第三章：分布不均的未来
未来已经到来
威廉·吉布森说过一句话：“未来已经到来，只是分布不均。”
1984年，《神经漫游者》出版，吉布森成为赛博朋克文学的开创者。他擅长的不是预测具体技术，而是捕捉技术变革的社会肌理。
这句话准确描述了技术变革的基本特征：变化不会在某个时间点突然全面铺开，而是先在某些地方显现，某些领域萌芽，某些人群中生长，然后逐步扩散。
2024年的AI变革正是如此。
一些人还在争论AI会不会取代人类，另一些人已在日常工作中深度使用AI，经历着真实的变化——有些令人欣喜，有些令人不安。有的公司还在开会讨论要不要引入AI工具，有的公司已用AI重构整个工作流程，甚至开始质疑传统组织形态。
变化已经发生，只是不同人处于不同阶段。
要理解变化的性质和方向，最好的方法不是猜测未来，而是观察那些已经走在前面的领域。他们正在经历的，很可能是其他领域即将经历的。
一、分化的三个阶段
社会学对技术变革有一套成熟的分析框架。基于历次技术革命的经验，技术变革引发的社会分化通常经历三个阶段。
第一阶段：适配速度分化
新技术出现时，不同的人接受和适应的速度不同。有些人很快学会新工具，有些人则需要更长时间，还有些人可能永远学不会。
这种分化取决于多种因素：学习能力、对变化的态度、接触新技术的机会、可支配的学习时间。有机会接触新技术的人适配更快，心态开放的人比抗拒者更易上手，时间充裕的人比忙于生计的人进步更快。
此时分化是暂时的、可逆的。暂时落后的人，若努力学习，仍有机会赶上。差距反映的是适应速度，而非根本能力。
第二阶段：能力结构分化
随着时间推移，那些早期适配新技术的人开始建立起新的能力结构。他们不仅会使用新工具，还发展出与新工具配套的思维方式、工作方法、社会网络。
这种能力结构一旦形成，不是简单学习能复制的。它涉及隐性知识——那些难以言传、只能通过实践积累的经验和直觉。
到这一步，分化开始难以逆转。后来者即使学会技术本身，也很难获得那些只有长期实践才能形成的隐性能力。差距从适应快慢变成了能力深浅。
第三阶段：结构固化
当能力分化达到一定程度，社会结构开始固化。那些掌握新能力的人，通过教育、资本、信息等渠道，把优势传递给下一代。而那些没跟上的人，他们的后代也更难获得追赶的机会。
走到这一步，分化不再是个人选择的结果，而是结构性的、代际传递的。一个人的起点很大程度上决定了终点。社会流动性下降，阶层边界变得清晰。
AI时代的分化特点
这三个阶段的分化，在历次技术革命中都有体现。工业革命时期，最先掌握机器技术的人和地区获得巨大优势，最终固化为持续百余年的全球秩序。信息技术革命中，最早适应数字化工作方式的人和公司，同样获得了持续的竞争优势。
AI时代的分化会遵循类似规律，但两个特点可能使它更剧烈。一方面，AI能力的普及速度极快，第一阶段（适配速度分化）的窗口期可能更短，能力差距固化得更快。另一方面，AI影响的领域几乎涉及所有认知工作，不是只有某些行业受影响，而是几乎所有行业都会经历重新洗牌。
世界经济论坛《2025年未来就业报告》预测：至2030年，全球22%的就业机会面临变革。这个数字包含两个方向的变化——预计新增岗位1.7亿个，同时约9200万个岗位可能被替代。净效应是正的，但分布极不均匀。有些行业、有些地区、有些人群会受益，另一些则会承受冲击。
理解这个分化框架，你就能更理性地评估自己的位置：我处于分化的哪个阶段？还有多少时间窗口？应该优先做什么？
二、职业层面：能力价值的重新定价
正在贬值的
2024年，Anthropic公司对内部工程师做了一项调研。虽然样本有限，但这群人站在AI最前沿——他们每天开发和使用最先进的大语言模型，对AI的能力边界有第一手理解。他们的观察有参考价值。
初步发现令人深思。
超过50%的受访者表示，他们只能将0-20%的工作完全委托给AI。即使对AI最熟练的人，大部分工作仍需人类深度参与。AI不是一个把任务扔过去就不用管的黑盒子，而是需要持续引导、检查、修正的协作者。
