1. AI 时代，普通人真正需要警惕的不是失业，而是失去成长的机会

[!abstract] 速览
AI 时代普通人面临的核心挑战不在于失业，而在于因 AI 接管基础工作而失去成长机会，需培养业务理解、独立判断、系统组织和责任承担等高阶能力。

• AI Agent 正在改变工作完成方式，基础工作被自动化：从信息交互向任务执行边界扩张，AI 可以自主拆解任务、调用工具、协同完成报告、代码等工作，降低了完成相同任务的门槛。
• AI 接管基础工作可能导致专业能力培养路径受阻：新人若习惯让 AI 完成数据提取、SQL 编写等环节，可能无法通过实践逐步形成对数据库结构、业务指标的熟悉，导致专业判断力不足。
• 真正的竞争力在于业务理解、独立判断、系统组织和责任承担四种能力：工具能降低执行成本，但专业能力决定该让工具做什么以及如何判断结果是否正确，这些能力是 AI 时代不可或缺的核心素养。
• 应坚持专业基础学习并真正融入 AI 工作流程：不应把学习 AI 工具当作终极目标，需理解数据结构、统计方法、程序设计等专业知识，并尝试将 AI 组织进完整的工作链路，同时保留独立解题和验证的能力。

过去两年，关于人工智能的讨论几乎从来没有停止过。

最初，人们关注的是AI能不能写文章、生成图片、回答问题，后来开始讨论它能不能编写代码、制作视频、分析数据，再到最近越来越多的AI Agent（智能体）开始进入实际工作流程，能够调用工具、操作软件、处理文件，甚至自主拆解任务并完成一系列复杂操作。

如果说过去的AI更像一个随时可以向你提供建议的助手，那么现在的AI正在尝试成为一个真正参与工作的执行者。

这种变化带来的影响，显然不只是让我们多了几个好用的工具。它正在改变很多工作的完成方式，也在重新定义企业对员工的能力要求。

但在一片关于效率提升和技术进步的讨论中，我觉得有一个问题值得我们认真思考：当AI能够越来越多地替我们完成工作时，人又应该通过什么方式积累经验、形成专业能力？

这可能比AI会不会取代某个岗位，更值得普通人关注。

1.1. AI正在改变工作的完成方式

如果回顾一下过去几年AI技术的发展，会发现一个比较明显的变化：AI的能力边界正在从信息处理逐步延伸到任务执行。

早期的大语言模型主要解决的是信息交互问题。我们向它提出一个问题，它给出答案；我们提供一段文字，它帮助我们整理、改写或者总结。这种模式虽然已经能够提高不少工作效率，但整个过程仍然需要人不断提出指令、检查结果，再决定下一步做什么。

而AI Agent的出现，让这种工作方式开始发生变化。

一个具备工具调用能力的智能体，可以根据目标自行拆解任务，判断需要使用什么工具，读取相关资料，执行操作，并根据执行结果继续调整后续步骤。假设我们需要完成一份行业研究报告，过去可能需要自己搜索资料、筛选信息、整理数据、搭建分析框架，最后再撰写报告；现在，这些环节中的一部分已经可以交给不同的智能体协同完成。

类似的变化也发生在软件开发领域。过去一个开发者需要自己分析需求、编写代码、调试程序、编写测试用例，现在AI已经能够参与其中多个环节，甚至在一定程度上完成从需求到代码交付的连续工作。

内容创作也是如此。从选题搜集、资料整理，到文案撰写、图片生成和视频制作，原本需要多人协作或者花费大量时间完成的工作，现在已经可以通过AI工具和自动化工作流进行组合。

这意味着，AI带来的变化不再局限于某一项技能的效率提升，而是开始触及整个工作流程。

对于企业来说，这当然具有吸引力。能够用更少的时间完成更多任务，意味着成本结构和生产效率都可能发生变化；对于个人来说，原本需要掌握多种工具、积累多年经验才能完成的工作，现在似乎有了更低的进入门槛。

但问题也恰恰出现在这里：当完成一项工作的门槛降低之后，完成这项工作所需要的专业能力，是否也会随之降低？

1.2. AI接管了基础工作，也可能改变人的成长路径

我们不妨从一个普通的数据分析岗位说起。

一个刚进入数据分析行业的新人，最开始接触的工作往往并不复杂。可能是按照业务人员的要求提取数据，编写SQL查询语句，清洗数据，制作统计报表，再根据业务需求进行一些基础分析。

