AI时代的生存真相:工作不是消失,而是被重新组合

我们说的“工作重组”，到底在重组什么？

过去几个月，我一直在研究 AI 对工作、组织和人的影响，一开始，是从自己的焦虑开始的。我做了几期《Lydia观察中》的播客，从 AI 焦虑，到 WEF 和微软报告里提到的技能变化，再到前沿公司到底怎么用 AI。那几期内容是由浅入深的，它们帮我确认了一件事：AI 对人的影响，不会只是“会不会用工具”，而是工作本身会被重新组织。

可是讲到“工作重组”这四个字时，我后来总觉得还差一点，因为这四个字太好用了，也太容易被说空。

AI 会替代重复性任务，人要去做更高价值的事，未来不是岗位消失，而是任务重组。我们要识别哪些事情容易被替代，哪些事情不容易被替代，这些话都对，但问题是，到底什么叫工作重组？

一份工作不是一块完整的砖头，AI 不是拿锤子把它敲碎就结束了。更真实的情况可能是：它先拆开工作里的某些步骤，再把其中一部分连成机器可以完成的链条，然后迫使组织重新决定，剩下的人类任务到底由谁来做、怎么组合、怎么定价。

这也是我最近连续读几篇 AI 工作研究的原因。我不是为了再得到一个“AI 会改变未来”的大判断，而是想往深处多走一步：AI 到底是从哪里切进工作的？它如何拆开旧岗位？拆开之后，剩下的人类任务会怎样重新组合？重新组合之后，哪些能力会升值，哪些能力会贬值？

读完之后，我对“工作重组”有了一个更具体的理解。它不是一句趋势判断，而是一个过程：AI 先改写工作流，形成 AI 工作链；AI 工作链打破旧岗位包，迫使任务重新捆绑；任务重新捆绑之后，真正的瓶颈能力会被重新定价；最后，人会进入新的 Human in the Loop 位置，有的人只是审核机器，有的人则成为复杂系统的监督者和责任承担者。这可能才是 AI 后工作变化真正发生的路径。

一、AI不是先替代岗位，而是先改写工作流

我们过去讨论 AI 对工作的影响，很容易从“岗位”开始。分析师会不会被替代？律师会不会被替代？医生会不会被替代？设计师会不会被替代？但这个问题颗粒度就太粗了，真实工作不是一堆彼此独立的任务，而是一系列有顺序的步骤，《Chaining Tasks, Redefining Work》这篇文章中提出了一个核心概念：AI chain，也就是AI 工作链，可以把它想成：

工作=(步骤1，步骤2，步骤3，……，步骤m)

比如一个数据分析师做一份分析报告，表面上看是“做分析”这件事，但拆开之后，至少有一串步骤。传统 AI 暴露度研究会问：这里面哪些任务能被 AI 做？但更重要的问题是：这些能被 AI 做的步骤，是不是挨在一起？能不能被 AI 连成一条链？这就是 AI 工作链。它不是 AI 做一个孤立的小动作，而是 AI 连续做多个相邻步骤，人只在最后一个关键节点检查结果。

文章里对 AI 执行方式分了三类。

第一类是 manual，也就是人完全手工做。

第二类是 augmented，也就是 AI 做，人来检查。

第三类是 automated，也就是 AI 做，而且中间结果直接交给后续 AI 步骤，人不逐步检查。

仍然拿数据分析师的工作举例，假设原来有五步：定义业务问题；找数据；分析流程；起草报告；汇报。

AI 进入之后，可能变成：

第一步，人手工完成，因为要理解业务问题；

第二步，AI 找数据；

第三步，AI 跑初步分析；

第四步，AI 起草报告，人检查；

第五步，人来汇报和解释。

这时候，第 2、3、4 步就组成了一条 AI 工作链。第 2 和第 3 步没有被人逐一检查，而是藏在 AI 链条里面，人只检查第 4 步的报告结果。这个变化听起来只是“省了几步”，但它其实改变了我们判断工作风险的方式。

过去我们会问：这个任务，人做得好，还是 AI 做得好？但 AI 工作链会让这个问题变成：这个任务如果单独看，也许人做得更好；但如果它夹在两个 AI 能做的步骤中间，比如第2、3步中间如果需要人检查数据正确与否，是否还值得单独让人介入？