真正引起我注意的，是关于技能萎缩的发现。
一位工程师写道：“我的手不再亲自敲下那些曾经烂熟于心的代码。“这不是抱怨AI抢了工作，而是描述一种更微妙的变化——当AI承担越来越多执行层工作，人的某些能力开始退化。就像长期依赖计算器的人可能忘记如何心算，长期依赖AI写代码的人，可能逐渐失去独立编程的能力。
这种现象不只发生在编程领域。
在翻译行业，类似现象也在出现。很多译者现在处理日常翻译的方式是让AI先翻一遍，然后自己校对润色。效率提高很多。但不少人也注意到，自己独立翻译的能力在下降。有人这样描述：“以前脑子里会自动蹦出各种译法，现在看到原文，第一反应是想看看AI会怎么翻。”
这些变化不是被取代，而是价值压缩。
理解两者的区别很重要。被取代意味着某种工作完全消失，人被机器顶替。价值压缩是更复杂的过程：工作还在，但其中由人来做的部分变少了，或者说，愿意为此付费的价格降低了。
正在经历价值压缩的能力，大致可归为一类：执行性认知劳动。
什么是执行性认知劳动？那些需要脑力、需要专业知识，但可按既定规则或模式完成的工作。初级数据分析、基础文案写作、标准化设计、常规编程、翻译——这些都属于执行性认知劳动。它们需要学习和训练，但一旦掌握基本方法，就可按部就班地完成。
AI擅长的正是这类工作。大语言模型本质上是超级模式匹配器，见过海量文本，学会了各种写作模式、分析框架、代码范式。对于有固定模式可循的任务，它做得又快又好。
这并不意味着从事这些工作的人会立刻失业。但他们需要认识到：自己正在做的事情，成本正在急剧下降。市场不会为一件成本很低的事情支付高价。
正在升值的
与此同时，另一类能力的价值正在上升。
一位不愿具名的架构师分享了他的经历。他在一家互联网公司工作，负责审查代码质量。有一天，一个年轻工程师提交了一份用AI生成的代码。代码逻辑清晰，注释完整，所有测试都通过了。从常规标准看，这是一份优秀的代码。
但这位架构师看着这段代码，总觉得哪里不对。
他花了两小时仔细检查，最终找到问题：AI在优化性能时，引入了一个隐蔽的数据泄露风险。这个风险不会在正常运行中暴露，所有测试也发现不了，但在特定条件下，用户的敏感信息可能被意外记录。
“干了十五年，有些东西就是闻得出来。“他说。
这种闻得出来的能力，正在升值。
若把人的能力分成两类——做事的能力和判断事情的能力——AI正在压缩前者的价值，同时提升后者的重要性。
概括起来，正在升值的能力是三种判断力。
第一种是路径判断——选哪条路。当AI可以执行大部分方案，在多个可行方案中选择哪个、为什么选这个而非那个，就变得格外重要。培养路径判断，靠的是决策-结果-反思的循环：做判断前先记下理由，事后对照结果检验，在反复校准中积累经验。
第二种是质量判断——好不好。AI可以快速生成大量内容，鉴别好坏的能力就变得稀缺。什么是好的代码、好的设计、好的策略？能做出可靠质量判断的人，价值在上升。这种能力不是读来的，是在反复接触好与差的案例、刻意对比中磨出来的。
第三种是价值判断——值不值得。不只是识别问题或选择方案，而是判断什么值得做、什么应该放弃。投入这些资源值不值得？放弃这个机会会不会后悔？培养价值判断，靠的是不断追问为什么——不满足于表层的好坏对错，追问背后的意义和目的。
这三种判断力，以前常常被执行能力遮蔽。
设计师的价值，以前很大程度上体现在能用设计软件快速实现想法。程序员的价值，体现在高效写出可用代码。分析师的价值，体现在熟练处理数据和撰写报告。
执行能力是必要门槛，也是明显可见的技能，所以人们自然用它们来衡量一个人的专业水平。但当AI把这些执行门槛降低后，那些被遮蔽的能力——判断力、品味、眼光——开始浮出水面。
AI时代的能力竞争，不是看谁能做得更快更多，而是看谁能判断得更准更好。
