第五章：价值锚点的转移
第四章概述了定义者的能力框架：想象力帮你看到方向（0→1），AI帮你发散生成（1→100），定义力帮你选择落地（100→落地），专注力贯穿全程。
本章详细展开定义力——为什么人的价值正在向定义能力转移？定义能力具体包含什么？
先澄清一个可能的困惑。
AI能参与任务定义——把模糊目标拆解成具体步骤、规划执行路径、生成多个方案选项。这是AI能力的真实体现。
但本章讨论的定义能力是更高层次的东西。区别在于：
AI参与的是操作层面的定义——如何做的问题。你给它一个目标，它帮你拆解成任务；你给它一个任务，它帮你规划成步骤。目标是你给的，AI只是在操作层面帮你细化。
人独有的是价值层面的定义——做什么和为什么做的问题。该追求什么目标？什么算成功？在众多可能性中选择哪一个？这些决定涉及价值判断，AI给不了答案。
本章讨论的，正是这个层次的定义能力。
一个根本性的问题
AI时代，人的价值在哪里？
这不是抽象的哲学问题，而是直接关系到每个人生存和发展的实际问题。
AI可以写代码，程序员的价值在哪里？AI可以写文章，分析数据，做设计——当这些执行能力不再稀缺，人的价值究竟在哪里？
这个问题令人焦虑，因为我们习惯了一种特定的价值逻辑：我的价值=我能做什么别人做不了的事。
这套逻辑以前很管用。你会做某件事，别人不会，所以有人愿意付钱让你做。做得越好、越稀缺，价值就越高。
但当AI可以做越来越多的事，这套逻辑遇到了挑战。你会做的事，AI可能也会做，而且更快更便宜。你的稀缺性受到侵蚀。
我们需要重新思考：AI时代，人的价值应该锚定在哪里？
本章的论点是：人的价值正在从执行者转向定义者。不是能做什么，而是知道该做什么。不是执行能力，而是定义能力。
一、旧的价值逻辑
讨论新逻辑之前，先回顾旧逻辑。
传统职业市场的价值建立在一个简单前提上：技能的稀缺性决定议价能力。医生收入高，因为培养周期长、选拔严格、能胜任的人不多。律师、优秀程序员的道理相同。反过来，技能门槛低的工作收入也低——供给充足，价格上不去。价格由供需决定，这是朴素的经济学。
在这套逻辑下，“会做”是核心竞争力。律师靠起草合同、打官司立身，设计师凭好看好用的作品说话，程序员靠写出可用代码吃饭。会做是一切的基础——先会做，才谈得上做得好、做得快、有创意。
整个社会体系围绕”会做”运转。学校教你技能，职业认证检验你是否真的会做，工作经验让你做得更熟练。传统的职业发展建议也是如此：找到需要长期学习、难以复制、市场有需求的技能，投入时间成为专家。
二、新的价值逻辑
AI时代，旧的价值逻辑不是失效了，但需要根本性调整。
当做可以被工具化
旧逻辑的前提是：做是稀缺的。
你会做某件事，这本身就是稀缺资源。因为学会做某件事需要时间、天赋、机会，不是所有人都具备。
AI改变了这个前提。
AI可以写代码，会写代码就不再那么稀缺——不是说写代码不重要，而是这件事本身的稀缺性下降了。写文章、做数据分析，道理相同。任何人只要有AI，就可以生成看起来不错的代码、文章、分析报告。
做正在被工具化。就像计算器把计算工具化了一样，AI把很多认知任务工具化了。
这不意味着做不重要了。恰恰相反，做仍然重要——事情总得有人（或AI）做。但做不再是稀缺的、不可替代的。它变成了一种可以用工具解决的事。
定义成了稀缺资源
当做不再稀缺，定义变得稀缺了。
定义是决定做什么。是在众多可能性中选择。是把模糊需求变成清晰任务。是判断什么重要、什么不重要。是设定标准，决定什么算好。
AI可以帮你做很多事，但不能帮你决定应该做什么。
让AI写一篇文章，它可以写。但写什么主题、面向谁、想达到什么目的——你得告诉它。
让AI写一段代码，它可以写。但解决什么问题、用什么架构、达到什么性能指标——你得定义。
