几乎每个职业的人都在问同一个问题：
“AI 会取代我吗？”
律师问。
设计师问。
程序员、教师、记者、医生、广告人和分析师也问。
这个问题看似合理，因为它让我们想象出一个非常清晰的场景。
今天，椅子上坐着一个人。
明天，椅子上放着一台机器。
只要那一天还没到来，我们就继续工作，并将自己职位的稳固解读为安全的信号。
但现实可能并非如此。
你的职业可能依然存在。
你的职位名称可能保持不变。
你的公司可能继续招聘同一领域的人。
然而，那些曾让这份工作拥有安全感、议价能力和未来的一切，可能已经开始改变。
风险并不是从职业消失的那一刻开始的。而是从它继续存在，但开始需要更少人时开始的。
一个职业并非单一事物
想象一位名叫 Clara 的年轻市场分析师。
Clara 正开始她的职业生涯。
一周里，她研究竞争对手、整理信息、准备演示文稿、撰写初稿、监控活动、并将结果转化为报告。
这些任务中的每一个，单独来看，都不能定义市场工作的本质。
但合在一起，它们占据了她日常工作的大部分时间。
它们也教会了 Clara 如何实践这个职业。
当她研究竞争对手时，她学会了区分重要变化和无关紧要的新奇。
当她准备报告时，她学会了哪些数字看起来好，哪些实际代表结果。
当她撰写初稿时，她理解了同一个想法如何根据受众、产品和时机而改变。
当她跟随更有经验的人审阅她的工作时，她开始感知到自己还无法独立解释的标准。
现在，想象 Clara 的公司引入了 AI。
初步研究只需几分钟。
数据自动整理好。
演示文稿自动获得初步结构。
报告出现时已经带有摘要。
十种版本的文本可以在 Clara 完成第一个版本之前生成。
市场职业消失了吗？
没有。
Clara 丢工作了吗？
不一定。
但有些事情发生了重要变化。
一个职业并非一个整体。
它由任务、决策、知识、关系、责任、判断和承担的风险构成。
AI 不需要精通所有这些就能改变市场。
它只需要进入正确的部分。
职业是最后消失的东西之一。任务先改变。
首先消失的可能是梯子
很容易将 Clara 的初始任务视为纯粹的操作性工作。
研究。
整理。
初稿。
报告。
一台机器能减轻她日常的负担，听起来很棒。
但问题是，这些任务也是她训练中的第一级阶梯。
Clara 不是为了写报告而写报告。
她是在学习如何审视业务。
她不是为了填充演示文稿而去研究竞争对手。
她是在建立自己的知识库。
她写不完美的版本，不是因为有人需要做这件事。
她是在培养判断力——多年后，这种判断力会让她能够识别出好的版本。
这种机制出现在许多职业中。
初级律师通过研究文件、比较判决、准备初稿来学习。
程序员从修复小问题、编写简单部分、理解他人构建的系统开始。
设计师通过制作变体、调整作品、接受批评来发展审美方向。
广告人通过学习研究参考、测试方法、观察为什么有些想法能在审查中存活而其他不能，来成长。
当 AI 接手这些任务时，公司节省的不仅仅是时间。
它可能不再需要那么多处于职业生涯早期的人。
一位经验丰富的专业人士，加上 AI，就能交付之前需要几个初学者才能完成的工作。
公司开放的职位变少了。
进入这个行业的人变少了。
积累经验的人变少了。
职业生涯失去了最初的一些阶梯。
这在已有的数据中已经开始显现。
斯坦福数字经济实验室基于美国工资记录的一项研究发现，在 AI 暴露程度最高的职业中，22 至 25 岁工人的相对就业率下降了 16%（在考虑了公司间差异后）。同一研究中，相同职业中更有经验的专业人士相对更受保护。
作者自己也警告说，该研究是观察性的，并不能证明所有差异都是由 AI 引起的。
即便如此，这个模式值得关注。
最初的冲击似乎并非以相同的方式打击所有人。
它可能恰恰从那些还需要进入行业来学习的人开始。
AI 可能不会消灭一个职业。但它可能消灭人们学习实践这个职业的方式。
这就引出了一个令人不安的问题：
如果培养有经验的专业人士的岗位消失了，下一代有经验的专业人士将从哪里来？
职位还在，但价值转移了
Clara 留在了公司。
她的职位仍然是市场分析师。
从外部看，一切似乎相对正常。
但内部的标准已经变了。
以前，公司期望她研究、整理和产出。
现在，因为这些步骤变得更快，公司期望 Clara 交付更多。
只提出十个想法不够了。
她需要识别出哪两个是合理的。
只生成一份报告不够了。
她需要解释基于报告应该做什么。