更准确地说，这种分化发生在流程的两端。
AI可以在中间环节——生成方案、执行任务、产出内容——做得又快又好。但流程的起点（看到一个值得解决的问题）和终点（判断产出是否达标），仍然依赖人的能力。这两端的能力差异，正是分化真正发生的地方。
用阿里一位技术负责人的话说：“技术栈的壁垒在变薄，方法论的壁垒在变厚。“
正在变形的
还有一类变化更微妙：不是某种能力贬值或升值，而是工作本身的性质在变形。
Boris Cherny的案例很能说明问题。
Cherny是Anthropic公司Claude Code项目的创建者之一。他在接受采访时透露了自己工作方式的变化：现在他同时运行十几个AI实例，让它们并行处理不同任务。过去30天，他100%的代码都是由AI完成的——这里的”100%“指代码的初始生成，他仍然负责需求拆解、架构设计、代码审查和测试验证。
这不意味着Cherny变得不重要了。恰恰相反，他的角色发生了根本性变化：从写代码的人变成了拆解任务、分配给AI、验证输出的人。
传统软件开发团队的分工是：产品经理定义需求，架构师设计方案，程序员实现代码，测试人员验证质量。这个流程需要多个角色协作，每个角色负责一个环节。
在Cherny的工作方式中，这些角色被压缩了。他一个人承担需求拆解、任务分配、质量验证的工作，AI承担具体实现。传统团队需要五个人完成的事情，现在变成了一个人+若干个AI。
说白了，大量职业正在从做事变成管AI做事。
2025年，阿里内部做了一个引人注目的调整：不再按技术方向划分工程师岗位。
以前，程序员分前端工程师、后端工程师、数据工程师、运维工程师……各管一摊，按流水线分工。调整后，统一叫”Agent工程师”——从写代码转向协调写代码的AI，把精力集中在架构设计、系统规划和战略决策上。
一位参与调整的技术负责人解释：AI出现后，相当于给每个工程师配了一支”随叫随到的团队”。以前一个人只能做前端或后端，现在借助AI，一个人可以同时处理多个环节。既然AI能补足技术短板，按技术方向分工就失去了意义。
这不是阿里一家的选择。公司需要的人变了。
以前需要”精通某种技术的人”——你Vue写得好，你Java写得好，各有专长。现在需要”能把一件事从头到尾做出来的人”——从理解需求、设计方案、协调AI执行、到验收上线，能跑通整个闭环。
这位负责人总结了未来最稀缺的几种能力。首先是定义问题——把模糊的需求拆成可落地的任务，明确边界和验收标准。AI会写代码，但不会决定做什么、为什么做、做到什么程度。其次是系统性判断，在多种方案中做选择、做取舍。AI能给你十种方案，但选哪个、为什么选、有什么风险，需要人的判断和经验。还有跨领域整合，把产品、技术、数据、安全、成本揉在一起做出能运行的系统。AI抹平了具体实现的门槛，但需要有人站在更高视角把工作串起来。
管AI做事和传统的管人做事不一样。管人需要沟通、激励、协调的能力。管AI需要准确描述需求、判断输出质量、识别问题并修正。这是不同的技能集。
而且，管AI做事仍需对事的理解。你不可能管好一个你不懂的领域的AI。不理解代码，就没法判断AI生成的代码有没有问题。不理解设计，就没法判断AI生成的设计是否合适。
判断力培养的断层
这里有一个根本性挑战：判断力如何培养？
传统上，判断力是通过大量执行实践培养出来的。一个老医生的诊断能力，来自多年看病的积累。一个资深投资人的判断力，来自无数次投资决策的经验。一个优秀设计师的品味，来自海量作品的创作和鉴赏。
若执行层的工作被AI接管，这条培养路径就被打断了。
一个年轻医生，若从一开始就依赖AI分析检查结果、提出诊断建议，还能发展出独立诊断的能力吗？一个新入行的程序员，若从一开始就让AI写大部分代码，他还能形成对代码质量的敏锐判断吗？
这是一个真实的困境——AI时代的判断力培养路径尚未成型。社会正在探索新方法，但还没形成成熟体系。
