夜雨聆风独特性：过去的工具主要替人完成动作，AI 第一次让普通人可以低成本调用部分“从问题走向答案”的思维过程。
价值迁移：当标准执行变便宜，社会付费的重点会向问题定义、复杂判断、资源整合、结果闭环和责任承担迁移。
个人行动：不要只学会按下 AI 的按钮，要向任务上游定义问题、向下游承担结果，并把零散调用变成稳定工作流。
在我的小学记忆里，珠算曾经是一项需要认真学习和考试的技能。
教室里响起算盘珠连续碰撞的声音，老师不仅要求结果正确，还要求拨得足够快。道理并不复杂：在没有计算器的年代，计算是商业、工程、财务乃至日常生活的基础。在确保准确的前提下，谁能更快完成计算，谁就拥有真实的效率优势。
后来，计算器普及了。
它没有宣布自己要“替代珠算从业者”，也没有和算盘进行一场公开决战。它只是把计算变成了一个更便宜、更稳定的动作。几次按键，就能完成过去需要长期练习的事情。
珠算作为实用技能逐渐离开了大多数人的日常工作，但变化并没有一步完成。心算和速算还保留了很长时间，因为它们除了计算，也承担着大脑开发、数感培养和思维训练的功能。直到计算器无处不在，我们才慢慢接受一个现实：社会不再为“亲自算得快”支付过去那么高的溢价。
计算仍然重要，只是计算能力被重新定价了。
今天，类似的变化正在更大范围内发生。但这一次被封装进工具的，不只是加减乘除，而是写作、画图、检索、编程、分析，以及一部分过去只能由人完成的思维过程。
这也是这轮变革真正独特的地方。
过去的工具主要替我们完成动作，AI 开始参与“从问题走向答案”的过程。
01 这一次，工具进入了“怎么做”
计算器很强，但人必须先知道要计算什么、选择什么公式。传统计算机也很强，但程序员需要把每个重要步骤写成明确指令。
AI 的使用方式不同。
我们可以用自然语言告诉它目标、背景和限制，让它帮助搜索材料、拆解任务、提出方案、生成初稿，再根据反馈继续修改。我们不再需要预先写出每一步，只需要不断说明“我要什么”和“什么才算好”。
以写一份行业报告为例。过去，一个人需要搜集资料、阅读全文、整理观点、搭建大纲、完成初稿和反复修改。今天，AI 可以参与其中几乎每个环节。人的角色开始从每一步的执行者，转向目标提出者、材料提供者、过程编排者和最终验收者。
这并不意味着 AI 拥有了和人一样的思考，也不意味着人可以停止思考。它意味着普通人第一次能够低成本地调用一部分“中间思维过程”。
OECD 2025 年的一项研究[1]认为，生成式 AI 已经表现出通用目的技术的三个重要特征：广泛渗透、持续改进和催生互补创新。
计算器降低的是计算成本，计算机降低的是信息处理成本，AI 正在降低一部分认知工作的生产成本。它当然是工具，但很可能会像计算机和互联网一样，最终成为所有行业默认存在的能力层。
02 执行降价之后，钱会流向哪里？
技术变革最后一定会落到一个接地气的问题：普通人靠什么持续获得收入？
工资不是对辛苦程度的奖章，而是组织对稀缺能力、实际结果和所承担责任的综合定价。
珠算曾经值钱，因为快速、准确的计算稀缺；计算器普及后，计算没有消失，但亲自完成计算不再那么值钱。价值向建立模型、解释数字和利用结果做决策迁移。
AI 也会产生同样的价格变化：
写出结构完整的初稿会越来越便宜，发现值得传播的观点更重要；
生成一段能运行的代码会越来越便宜，理解业务并保证系统稳定更重要；
整理一份标准报告会越来越便宜，识别真正的问题并推动结果更重要；
给出一个看似专业的答案会越来越便宜，判断答案是否适用于现实更重要。
可以把一项工作的价值分成四层：
动作层：亲自写、算、画、查和录入；
任务层：按要求交付一份合格结果；
问题层：判断真正应该解决什么，选择路径并处理例外；
结果层：协调资源、完成闭环，并为结果负责。