让AI做一个分析，它可以做。但分析什么数据、用什么方法、得出什么样的结论算有价值——你得决定。
AI是强大的执行者，但它需要人来告诉它执行什么。能告诉它的人，价值就在这里。
价值转移到哪里
具体来说，价值正在向四个层次转移：定义问题、定义方案、定义标准、定义方向。这四个层次构成了定义能力的完整框架，也是本书核心概念”定义者”的具体内涵。
这是按”从基础到进阶”的逻辑排序：先学会定义清楚一个问题，再学会定义解决方案，然后是质量标准，最后是方向选择。
这四个层次与第三章讨论的判断力有什么关系？简单说，判断力是支撑定义能力的底层能力。问题敏感度帮你识别真问题，路径判断帮你选方案，质量判断帮你定标准，价值判断帮你把方向。两套框架互相配合——判断力是”看”的能力，定义能力是”做决定”的能力。
下面逐层展开。
第一层：定义问题——把模糊想法变成清晰问题
传统时代需求可以模糊，产品是标准化的，用户迁就产品。AI时代正好相反：AI可以实现任何你定义的东西，问题变成了你能不能定义清楚你要什么。
这是一个反直觉的变化。按理说，工具越强大，使用应该越简单。但AI大模型不是这样。它的能力边界极其模糊——几乎什么都能做一点，但做到什么程度取决于你怎么问。你给它差不多的需求，它还你差很多的结果。
一个例子：让AI”写一篇关于人工智能的文章”，它会给你一篇泛泛而谈的科普文。但若你说”写一篇给中小企业主看的文章，解释他们为什么应该现在开始尝试AI，而不是等技术更成熟，控制在1500字，语气要务实不要煽情”——结果完全不同。
差别在哪？后者定义了：给谁看（中小企业主）、解决什么问题（消除等待心态）、什么约束（1500字、务实语气）。这些定义把一个模糊任务变成了清晰需求。
定义问题，最核心的是识别真正的问题。人们表达的需求往往不是真正的问题。福特那个著名的故事说得好：客户说”我要一匹更快的马”，真正问题是如何更快到达目的地。照着”更快的马”去做，最多培育出一匹好马；看穿表面需求，你造出了汽车。
能透过表面看到深层问题，是定义能力的基础。它还要求你把模糊的隐性知识变成清晰的显性描述：要解决谁的问题？在什么场景下？什么算成功？同时为问题设定合理边界——这次解决什么、不解决什么——避免问题无限膨胀变成空想。
AI很擅长解决你定义好的问题，但它不擅长帮你发现问题。你问它一个问题，它给你答案。但它不会主动说：“你问错问题了，真正需要解决的其实是这个。“定义问题是人的工作，也是价值创造的起点。
第二层：定义方案——把问题翻译成解决路径
问题定义清楚之后，需要设计解决方案。
同样一个问题，可以有很多解决路径。同样的”提高客户响应效率”，可以用AI自动回复，可以用AI辅助人工回复，可以用AI分类优先级让人工聚焦重点。问题是一样的，方案完全不同。
差别在于：谁定义了更合适的方案。
定义方案，关键在于把场景想具体。“用AI提高客户响应效率”是模糊的愿望，不是方案。“客户咨询后30秒内由AI生成初步回复建议，人工审核后发送”——这才是方案。场景越具体，方案越可执行。
场景清楚了，流程自然跟着来：怎么触发、需要什么输入、产出是什么、谁来验收。这些细节决定方案能不能真正跑起来。好的方案还要诚实地承认局限——适用什么情况、不适用什么情况、出问题怎么办。同时设计验证机制，确保方案真的在解决问题，而不是自我感觉良好。
这些都不是技术问题，是方案定义问题。技术人员可以告诉你AI能做什么，但”用这个能力设计什么方案”需要另一种能力——理解场景、理解约束、理解价值创造的逻辑。
定义方案的本质是翻译：把问题翻译成行动，把能力翻译成价值，把可能性翻译成具体路径。这种翻译能力，在AI时代变得尤为稀缺。
第三层：定义标准——判断什么是好、什么是完成
