夜雨聆风"Our human assignment will be to keep making jobs for robots — and that is a task that will never be finished."
"You'll be paid in the future based on how well you work with robots."
——凯文.凯利 2016 《必然》
想象这样一个场景。
你打开一个AI助手，问了一个问题。这个问题有点棘手——它涉及到工伤认定，你的情况刚好卡在法律的模糊地带。AI回答了你，给出了几种可能的解释，然后在最后加了一句话：
“这块涉及具体劳动关系认定，我帮你转接一位劳动法顾问看看？他处理过两百多个类似的案子，十分钟内回复。第一次免费。”
你点了一下“转接”。几秒钟后，一个真人头像出现在对话里，旁边写着他的名字、执业年限、过往案例数。他说：“我看了一下你和AI的对话记录，你的情况我遇到过类似的。根据我的经验，第三条路可能更适合你，因为……”
你得到了一个比AI更确定的答案，而且这个答案有人负责。
这个场景听起来很简单。但它背后藏着一个很深的问题：在AI越来越强的时代，人应该站在哪里？
两个世界之间的裂缝
先看一组数字。
2026年，中国的外卖骑手，按去重后的真实人数算，大约有一千两百万到一千四百万。但其中能靠这个工作稳定养活自己的，只有四五百万人左右。 剩下九百多万是兼职、过渡、偶尔跑一单的人——换句话说，五个骑手在抢一单。
同一时间，美国的情况也不乐观。
高盛的跟踪报告显示，美国企业AI采用率已经到了19%，预计半年后会到22%。受影响最深的行业是营销、设计、客服、科技——这些岗位每个月大约减少五千人。
全球范围内，大约三亿个全职岗位面临着被AI部分或完全替代的风险。
这不是未来。这是现在。
而另一边，AI公司正在飞速增长。Anthropic的年收入已经到了三百亿美元的级别，大部分来自企业客户。
做法律AI的Harvey估值一百一十亿，每天处理四十万个法律查询。做客服AI的Sierra七个季度就做到了年收入一亿，估值一百亿。
这两幅画面放在一起，有一种撕裂感。
一边是技术狂奔，一边是人被甩在后面。这不是巧合，这是同一个进程的两个侧面。
一个绕不过去的悖论
AI企业面临一个两难。
从商业逻辑看，AI的价值在于替代人力。
一个客服AI替代一百个客服，效率提升，成本下降，财报好看。
最关键的是，投资人喜欢这个故事。
但从社会逻辑看，每替代一个人，就多一个失业的人。 当失业的人越来越多，舆论会转向，监管会出手，企业的生存空间会变小。
这就是悖论：不去人，技术的目的达不到；去人，企业变成社会公敌。
实际上，移动互联网时代也有类似的张力，但没那么尖锐。
那时候的平台更多做的是“连接”——把人和商品连起来，把人和内容连起来。平台自己不生产东西，公众号的文章还是人在写，抖音的视频还是人在拍。
平台吃肉，个体还能喝汤：网红、电商卖家、自媒体，成千上万的人被互联网托了起来。移动互联网虽然冲击了线下零售，缩短了地产红利期，但是它本质上依然是左手倒右手➕增量博弈，并没有把人从节点里拔除。
但AI不一样，AI直接替代认知劳动。
它写文案、画图、写代码、做客服——它本身就是劳动供给方。
移动互联网干掉的是渠道中间商，AI干掉的是干活的人。
所以AI时代的分配问题，比移动互联网时代严峻得多。
腾讯做过的一道题
有意思的是，这道题腾讯在二十年前就解过一次。
当时腾讯面临一个选择：是把所有流量和功能都攥在自己手里，还是开放出去让别人也来做？
2011年，微信诞生。
后来的故事我们都知道了。腾讯继续延续开放平台战略，微信做了公众号、小程序、微信支付——把一部分红利让给了第三方开发者、商家、内容创作者。
这个选择造就了一个生态，也让微信本身成为了一个基础设施。
这个选择的本质是什么？
不只是关注技术迭代，更关注“技术红利再分配”。
平台克制了自己“吃掉一切”的冲动，换来的是生态的繁荣和社会的接纳。
