本文来自微信公众号： AI唱反调 ，作者：唱反调
一个新人第一次交方案，最怕的已经不是做不出来。
现在，做出来太容易了。
把需求丢给AI，让它生成竞品分析、页面结构、用户旅程、会议纪要，甚至顺手补一段代码。过去要熬几天的东西，现在一个上午就有雏形。
危险的时刻，往往发生在评审会上。
老板问：为什么入口放这里？这个转化指标和收入怎么连？如果用户拒绝授权，系统怎么兜底？
新人看着那份漂亮文档，突然发现，方案是自己提交的，但里面的判断没有真正经过自己。
这就是AI职场焦虑最隐蔽的一层。
它不只是抢走工作。它先抢走了“让人变强的笨功夫”。
AI让岗位还在，任务已经换芯
最近，李飞飞与MasterClass联合创始人David Rogier接受Silicon Valley Girl访谈时，谈到未来职场可能变成一种“杠铃结构”。
一端是顶尖专家。
另一端是高主动性的通才。
夹在中间、只会执行标准任务的人，会越来越难受。
这句话容易被理解成一条职业建议：要么变成行业大神，要么变成什么都能做的超级个体。
但放回李飞飞长期的技术语境里，它更像一张系统图。
过去，一个岗位里混着三类东西：重复劳动、专业判断、责任承担。
AI先切走第一类。
会议纪要、初稿、检索、排版、简单原型、样例代码、客服回复、数据摘要，都会越来越便宜。
留下来的，是定义问题、验证输出、处理边界、向人解释、对结果负责。
岗位名称还在，任务结构已经换了。
同样叫产品经理，有人只是把信息从A搬到B；有人能把模糊需求压成可验证实验。同样叫设计师，有人只做界面；有人能理解用户动机、业务约束和模型能力边界。
AI把差距提前暴露了。
被自动化吃掉的，恰好是成长入口
从技术角度看，生成式AI对职场的冲击，不是一台机器替一个人。
更准确的说法是：它把一个完整任务拆开，重排了每一步的成本。
以前写一份方案，大致要经过：
搜集资料->形成判断->写出初稿->找人反馈->修改交付->承担结果
AI最擅长压缩中间两步：搜集、生成、改写、归纳、补全。
它可以在几秒钟内给出十个标题、三版PRD、五种用户画像、一段能跑的脚本。
但它不会天然知道公司真实目标、历史债务、用户投诉、合规红线，也不会替你承担“这个方案错了以后谁负责”。
这就是职场焦虑的技术根源：
模型越来越会生成，组织却还没学会重新分配判断权。
如果公司只把AI当作降本工具，最先被压缩的就是初级工作。新人少招一点，熟手带着模型跑快一点，报表上很好看。
问题是，专家从哪里长出来？
专家不是从“会用工具”里直接蹦出来的。
他是从一次次写错方案、被客户追问、看见线上事故、复盘真实损失里长出来的。
那些低效、重复、琐碎的初级任务，过去也是职业训练的脚手架。
AI一旦把脚手架拆得太快，团队短期效率上升，长期判断力断档。
真正的主动性，是会行动也会刹车
李飞飞过去多次谈到一个关键词：human agency。
这个词翻成中文，常被说成“人的主动性”。
但它不是职场黑话里的“随叫随到”“多接活”“领导没说也要猜到”。
更准确地说，agency是人能不能看见问题、做出选择、调动工具、验证结果，并在出错时知道责任落在哪里。
李飞飞长期主张以人为中心的AI。她在AP访谈中提醒，讨论智能机器时，要给人类agency足够尊重。她在HAI的工作，也一直围绕一个核心：AI要服务人的尊严、能力和社会利益。
这放到职场里，就是一句很朴素的话：
会生成内容，不等于会工作。
一个人用AI写出方案，只完成了“输出”这一层。真正的工作还包括：为什么写、给谁用、依据是什么、错了怎么办、怎么验证。
如果这些环节被省掉，AI越强，人越容易变成“高级复制粘贴接口”。
语言之外，职场也需要“空间智能”
李飞飞近两年反复谈“空间智能”。她创办World Labs，也是为了让AI不只理解文字，还能理解三维世界、物体关系、场景变化和行动后果。
这对职场也有启发。
今天很多白领工作看起来都是语言任务：写文档、发邮件、做汇报、出方案。
但最有价值的部分，往往藏在语言背后：
客户为什么犹豫？
工程为什么不愿意排期？
一个流程上线后，用户会在哪里卡住？
某个指标变好，是因为体验变好，还是因为入口误导？
这些东西有点像“职场里的空间智能”。它要求人理解一个系统里不同角色、约束、后果之间的位置关系。