这就是 AI 工作链对传统比较优势逻辑的冲击。因为人的检查成本，在 AI 链里不是每一步都付一次，而更像一个固定成本。AI 只做第 4 步，人要检查第 4 步；AI 做第 3 和第 4 步，人可能还是只检查第 4 步；AI 做第 2、3、4 步，人仍然可能只检查第 4 步。

所以，把第 2 步也放进 AI 链条里，并不一定增加一份新的人工检查成本。它增加的是另一种风险：AI 连续做更长链条时，中间错误更不容易被发现。用一个简单的公式理解就是：

AI影响≈AI暴露度×工作链条可形成度

暴露度高，但链条化低，未必立刻重组；暴露度中等，但链条化高，可能一段流程直接被压缩。这也解释了为什么同样是AI 能做一部分工作，不同岗位的变化差异会很大。

比如讲座式教学，课前的背景研究、PPT 草稿、案例生成、练习题设计，很多都集中在准备阶段，容易被 AI 串成一条链，老师只需要检查最终课件和讲稿。但一对一辅导不一样，它里面的诊断、追问、情绪反馈、临场举例、个性化调整，都和人的互动交错在一起。即使其中一些单点任务 AI 能做，也很难形成长链。

所以，AI 对工作的第一层重组，不是岗位消失，而是工作流被改写。它会先把那些连续的、可标准化的、可以最后统一校验的步骤，自动化生成。人还在岗位上，但岗位里面已经少了一段过去由人亲手完成的路。

二、AI工作链形成之后，岗位会被重新捆绑

AI 工作链形成之后，表面上看，人只是少做了一些步骤，但往深处想，旧岗位里的任务包已经被打散了。这时候，组织会面对一个新问题：剩下的人类任务，是重新合在一个岗位里，还是拆成几个更专业的岗位？这就是任务捆绑的问题，可以用一个极简模型理解，原来一项服务有三个任务：

任务 1，可以被 AI 自动化

任务 2，仍然需要人做

任务 3，也仍然需要人做

AI 出现前，岗位结构可能是：{1,2} ∣ {3}

也就是说，任务 1 和任务 2 被捆在一个岗位里，任务 3 是另一个岗位。AI出现后，任务 1 被自动化。原来的 {1,2}岗位被打破了，企业必须决定任务 2 怎么办，它有两种选择：

第一种，把任务 2 和任务 3 重新捆绑成一个新岗位：C={2,3}，这叫rebundling，重新捆绑。

第二种，把任务 2 和任务 3 分开，形成两个专业岗位：U={2}∣{3}，这叫 unbundling，拆分或专业化。

这听起来像一个抽象模型，但它其实在讲一个特别真实的问题：AI 打掉一个旧岗位里的某个任务之后，组织到底会让剩下的人变成通才，还是变成专家？

比如放射科医生：AI 之前，放射科医生可能同时做影像识别、临床解释、和医生或患者沟通。AI 模型质量管理、系统治理，可能由另一个技术角色负责。AI 能读片以后，医院可以选择：第一种，把临床咨询和 AI 模型治理合成一个更宽的临床角色；第二种，拆成两个角色，一个高级临床顾问，一个模型治理专家。

这两种设计，会奖励不同的人：如果岗位变宽，最值钱的是综合能力；如果岗位拆细，最值钱的是比较优势。

这里有两个很有用的变量。

一个叫平均剩余技能：a=(x+y)/2

x 是任务 2 的技能，y 是任务 3 的技能，a 表示一个人在两个剩余任务上的平均能力。

另一个叫比较优势：d=(x−y)/2

如果 d 大于 0，说明这个人更擅长任务 2；如果 d 小于 0，说明这个人更擅长任务 3。

宽岗位主要奖励 a，也就是你是不是两个方面都还不错。专业岗位主要奖励 d，也就是你是不是在某一项上特别强。

这就解释了一个现实组织里的分化：如果公司希望一个人从头到尾负责客户全生命周期，岗位会变宽。它需要这个人既懂客户，也懂产品，也懂流程，也能协调资源。如果公司希望每个人只负责一个环节，岗位会拆细，它需要某些人在特定环节上足够强，比如风控、谈判、数据、交付、模型治理。