AI时代需要同样的逻辑，但难度更大。
因为AI的资源更集中——基座模型、算力、数据、用户入口，全都捏在极少数玩家手里。
一个平台自己开发一个AI代理，比第三方做得更快、更便宜、更好，而且还能看到第三方的数据，然后复制一个官方版。
所以AI的开放平台不能只是卖API，它必须是“能力平权加生产资料再分配”。
具体来说，可以是这样：平台提供一个基础模型和工具链，企业和个人可以在这个基础上搭建自己的AI代理，然后挂在平台上运营。
平台抽成一小部分，剩下的归创作者。这样AI就不是抢饭碗的工具，而是发饭碗的平台。
这个模式需要平台克制。
而克制贪婪，从来都不是容易的事。
就像二十年前，开放前的腾讯，也曾经想独占一切
结果被舆论各种口诛笔伐。
产品里的“人”节点
但光有战略还不够，需要落到产品里
——怎么让“人”这个节点真正嵌入进去？
想象你在用人工智能助手。你问了一个问题，AI回答了。但这个问题超出了AI的能力边界——比如它需要担责，或者需要个性化的判断，或者说，你需要更高质量的解决方案。
这时候，产品应该怎么做？
有三种方式。
第一种，AI主动转接。 模型识别到自己到边界了，在回复末尾加一张卡片：“这块我拿不准，帮你接一位专家看看？”
第二种，用户主动召唤。 对话框旁边有一个按钮，你觉得AI答得虚了，随时可以拉真人进来。
第三种，场景预埋。 在医疗、法律、心理这些领域，一进来就默认是“AI加专家”混合模式。AI先处理基础问题，复杂的自动流转给真人。
不管哪种方式，核心是一样的：专家不是作为一个独立的功能模块存在，而是嵌在对话流里。 用户和AI聊着聊着，自然而然地就过渡到了真人。
专家进场被授权之后，他看到的是完整的对话上下文，还有AI已经生成的草稿。
他可以在草稿基础上修改、补充、推翻。他的回复会有专门的标识，和AI的回复在视觉上区分开来——不同的气泡颜色，旁边有他的头像、姓名、资质标签。
这样，用户清楚地知道哪部分是AI说的，哪部分是真人说的。没有欺骗，没有模糊地带。
一个悖论，专家也用AI，用户为什么买单？
这里有一个很微妙的问题。
如果用户发现专家也在用AI，而且用得和自己差不多，那他为什么要付费？
答案是：专家用AI，和用户用AI，不是一回事。
同样一个prompt，普通人写“给我写个方案”，专家写“基于XX框架，考虑YY变量，输出ZZZ格式”，结果天差地别。
AI可以给出十个选项，但哪个选项最适合你的具体情况？这需要经验来判断。
AI可以生成一份合同草稿，但哪些条款需要加重、哪些可以妥协？这需要对人性、对权力关系的理解。
所以用户买的不是“AI生成的文字”，而是专家的判断、经验和责任，这背后购买的是对方的时间。
你有技术工具，不代表你愿意学习一切，或者有时间学习一切。
就像在人工智能之前，理论上你每日没夜泡在图书馆里，你也能找到各种问题答案一样
实际上并没有多少人这样做来解决自己面临的所有问题。
用户是愿意为他人时间和认知付费的
AI是专家的工具，就像医生用CT机。
你不会因为医生用了CT机就觉得他不值钱——你买的是诊断，不是扫描结果。
关键是透明度。如果专家偷偷用AI假装是自己写的，那是欺骗。但如果专家坦诚地说“我用AI整理了初稿，然后进行了专业判断和修改”，用户反而会觉得这个专家高效、诚实、有工具意识。
产品设计上可以做两件事。
一是可视化AI参与痕迹。 专家回复旁边可以标一个小标签：“AI辅助起草，专家审阅修改”。或者用不同颜色标注哪些段落是AI生成的，哪些是专家手写的。
二是设置两种服务等级。 标准版是AI出草稿、专家审核修改，价格低一些。尊享版是专家全程手工，不用AI，价格高一些。用户根据自己的预算和对“纯度”的需求来选择，明码标价。
不止是专家
说到这里，可能会给人一种印象：这个模式只适用于那些顶尖的专家——律师、医生、教授。
但其实不是。
每个人的经验都是有价值的。
月嫂知道怎么安抚哭闹的婴儿，水电工一听下水道的声音就知道堵点在哪里，退休教师知道怎么哄孩子背古诗。这些都是知识，只是没有被系统性地提取和变现过。
