夜雨聆风当公司希望AI越来越像“我”，却没有告诉“我”：等它足够像我了，我会去哪里？
李明（化名）是一家大厂的算法工程师。今年年初，他所在的事业部上线了一项新制度：每个人的绩效，除了看产出，还要看"调用"了多少AI算力——Token使用量，被内部戏称为排在工资、奖金、股权之后的"第四种薪酬"。
比这更让他在意的，是另一件事。公司要求每个员工训练一个属于自己的AI Agent，把自己的技能"喂"给它，让它学会自己是怎么写代码、怎么调试的。这项工作被正式纳入了考核——如果Agent表现得不够像李明，就说明他"知识沉淀不足"。
于是他每天的工作变成了：早上教AI干活，上午看着AI用自己教的方法产出代码，下午回头给AI纠错，晚上再写一份报告，证明自己这个月的Token用量达标。
他自己后来说了一句话：
"我在教一个东西怎么替代我。"
这可能是2026年最容易被忽略、又最难说出口的一种职场处境：真正让人不安的，往往不是AI学会了多少，而是公司希望它越来越像"我"，却没有人告诉"我"，等它足够像我了，我该去哪里。
这不是李明一个人的处境
智联招聘今年春天做的一份职场调查，覆盖3151个有效样本：48.8%的受访者认为，自己的岗位有可能被AI替代，一部分人可能因此失业；36%的人担心，公司会因为AI而不再招新人。
另一份覆盖2100多家企业的人力资源趋势报告显示，超过两成企业已经把AI嵌入核心业务流程，接近四分之一的企业已经为"数字员工"制定了正式的职责、权限和考核指标。这意味着，"教会AI"正在越来越多的公司里，从一种自发的效率行为，变成一项被写进制度的正式任务。
问题是，员工和企业，可能从一开始谈论的就不是同一件事。
对员工来说，这大多被理解成一次效率改造：多用AI、少加班、把重复劳动交出去。但对组织来说，这件事更真实的性质，很可能是一次知识资产的转移——把原本长在某个具体人身上的判断、经验和手感，尽可能完整地提取出来，变成公司可以复用、可以随时调用、不依赖任何一个具体员工的系统资产。
过去，经验长在人身上。一个人干得越久、判断越准，他在组织里的位置就越稳，议价能力也越强。现在，公司希望把这份经验尽快提取、标准化，装进系统里——员工真正害怕的，往往不是"AI会不会做我的工作"，而是"我的经验被永久地留下来了，我自己会不会变成一次性的供应者"。
几项针对中国企业员工的研究，从心理机制的角度指向了同一件事：员工愿不愿意交出真正的经验，关键不在于人品或者忠诚度，而在于他觉得自己有没有安全感、有没有退路。
一项覆盖200名员工、跨越多个时间点的调查发现，员工感受到的"相对剥夺感"——也就是"我贡献了，却没有对等回报"的心理落差——会显著推动知识隐藏行为。
另一项针对379名员工的研究进一步证实，这个机制是可逆的：职业不安全感越强，藏得越深；但只要能看到清楚的成长机会，藏着的动力就会明显下降，团队氛围在中间还会起调节作用。
还有一项针对324名中国研发人员的研究，从另一个角度得出了相似的结论——同样面对AI，会不会把它当成威胁，很大程度上取决于员工觉不觉得自己能影响结果，越觉得无能为力，越容易把AI当成敌人，也就越没有动力交出真东西。
三项研究说的其实是同一件事：藏不藏，不是道德问题，是一道心理算术题——员工在权衡，交出经验之后，自己的处境会变好，还是变差。
"AI蒸馏"首先是激励问题，其次才是技术问题
道理并不复杂：如果员工相信"我教得越好，AI越像我，我就越快被替代"，那把最有价值的判断藏起来，就是任何一个理性人都会做的选择——不是不配合，是自我保护。
企业收到的，往往只是表层的流程文档、标准化的话术，以及为了完成考核而写、连员工自己都知道没什么用的说明，甚至出现了专门应付这类考核的'反蒸馏'做法——把核心知识换成'正确但无用的废话'交差。什么时候该破例，客户没说出口的需求怎么判断，谁的话可以信，出现冲突时该怎么取舍，这些真正撑起一个人价值的判断，恰恰是最不会被交出来的部分，因为一旦交出去，员工手里就再没有别的筹码了。
这也是为什么，"提高AI使用率"和"让员工交出真正的经验"，是两件容易被混为一谈、实际上互相冲突的事。
X公司今年内部发文，把AI编程能力正式纳入绩效考核，末位淘汰比例定在5%到20%之间——这个设计能很快让"用了多少AI"这个数字好看起来，但按前面的逻辑推，它同时也会让员工更没有安全感，交出来的东西只会更保守、更表面。企业以为自己在加速经验沉淀，实际上很可能是在加速员工把真正的判断，往更深处藏。