只制作一个活动不够了。
她需要理解受众、识别风险、捍卫选择，并对结果负责。
生产力的提升并不会自动转化为空闲时间。
它往往转化为新的期望。
一个人开始交付之前需要几个人才能完成的工作。
团队变小了。
产出量增加了。
执行变得充裕。
而变得充裕的东西，通常经济价值会下降。
也许 AI 不会取代所有设计师。
但它可能让一个优秀的设计师产出之前需要一个团队才能完成的工作。
也许它不会取代所有律师。
但它可能减少研究、整理和准备案件所需的人数。
也许它不会取代所有市场专业人员。
但它可能让仅仅能够产出文本、演示文稿和报告的能力变得不够。
职业仍然存在于市场中。
但其中可用的职位数量发生了变化。
价值开始集中在那些能超越执行的人身上。
当一个任务变得充裕，懂得如何执行它就不再足以保证价值。
如果执行不再稀缺，那么什么仍然有价值？
打破梯子的同一项技术，也能帮助建造另一把梯子
这里有一个重要的矛盾。
AI 减少了一些初学者借以学习的任务的需求。
但它也可以让一个人获得以前靠自己无法实现的练习量、知识和能力。
这并不会自动发生。
Clara 可以用两种完全不同的方式使用 AI。
第一种方式：她发一个任务，收到答案，复制结果，然后交付。
她看起来很高效。
但她无法解释为什么那个答案是好的。
她不能确定地识别错误。
她没有发展出自己的一套标准。
她生产得越多，就越依赖她无法评估的东西。
她在用 AI 避开工作。
但她也在避开部分学习。
第二种方式：Clara 用 AI 来扩展她的训练。
她要求工具解释不同的策略。
比较替代方案。
在查看答案之前尝试做出决定。
要求对自己的推理提出批评。
模拟场景。
研究以前的案例。
记录自己的错误。
创建自己的项目。
测试那些她单独没有时间或资源去测试的假设。
她不是只要求一个答案，而是构建一个循环：
尝试、比较、接收反馈、纠正、再尝试。
在这种情况下，AI 并没有取代练习。
它增加了可能练习的数量和速度。
但有一个重要的限制。
AI 不能取代真实的问题。
不能取代真实的后果。
不能取代指导、与更有经验的人接触、外部反馈和逐步增加的责任。
一个能够回答任何问题的工具，也可能非常令人信服地确认一个糟糕的想法。
因此，新的梯子不会仅仅由提示词、Agent 和自动化构建。
它需要将 AI 与现实项目、人类批评、学习、实验和责任结合起来。
区别在于，是利用 AI 来避免学习，还是用它来加速判断力的构建。
移除了部分旧阶梯的技术，也可以帮助创造新的阶梯。
只不过这一次，建造这把梯子的部分责任可能从公司转移到专业人士自己身上。
增强型专业人士的诞生
随着时间的推移，Clara 不再只在需要完成一项任务时才使用 AI。
她开始围绕自己构建一种能力。
组织之前活动的记忆。
记录决策、结果和错误。
创建定期研究竞争对手的流程。
定义评估想法的标准。
为特定任务配置 Agent。
自动化跟进。
保持每个客户的有序背景。
在任何交付之前创建验证步骤。
Clara 不再从零开始每个项目。
她随身携带所有学到的东西，以及一个能够将知识付诸实践的系统。
这比仅仅知道如何使用 ChatGPT 要重要得多。
有一种专业人士，他们用 AI 更快地完成相同的工作。
还有一种专业人士，他们将 AI 转化为记忆、流程、知识库和积累的能力。
前者节省时间。
后者改变了一个人能够承担的工作量。
这种变化已经出现在大型公司描述工作的方式中。
在 2025 年工作趋势指数中，微软提出了由人类和 Agent 组成的团队概念，专业人士指导“数字同事”执行工作的特定部分。
Anthropic 经济指数也发现了两种不同的使用模式：自动化（任务被委托）和增强（人使用 AI 来学习、验证和共同开发工作）。
这个区别很重要，因为点击按钮并不能创造持久的优势。
随着时间的推移，几乎每个人都能使用相同的工具。
优势在于围绕这些工具构建的系统。
你整理了哪些信息？
你积累了哪些背景？
你发展了哪些标准？
你懂得协调哪些流程？
你能验证哪些结果？
你开始承担哪些责任？
未来，公司可能不仅会评估一个人的经验、培训和过往成果。
它可能还想知道这个人能调动什么能力。
他们能操作哪些流程？
他们能携带多少背景？
他们如何控制 Agent 产出的质量？
他们能在不扩大团队的情况下产生多少结果？
这个人不是只带着简历来。
