我逐渐意识到一件有点扎心的事：我最擅长的那部分工作，正好是最先变便宜的那部分。

我现在几乎每天都会做同一个动作——把手上的活先丢给模型跑一遍。写一段说明、生成一份规范的代码骨架、把一篇长报告压成十行摘要，大多数时候它交出来的东西挑不出毛病，而且比我快得多。但有一类问题它从来没替我解决过，这类问题有个共同特征：它根本没出现在我的提示词里。它还在现场，在某个人绕开正规流程的小动作里，在一句没人当回事的抱怨里。

所以真正的问题不是”AI 会不会取代我”，而是：当”给出答案”这件事的价格塌到地板上，人的价值到底挪到哪儿去了？

一、答案在贬值，这件事已经能在数据里看见

斯坦福数字经济实验室今年的一项研究（Brynjolfsson、Chandar、Chen）用 ADP 的薪资数据追踪了数百万美国劳动者，一直到 2026 年 6 月。几个发现值得原样抄下来：

  • 没有出现全经济范围的大规模失业。 这一轮不是”机器来了大家都下岗”。
  • 但 22 到 25 岁、身处 AI 高暴露岗位的年轻人，就业水平比低暴露岗位的同龄人低约 19%。 同样的岗位，经验丰富的人身上看不到这个缺口。
  • 下滑主要来自”少招人”，不是”裁人”。 门在慢慢关，不是有人被推出去。
  • 最关键的分野：AI 在这个岗位上是替代还是互补。 替代型岗位明显下滑；互补型岗位持平甚至继续增长。

这是一篇仍在更新的工作论文，结论还会被继续检验。但它把问题问得比”AI 会不会取代人类”精确得多：在我这个位置上，AI 是替我干活，还是替代我干活？ 这两件事听起来像，结果完全相反。

顺着这条线往下推，答案会自己浮出来：既然”生成答案”这一段在贬值，那还在涨价的，只能是答案上游和下游的东西——上游是问题，下游是落地。

二、值钱的是提出问题的人

1964 年，芝加哥大学的 Getzels 和 Csikszentmihalyi 做过一个后来被反复引用的实验。他们请 31 名艺术学院学生在工作室里作画：桌上摆着 27 件杂物——葡萄、齿轮、一本旧书、一块玻璃棱镜——每人一小时，自己挑东西、自己组构图、自己画。

学生分成了泾渭分明的两类。

一类上手很快：迅速挑好物件、摆好、勾出轮廓，剩下的时间都在打磨最初那个构图。他们在解一道自己一开始就定好的题。

另一类磨蹭得让人着急：把东西拿起来翻来覆去看，换位置、换材料、擦掉重来，有人折腾了五十分钟才动笔，最后手忙脚乱地画完。他们不是在解题，他们在找那道题。

五年后研究者回访了其中 27 人，用画廊展出、有没有经纪代理、作品是否被美术馆收藏、还在不在画画来衡量。结果很干脆：“找问题”的那一类明显走得更远；而在最不”找问题”的 11 个人里，有 8 个已经彻底离开了艺术。

我很喜欢这个研究，因为它把一件模糊的事说清楚了：会解题是一种能力，能看出该解哪道题是另一种，而后者更稀缺、更耐久——现在还多了一条，它更难被外包给模型。你给 AI 一道定义清楚的题，它答得比你好；但把题目定义清楚这一步，它替不了你，因为定义题目的原料不在语料里，在现场。

落到具体动作上，无非是多往现场跑：

  • 做产品的，去客服部门坐一天，听人怎么骂你的产品；
  • 做行政的，直接问同事最烦哪个流程、平时怎么绕过它；
  • 开店的，自己站几天收银台。

这条在家里同样成立。辅导孩子作业时，”现场”不是错题本，而是他卡住的那一瞬间——是没读懂题，是概念没通，还是单纯困了？照顾老人时，”现场”不是体检报告上的指标，而是他最近上下楼梯的姿势有没有变。答案可以外包，觉察外包不了。

三、做”翻译”，而不是推倒重来

现场跑多了会遇到下一个坎：你看见了真问题，但你不知道新工具能不能解、会在哪里翻车。

哈佛商学院和波士顿咨询做过一个 758 人的实地实验（Dell’Acqua 等，约占 BCG 该层级顾问的 7%），结论有两半，很多人只记住了前一半：

  • 在 AI 能力边界之内：用 AI 的顾问多完成 12.2% 的任务，快 25.1%，质量高出 40% 以上；原本排名靠后的那批人提升最大，达到 43%。
  • 在边界之外：用 AI 的顾问给出正确答案的概率，反而比不用的人低 19 个百分点。