传统师徒关系中，师父的能力传给徒弟本身就有大量损耗——那些无法言说的火候和直觉，只能在具象的相处中慢慢”传染”，而不是通过讲解直接”传递”。AI时代，如果连具象的实践都被跳过，这种损耗只会更严重。
目前可见的过渡期策略，借鉴了不同领域的成熟做法。
一种思路是刻意保留执行练习。即使有AI，也在关键领域坚持自己做一部分工作，保持手感。运动员不会因为有录像回放就停止训练——肌肉记忆需要持续练习维持。
另一种思路是教育重心从怎么做转向为什么这样做，强调原理而非步骤。医学教育中，理解病理机制比记住症状重要；同理，理解编程原理比记住语法更能支撑长期判断力。
还有一种思路是新型学徒制：在有经验者指导下，通过观察判断过程来学习，而非模仿执行动作。传统木工学徒看的是师傅如何判断木材、选择工具、把控节奏——看的是决策，不是操作。
这些策略不是完美解决方案。更根本的问题是：当这一代依赖AI成长起来的年轻人成为中坚力量时，如何保证判断力的传承？
这个问题的答案需要时间和实践来探索。但至少，认识到问题的存在，就能避免盲目依赖AI而让能力空心化。
三、组织层面：容器与内容的错配
组织形态的滞后
若参观一家1920年代的美国工厂，你会看到一个有趣现象：工厂已经用上电力，但车间布局却和蒸汽机时代几乎一样。
蒸汽机时代的工厂有一个典型特征：所有机器都围绕中央蒸汽机布置。动力来自中央蒸汽机，需要通过复杂的皮带和齿轮系统传递到各台机器，所以机器必须紧密排列在蒸汽机周围。
电力的出现改变了这一切——至少理论上如此。电动机可单独为每台机器供电，不需要中央传动系统。机器可按最优生产流程布置，而非按距离动力源的远近布置。
但实际情况是，很多工厂只是简单地用电动机替换蒸汽机，保留原来的布局。经济学家保罗·大卫研究这个现象，发现美国工厂平均花了30年才真正重新设计车间布局，充分利用电力的灵活性。
这种滞后有其原因。社会学的结构功能主义视角可帮我们理解。一个组织的层级结构、汇报关系、考核机制、行为规范——这些不是孤立存在的，它们相互依赖、相互强化。改变其中一部分，可能破坏整体平衡。所以系统倾向于抵抗变化，维持现状。
组织形态是围绕技术可能性和限制条件演化出来的。当技术变了，组织形态不会自动跟着变。人们的思维模式、管理方法、协作习惯，都是在旧技术环境中形成的，有巨大惯性。
AI时代的生产力特征
AI时代的生产力有一个显著特征：少数人加上AI，就可以完成过去需要大量人力的工作。
这个特征的影响是根本性的。
传统组织解决的问题是协调大量人力。这需要层级、汇报关系、标准化流程、绩效考核——整套管理体系都是围绕这个问题设计的。但当大量人力不再必要，这些设计的基础就动摇了。
DeepSeek的例子很能说明这种变化。
DeepSeek是一家在2024年引起广泛关注的中国AI公司。它在技术能力上与国际顶尖水平竞争，但只有150人。作为对比，OpenAI有数千名员工。
更引人注目的是组织形态：高度扁平，不预设分工。创始人梁文峰在访谈中说，DeepSeek采取”自下而上”的方式，让分工”自然形成”。没有预设项目组，没有明确汇报关系。人们根据需要自发组成临时小组，任务完成后小组解散。资源调配也无需审批——直接用就行。
当然，DeepSeek的成功有多方面因素，组织方式只是其中之一。但它的存在本身说明：在某些领域，少数人+AI的模式是可行的，而且可能比传统大团队模式更高效。
容器与内容的张力
这就产生了一个张力：工具变了，但容器没变。
AI时代的内容——也就是实际的工作方式——正在快速变化。越来越多的工作可由少数人+AI来完成。工作核心从执行标准化任务转向做出判断和决策。
但容器——也就是组织形态——还是老样子。大多数公司仍采用层级结构、部门分工、以工时为基础的考核。这些机制是为协调大量人力而设计的，与新的生产力特征存在错配。
这种错配导致一系列问题：资源配置的低效、人才激励的错位、决策速度的拖延、创新的抑制。
