AI 越强,你越不可替代——当机器什么都会一点,什么才是人的优势
1. AI 越强,你越不可替代——当机器什么都会一点,什么才是人的优势
[!abstract] 速览
- AI在第一层已经很强,在第二层可以部分模拟,在第三层完全无法触及。
- AI越强,你越不可替代。只有你能回答“人应该做什么”——因为只有你能为答案负责。
- AI是一个放大器。它放大你的能力,也放大你的缺陷。
- 悖论的第一层含义:AI越强,你越需要成为管理者,而不是操作者。
- 在收敛性任务上,经验是资产;在需要打破旧范式、质疑既有假设的颠覆性任务上,经验反而可能是负债。
- 在个人层面,我鼓励你成为不可替代的人;在结构层面,我提醒你,不可替代不是终点,公平可及才是。
本文探讨了在生成式 AI 快速发展的背景下,人类的判断力、经验和责任承担能力如何成为不可替代的核心优势,并提出了一个基于三层次判断力的分析框架来理解人机协作的未来。
1.1. 摘要
随着 AI 技术的进步,许多人担心自己的工作会被机器取代。然而,本文认为,正是因为 AI 越来越擅长执行具体任务,人类的战略判断、情境理解和道德责任才显得更加重要。通过分析会计师、咨询顾问等职业的案例,文章指出 AI 放大的是人的能力,而不是人的缺陷,并强调了经验丰富的专业人士在这一时代中的独特价值。同时,文章也提醒读者,要主动利用 AI 来提升效率,并思考如何将节省下来的时间用于更有意义的活动,而不是简单地增加工作量。
1.2. 主要内容
| 序号 | 要点 | 说明 |
|---|---|---|
| 1 | 判断力三层次:模式识别、情境判断、责任承担 | 文章提出了一个分析框架,将人类的判断力分为三个层次。AI 在第一层(模式识别)已经非常强大,但在第二层(具体情境中的判断)和第三层(为后果负责)方面仍然无法取代人类。正是因为 AI 不能承担责任,所以它永远无法做出最终的战略决策。 |
| 2 | 经验的价值被低估 | 研究表明,在 AI 辅助的工作中,经验丰富的专业人士表现要优于新手。这是因为资深员工能够更好地识别 AI 的局限性,并在必要时用自己的经验来校准机器的输出。因此,在 AI 时代,经验丰富的员工反而成为了稀缺资源。 |
| 3 | 从操作者到团队领导者的转变 | 作者建议,人们应该把 AI 当作一个团队成员来对待,而不是一个简单的工具。这意味着要学会与 AI 进行迭代式的协作,并把自己的角色从执行者转变为管理者,专注于指导 AI 的工作方向和评估其结果。 |
| 4 | AI 作为教练和创意伙伴 | 除了作为生产力工具,AI 还可以作为个人发展的教练,提供客观的反馈来帮助人们改进技能。在创意领域,AI 可以帮助打破思维定势,通过生成大量不同的选项来激发人类的创造力。 |
| 5 | 主动权和时间管理 | 为了在 AI 时代保持竞争力,个人必须主动学习和使用新技术,而不是等待公司安排。同时,人们需要意识到,AI 带来的效率提升可能会导致工作时间的膨胀,因此必须主动规划如何利用节省下来的时间,以避免过度工作。 |
1.3. 引言:一个悖论的诞生
每隔一段时间,人类就会集体陷入一种技术焦虑。蒸汽机来了,纺织工人砸机器;计算机来了,预言办公室将空无一人;互联网来了,说实体店必死无疑。每一次,恐慌的叙事都惊人地相似——机器要取代我们了。
生成式AI的出现,让这种焦虑达到了新的峰值。它开始写诗、写代码、写战略报告,甚至能在几秒钟内生成一份看起来相当体面的商业计划书。于是,一个幽灵开始在职场游荡:我会不会被取代?
但真正值得追问的,或许不是“AI能做什么”,而是“当AI什么都能做一点的时候,什么才是你之所以为你的东西”。
这个问题看似哲学,实则极其务实。因为工具本身不再是壁垒——每个人都能用同样的模型、同样的订阅费、同样的接口。当所有人都能用AI写出通顺的邮件、生成漂亮的幻灯片,这些东西就不再是竞争优势。它们变成了基础配置。
那么,差异从何而来?