但专业化也不是想拆就拆，因为专业岗位通常需要两个人配合，而宽岗位只需要一个人。两个专家配合当然可能更专业，但企业要为两个专家付工资，还要承担交接成本、责任边界和沟通损耗。

这也是为什么技术上更有效的分工，不一定是组织上更划算的分工。从技术上看，两个专家可能比一个通才更强，但从组织上看，如果交接成本太高、责任边界太模糊、客户体验太割裂，企业仍然可能选择一个宽岗位。

所以，AI 后岗位到底会变宽还是变窄，并不是技术单独决定的，而取决于：AI 是否降低了协作成本；组织能不能管理更细的分工；人群中是否有足够明显的比较优势；客户是否愿意接受多个角色共同服务；企业是否愿意为专业岗位支付更高成本。所以任务重新捆绑即重新估值。

工资不是直接支付给单个技能的，工资支付给的是一个岗位包。一个技能值不值钱，不只看它本身厉不厉害，而看它有没有被纳入新的岗位包。过去不被定价的能力，AI 后可能变成核心能力，过去支撑工资的技能，AI 后也可能从工资表里消失。

三、未来留给人的，不是剩余任务，而是瓶颈任务

前面两个模型解释了两个问题：第一，AI 如何沿工作流形成工作链；第二，AI 工作链形成后，岗位如何重新捆绑。但还有一个更关键的问题：为什么剩下的人类任务不一定更低价值？为什么部分自动化之后，有些人的价值反而可能上升？这里要引入第三个概念：O-ring。它的意义非常简单：很多工作不是加法关系，而是乘法关系。

加法关系：总产出=任务1+任务2+任务3

如果 AI 替代了任务 1，那人的工作就少了一块，价值似乎也少了一块。但很多真实工作更像 O-ring：

乘法关系：总产出=任务1质量×任务2质量×任务3质量×...

在这种结构里，一个环节很差，整体就会被拖垮。它不是“少做一点，少一点价值”，而是“一个关键点错了，整体都不成立”。

比如房产交易就是这样：客户需求判断错了，推荐越多越无效；信任没有建立，信息再充分也只是销售话术；业主沟通不到位，谈判无法推进；交易风险控制不好，前面所有服务都可能归零。

经营分析也是这样：问题定义错了，数据越多越危险；口径不清楚，图表越漂亮越误导；业务理解浅，结论越抽象越空；没有业务动作，再好的分析材料也只是纸上谈兵。

O-ring 模型里有一个关键机制，叫focus effect，聚焦效应。

假设一个人有固定时间 h，要分配到 n 个必要任务上。AI 自动化其中 k 个任务之后，人剩下要做的任务变成 n-k 个。这时，人分配到每个剩余任务上的时间会变多。每个剩余任务得到的时间≈h/n−k。

也就是说，AI 自动化一个任务，不只是把这个任务从人手里拿走。它还释放人的时间，让人把精力集中到剩下的任务上。如果被 AI 拿走的是非瓶颈任务，比如资料整理、标准问答、初稿生成、信息检索，那么人类剩下的瓶颈任务可能变得更值钱。

这和我们日常直觉有点相反，我们常以为：AI 替代越多，人越不值钱。但 O-ring 模型提醒我们：在部分自动化阶段，如果人仍然掌握瓶颈任务，AI可能放大人的价值。

ATM是一个很好的例子，ATM自动化了银行柜员大量现金处理任务。如果用简单替代逻辑看，柜员应该被大量替代，但现实中，柜员没有简单消失，而是更多转向客户关系、销售咨询和服务解释等更高价值任务。也就是说，机器拿走了现金处理这类非瓶颈任务，人把时间重新分配到客户关系这个瓶颈上。

当然，这不是说所有人都会因此更好，这里有两个前提：第一，你必须站在瓶颈任务上；第二，你必须有议价权，能够分享这部分增量价值，如果你只是做非瓶颈任务，AI 会压缩你。如果你掌握瓶颈但没有议价权，价值可能被公司拿走，如果 AI 最后连瓶颈也攻破，岗位收入可能断崖式下降。所以这不是简单乐观，也不是简单悲观。