一些变化已经开始出现。去中间层的趋势在很多公司蔓延——当AI承担越来越多执行工作，上传下达的中间层价值在下降。项目制和小团队更加流行。远程工作常态化。创作者经济和自由职业兴起——越来越多人选择独立工作，AI降低了独立工作的门槛。
这些变化还是初步的、碎片的。传统行业、大型组织的变化会慢得多。但方向是清楚的：围绕协调大量人力设计的组织形态，正在面对一个不再需要那么多人力协调的时代。
管理者思维的下沉
组织形态的变化之下，还有一个更深层的趋势：管理者思维正在向每个人下沉。
德鲁克的预言
这个变化其实早有预兆。1959年，管理学家彼得·德鲁克提出知识工作者概念。他观察到一个趋势：越来越多的工作不是生产有形产品，而是处理信息、解决问题、创造知识。
德鲁克认为，管理知识工作者与管理体力劳动者有本质不同。体力劳动者的产出是可见的、可量化的——今天搬了多少砖、做了多少零件。知识工作者的产出往往是无形的、难以量化的——一个好决策值多少钱？一个好设计值多少钱？
更重要的是，德鲁克指出，知识工作者必须自我管理。
体力劳动可以被监督——你在不在干活，一眼看得出来。但知识劳动无法被监督——坐在电脑前发呆和深度思考，从外表看不出区别。知识工作者必须自己决定做什么、怎么做、做到什么程度。
德鲁克说：“对知识工作者来说，首要任务是定义’什么是应该做的工作’。这不能由他人替他决定。”
这个认识在1959年是超前的。当时大多数工作者还是流水线上的工人，服从指令、完成任务是主流。但德鲁克看到了未来方向。
六十多年后的今天，AI把这个趋势推到新高度。不仅是”知识工作者”需要自我管理，几乎所有工作者都需要了。AI成了每个人可以调用的”执行力”。如何调用AI、让AI做什么、判断AI做得好不好，必须你自己决定。
德鲁克的知识工作者概念，可以说是定义者的前身。只不过在德鲁克的时代，定义和执行往往由同一人完成。AI时代，执行可以交给AI，定义的重要性更加凸显了。
以前，管理是少数人的工作
传统组织里，管理是一种专门的角色。
普通员工负责执行——按要求完成具体任务。 管理者负责管理——分配任务、监督进度、评估质量、协调资源。
这种分工的逻辑是：管理需要特定能力和视角，不是所有人都具备。而且管理本身有成本——开会、汇报、协调——如果每个人都在管理，实际干活的人就少了。
管理被集中在少数人身上。大多数人不需要管理思维，只需做好自己的执行工作。
现在，每个人都需要学会管AI做事
AI改变了这个格局。
当AI成为你的执行助手，你自动进入了一个管理者位置——需要管理AI。
管AI做事，拆开来看，无非几件事。你得把模糊目标变成清晰的任务描述——AI不能处理模糊，你得告诉它具体做什么。你得决定哪些事让AI做、哪些自己做，这需要判断任务性质和AI的能力边界。AI完成后你得检查和评估，做得好不好、有没有问题、需不需要修改。如果第一次不满意，还要给AI反馈、调整指令、引导它做得更好。
定义任务、分配执行、判断质量、迭代改进——这些正是传统管理者做的事。只不过以前管的是人，现在管的是AI。
一人公司的CEO
这个变化可以用一个比喻来理解：每个人都成了一人公司的CEO。
想象你开了一家公司，只有你一个人类员工。但你有一群AI助手，帮你做各种事：写东西、做分析、处理数据、回复邮件……
这个模式其实早有理论预见。
1992年，钱学森提出了”综合集成研讨厅”的构想——把专家群体、知识系统、计算机系统结合起来，解决复杂问题。
他描述的工作方式是：
专家提出假设，计算机检索信息、运行模型；计算结果返回给专家，激发新的思考；如此反复迭代，逐步逼近解决方案。
他预见到”这种交互作用的出现可以很快，所以电子计算机要高速、并联工作”。
三十多年后，这个构想已经成为现实。今天我们与AI的协作方式，正是钱学森预见的模式：人负责提问、设计、判断；机器负责存储、计算、呈现；两者结合，反复迭代。