在详细讨论定义标准之前，需要说明判断力与定义能力的关系。
可能有人会以为：判断力只出现在定义标准这一层。
其实不是。判断力贯穿定义能力的每个层次——识别真问题、选择合适方案、衡量质量优劣、决定取舍方向，都离不开判断。定义标准这一层之所以值得单独展开，是因为它最集中地体现了质量判断的作用。
AI可以无限生成。让它写十个版本的文章，可以。让它提出二十个设计方案，可以。让它给出五种解决思路，可以。让它继续优化、继续迭代、继续改进，它可以一直做下去。
AI可以无限生成……但哪个版本最好？哪个方案最合适？什么时候停下来说够了？
第一章提到，AI能做技术性判断——发现逻辑漏洞、指出格式问题、检查语法错误。但它不擅长价值性判断——判定好坏、做出取舍、权衡得失。
AI没有够了的概念。它可以指出一篇文章的逻辑漏洞，但不能判断这篇文章好不好。它可以检查一个设计方案的技术问题，但不能判断这个方案适不适合。它可以无限优化，但不知道什么时候足够好。
好、适合、够了——这些价值性判断，AI给不了答案。
定义标准，最核心的是质量判断：什么样的输出算合格？一篇文章好不好、一个设计方案优不优、一段代码质量如何——这些判断需要经验、品味和对领域的深入理解。AI可以生成，但判断好坏是人的工作。
与质量判断紧密相关的是完成判断：做到什么程度算完成？完美主义是效率的大敌。敢于在恰当的时候说”就这样”，需要权衡投入产出、理解实际约束。
现实中还常遇到目标冲突——要快还是要好、要全面还是要深入——必须做出优先级取舍。而在更深层次，哪些事能做、哪些事不该做、底线在哪，这些伦理判断没有标准答案，只能靠人来把握。
定义标准的能力，本质上是判断力——更准确地说，是一种”丢得准”的能力：从无数维度中识别出最关键的那几个，把次要的果断丢掉，只留下那把钥匙。它来自经验积累、来自领域知识、来自对好的品味、来自价值观的清晰。这些不是AI能替代的，也不是短期能培养的。
判断力有不同类型。质量判断问”这个好不好”——判断一篇文章、一个设计的水平，主要靠品味，即对好坏的直觉敏感。路径判断问”选哪条路”——在多个可行方案中选择最合适的，需要权衡风险、收益、时机。价值判断问”这个值不值得”——判断一件事是否值得投入，需要清晰的价值观。
三种判断力培养方式不同：质量判断靠大量接触后涌现；路径判断靠决策-结果-反思的循环；价值判断靠不断追问为什么。共同点是：都需要时间，都不能只靠读书，都要在实践中校准。
这个判断力分类与钱学森的”大成智慧”概念不谋而合。
钱学森把人的智慧分为”量智”和”性智”两种：
| 智慧类型 | 内涵 | 依靠什么 | AI能力 |
|---|---|---|---|
| 量智 | 科学技术方面的智慧 | 逻辑思维，可量化 | ✅ 擅长 |
| 性智 | 判断价值、把握方向的智慧 | 直觉、审美、情感 | ❌ 做不好 |
这个分类与本章讨论的AI判断能力边界高度吻合：
- 技术性判断（语法对不对、逻辑通不通）→ 量智 → AI能做
- 价值性判断（有没有品味、适不适合、值不值得）→ 性智 → 人来做
钱学森说：“只有量智没有性智，是书呆子；只有性智没有量智，难以解决实际问题。真正的大智慧必须是两者的结合。”
AI是”量智”的极致放大器——它能处理的数据量、计算速度、模式识别能力远超人类。但”性智”仍然是人的领地——什么是好的、什么是值得的、什么是美的，这些判断需要的不是计算能力，而是人的价值观和审美。
AI时代的人，需要的正是这种钱学森所说的”大成智慧”——用AI放大你的量智，同时保持和发展你的性智。定义标准的能力，本质上就是性智的体现。性智的最高状态是内化为本能：张三丰教张无忌太极剑，问他记住多少，张无忌说全忘了，张三丰说”好，你可以上了”。忘了招式，才能随心所用——知识内化到不需要想的程度，判断就成了直觉。