它给出的更真实判断是：AI 会让职业内部的分化更强，站在瓶颈上的人，可能被放大；停在非瓶颈执行层的人，可能被压缩。这比“这个职业会不会消失”要准确得多。

四、三个模型叠在一起，才能看清工作重组

过去我们说“工作重组”，常常停留在一句话：AI 替代低价值任务，人去做高价值任务，但这句话没有解释中间过程，现在我会把它理解成一条更完整的链：

工作流重写→AI工作链形成→旧岗位包被打散→剩余任务重新捆绑→瓶颈能力重新定价→人进入新的监督与责任位置工作流重写

第一步，AI 先重写工作流。工作不是一堆任务，而是一串步骤。AI 会先沿着工作流，把相邻、可执行、可最后验证的步骤连成 AI 工作链。所以，第一层问题不是“哪些任务暴露于 AI”，而是：哪些步骤可以连成链？

第二步，AI 工作链打破旧岗位包。一旦一段流程被AI完全自动化，旧岗位内部的任务组合就变了。组织必须重新决定：剩下的人类任务合在一个岗位里，还是拆成多个专业岗位？

第三步，剩余人类任务重新定价。岗位重新捆绑之后，人的能力会被重新估值。宽岗位奖励平均能力，专业岗位奖励比较优势。过去不被定价的隐藏技能，可能进入新的岗位包。过去支撑工资的技能，可能因为 AI 自动化而退出定价体系。

第四步，真正决定价值的是瓶颈任务。即使一个岗位很多任务都被 AI 影响，也不代表岗位价值按比例下降。如果剩下的是 O-ring 型瓶颈任务，AI 自动化非瓶颈后，人可能更聚焦、更关键、更值钱。

第五步，人进入新的 Human in the Loop 位置。真实企业早期的 AI 应用，也常常不是直接替代一个完整岗位，而是让人从执行者变成监督者、验证者、解释者和异常处理者。

但这个位置有高低之分。低质量 Human in the Loop，是替机器审核内容、处理碎片错误、做流程兜底。高质量 Human in the Loop，是定义问题、设计检查点、解释结果、处理例外、承担责任。

所以，AI 后的工作变化不是一场均匀降落的大雨，而更像一场重新改道的河流：有些地方会被冲刷掉；有些地方会变成新的主河道；有些过去不起眼的高地，会突然显出来。

五、房产经纪为例：AI不是替代经纪人，而是重新定义新经纪人

我们把这套逻辑放到一个具体行业里看，比如房产经纪。如果只看任务清单，经纪人的很多工作都容易被 AI 影响。房源信息整理，小区介绍，价格趋势说明，房源初筛，带看路线规划，客户跟进话术，税费和政策问答，合同材料提醒，售后回访文案。这些事情，AI 都能做一部分。如果停在这里，很容易得出一个粗糙结论：经纪人会被 AI 替代。

但按照前面三个模型，我们会看到更复杂的变化：

经纪服务环节	AI 后可能发生什么	对应模型	人的剩余价值
基础问答、小区介绍、税费政策、材料提醒	很多可以被 AI 直接生成或自动回复	直接替代 / AI 增强	检查准确性，处理特殊情况
客户需求整理、房源初筛、小区对比、价格趋势、带看路线	容易被连成一条 AI 工作链	AI chain	判断客户真实需求，而不是只识别表面标签
市场数据查询、成交案例提取、区域对比	AI 可以降低一线获取数据的门槛	Human in the Loop	解释市场数据背后的原因，建立客户信任
现场带看、客户犹豫点识别、情绪反馈	很难被完整自动化，会打断 AI 工作链	O-ring 瓶颈	观察客户反应，调整推荐和沟通策略
业主动机判断、底价判断、谈判撮合	决定交易能否成立，不是信息问题	O-ring 瓶颈	信任、谈判、关系和时机判断
交易风险控制、签约异常处理	AI 可提醒，但不能独立承担责任	Human in the Loop	处理例外，承担结果
买卖、租赁、整装、社区关系的连接	可能重新捆绑成客户全生命周期顾问，也可能拆成专业角色	任务重新捆绑	综合型顾问或某个环节的专家能力