这些工作看起来重复性很强，有时甚至显得有些琐碎，但它们并不是毫无价值的劳动。

一个人在反复处理数据的过程中，会逐渐熟悉数据库结构，理解不同业务指标的含义，发现数据之间的关联，也会慢慢意识到哪些异常值得关注、哪些统计结果可能存在问题。

换句话说，很多专业能力并不是通过阅读几本书或者参加几次培训就能获得的，而是在一次次具体工作中逐渐形成的。

但是现在，AI已经可以帮助我们完成其中相当一部分工作。

一个刚接触SQL的人，可以直接让AI生成查询语句；一个不熟悉数据分析方法的人，可以让AI帮助设计分析思路；甚至在提供数据结构和业务背景之后，AI还能够生成初步的分析报告。

从效率角度来看，这无疑是一件好事。原本需要花费几个小时完成的工作，现在可能只需要几十分钟。

然而，如果一个新人从进入行业开始，就习惯于让AI完成数据提取、代码编写和分析整理，那么他是否真正理解了这些工作的原理？当AI给出的SQL存在逻辑错误时，他能不能发现？当一份分析报告中的结论与实际业务不符时，他又能不能判断问题出在哪里？

[!warning]
这里存在一个容易被忽略的矛盾：AI降低了完成工作的门槛，却不一定同步降低了理解工作的难度。

更值得关注的是，这种变化已经开始引起企业和研究机构的注意。

Gartner在2026年7月公布的一项调查显示，在接受调查的110名企业人力资源负责人中，**22%**表示所在企业至少有一位业务负责人因为AI自动化而停止招聘某些初级岗位。Gartner同时提醒，如果企业只是简单减少初级岗位，而没有重新设计人才培养机制，未来可能面临专业人才储备不足的问题。

PwC与世界经济论坛在2026年6月发布的一项联合研究，则对全球48个国家的9000多名初级员工进行了调查。研究显示，**37%**的年轻劳动者所从事的职业面临中高程度的AI驱动任务变化，**28%**的初级员工认为，自己目前掌握的技能中，三年后仍然有一半或更少会继续保持相关性。

这些数字并不意味着初级岗位一定会大规模消失，但至少说明，传统的职业成长路径正在受到冲击。

过去，一个人可以通过完成基础工作逐渐成长为能够独立承担复杂任务的专业人员。现在，基础工作越来越容易被自动化，而企业对员工的要求却可能越来越高。

这就产生了一个新的问题：如果过去用来培养新人的基础工作逐渐减少，那么新人又应该通过什么方式积累经验？

1.3. 会使用AI，不等于真正拥有AI时代的竞争力

现在很多人都在学习使用AI工具。

有人研究提示词，有人学习如何搭建工作流，有人尝试使用各种Agent平台，也有人开始通过AI辅助编程，甚至独立开发一些小型应用。

这些尝试当然有价值，但我觉得有必要区分几种不同的能力。

能力	原文说明
使用AI的能力	能够通过合理的指令，让AI帮助自己完成某项任务。这是目前大多数人正在学习的内容。
组织AI的能力	当一个任务涉及多个步骤时，能够将其拆解成不同环节，选择合适的模型和工具，让多个智能体协同工作，最终形成一个完整的结果。
判断AI的能力	你需要知道一个问题应该如何解决，AI给出的方案是否合理，生成的结果有没有错误，以及这些错误可能造成什么影响。

这三种能力看起来相似，实际上存在很大差别。

举一个比较简单的例子：如果让AI生成一条复杂的SQL语句，一个会使用AI的人可能只需要描述自己的需求，就能够得到一段看起来非常完整的代码。

但是，一个真正具备数据分析能力的人，还需要考虑数据表之间的关联是否正确，统计口径是否一致，是否存在重复计算，关联条件会不会造成数据丢失，以及最终结果是否符合业务逻辑。

AI可以帮助我们编写SQL，却不能自动保证我们对业务的理解是正确的。

同样，AI能够生成一份结构完整的行业分析报告，但如果使用者本身缺乏行业认知，就很难判断其中的数据是否可靠，分析过程是否严谨，结论是否具有实际意义。

这也是为什么我认为，AI时代最值得重视的能力，并不是单纯掌握多少种AI工具，而是能否在使用AI的过程中保持自己的专业判断。

[!important]
工具可以降低执行成本，但专业能力决定了我们应该让工具做什么，以及如何判断它做得对不对。

1.4. 未来真正有价值的人，可能是能够组织复杂工作的人

如果AI能够承担越来越多的基础任务，那么未来人的价值究竟体现在哪里？

我认为，这个问题不能简单地用创造力、沟通能力或者领导力来回答。因为这些词虽然听起来正确，但如果不结合具体工作场景，就很容易变成空洞的口号。

从实际工作来看，至少有四种能力值得重视。

首先是业务理解能力。

AI可以帮助我们分析数据、整理资料，但它未必真正理解一个行业的复杂背景。很多问题并不是缺少一个计算工具，而是需要有人判断问题本身是否成立，哪些因素值得关注，哪些结论能够真正解决业务问题。

