代价是偏见、诉讼和信任崩塌——AI看不懂，人才看得懂。

再看危机管理。1982年芝加哥7人服用被投毒的泰诺胶囊死亡。当时没人知道毒胶囊有多少、还会死多少人。强生CEO詹姆斯·伯克没有等调查结论，先下令全国召回约3100万瓶，花费超过1亿美元。一年内市场份额基本恢复。没有模型能替他做这个决定：数据里没有“信任值多少钱”，人的价值判断里有。

这些知识怎么长出来？只能在真实场景里反复实践。多做真实项目、主动承担复杂任务、跨部门协作、在高压或不确定环境中做决策、甚至内部创业或自己创业。书本和培训给的是说明书，真正的本事长在解决真问题的过程里。

第三级：能与AI共创的人。

仅仅会用AI的人站在第一级台阶上，是单向用AI提效：你出指令，它执行；第三种人站在第三级台阶上，是双向搭伙。研究者把这两种用法分开：分工，是你干你的、它干它的；融合，是AI嵌进工作的每一步，你随时改，它随时跟。第三种人用的是后一种。

两种典型工作方式：

第一种，创意筛选型：AI出选项，人定稿

2022年，亨氏番茄酱和广告公司Rethink做了一个实验：往DALL·E 2里输入“番茄酱”，不提亨氏名字，模型几乎每次都画出亨氏瓶子。换成“太空里的番茄酱”、“文艺复兴风格的番茄酱”，画出来的还是亨氏瓶。他们把这个结果做成广告，全球获得超过8.5亿次曝光。画图的是AI，定稿的是人。AI可以一夜画出一千个版本，但哪一个能代表品牌、哪一个不能见人，只有懂品牌的人说了算。这就是定稿的本事：从一千个版本里，挑出唯一能见人的那一个。

第二种，严格把关型：AI先产出，人最后签字

合同起草、生产代码、财务尽调、病历建议，都是这种。反面例子是2022年加航聊天机器人事件：乘客杰克·莫法特的祖母去世，他先买了全价票飞回去奔丧，之后才问丧亲票价能不能事后申请。机器人说可以，90天内申请就行。他照办了，加航拒绝，因为真正政策恰恰相反，丧亲票价必须起飞前申请。2024年仲裁庭裁定加航赔偿812.02加元，理由是：机器人说的每一句话，都算公司说的。AI可以起草，但签字的人是你；错了，赔的也是你。

第四级，也是最难的一级：从0到1的创新者。

从0到1，就是做出前人没做过的东西——不是优化现有，而是开辟新品类、新问题、新可能。

做法是三件事：发现问题，形成问题，分解问题。先看到一个没人认真问过的问题，把它转换成现实可解的问题，再拆成模块，最后让AI完成执行层面的事。

这三件事背后是一种习惯：常常问一个没人问过的问题，再判断哪个问题值得做下去。0到1不是一次灵感，是把这个习惯练成了日常。

2002年，伊隆·马斯克创办SpaceX，要做可以回收再用的火箭。在此之前，火箭都是一次性的，造一枚扔一枚，没人能让它飞回来再用。2006年到2008年，他连着失败了三次：猎鹰1号三次发射三次失败，公司差点破产。第四次才成功。又过了七年，2015年12月，猎鹰9号第一次成功飞回来、稳稳落在地面上，还能再用。

2015年12月，猎鹰9号第一次成功飞回来

AI能算出火箭怎么飞，但算不出该不该把全部身家押在“火箭可以回收”这个没人相信的想法上。任何AI都不太可能替代马斯克。

对照一下自己：

往上走一级，要补的东西也不一样：

这个逻辑对企业也一样适用：标准化低风险的交给AI，创意筛选的让AI出选项、人定稿，高责任的让AI先产出、人把关，需要深度判断的由人主导。但一家企业最安全的状态，不只是四种人各就其位，还要有能做从0到1的人。没有第四级的人，企业只能把现有的事越做越像别人；有了，才能做出别人没有的东西。

四句话速记卡：建议长按保存

— 全文完 · 感谢阅读 —