这张表背后的变化是：AI 会压缩经纪人过去大量信息型任务，但不一定拿走成交中的瓶颈任务。且房产交易不是一堆任务的加法，而是很多环节的乘法。任何一个关键环节掉链子，成交都可能失败。所以，AI 后经纪人不会简单消失，但会分层：只会搬运信息的人，会越来越难；能理解客户、组织资源、完成撮合、承担风险的人，会越来越重要。

与此同时，经纪人的岗位也可能被重新捆绑：一种方向是变宽，经纪人变成更强的客户全生命周期顾问，不只做买卖交易，还理解客户资产、租售转换、装修需求、社区关系、业主长期维护。另一种方向是拆细，组织可能拆出房源业主代理、客户需求分析、AI 匹配运营、交易风控专家、社区经营等专业角色。

如果组织选择宽岗位，最值钱的是能理解客户、组织资源、协调交易链条的人。如果组织选择专业拆分，最值钱的是在某个关键环节上足够强的人。

MIT 报告里也提到一家商业房地产公司 Gamma。它认为经纪人是高价值资产，因为他们拥有客户关系和市场经验，也可以在公司间流动。公司希望用 AI 帮经纪人用自然语言查询市场数据，减少每次找数据团队拉数的来回沟通。但报告也提醒，经纪人仍需要理解市场底层规律，才能解释 AI 给出的数据。

所以，AI 重新定义的不是“经纪人还在不在”，而是：什么样的经纪人还值得被客户信任，这在其他的销售领域同样如此。

六、经营分析为例：AI会替代只做材料的人，但会放大真正懂经营的人

再看一个我更熟悉的工作：经营分析。如果只看任务，经营分析师的 AI 暴露度也很高，资料搜集，会议纪要，行业信息整理，SQL 取数，图表生成，指标异动解释初稿，报告草稿，报告润色，多版假设测算等。

这些任务，AI 都能做，而且会越来越快越好，所以，如果一个分析师的主要价值是“把数据整理成材料”，那确实会被冲击。但经营分析真正的价值，是这些吗？一份给 CEO 或业务负责人看的经营分析，表面上是一页页图表，背后其实是一条很长的判断链：

业务到底在问什么问题？这个问题和经营目标有什么关系？指标口径是否可靠？数据变化是结构问题，还是短期波动？背后是市场、客户、供给、组织，还是激励机制与人性？结论是否能转成管理动作？这个动作谁负责？会触碰什么利益？下一次怎么验证？这些不是“报告生成”，而是经营判断。

经营分析环节	AI 后可能发生什么	对应模型	人的剩余价值
资料搜集、行业信息整理、会议纪要	大量可以被 AI 直接完成	直接替代 / AI 增强	判断资料是否可信、相关、有解释力
SQL取数、数据清洗、图表生成、初步解读	容易被连成分析工作链	AI chain	设计检查点，判断口径和异常是否合理
分析框架和假设拆解	AI 可以生成多个分析框架	Human in the Loop	选择真正能解释业务问题的框架
指标异动解释	AI 可以给出常见解释	O-ring 瓶颈	判断背后是市场、客户、供给还是组织机制
汇报材料生成	AI 可以快速形成初稿	AI chain / 重新捆绑	把正确的话变成能推动决策的话
跨部门对齐、管理动作推动	AI 只能辅助追踪，不能替代组织推动	O-ring 瓶颈	识别利益冲突、执行条件和真实责任人
经营分析岗位本身	可能变成更宽的经营顾问，也可能拆成数据治理、AI 分析链、业务洞察、经营 PMO 等角色	任务重新捆绑	综合经营判断，或某一环节的专业比较优势

AI 在经营分析里，很容易形成一条工作链，但它也会制造一个风险：如果中间步骤都由 AI 生成，而人只看最后一版漂亮材料，我们可能会被表面流畅性欺骗。

低质量 Human in the Loop，是检查错别字、改格式、调语气；高质量 Human in the Loop，是知道这个结论哪里可能错，知道哪个数据不能信，知道哪个指标变化背后其实是组织激励变了，知道哪句话虽然正确但不能推动任何动作。