但这里容易被简化成一个"发钱就能解决"的问题——只要奖金给到位、承诺说得漂亮，员工就会松口。没有这么简单。员工判断的从来不是"公司这次许诺了什么"，而是"这个承诺信不信得过"。一句"教得好不会被裁"，如果背后没有任何具体的岗位、权限或者退路撑着，跟"教得好也一样被裁"，员工听起来其实没有区别——因为两句话都只是话，兑不兑现，员工自己说了不算。
那对具体的人来说，还有没有别的路
一个更接近今天的案例，发生在中国石油956100客服中心。
数字员工上线时，坐席员王晶也曾担心，自己多年积累的客服经验会不会突然失去价值。后来，公司安排专项培训，她从一线坐席转型为数据标注员。她现在每天拆解客户的对话逻辑，把不同场景下的业务规则逐条教给数字员工。看到它的应答越来越准确，她形容自己成了“数字同事的启蒙老师”。报道显示，数字员工已经接手客服中心约30%的一线工作量。与此同时，组织也出现了数据标注、数据分析和知识运营等新岗位。
这个案例真正值得注意的地方，不是王晶终于“学会了AI”，而是公司没有只让她把经验交出来，再把“接下来去哪里”的问题留给她自己。至少在这个案例里，培训、新岗位和新的职责，是和数字员工一起出现的。
在一家跨境电商企业的税务部门，也出现了一条类似的路径：一线巡查的税务人员，借助AI数字员工上岗，逐渐从"自己去查"变成给数字员工定岗位、训练它、审核产出、决定它能不能"转正"的人。
值得注意的是，这两个案例里，员工愿意真正投入，靠的都不是一句"放心，不会亏待你"——是"人工智能训练师"变成了一个被正式命名的新岗位，是真的拿到了定义岗位、审核产出、决定"转正"的实际权限。信任不是靠许诺换来的，是靠看得见的位置换来的。
这两个案例背后，其实是同一条现实的路径：不要只教AI做你今天正在做的事，要借着训练AI的过程，把自己往"定义场景、校准质量、处理例外、承担结果"这几个更靠后的位置上挪。具体可以从几件事开始：
从一个真实的业务问题出发去训练AI，而不是泛泛地学一堆AI工具； 不要只提供材料，尽量参与到"什么算对、什么算好"这个标准的制定里； 把训练AI做出的成果，变成组织里看得见、留得下的项目，而不是一次性的考核任务； 持续往"AI产出的主管、训练者和最终判断者"这个位置靠，而不是停在"教它做事"这一步。
说到底
对个人而言，真正的出路，不是藏起自己的经验——藏得住一时，藏不住整个职业生涯。而是想办法让自己，进入到经验被使用、被修正、被最终负责的那个位置上，而不是只停在"被提取"这一步。
这条路不能保证所有人都获得新的位置。如果十个人共同训练出一个Agent，组织未必会因此创造十个更高级的岗位。个人能做的，是增加自己进入下一轮分工的机会；至于技术红利如何分配、岗位收缩后的人如何安置，仍然是组织必须回答的问题。
对企业而言，这篇文章想说的不是"要善待员工"这种价值观倡议，而是一个更冷峻的商业现实：如果衡量AI转型进度的指标是使用率、Token量、Agent训练完成度，而员工感受到的处境却是"教得越好、走得越快"，那这些指标很可能正在系统性欺骗你。
它们一路走高，你真正想买的那个东西，也就是能在关键时刻救命的判断力，却在一路流失。等到某个大项目、某个重要客户出了问题，回头去查AI留下的记录，才发现能用的只有"正确但无用的废话"，那时候再补课，比一开始就把激励设计对，贵得多。
一个可以马上做的自查，不是去看员工有没有藏私，而是回头看一眼公司自己设计的这套激励：如果我是那个正在教AI的员工，交出最关键的判断之后，我的处境会变好还是变差？如果诚实的答案是"会变差"，那不管现在的使用率、Token量数字多好看，这套系统从设计起点上，可能就没打算换来真东西。
但这道自查题只能测出问题，测不出解法——答案往往不是"把奖金公式改一改"这么简单。员工愿不愿意相信"教得好不会更差"，考验的不是这句话说得好不好听，而是公司有没有真的造出一个具体、可预期的位置，让员工看得到自己教会AI之后要去哪。这已经不是一次激励设计能兜住的事，是一次组织设计的事。
人可以帮助AI变得越来越像人。但一家公司至少应该保证，在这个过程里，人不会越来越像一份用完即弃的训练数据。
这一期就聊到这儿，余下留给思考，我们下次再见。——Yvonne
数据来源
听筒Tech｜《"有了AI，人们却过得越来越累了"》，钛媒体，2026年4月18日，文中人物均为化名。
王群｜《被数字员工“抢”走30%工作量，这里的客服在忙啥？》，《工人日报》，2026年6月15日。
智联招聘｜《2026春季职场人跳槽情况调查报告》，3151份有效样本。
《2026人力资源管理趋势报告》，覆盖2100多家企业。
相关学术研究：AI应用与员工知识隐藏行为的关系研究（200人样本、379人样本、324名中国研发人员样本，均为中国企业员工调查）。