第四层：定义方向——决定做什么、不做什么
前三个层次都在”做事”的范畴。定义方向是更高一层：决定做什么事、不做什么事。
资源总是有限的。时间有限，精力有限，注意力有限，金钱有限。你不可能做所有可以做的事，必须选择。AI让”做事”变得更容易，但同时也让”可以做的事”变得更多。选择的压力不是减小了，而是增大了。
定义方向，最难的部分不是决定做什么，而是决定不做什么。说做什么相对容易——每一个机会都很诱人，每一个可能性似乎都值得尝试。但精力是有限的，什么都想做的结果往往是什么都做不好。定义边界、敢于放弃，是方向选择的核心。目标、节奏、资源配置都围绕这个核心展开：要成为什么样的公司或什么样的人，AI帮不了你决定；方向正确但节奏错了照样失败，该快该慢需要对时机的敏感；而资源放在哪里才是真正的优先级——嘴上说什么重要不算数。
AI可以帮你把每件事都做得更快，但不能帮你决定该做哪件事。若你选择做错误的事，AI只是让你更快地做错事。方向错误，执行再完美也是南辕北辙。
定义方向是最高层次的定义能力，也是最难培养的。它需要全局视野、需要系统思维、需要对所处领域的深入理解、需要对自己的清醒认知。这不是读几本书、上几门课就能获得的，需要在实践中持续积累。
四个层次的递进关系
这四个层次不是并列的，而是递进的：
问题 → 方案 → 标准 → 方向
每个层次都建立在前一个层次的基础上。你必须先能定义清楚问题，才能设计方案；必须先有方案，才能设定标准；必须先理解标准，才能做出方向选择。
同时，这也是一个从具体到抽象的递进：
- 定义问题最具体——面对的是一个具体的问题
- 定义方案稍抽象——需要考虑场景和约束
- 定义标准更抽象——涉及价值判断和品味
- 定义方向最抽象——涉及取舍和长期选择
培养定义能力的路径也遵循这个递进：
先学会定义清楚一个具体问题——这是基础功。很多人连这一步都做不好，给AI的指令模糊不清，然后抱怨AI不够智能。
再学会把问题翻译成方案——这需要理解场景、理解约束、理解价值创造。把想法变成可执行方案的能力，每个人都需要。
然后学会判断什么是好的标准——这需要领域积累和品味培养。看得多了、做得多了、比较得多了，慢慢知道什么是好、什么是不够好、什么是真正的好。
最后学会定义方向和边界——这是最高层次，需要全局视野和系统思维。不是每个人都需要做到这个层次，但理解这个层次存在，有助于理解自己的位置和成长方向。
培养定义能力有一个方法论框架可以借鉴：钱学森的”从定性到定量综合集成法”。
这个方法论的核心流程是：
翻译到定义能力的培养中：
定义问题时——先凭经验和直觉识别”这里可能有问题”（定性），然后用数据和调研验证这个判断（定量），反复迭代直到问题定义清晰。
定义方案时——先凭经验判断”这条路可能可行”（定性），然后用小规模测试或模拟验证（定量），根据结果调整方案。
定义标准时——先凭品味判断”这个不够好”（定性），然后尝试把这种判断转化为可衡量的指标（定量），在实践中校准标准。
定义方向时——先凭价值观判断”这个值得做”（定性），然后评估资源投入和预期回报（定量），在执行中验证方向是否正确。
关键洞见是：定性判断是真实的知识，不能因为无法量化就弃之不用。很多时候，最重要的判断恰恰是难以量化的——你知道这个设计不够好，但说不出精确的原因；你觉得这个方向有问题，但还没有数据证明。
定义能力的培养，正是在定性直觉和定量验证之间反复迭代，让直觉变得更准确，让判断有更坚实的基础。
重要的是：四个层次中，任何一个层次做好都是有价值的。 不是只有做到定义方向才是定义者。能把问题定义清楚的人，已经比大多数人强了；能把方案定义好的人，更是稀缺；能准确判断质量标准的人，是团队的核心。