AI 最先压低的是动作层的成本，随后会进入标准任务层。想长期守住自己的“钱包”，不能只比别人更熟练地调用一个人人都会拥有的工具，而要逐渐进入问题层和结果层。
一项对 5,179 名客服人员的研究[2]发现，生成式 AI 助手让员工平均生产率提高约 14%，新手和低技能员工获益更加明显。工具可以迅速抬高所有人的能力下限，但这也意味着“及格输出”的稀缺性会下降。
工具的民主化，不等于结果的平均化。高手会借助 AI 完成过去需要一个团队才能完成的闭环，能力上限同样会被推高。
03 AI Coding 是一张行业变迁的 X 光片
AI 编程是生成式 AI 最早形成重要商业价值的场景之一。它发生得早，不只是因为程序员离 AI 更近，还因为代码天然适合被工具化：输入输出已经数字化，公开样本丰富，很多结果可以通过编译、测试和运行快速反馈。
从我的一线实践看，AI 在常见前后端、App 和 UI 开发中进步很快，尤其擅长数据丰富、需求标准化、反馈明确的任务。
但到了冷门语言、复杂业务、系统架构和抽象编程范式，能力会明显下降。这些场景往往缺少训练数据，包含大量没有写进需求的隐性约束，还需要在性能、成本、安全和长期维护之间做取舍。
AI 编程的重心因此正在从“怎样写好提示词”，发展到 Agent，再走向 harness／loop engineering：为 AI 准备工程环境、测试工具、权限边界和反馈循环，让它能够持续工作并及时暴露错误。
微软研究院的 PerfBench[3]收集了 81 个真实的 .NET 性能缺陷。普通 OpenHands Agent 的基线成功率只有约 3%；加入性能测试工具、专门指令和反馈处理后，成功率提升到约 20%。
这组数字不是为了证明 AI 不会编程，而是说明一个普遍规律：
AI 在一个行业中的价值，不只取决于模型有多强，还取决于任务是否数字化、样本是否充分、反馈是否及时、标准是否明确，以及错误是否能够被发现。
这五个条件，就是我们从 AI Coding 推演其他行业的工具。
04 把这张 X 光片放到自己的行业
按照“数字化、样本、反馈、标准、错误成本”五个条件，我们可以大致判断不同行业的价值会怎样迁移。
行业／岗位 | 更快工具化的部分 | 更可能升值的部分 | 从业者的迁移方向 |
内容与营销 | 资料整理、初稿、图片和批量文案 | 选题、真实经验、品牌判断、渠道与转化 | 从内容生产者走向受众理解和传播结果负责人 |
销售与客服 | 标准回复、客户摘要、跟进提醒 | 信任建立、复杂谈判、异常处理 | 让 AI 处理标准动作，把时间投入关键客户和成交闭环 |
财务与法务 | 对账、检索、标准合同和报告初稿 | 例外判断、风险分配、合规责任 | 建立检查规则，向业务决策和风险负责人迁移 |
教育与培训 | 知识讲解、出题、批改和练习 | 学情诊断、动机激发、关系与成长设计 | 从统一讲授走向个性化学习设计和陪伴 |
管理与运营 | 周报汇总、排期、流程提醒 | 目标选择、资源冲突、组织协调 | 从收集信息走向作出取舍并对结果负责 |
这张表不是职业预言。每个行业的组织、数据和责任结构都不同，国际劳工组织的任务级研究[4]也提醒我们：当前更可能发生的是职业内部的任务重组，而不是整个职业被一次性替换。
真正需要警惕的，是自己的大部分收入是否建立在可标准化、可数字化、可快速验收的动作上。如果答案是肯定的，这部分价值被压低只是时间问题。
相反，那些依赖隐性背景、复杂取舍、人际信任和责任承担的环节，短期内更适合由人借助 AI 完成，而不是直接交给 AI。
05 普通人需要完成三次价值迁移
面对 AI，普通人不需要先成为模型专家，也不需要每天追逐新工具。更重要的是在自己的工作链条中完成三个迁移。