不同的是，钱学森时代的计算机只能做数值计算，今天的大模型能够理解和生成自然语言。但核心逻辑没有变：人机各有所长，综合集成才能发挥最大效能。
钱学森特别强调：“研讨厅的核心还是人。“再先进的技术系统，如果没有高水平的专家来提出正确的问题、做出正确的判断，也发挥不出应有的作用。
这与我们在本书中反复强调的一致：AI时代，人的价值在于”定义”。你就是你这家”一人公司”的首席定义官。
前文提到的阿里技术负责人还提醒了一个风险：岗位合并后，可能变成”一个人干三个人的活”。AI提高效率，但管理者可能产生错觉，以为工程不再需要时间和质量保障。未来厉害的工程师要更会说”不”——会给边界、谈成本、讲风险，避免被”看似无限的产能”拖垮。
这个风险对所有”一人公司”都适用：AI放大了你的能力，但也放大了对你判断力的要求。你必须自己定义边界，而不是被无限膨胀的可能性淹没。
作为这家公司的CEO，你得决定方向——做什么业务、服务什么客户、创造什么价值。你得分配工作——哪些事让AI做，哪些自己做。你得把关质量——AI做出来的东西能不能用、要不要修改。最终产出好不好，客户满不满意，都是你的责任。这些正是CEO的工作，区别只是你管的不是人类员工，而是AI助手。
这个比喻有助于理解AI时代的能力要求。你不再只是执行者，同时也是管理者——管理你自己和你的AI助手，共同完成目标。
但同样是一人公司CEO，经营水平天差地别。观察实际的AI使用者，能看到明显的层级差异。
最初级的用法是把AI当聊天对象或升级版搜索引擎。这两类使用者的共同特点是被动接受AI的输出，不追问、不迭代、不深入。能力乘数约等于1（估算值），有时甚至低于1——花了时间却没产出有价值的东西。
往上一层，有些人能给出清晰指令，让AI完成写邮件、整理资料、翻译文档等具体任务。他们知道AI能做什么，会分配工作，能力乘数提升到2-5倍（估算值）。
真正拉开差距的是更高层级。有人把AI当思考伙伴，不只让它执行，还和它讨论、迭代、共同完善，能判断输出质量、给有效反馈、多轮对话逐步逼近想要的结果，能力乘数可达10-50倍（估算值）。更进一步的人能设计工作流程，把多个AI能力串联起来，构建持续产出价值的系统。一次投入，长期收益，能力乘数50-100倍甚至更高（估算值）。
同一款AI，底层用户和顶层用户创造的价值可能相差100倍。差距不在工具，在人。
这个分层不是天生的。一个人可以从闲聊型开始，逐步发展到系统构建型。但跨越层级需要有意识地提升定义能力。越往上走，越是定义者；越往下，越只是使用者。
不是管人那种管理
需要澄清，管AI和管人不同。
管人需要的能力包括：沟通、激励、冲突处理、团队建设、政治敏感度……都涉及人际关系的复杂性。
管AI不需要这些。AI不需要激励，不需要沟通情感，不会有办公室政治。
管AI需要另一套能力：清晰表达需求、准确描述问题、敏锐判断输出、有效迭代改进。这更像是思维清晰度和判断力的组合。
管理者思维的下沉不是说每个人都要学管理学教的那些东西，而是说每个人都需要从只负责执行的心态，转变为既执行也管理的心态。
四、个人层面：三个隐蔽的危机
对普通个人来说，AI带来的变化不只是工作方式的调整这么简单。有一些更深层、更隐蔽的影响，值得提前了解和应对。
技能萎缩
前面提到Anthropic的调研，工程师们反映自己的编程能力在退化。这个现象值得进一步分析。
技能需要持续练习来维持。一个很少写字的人，写字会退步。一个很少开车的人，车技会生疏。
问题在于，AI正在系统性地减少我们练习某些技能的机会。
当AI可帮你写代码，你自己写代码的次数就会减少。当AI可帮你翻译，你自己翻译的次数就会减少。每一次这样的帮助，都是一次练习机会的丧失。
很多更重要的事建立在基础技能之上。架构师的判断力，建立在多年写代码的经验之上。若基础技能萎缩，上层能力的根基就不稳了。