所以，未来的经营分析师，不只是会用 AI 写报告的人，而是能设计和监督 AI 分析链的人。这也是为什么我越来越觉得，经营分析真正值钱的不是“分析”，而是“经营”，分析是工具，经营和判断才是目的。

经营分析也是 O-ring：问题定义 × 数据口径 × 业务理解 × 组织判断 × 表达方式 × 行动推动。

任何一个关键环节出问题，整体价值都会大幅下降。AI 会让数据处理和内容生成变便宜，但理解人、理解组织、理解业务真实运转的能力，会变得更贵。

七、真正的选择题：你要站在AI的哪一侧

读完这些研究后，我觉得最该做的，反而不是每天追一个新工具，工具当然要用。但如果只追工具，很容易停留在“我比别人更快生成内容”的层面。而真正的问题是：你在新的工作系统里，站在哪个位置？这件事对个人、企业、管理者和岗位设计者都成立。

企业：不要从工具清单开始，要从流程地图开始

很多企业做 AI 转型，第一反应是买工具、办培训、搞试点。这当然有必要，但不够，如果不详细研究业务流程中哪些步骤连续、哪些步骤碎片化、哪些步骤是瓶颈、哪些步骤只是耗时，那么 AI 很容易变成“更快的旧流程”。

企业真正应该先画三张图：

第一张是工作流图：业务从哪里开始，到哪里结束，中间有哪些步骤。

第二张是 AI 链条图：哪些连续步骤可以被 AI 做掉，哪些地方必须设置检查点。

第三张是瓶颈图：哪些环节一旦做差，整体结果就会失败。

没有这三张图，AI 转型很容易停留在“全员学 prompt”。这就像装修房子，不先做整体房屋布局设计，就开始添置家具，看起来热热闹闹，最后很可能只是把旧房间塞得更满。

管理者：不要只算节省时间，要看节省的时间是否在做更有价值的事

AI 最容易被量化的是节省工时，提高效率。一份材料原来半天，现在半小时；一个问答原来五分钟，现在五秒；一个报告原来两天，现在几个小时，这些都重要。但真正关键的问题是：省下来的时间去了哪里？

如果省下来的时间只是被更多会议、更多版本、更多汇报、更多临时需求填满，那么 AI 只是让内卷更快。如果省下来的时间被重新分配到客户判断、产品设计、组织协同、风险控制、管理动作上，AI 才真正释放了人的价值。

所以，管理者不应该只问“AI 提效了多少小时”。更应该问：这些时间有没有流向瓶颈任务？瓶颈任务质量有没有提高？客户体验有没有变好？组织决策有没有更准？人的学习有没有发生？

效率只是表象，时间重新分配，才是 AI 转型的结果。

个人：不要证明 AI 做不好你现在做的事，要迁移到 AI 链条打不到的地方

很多人会说，我要找到 AI 做不好的事情。这句话对，但还不够，因为一个任务即使 AI 单独做得没你好，也可能因为它夹在 AI 工作链中间，被一起吸入链条里。

所以，你真正要问的是：我是不是站在 AI 工作链的中间？如果你长期做的是搜集、整理、初稿、改写、格式化、标准回答，那么你可能不是被某个任务替代，而是被一段流程压缩。

更好的位置是工作链的上游和下游，上游是定义问题、设定目标、提供上下文、设计流程，下游是验证结果、解释含义、处理异常、承担责任、推动行动，中间执行环节最容易被压缩。

这可能不太好听，但更接近真相，未来很多人的风险，不是“不努力”，而是太努力地站在了一条会被机器打通的中间路段上。

专家：不要只守住经验，要把隐性判断变成新的价值

AI 会让很多显性知识变得便宜，你知道一个政策，AI 也能查；你会写一个模板，AI 也能写；你熟悉一个流程，AI 也能整理；你能总结一篇报告，AI也能生成。

真正难的是那些隐性的东西：客户为什么不说实话；业务为什么不按流程走；一个指标为什么看起来正常但其实危险；一个组织动作为什么逻辑正确但落不下去；一个方案为什么表面完整但没人愿意负责。