要让AI惠及更多人，需要一个分层级的体系。
第一层，是分享者。 普通宝妈、退休老人、在校学生。他们分享自己的经验、生活窍门。免费，或者几块钱的打赏。
第二层，是技能能手。 月嫂、水电工、司机、健身教练。他们提供远程指导、经验解答。一次收费十几到三十块。
第三层，是专业顾问。 会计师、营养师、心理咨询师、房产中介。他们提供标准化的咨询服务，AI辅助出方案，他们负责审核和担责。一次收费五十到一百五。
第四层，是领域专家。 律师、医生、资深工程师、教授。他们提供深度诊断、定制方案、责任背书。一次收费高一些，但是相比过去，费用可以极大降低，因为服务效率和服务范围可以更高了。
这个体系的关键在于，门槛要低。
一个家政阿姨不需要写文章、拍视频。她只需要对着手机说“我是怎么去厨房油污的”，AI就会自动转成文字、提炼要点、生成结构化的经验卡片。像发一条朋友圈一样简单。
AI补足她的表达能力，她补足AI缺乏的真实体验。
最深的恐惧
但这里有一个更深的问题
——人工智能也一直在学习人的经验数据
如果所有人的经验都被AI学习了，AI会不会有一天把人一脚踢开？
这个恐惧是合理的。
但如果一个平台把人的知识学走了，然后说“不需要你了”，那这个平台就是一个剥削机器，不可持续。
这个恐惧建立在一个错误的假设上——它假设知识是静态的、存量的、停止进化的，可以被一次性“学完”。
事实是，知识是动态的、生成式的、互动式的。
今天的育儿经验，三年后可能因为新的科学发现而失效。今年的法律条文，明年可能就改了。
AI如果不持续吸收人类的最新实践，它的输出会迅速贬值。
更重要的是，人类提供的是“判断”而不是“答案”。 AI可以给出十个选项，但哪个选项最适合你的具体情况？这需要回到场景里判断。
AI可以生成一份合同草稿，但哪些条款需要加重、哪些可以妥协？这需要对人性的理解。
这些判断力，AI短期内学不去。
所以正确的做法不是“学完就弃”，而是让人持续参与。
具体来说，有三条原则。
第一条，贡献者享有数字分成——人工智能企业不应该无偿使用专家的贡献。 如果你的经验被AI学习了，AI的能力被别人使用了，你应该持续获得收益——就像音乐版税一样，但是它可以因为人工智能平台做到边际成本很低，让贡献者因为规模收益。
AI越强大，你的被动收入越高。这样你就不会害怕被取代。
第二条，晋升路径。 初级贡献者提供经验，中级贡献者成为审核员，校验AI的输出，高级贡献者成为训练师，设计数据集、定义评估标准。人不是被淘汰，是从体力劳动者升级为脑力管理者。
第三条，人机互训。 AI负责处理已知的问题，人负责探索未知的问题。每一次人类处理了一个边界案例，这个案例就可以用来训练AI，让它更强。但与此同时，新的边界案例又会涌现。
这是一个永无止境的循环。
到时它唯一的痛苦是认知进化的内卷
因为人类的大脑其实天生是厌恶复杂性和耗能学习的
但这种开放协作模式，可能开启人类文明迭代的指数级增长历史。
从文明进化角度来说，这是一种幸福的烦恼————人类认知进化从偶然性、线性迈向确定性、指数级增长时代。
前提是没有资本的贪婪，阻止共创共享意愿。
尾声
"未来的人类工作，就是不断地给机器人找新活干——这是一件永远做不完的事。"
"未来你收入的多少，取决于你与机器人协作得有多好。"
机器的确需要人类。
但不是因为机器不够聪明——恰恰相反，是因为机器太聪明了，聪明到它的影响范围远远超出了技术本身，进入了社会、经济、伦理的领域。
而这些领域的事情，机器不懂，只有人懂。
所以问题的关键不是“AI能不能替代人”，而是“我们愿不愿意让人持续在场”。
如果愿意，就需要在产品里埋入人的节点，在商业模式里设计人的分成，在价值观里确立人的不可替代性。
这不是一种施舍，而是一种清醒
——一个把人类排除在外的智能系统，最终也会失去进化的动力。
人机互训、滚动前进，不是道德选择，是系统得以持续演化的必要条件。
让人在场的AI平台
才有可能是下一个腾讯