更麻烦的是，技能萎缩可能是不可逆的。尤其对于那些进入AI时代时已相对资深的人，他们积累的技能可能是最宝贵的资产。一旦萎缩，可能很难恢复。
还有一个更微妙的问题：你可能意识不到自己的技能在萎缩。这种退化是渐进的、无痛的。每一天你都能完成工作，甚至比以前完成得更快。直到某一天，当你需要独立完成某件事时，你才会发现问题。
监督悖论
以前的工具——从蒸汽机到计算机——都是忠实执行者。你给它指令，它执行指令。你不需要特别的技能来判断它的执行是否正确——只要看结果符不符合预期就行了。
AI不一样。AI的输出是有模有样的——它会写出看起来很合理的代码、很通顺的文章、很有说服力的分析。但这些输出可能是错的。
判断AI的输出是否正确，需要你具备相应领域的专业能力。懂代码才能判断AI生成的代码有没有问题。懂业务才能判断AI的分析是否靠谱。
这就产生了一个悖论：你需要技能来监督AI，但使用AI恰恰在让你失去技能。
越依赖AI，技能萎缩越厉害；技能萎缩越厉害，越难判断AI的输出；越难判断，就越容易全盘接受，从而更依赖AI。这是一个自我强化的循环。
应对策略包括保持练习、分层监督、建立流程+检查清单体系等。但无论哪种思路，都需要相当的自律。监督悖论是AI时代的一个结构性问题，没有完美答案。
附带学习的消失
附带学习是在完成某个任务的过程中顺便学到的东西。
程序员调试bug的过程中，会顺便理解代码库的结构、学习新的编程技巧、发现系统的隐藏问题。翻译在翻译一篇文章的过程中，会顺便学习新词汇、了解陌生领域。
附带学习是一种极重要的学习方式。很多真正的成长，不是来自专门的学习，而是来自工作中的附带学习。
AI正在减少附带学习的机会。
Anthropic调研中的一位工程师说得很形象：“以前调试问题时会顺便学到很多，现在Claude直接带你到问题面前。”
AI的效率优势，部分来自于它跳过过程直达结果的能力。它不让你走弯路，不让你在岔路上探索，不让你在错误中学习。它直接给你答案。
这当然提高了效率。但代价是，你失去了在过程中学习的机会。
长期来看，附带学习的消失可能导致一种空心化——人们能借助AI完成越来越多的任务，但对这些任务的真正理解却越来越浅。他们成为高效的任务完成者，但不是真正的领域专家。
这三个危机——技能萎缩、监督悖论、附带学习的消失——相互关联，相互强化。它们构成了AI时代个人层面的核心挑战：如何在享受AI效率红利的同时，保持和发展自己的核心能力？
五、中国语境：前车之鉴
讨论AI带来的变化，不能脱离具体的历史和社会语境。中国过去几十年的发展历程中，有一些经历值得参考。
珠算的消失
1980年代的财务科，几乎每张桌子上都有一把算盘。“铁算盘”是一个时代的职业赞誉。90年代末计算器和电脑普及后，十年左右，算盘从办公桌上消失了，珠算从必修课变成了非物质文化遗产。
那些”铁算盘”们怎么样了？很多人成功转型。他们的核心竞争力其实不只是会打算盘，而是对数字敏感、做事仔细、有财务思维——这些能力可迁移到电脑时代。
这个案例的启示：特定技能确实可以价值归零，但技能背后的能力和思维方式可能是可迁移的。转型的难易，取决于你有多少能力是依附于特定工具的。
东北下岗潮
1995年到2002年，大约3000万国有企业职工下岗。沈阳铁西区工人村是那个时代的缩影——数万名技术骨干，很多人在车床前站了一辈子，突然被告知工厂关门、技术没人要了。
这次技能贬值源于市场经济转型和全球化竞争，但本质与AI冲击类似：某些人积累的技能，因为时代变化，价值大幅缩水。
这段历史的启示：大规模技能贬值是可能发生的，过渡期的痛苦是真实的，但社会整体能够适应。转型能力与年龄、教育、社会资源、地理位置都有关——不是所有人都有平等的转型机会。
教培行业的”双减”
2021年”双减”政策落地，影响超过1000万从业者。教培的变化是政策驱动而非技术驱动，但它说明了一个普遍道理：技能贬值可来自技术、政策或市场的任何变化。即使你的技能本身还是好的，若市场需求消失了，价值也会下降。