这些东西很难被直接生成出来，也很难被模型单独学会，但前提是，你能把这种隐性判断表达出来、结构化出来、传递出来。否则，在组织眼里，它可能仍然只是“经验丰富”四个字。

AI 时代，专家不只是要有经验，还要能把经验变成判断标准、检查机制和组织能力。

新人：AI能帮你快速爬坡，也可能让你变成空心人

AI 对新人很友好，它可以解释概念，生成代码，整理资料，模拟专家回答，让一个新人更快进入复杂领域。但这里也有一个风险，如果新人只是拿 AI 的答案交差，他可能绕过了真正的学习过程。看起来效率高了，心智反而空了。

就像去一个陌生地方旅行，如果每一步都被攻略、导游安排好，确实不会迷路，但也可能不会真正认识一个地方。你只是安全地抵达了每一个点，却没有建立自己对这个地方的地图与认识。

工作也是这样，AI 可以帮新人爬学习曲线，但不能替新人长出判断力。所以，新人用 AI 最好的方式，不是直接拿答案，而是追问答案为什么成立，哪里可能错，换一个场景还成不成立。不要让 AI 替你思考，要让 AI 暴露你的知识缺口。

岗位设计者：Human in the Loop

很多企业会说，人还在回路中，所以不用担心，但人在回路中，不代表有价值。你可能只是给 AI 结果做低价值审核，也可能是在复杂系统里校准信任、判断风险、处理例外，这两个位置天差地别。

所以，未来岗位设计的关键，不是简单保留一个“人工审核”环节，而是设计出真正有判断权、解释权和责任权的人类位置。不然，人只是机器旁边的保安，看似还在，实际已经被边缘化了。

八、技术向善，是让人从忙碌里重新成为人

最后我不想写一个简单的乐观结论。

因为 AI 确实会替代很多任务，它也会让很多旧能力贬值，它会让一些过去靠勤奋、速度、熟练和经验积累出来的优势，突然变得没那么稳，这件事不是不残酷。

但我读完这些研究以后，反而没有更悲观。因为它们让我更清楚地看到：AI 并不是把人整体变得不重要，而是把人的价值拆得更清楚。过去很多工作里，人被大量低价值任务包裹住。我们忙着整理数据、写材料、回消息、开会同步、改格式、追流程。忙久了，会误以为忙碌本身就是价值。

AI 会打破这种错觉，它会让很多忙碌变得不再稀缺，但也正因为如此，它会让真正稀缺的东西浮现出来。谁只是搬运信息，谁真的理解问题；谁只是生成材料，谁真的有判断；谁只是完成任务，谁能承担结果；这让我想到一个很久远的梗：当潮水退去的时候，石头才会露出来。

当然，这不是说每个人都会自然变得更好。人能不能从低价值忙碌里出来，取决于两个条件：

一个是个人能不能主动迁移到瓶颈任务上，另一个是组织要不要重新设计岗位，而不是简单把效率提升变成更多工作量。

如果组织只是把 AI 当成提效工具，那么人可能更累。如果组织能把 AI 当成重组工作的机会，人就可能从重复执行里释放出来，去做更有判断、更有责任、更有创造性的事情。

所以我理解的技术向善，不是相信技术天然会带来善，技术本身没有这种温柔。技术向善，是人和组织共同有意识地把技术导向更好的工作设计：让机器承担可以被标准化的部分，让人回到判断、信任、创造、责任和关系里。

说到底，AI 讨论到最后，还是需要回到人，技术很快，但人不能只剩下快。未来真正稀缺的，可能正是那些不只是追着技术跑，而是能在变化里重新组织工作、重新理解人、重新创造价值的人。

~~~~~~本文彩蛋：知识图谱~~~~~~

参考资料

1.Chaining Tasks, Redefining Work: A Theory of AI Automation

2.Endogenous Task Bundling, Skills and Automation

3.O-Ring Automation

4.Humans in the Loop: The evolution of work in early experiments with Generative AI