打个比方：这四层像建筑的四层楼。理论上要先有一楼才有二楼。但你可以专注在某一层做出精品，不必非要盖到顶层。有人专门做定义问题——帮客户把模糊需求变成清晰任务，这本身就是一门生意。有人专门做定义标准——判断什么是好的设计、好的代码、好的文案，这也是独立的专业能力。
定义能力不是全有或全无，而是一个程度问题。从今天开始，在每个层次上有意识地练习，你的定义能力就在提升。
从执行者到定义者
把上面的分析概括起来：人的核心角色正在从执行者转向定义者。
有人用一个生动比喻描述这个转变：如果执行者是演奏乐器的人，定义者就是指挥交响乐的人。
演奏者需要精湛技艺演奏自己的部分。指挥者可能不会演奏每一种乐器，但他理解整体音乐、知道各部分如何配合、能判断什么时候该强什么时候该弱、什么地方需要调整。他的价值不在于亲自演奏，而在于让整个乐团达到最佳效果。
从执行者到定义者的转变，本质上是更人性化的工作方式的进化。把机械性工作委托给机器，人重新获得关注真正重要事物的时间：愿景、同理心、创造力、判断力。
这不是说执行能力变得不重要了。好的指挥也需要深厚音乐素养，需要理解每种乐器的特点，需要有实际演奏的经验。同样，好的定义者也需要对执行有足够理解——得懂代码才能定义好编程任务，得懂设计才能判断方案优劣。
这里需要区分两个概念：执行能力和执行经验。执行能力指的是做得快、做得准的能力——这部分正在被AI压缩。执行经验指的是通过执行而获得的对原理的深入理解——这部分仍然是判断力的基础。一个资深程序员的价值不在于他敲键盘比AI快，而在于他通过多年编程积累了对系统设计、边界情况、可维护性的深刻理解。这种理解才是定义能力的根基。
定义者与相近概念的区别
定义者容易和管理者、决策者、战略家混淆。管理者核心处理人的问题，决策者在已有选项中做选择，战略家关注长远全局。定义者与它们都有交集，但独特之处在于它不是一个职位，而是一种思维方式——往往在更早的阶段发挥作用：还没有选项时，界定什么问题需要解决；有了方案后，界定什么标准来衡量好坏。任何人在任何层级都可以成为定义者，尺度不同，思路相通。
如何实现这种转变
从执行者到定义者的转变，最有效的方式不是读书听课，而是观察和模仿。找到身边会定义问题的人——上级、客户、行业高手——看他们怎么思考、怎么判断、怎么取舍。
观察的关键是带着问题看：他看到了什么我没看到的？他凭什么判断这个问题值得解决？他的标准从何而来？带着这些疑问去观察，再在自己的工作中尝试应用，比读书有效得多。
三、木匠四象限
理论说了很多，如何落地？要重新锚定人的价值，首先要理解人和机器各自擅长什么、如何分工。我们用一个思想实验来说明。
想象一位木匠从手工时代走过来，后来购置了数控机床。他没有被动应对，而是发展出一套思维模型，我们称之为”木匠四象限”。这个模型讲的是人与数控机床的关系，但其中的道理完全适用于今天的人与AI——本质上，都是人如何与高生产力工具协作的问题。
一个木匠的数控机床使用方式
这位木匠师傅做了几十年木工活，手艺精湛。数控机床刚出现时，他没有排斥，而是认真琢磨怎么把这台机器纳入自己的工作。
他发现，与其把数控机床看成”会不会让我失业”的威胁，不如看成”如何定位我与它的关系”的问题。
他画了一个四象限图来思考：
| 他懂 | 他不懂 | |
|---|---|---|
| 机器懂 | 交给机器 | 向机器学习 |
| 机器不懂 | 人机协作 | 探索创新 |
横轴是”他（木匠师傅）懂不懂”，纵轴是”机器懂不懂”。四个象限分别对应不同的应对策略。
交给机器
向机器学习
人机协作
探索创新
第一象限：他懂，机器也懂——交给机器