这个案例的启示：关注技能的可迁移性。教学能力、沟通能力、内容制作能力是可迁移的，但迁移需要主动努力，需要找到新场景来应用这些能力。
这些历史告诉我们什么
三个案例指向同一个事实：技能贬值是真实的，过渡期是痛苦的，但社会整体能够适应。能不能转型，很大程度取决于你的核心能力是否可迁移。
AI时代的不同在于规模和速度。AI影响的职业范围比以前的技术变革更广——几乎涉及所有认知工作。变化速度可能更快——以年计而非以十年计。这意味着过渡期的挑战可能更大，留给调整的时间窗口可能更短。
讲述这些历史不是为了制造焦虑，而是为了正视现实。只有正视现实，才能做出明智的选择。
六、AI+场景：一种可能的应对方案
前面我们看到了AI大模型带来的分化效应：同样一个工具，有人用来闲聊，有人用来构建工作流，价值差距可达百倍。这种分化是AI大模型的内生特性——它把价值创造的主动权交给了用户，能定义的人获得巨大杠杆，不能定义的人只能在原地踏步。
社会层面该如何应对？放任继续，会加剧不平等；把AI降级成固定功能的产品，又牺牲掉它对人类能力的放大。
一种可能的中间路线正在出现。2024年，“人工智能+“行动首次被写入《政府工作报告》。这不是一份技术文件，而是一份社会治理文件——它试图回答的问题是：如何让AI的红利惠及更多人？
AI+场景的设计需要解决一个核心矛盾：既不能让用户完全无感（那样用户感知不到价值，也无法成长），也不能门槛太高（那样大部分人用不上）。解法是分层设计：让所有人都能在基础层受益，同时为愿意学习的人保留向上的通道。
这个框架可概括为三层。第一层”自动干”：AI在后台自动工作，用户什么都不用做，确保每个人都能享受基础便利。第二层”问它答”：用户可以和AI对话，像跟一个懂行的朋友聊天，门槛低但会提问的人能获得更多价值。第三层”教它干”：用户可以教AI一套方法，让AI按规则反复执行，需要专业知识但回报最大。
以AI+政务开公司为例：自动干层，系统后台自动查重名、纠错、校验格式，所有人都受益；问它答层，用户说”我想开个奶茶店”，AI追问几个关键问题然后自动推荐方案、帮填表格；教它干层，代办机构设定规则让AI自动处理，效率提升十倍。没有人被落下，但愿意走得更远的人可以走得更远。
这就是AI+场景设计的核心逻辑：不是消灭分化，而是在保底普惠的基础上，让分化变成一种可选择的、可成长的路径。定义者时代的分化是真实的，但并非不可应对——至少这是一个可能的方向。
变化的不均匀性
回到本章开头吉布森的那句话：未来已经到来，只是分布不均。
这句话提供了一个有用的思考框架。
若你所在领域还没有感受到AI的影响，这不意味着影响不会到来。它可能只是还没有传导到你这里。观察那些已经走在前面的领域，可帮你预判自己可能面临的变化。
若你已经在经历AI带来的变化，你的经历可能预示着其他领域即将发生的事情。你既是变化的亲历者，也是变化的先行者。
无论属于哪种情况，道理相通：不要因为眼前安稳就假设永远安稳，对变化的信号保持警觉。把精力更多投在不会过时的核心能力上——判断力、学习能力、适应能力——而非某种特定技能。给自己留余地，不要把所有赌注押在一个领域、一种技能、一个雇主上。
变化正在发生。下一章，我们来看应对变化需要什么样的能力结构——从定义者的完整能力框架说起。
回头看，这一章勾勒了一幅分化的图景。技术变革带来的社会分化有规律可循——适配速度分化、能力结构分化、结构固化——AI时代这个过程可能更快也更广。在个人层面，技能萎缩、监督悖论、附带学习消失这三个隐蔽危机相互交织。应对的核心在于三种判断力：路径判断、质量判断、价值判断。而在社会层面，“自动干、问它答、教它干”的三层设计，提供了一种在保障普惠的同时释放定义者价值的可能路径。
章节讨论
所有留言经 Agent 审核后显示