研究者把这条边界叫做”锯齿状的能力前沿“（jagged frontier）——它不是一条平滑的线，看起来差不多难的两件事，一件 AI 做得极好，另一件它会一本正经地做错。而且从外面看，两种输出长得一模一样。

这就是”翻译者”值钱的地方。不是”会用 AI”值钱，是”知道它在哪儿会翻车”值钱，而后者只能靠领域知识撑着。会计不需要成为程序员，但一个”懂点 AI 工具的会计”能把整个部门的对账流程重做一遍，而且知道哪几步绝对不能让模型自己签字；老师不需要会训练模型，但一个”会用 AI 备课、并且清楚它哪里会胡说”的老师，在同事里是替代不掉的。

不必在两个领域都做到顶尖，只要在两个领域都到”能对话”的程度，你就站在了一个很少有人站的位置上。对大多数人来说，在已有的领域上嫁接一层新工具的理解，比推倒重来转行现实得多，也划算得多。

四、跟着”部署”走，而不只是跟着”发明”走

如果说前面几条是关于怎么做事，这一条是关于站在哪儿。

回看电气化。灯泡 1879 年发明、1880 年拿到专利。可到 1900 年，全美只有 3% 的住宅用上了电灯，电动机在工厂机械动力里的占比还不到 5%；跨过 50% 这道坎，要等到 1920 年代。

中间那几十年发生了什么？经济史学家 Paul David 的解释是：一开始工厂主只是把蒸汽机换成了发电机，天轴、皮带、整套集中传动的布局原封不动——效率当然提不上来。真正的转折是”单机驱动”：每台设备配自己的电机，于是车间可以重新排布，厂房可以造得更轻、更模块化、只要一层。而把这套做法铺到各行各业、各个地方，用 David 的原话说，需要”培养出一批熟悉这种新造法的工厂建筑师和电气工程师“。

技术史一再重复这个结构：发明的窗口极窄，天才云集；部署的窗口宽得多、长得多，对普通人友好得多。 电气时代的电气工程师、互联网时代的建站公司和网管、移动时代的 App 开发者，都是在这个更宽的窗口里赚到了钱。

AI 的部署期才刚刚开始。它需要的不只是模型研究员，还有懂 AI 的律师、懂 AI 的医生、懂 AI 的乡镇干部、懂 AI 的小店老板。你不必挤进那几家明星公司——在自己的岗位上做那个”把新工具真正用起来的人”，就是这一轮留给普通人的位置。

顺带说一句，部署地带天然是边界模糊的：新工具卡在两个部门中间，谁都能说”这不归我管”。而当 AI 逐渐接管掉那些边界清晰的执行类任务之后，人的价值恰恰会集中在这些需要有人站出来兜底的地方。”这不归我管”在过去是一种自我保护，往后可能变成一种自我淘汰。

五、学习方式：从”囤货”转向”打仗”

最后一条是方法。

很多人的焦虑是”AI 时代该囤哪些技能”，于是收藏了几百篇教程、买了一堆课，学完就忘。我自己也囤过，收藏夹是最诚实的证据。

更好的方式是带着问题学（行话叫 just-in-time learning，即时学习）：不是先学完再上场，而是为了解决眼前这个具体问题，当天学、当天用，缺什么补什么。找一个你真实生活里的问题就行——帮家里小店做个记账表，把一堆旅行攻略自动整理成行程表，把每周重复的那份报表自动生成。

这不只是记得牢的问题。它还是唯一能让你摸清那条”锯齿状边界”的办法——边界在哪儿，只有撞上去才知道。你囤再多教程，也不会知道模型在你这一行的哪个环节会一本正经地胡说；而你亲手让它做砸过三次，就知道了。

Key Takeaways

  1. 答案在贬值，问题在升值 —— AI 让”生成一个像样的答案”变得几乎免费，稀缺的是发现和定义真问题的能力。
  2. 先问对问题：在我的岗位上，AI 是替代我还是放大我 —— 数据显示，替代型岗位在收缩，互补型岗位没有。
  3. 真问题藏在现场 —— 它藏在数据不记录的抱怨、绕路和小动作里，多往现场跑一寸，你相对模型的优势就厚一分。
  4. 做翻译者比转行现实 —— 值钱的不是会用 AI，是知道它在哪儿会翻车，而那需要你原本就有的领域知识。
  5. 别囤技能，带着真实问题学 —— 顺便，这也是唯一能摸清 AI 能力边界的办法。

答案可以外包，觉察不能。

Useful Resources