这个象限的工作，他会做，机器也会做。
比如锯木头。他当然会锯，几十年手艺，锯得又直又准。但数控锯床也能锯，更快、更标准、更不累。
比如刨平面。他会刨，手感极好。但电刨子也能刨，效率高多了。
比如打孔开槽。他会打，位置精准。但数控机床更快，而且不会手抖。
对于这类工作，他的策略是：交给机器。
这不是偷懒，而是合理配置资源。这些工作他能做，但机器做得不差，而且更高效。与其花时间在这些事上，不如省出来做更有价值的事。
交给机器的前提是他懂。正因为懂，他才能判断机器做得对不对，才能在机器出问题时介入，才能设定正确参数。不懂的人把工作交给机器，可能连问题都发现不了。
第二象限：他不懂，机器懂——向机器学习
这个象限的工作，他不会做，但通过机器可以学会。
比如复杂的榫卯结构。传统榫卯种类繁多，他只掌握了常用的几种。数控机床配套的软件里有各种榫卯的参数模板——燕尾榫、指接榫、格角榫——他以前没做过的，现在可以先用机器切出来看效果，再琢磨其中的原理。
比如精密的曲线切割。手工时代，复杂曲线要靠多年经验慢慢磨。数控机床可以精确执行各种曲线，他通过观察机器的走刀路径，反过来理解了曲线设计的门道。
对于这类工作，他的策略是：向机器学习。
他不懂的，不意味着永远不懂。机器可以帮他快速接触新领域、学习新技法、拓展能力边界。学习效率比以前高多了。
第三象限：他懂，机器不懂——人机协作
这个象限的工作，他会做，但机器做不了或做不好。
比如判断一块木头适合做什么。一块木头有天然的纹理、硬度、含水量、缺陷。看一块木头，他能判断它适合做桌面还是椅腿，适合做雕刻还是平板。这种判断需要经验、需要手感、需要”木工的眼睛”。数控机床看不懂这些。
比如理解客户的真实需求。客户说”我想要一个简约风格的书架”，什么是”简约”？多简约算简约？客户真正在意的是美观还是收纳容量还是节省空间？这些需要沟通、观察、理解人心。机器做不到。
比如现场施工的随机应变。图纸上是一回事，现场是另一回事。墙不平、地不正、空间跟量的不一样——这些需要现场判断、灵活调整。机器给不出现场解决方案。
对于这类工作，他的策略是：人机协作。
他做判断、做决策、做需要人的部分；机器做切割、做打磨、做可以自动化的部分。两者配合，效率比单独任何一方都高。
第四象限：他不懂，机器也不懂——探索创新
这个象限的工作，他不会，机器也不会。这是未知的领域。
比如他尝试把木头和树脂结合。树脂可以填充木头的缝隙和空洞，创造出透明和实木结合的美感。但怎么结合才好看？什么样的木头配什么颜色的树脂？怎么处理接缝才自然？这些没有现成答案，他在摸索，数控机床的软件里也没有这种工艺的模板。
比如他在想，能不能做一个带隐藏抽屉的茶几？从外面看是普通桌面，按某个位置才弹出抽屉。这需要设计新的机械结构，他不太懂机械原理，机器也没有现成方案可以执行。
对于这类工作，他的策略是：探索创新。
这是他最兴奋的部分。“未知区域才是乐趣所在，“他说。在这个区域，他和机器都帮不上忙，只能靠自己摸索。
探索可能失败，可能浪费时间，可能走弯路。但也可能带来突破——发现新工艺、创造新产品、开辟新市场。
这个模型的价值
这位木匠师傅的四象限模型，有几个值得学习的地方。
它把焦点从会不会被取代转向如何定位关系。
数控机床刚进入木工行业时，很多老木匠的第一反应是焦虑：会不会让我失业？这个问题很难回答，也容易让人陷入无谓担忧。
四象限模型换了一种问法：我和这台机器的关系是什么？哪些事我该做，哪些事机器该做，哪些事我们配合做，哪些事需要探索？
这是更有建设性的问法。不是让你担心，而是让你思考和行动。
它强调了懂的重要性。
在四象限模型里，他懂是很多策略的前提。