其次是独立判断能力。

AI生成的内容越完整，人就越容易产生一种结果已经经过充分验证的错觉。但实际上，表达流畅并不代表结论正确，代码能够运行也不代表逻辑没有问题。能够识别错误、验证结果，是未来使用AI不可缺少的能力。

第三是系统组织能力。

未来很多工作可能不再需要一个人亲自完成所有环节，而是需要他能够将复杂任务拆解，明确不同环节的输入和输出，选择适合的工具，并建立一套能够持续运行的工作流程。

这其实也是AI Agent带来的一个重要变化：人的角色可能从具体任务的执行者，逐渐转向任务的设计者和组织者。

最后是承担责任的能力。

AI可以生成方案，也可以执行操作，但最终的业务结果仍然需要有人负责。尤其是在医疗、金融、数据分析等专业领域，错误的判断可能带来实际损失，因此结果验证、风险控制和责任边界不会因为AI的参与而变得不重要。

从这个角度来看，未来的专业能力并不会简单消失，而是可能从亲自完成每一项具体工作，逐渐转向理解问题、组织资源、判断结果和承担责任。

1.5. 普通人应该如何适应这种变化？

讨论到这里，可能有人会觉得，既然AI发展得这么快，是不是应该尽可能多地学习AI工具，掌握更多新技术？

我的看法是，学习AI当然重要，但不应该把学习工具本身当成最终目的。

现在AI产品更新的速度非常快，今天流行的工具，可能过几个月就会被新的产品替代。如果每天都在追逐新模型、新平台和新功能，很容易陷入一种看起来非常忙碌，实际上却没有形成长期能力积累的状态。

相比之下，我认为有几件事情更加重要。

一是不要放弃对专业基础的学习。

如果你从事数据分析，就应该理解数据结构、统计方法、业务指标和数据质量；如果你从事软件开发，就应该理解程序设计、系统架构、数据库和工程规范。AI可以帮助你减少重复劳动，但不能成为你不理解专业知识的理由。

二是尝试把AI真正融入自己的工作流程。

不要停留在简单地向AI提问，而是尝试让它参与一个完整的工作过程。例如，将资料搜集、数据整理、初步分析、结果复核等环节组织起来，观察哪些任务适合自动化，哪些任务仍然需要人工判断。

三是保持独立解决问题的能力。

可以让AI提供思路，可以让AI生成代码，也可以让AI帮助分析，但在一些关键任务上，最好仍然保留自己独立完成和验证的能力。只有真正理解问题，才能知道AI的答案是否可靠。

四是持续积累自己的行业经验。

未来工具可能越来越容易获得，但真正理解某个行业的业务逻辑、积累复杂问题的处理经验，却不是简单调用一个模型就能实现的。专业领域的知识、长期形成的判断能力，以及对实际业务的理解，仍然具有重要价值。

1.6. 写在最后

我一直觉得，技术进步最有价值的地方，不应该只是让人们用更短的时间完成更多工作，而是让人们有机会去处理过去没有时间、没有能力或者没有条件解决的问题。

AI的发展确实正在降低很多工作的执行门槛，也让普通人拥有了过去需要专业团队才能获得的一部分能力。但这并不意味着专业能力已经不再重要。

恰恰相反，当越来越多的人都能够借助AI完成一项看起来专业的工作时，真正能够理解问题、判断结果并解决复杂问题的人，可能会变得更加重要。

我更担心的是另一种情况：我们因为AI越来越好用，而逐渐习惯于把思考、判断和学习的过程全部交给它。短期来看，工作效率提高了，任务完成得更快了，但长期来看，自己却可能没有真正积累多少可以独立使用的能力。

[!quote]
AI可以替我们完成工作，但不应该替我们完成成长。

也许未来人与人之间的差距，不再只是掌握多少技能、会使用多少工具，而是当AI能够完成越来越多事情的时候，我们是否仍然拥有独立思考、判断和解决问题的能力。

毕竟，工具可以让一个人更快地抵达目的地，但如果连方向都需要别人替自己决定，那么速度再快，也未必意味着真正的进步。