大模型可以帮你描述这个系统，却不一定真的“站在现场”。
所以，越是AI能写得像，越要警惕自己有没有真的看见现场。
同一套工具，可能是替身，也可能是教练
事情并不注定滑向坏处。
斯坦福和MIT学者研究5000多名客服人员使用生成式AI助手的情况，发现生产率平均提升约15%，经验较少、技能较弱的员工收益尤其明显。
原因很关键：AI把优秀员工的处理方式扩散给了新手。
这说明，同一套工具有两种用法。
一种是替代式：
AI直接生成答案，新人复制、提交、过关。遇到追问，再继续问AI。
另一种是训练式：
新人先写自己的判断和假设，再让AI找漏洞、补资料、给反例。最后由人解释自己为什么改、哪里仍然不确定。
前者省时间。
后者长能力。
屏幕上都叫“用了AI”，结果完全不同。
管理者要设计的，已经不是“哪些任务能自动化”，而是：
这项任务原本教会新人什么？
如果AI接管了生成环节，学习环节放到哪里？
代码可以由助手生成，但提交者要讲清测试覆盖、失败条件和回滚方案。
文案可以由模型起草，但负责人要解释用户洞察、渠道限制和品牌风险。
资料可以让AI汇总，但人要核验来源、寻找反例、保留不确定性。
省掉机械劳动可以。把思考一起省掉，就等于把未来的专家也省掉。
企业要降本，也要给新人留试错空间
普华永道2025年全球调研显示，每日使用生成式AI的员工，更常感受到效率、职业稳定性和薪酬收益。
但另一组数字更扎心：认为自己拥有足够学习资源的人，非管理者比例明显低于中高层。
这很符合现实。
管理层更早接触工具，更有权改流程，也更能承受试错。新人常常只拿到一个账号、一句“拥抱AI”，然后继续被旧指标考核。
这不是转型。
这是把学习成本推给个人。
一个还想培养人的团队，至少要保留四件事：
关键任务保留解释权：交付者必须讲清目标、取舍和风险。
记录AI失败案例：把幻觉、漏项、错误边界变成团队教材。
给新人真实责任：范围可以小，但结果必须能被用户或业务验证。
考核复盘质量：别只奖励“交得快”，也要奖励“错得明白”。
这些动作会拖慢一点速度。
但培养人本来就慢。
如果团队把所有摩擦都当浪费，最后可能留下的是一群很会调用模型、却没人能解释系统的人。
普通人先把第一格台阶搭回来
个人无法决定公司招多少新人，也无法控制老板怎么看AI。
但可以改变自己使用AI的姿势。
别从收藏工具清单开始。挑一项你每周都会做、结果能验证的任务，跑一个30天小实验。
第一周，拆任务。
记录耗时、输入、判断点、返工原因。先别急着自动化。
第二周，做对照。
同一件事做两遍：一次人先想、AI后查；一次AI先写、人后审。看差距在哪里。
第三周，固化流程。
固定资料来源、检查项、输出格式，至少给真实同事用一次。
第四周，写复盘。
省了多少时间？错在哪里？哪些判断仍必须自己承担？
每次提交AI参与的结果前，再问三句：
材料从哪里来？
边界条件是什么？
如果错了，谁来承担后果？
这三句看起来慢，却是从“会生成”走向“会负责”的路。
简历也可以换一种写法。
少写“熟练使用ChatGPT、Claude、DeepSeek”。
把一件真实任务讲清楚：原来怎么做，最耗时的环节是什么，你让AI参与哪一步，如何验证，最终改变了什么。
哪怕只是把每周两小时的销售周报压到四十分钟，只要过程真实，也比一串工具名更有说服力。
答案变便宜之后，判断力反而更贵
“未来只剩两种人”的判断之所以刺耳，是因为它把一个缓慢发生的变化压成了职场分岔口：继续停在标准执行层，还是开始训练自己的判断力和调度能力？
现实没那么整齐。
很多人会先做通才，在复杂任务里找到方向，再慢慢长成专家。也有人先靠专业站稳，再学会调动更多工具、角色和系统。
值得警惕的，是中间过程被抹掉。
没有人天生会定义问题。
也没人第一次就知道模型哪里会错。
判断力来自真实后果，来自可控范围内的犯错，来自有人要求你把错误讲明白。
AI可以把答案做得很便宜。
但一个人怎样学会提问、验证、取舍，最后愿意在自己的名字下面签字，仍然要靠时间和现场。
所以，别只问自己会不会被AI挤出中间层。
更实际的问题是：
今天这项工作，究竟在替我积累判断，还是只替我制造一份看起来完成了的东西？
先挑一项任务，把第一格台阶搭回来。
公司愿不愿意修梯子，我们很难控制。脚下这一格，今天就能开始。