交给机器的前提是他懂，所以能判断机器做得对不对。 人机协作要求他懂，所以能承担机器做不了的部分。 向机器学习需要他有基础，所以能理解和吸收新知识。
若他什么都不懂，这个模型就用不起来。得先有懂的基础，才能有效与机器协作。
它保留了人的价值和乐趣。
在这个模型里，人不是被动地等着被机器取代，而是主动地定义自己的角色。
探索创新象限特别重要。这是人独有的领域——不是因为机器做不到，而是因为这个领域的问题本身都还没被定义。探索者定义问题，然后才可能有答案。
木匠师傅说”未知区域才是乐趣所在”。这代表一种心态：不是把高生产力工具看成威胁，而是看成助力，同时保留自己独特的价值和追求。
它完全适用于AI时代。
木匠面对数控机床的处境，和我们今天面对AI的处境，本质上是一样的：一个高生产力工具出现了，它能做很多事，但不能做所有事；它可能取代一些工作，但也创造新的可能。
关键问题始终是同一个：你和这个工具的关系是什么？
把四象限模型里的”数控机床”换成”AI”，道理完全成立。下面的实操部分，我们就直接用AI来演示这个模型怎么用。
【实操】如何判断一个任务属于哪个象限
判断的核心逻辑很简单：先测AI能不能做，再评估你自己懂不懂。
测AI的方法最直接——把任务交给它，看结果。做得好算”机器懂”，做不好或胡说八道算”机器不懂”。评估自己也不复杂：如果AI给了结果，你能判断对错、指出问题，你就”懂”；看不出好坏，就”不懂”。这里的”懂”不是指会操作，是指有判断力。
两个维度交叉，象限自然浮现。拿写竞品分析报告来说：让AI写一份，发现框架尚可但数据有误，行业理解浮于表面——AI做不好。而你在这个行业干了五年，一眼就能看出分析哪里对、哪里偏——你懂。两项一交叉，落在人机协作象限。应对策略也就清晰了：你定框架、定重点，AI收集资料、整理初稿，最终判断和修改由你来。
这个过程不需要每次都这么刻意。用几次之后，你会形成直觉，一看任务就大概知道它在哪个象限。关键是开始时有意识地走一遍，建立判断标准。
四、专业技术之外的积累
讨论AI时代的价值，一个常见误解是：懂编程、懂算法的人更有优势。
毕竟AI是技术产物，懂技术的人应该更容易使用它、更容易在AI时代成功。这个推理听起来合理。
但实际情况更复杂。
单一路径的局限
深耕某个领域当然有价值，但任何单一路径都有局限。
最典型的是思维固化。长期在特定领域工作，容易形成固定的语言和解题套路。很多资深程序员最初对用自然语言与AI交互就很不适应，觉得太模糊、太不可控。这不是能力问题，是思维惯性。
与此相关的是过早聚焦方案：技术导向的人拿到问题就习惯马上找解法，容易忽视对问题本身的深入理解。而AI时代最稀缺的恰恰是定义问题的能力。
多元积累的价值
AI时代，编程能力变得越来越易得——AI本身就能帮你写代码。反而是其他类型的积累，变得更加稀缺。
每个行业都有在具体领域深耕多年才能获得的专业知识——医疗、法律、金融、教育、制造，各有门道。AI可以帮你更高效地应用这些知识，但替代不了知识本身。不懂医学的人让AI帮他诊断，结果可能是灾难性的。领域知识在AI时代不是贬值了，而是升值了。
与领域知识同样宝贵的是人生经历。不同的职业、角色、挑战，提供了对人性和社会的理解。AI最终服务于人，理解人的需求、恐惧、愿望和行为，是创造有价值产品的基础。
还有审美积累——什么是好的设计、好的文字、好的体验。这些判断需要长期的阅读、观察和比较。AI可以生成无数选项，但选出最好那个需要判断力。判断力来自积累，急不来。
跨领域视角的案例