向上游：从接受任务，迁移到定义问题
不要只问“怎样更快完成这份报告”，还要追问：报告给谁看、准备影响什么决定、真正缺少的是什么信息？
AI 擅长回答已经表达清楚的问题。能够发现并定义真问题的人，会越来越稀缺。
向下游：从提交材料，迁移到承担结果
完成一份 PPT，不等于推动了项目；交付一段代码，不等于系统能够稳定运行；给出建议，不等于问题真正解决。
尽量靠近结果，参与执行、反馈和复盘。组织更愿意长期为“把事情做成的人”付费，而不是只为中间材料付费。
横向连接：从使用工具，迁移到设计工作流
一次问答只能得到一次结果。稳定能力来自一套可复用流程：上下文从哪里来，AI 负责哪一步，人在哪些位置检查，失败后如何反馈，最后怎样进入真实业务。
哈佛商学院与 BCG 的实验[5]把 AI 不均匀的能力边界称为“锯齿状技术前沿”：它可能轻松完成一个复杂任务，却在看似相近的问题上失败。越是如此，人越需要设计检查点，而不是把判断一起外包。
这三次迁移都需要一个共同底盘：领域基础。基础知识的价值不再只是帮助你亲手执行，而是帮助你提供有效上下文、发现错误、判断取舍和控制风险。
06 用一张“价值迁移表”开始行动
普通人适应 AI，不必先制定宏大的学习计划。选一个每周都会发生、结果能够检查的任务，回答下面五个问题：
公司或客户真正为这项工作中的什么结果付钱？
哪些动作已经可以被 AI 快速生成到 80 分？
哪些隐性背景、异常情况和现实约束没有进入 AI？
如果结果出错，谁会发现，谁会承担损失？
我能否向上游多定义一个问题、向下游多负责一个结果，或者横向多连接一个环节？
然后连续做三轮实验：记录原来的时间和质量，让 AI 参与一个明确环节，预先写好验收标准，保留失败案例，最后把有效方法整理成自己的 SOP。
评价标准不是“今天用了几次 AI”，而是：你是否节省了时间、提高了质量、承担了更完整的结果，或者开始解决过去做不到的问题。
如果只是更快得到相同材料，AI 仍然只是效率工具；如果你因此向问题层和结果层移动，它才真正变成了能力杠杆。
结语：从亲自执行，到定义与负责
计算器出现后，算盘没有失去文化价值，心算也没有失去训练价值。但社会确实不再要求所有人把大量时间用于练习珠算，因为更便宜的计算能力已经成为公共基础设施。
AI 也不会让知识、写作、编程和思考失去价值。它改变的是这些能力的生产方式，以及社会愿意为什么付费。
这轮变革最独特的地方，是工具第一次大规模进入普通人的思维过程。于是人的价值不会消失，而会从亲自完成每个动作，逐步迁移到提出目标、提供背景、组织工具、判断结果和承担后果。
真正需要担心的，不是 AI 会不会拥有你的能力，而是你的价值是否长期停留在 AI 正在快速降价的那一层。
工具会越来越平等，定义问题和完成结果的能力不会。
https://www.oecd.org/en/publications/is-generative-ai-a-general-purpose-technology_704e2d12-en.html
https://www.nber.org/papers/w31161
https://www.microsoft.com/en-us/research/publication/perfbench-can-agents-resolve-real-world-performance-bugs/
https://www.ilo.org/resource/article/how-might-generative-ai-impact-different-occupations
https://aiinstitute.hbs.edu/back-to-the-beginnings-of-ai-at-work/