他们带着一种属于自己的“职业基础设施”来。
公司雇佣的不仅仅是这个人。它雇佣的是他们的判断力，以及他们学会构建和编排的所有 AI 能力。
每个专业人士都可能随身携带一种以前只属于整个公司的运营能力。
但这并不意味着机器自动让专业人士变得有价值。
机器可以生成。
但还需要有人来给出方向。
机器可以建议。
但还需要有人来评判。
机器可以处理海量信息。
但还需要有人来理解背景。
机器可以推荐行动。
但还需要有人来为后果负责。
方向、判断、背景和责任，并不是对人类的浪漫辩护。
它们是工作中具体的部分。
生产越廉价，它们就越重要。
没有方向、判断、背景和责任的能力，还不是一个完整的职业。
你今天就可以做的测试
不要等到你的职业名称出现在受威胁岗位的名单上。
拿一个正常的工作周，列出你实际做的事情。
不要只写“我是律师”、“我是设计师”或“我在市场部工作”。
列出活动。
然后，将每个活动分为六类。
1. 生产
你创造、组织或执行了什么？
2. 决策
什么需要你的选择？
3. 背景
什么取决于对公司、客户或情况的深入了解？
4. 责任
什么需要有人来回答？
5. 信任
什么依赖于关系、声誉或可信度？
6. 学习
哪些任务正在形成你承担更大工作所需的经验？
现在，识别 AI 已经可以开始做什么。
不要只问它是否能完美完成所有事情。
那个标准太舒适了。
问：
AI 是否已经能产生一个有用的初版？
如果答案是肯定的，那么它已经可以改变该任务所需的时间、成本和人数。
然后，寻找隐形的风险。
如果这个任务失去了价值，你会怎样？
它只是操作性的，还是也是你学习的一部分？
如果任何人都可以用 AI 来执行它，为什么别人还会继续选择你？
你是在发展判断力，还是只是在提高速度？
最后，寻找隐形的机会。
你如何利用 AI 进行更多练习？
你需要组织哪些知识？
你能构建什么流程，而不仅仅是加速？
你需要发展哪些标准来评估结果？
既然执行需要更少的时间，你现在可以承担什么更大的责任？
最重要的问题不是：
“我怎样才能更快完成我的任务？”
而是：
“我是在用 AI 更快地做同样的工作，还是在成为具有不同能力的专业人士？”
风险更早开始。机会也一样。
AI 很可能不会在一个星期一宣布你的职业已经不复存在。
你的职位名称可能保持不变。
公司可能继续招聘。
人们可能继续从事相同的活动很多年。
变化将以一种更不显眼的方式发生。
首先，一些任务会花费更少的时间。
然后，一个人就能交付之前需要几个人才能完成的工作。
入门级职位会减少。
旧的梯子会失去阶梯。
期望值会提高。
某些技能将不再稀缺。
价值会转移到工作的新部分。
当有人最终问职业是否被取代时，那可能已经不是正确的问题了。
最脆弱的专业人士，不一定是其职业可以被自动化的人。
而是其价值仅依赖于那些变得容易复制的任务的人。
最准备好的专业人士，并不是试图证明他们可以在没有 AI 的情况下工作。
他们学会指导技术、验证其结果，并承担机器无法独自承担的责任。
这并不能让任何人变得不可替代。
但它让一个准备好的人比单独工作时更有能力、更有价值、更难被替代。
未来将不仅仅分人与机器。
它将分为那些继续独自工作的人，和那些学会了将机器转化为自身能力延伸的人。
AI 不会一次性地取代你的职业。真正的风险要早得多。
但机会也一样。
如果你想为这个变化做准备
最好的准备方式不是与 AI 竞争。
而是学会将它转化为你自己的能力。
如果你想了解如何在工作中做到这一点，请在 X 上关注我。
我会每天分享实用的方法，教你使用新技术来更好地产出、承担更大的责任，并在市场上变得更有价值。
引用来源
- Erik Brynjolfsson, Bharat Chandar, and Ruyu Chen. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, November 2025 version.
- Microsoft. 2025 Work Trend Index Annual Report: The Year the Frontier Firm Is Born.
- Anthropic. Anthropic Economic Index: Uneven Geographic and Enterprise AI Adoption, September 2025.