Gamma是AI驱动的演示文稿工具，据CEO Grant Lee在2024年的公开访谈，年收入达数千万美元，用户超过5000万。Lee的背景颇杂：机械工程出身，做过投资银行，又转去创业公司做产品增长。他说自己的优势不是对AI技术的理解，而是跨领域的积累——机械工程给了系统思维，投行给了商业视角，产品增长给了用户视角。他发现演示文稿是普遍痛点，而PPT等工具几十年没有本质变化，AI可以从内容直接生成演示。这个洞察不需要深厚技术背景，需要的是对用户痛点的理解和对市场机会的嗅觉。Lee称之为”串联不同领域的知识验证想法”。
差异化来源
AI时代，差异化不在于你会不会用AI，而在于你有什么独特的东西可以通过AI放大。领域深耕、人生阅历、审美积累、人际资源——这些AI复制不了，短期也无法模仿。
其中值得单独说一下信任。咨询行业有个广为流传的公式：信任=（可信度+可靠度+亲近度）÷自我导向。AI可以做到可信度——给出正确信息，但它缺乏持续人格带来的可靠度，也缺乏真人之间的亲近感。人与人之间的信任是合作的前提、机会的来源，这一点AI替代不了。
价值观同样是差异化来源。你在乎什么、追求什么，定义了做事的方向。这些不是某个专业的专利，是你作为一个人的独特性。需要长期积累的东西，在AI时代反而更加稀缺。
五、为什么这种转变是好的
从执行者到定义者的转变，不只是市场力量的驱动结果，还暗合了人类深层心理需求。
心理学家德西和瑞安发展的”自我决定理论”揭示了人类动机的三个核心来源：自主性（感觉行为出于选择而非被迫）、胜任感（感觉有能力应对挑战并产生影响）、关联感（感觉与他人有连接和归属）。三者得到满足，人就有更高的工作满意度和内在动机；三者被压制，人会感到空虚、无力、疏离。
传统的执行者角色在这三个维度上都受限。按他人指令工作，自主性天然有限；纯执行工作容易被替代，胜任感根基不稳；有些执行岗位还相当孤立，关联感也不一定充足。
定义者角色则不同。你决定做什么、怎么判断好坏、什么值得做——这本身就是在行使选择权，自主性大幅提升。你定义的问题被解决了，判断的标准被采纳了，选择的方向带来了成果——胜任感来源于判断力和影响力，且不容易被替代。定义者往往需要理解他人需求、与人协作、为人创造价值，工作方式天然包含更多人际连接，关联感也更强。
这个分析暗示：从执行者到定义者的转变，不只是应对AI时代的生存策略，它可能带来更深层的工作满足感。
当然，不是说所有执行工作都压抑，所有定义工作都满足。具体情况因人而异。但从总体趋势看，向定义者的转变与人的心理需求一致。
这是一个令人宽慰的发现：AI时代逼迫我们做出的改变，恰好可能让我们过上更有意义的工作生活。
重新锚定
回到本章开头的问题：AI时代，人的价值在哪里？
我的回答是：人的价值在于”定义”——定义问题、定义方案、定义标准、定义方向。
执行仍然必要，技术能力仍然有价值——但它们不再是唯一或最重要的竞争力来源。真正的转变是：从我能做什么到我知道该做什么。
这转变对不同的人意味着不同的事。专注于执行的人，需要开始培养定义能力——这些能力以前被认为是管理者的专利，现在每个人都需要。有深厚领域知识的人，会发现自己的知识反而更有价值了，因为AI替代不了它，还能放大它——关键是学会这种放大，而非被AI的存在吓到。跨领域的杂家，则可能从交叉地带发现独特机会。
背景不同，切入点不同，但核心思路相通：找到自己独特的价值来源，用AI放大它，同时培养定义能力。
这是人在AI时代的新定位。不是被取代，而是重新锚定。
定义能力需要想象力来找到方向。下一章，我们展开讨论想象力公式——问题敏感度、可能性认知、连接能力——如何帮你完成从0到1的突破。
本章围绕两个核心展开：一是定义能力的四个层次——从定义问题到定义方向，构成了AI时代人的价值锚点；二是木匠四象限模型，提供了一个思考人与高生产力工具关系的实用框架。两者合在一起，回答的是同一个问题：当执行能力不再稀缺，人的价值该锚定在哪里。
章节讨论
所有留言经 Agent 审核后显示