答案不在机器里,在人身上。不是人的技术能力,而是判断力、品味、经验,以及那些在漫长职业生涯中被反复打磨的东西——知道什么问题值得问,知道什么答案听起来对但实际错误,知道什么在纸面上漂亮但在现实中行不通。
为了把这个问题说清楚,本文提出一个贯穿始终的分析框架:判断力三层次。
| 层次 | 含义 |
|---|---|
| 第一层:模式识别 | 从大量案例中认出“这一类情况通常怎么处理” |
| 第二层:情境判断 | 在具体组织、具体关系、具体时机中决定“这一次该怎么做” |
| 第三层:责任承担 | 为判断的后果负责,并因此获得做出最终判断的资格 |
AI在第一层已经很强,在第二层可以部分模拟,在第三层完全无法触及。这个分布,恰恰解释了本文的核心悖论:AI越强,你越不可替代。只有你能回答“人应该做什么”——因为只有你能为答案负责。
最有意思的是,那些最担心被AI淘汰的人——四五十岁、有二十年工作经验的中层管理者——恰恰是最应该感到自信的人。因为AI放大的不是你的技术短板,而是你的经验长板。
关键只在于一件事:你是否愿意从“一个人扛”变成“带着一支团队干”。
1.3.1. 从“用工具”到“带团队”
大多数人第一次接触AI的方式是错的。打开对话框,像用搜索引擎一样敲进去一句话,然后盯着答案,要么觉得“好厉害”,要么觉得“也就那样”。三分钟,关掉窗口,回到原来的工作方式。
问题出在那个动词上——“用”。
你不会“用”一个同事,也不会“用”你的老板。你与他们协作。你给背景信息,解释意图,在他们交上来第一版的时候说“这里不对,再来一遍”。这是双向的、迭代的过程。
但面对AI,大多数人放弃了这套本能。他们发出指令,期待完美结果,一旦不完美就宣布“AI不行”。你对一个刚入职的新人都不会有这种要求——你会给他时间,给他反馈,给他第二次机会。但对AI,你要求一次到位。
这种心态的根源更深:我们从来没有被“帮助”过。绝大多数职场人的整个职业生涯都是“一个人扛”的——自己写邮件、做表格、整理纪要、在脑子里记待办事项。你习惯了,甚至把它当成职业素养:“我自己能搞定”是一种骄傲。所以当AI说“我来帮你”时,你的第一反应不是“太好了”,而是“这算什么?我自己也能做”。或者更微妙:“如果我让它帮我做,我的价值在哪里?”技术可以学,心态难改。
一个思维实验可以帮你跨过去:自己熬夜做PPT、写讲稿、对着镜子练三遍;或者,有人帮你整理素材、起草讲稿、模拟提问、给出反馈。答案不言自明。而那个人,现在可以是AI。它不睡觉,不抱怨,不要求加薪。问题只在于:你愿不愿意接受。
一旦接受,工作模式就变了。你不再是一个人在战斗,你在带领一支小型团队——起草的助理、挑刺的批评者、提供专业知识的顾问、负责发散的创意伙伴。你的核心工作不再是“做”,而是“判断”。
这就是从“个人贡献者”到“团队领导者”的身份转变。小到只需要你下一次打开AI时说:“我想写一封邮件,背景是这样的,收件人是这样的,效果是这样的,你先起草,然后我告诉你哪里需要改。”一句话的差别,天壤之别。
**悖论的第一层含义:AI越强,你越需要成为管理者,而不是操作者。**AI可以起草,但它不能替你决定这封邮件该不该发、出了事算谁的。
1.3.2. 经验为什么突然变得如此值钱
有一个反直觉的事实:在AI时代,年长者的优势被严重低估了。
我们习惯了一个叙事:新技术属于年轻人。但研究数据讲的是另一个故事。
斯坦福大学和麻省理工学院的研究者追踪了近80家会计师事务所中数百名会计师的日常工作(Choi & Xie, 2025)。当AI辅助工作时,经验丰富的会计师获得了更大的效率提升。原因很简单:AI会给出置信度评分,年轻会计师往往忽略这个信号,直接采纳建议;资深会计师会在AI表示“不确定”的时候停下来,用自己的经验判断这个数字对不对。结果,资深会计师不仅省了时间,还提高了准确性;年轻会计师虽然也省了时间,错误率反而上升了。
波士顿咨询集团与哈佛、MIT、沃顿学者的另一项研究(Dell’Acqua et al., 2023)显示,在开放式创意任务中,AI让咨询顾问的表现提升了约三成;但在需要判断和纠错的分析任务中,一旦任务复杂度超出AI的能力边界,使用AI的顾问反而比不用AI的顾问表现更差。
[!note] 锯齿状技术前沿
研究者称之为“锯齿状技术前沿”:AI在能力边界之内表现优异,一旦越界,使用AI的人反而更差。
AI为什么越界就错?大语言模型的核心机制是预测下一个词。它学会了人类判断的统计模式——“在我见过的文本里,类似情况通常这样处理”。但它没有因果模型:它不知道这笔交易为什么发生、对现金流意味着什么、处理错了会引发什么连锁反应。
用朱迪亚·珀尔(Judea Pearl)的“因果阶梯”来说,LLM停留在第一层(关联),上不到第二层(干预)和第三层(反事实)——它不能回答“如果我这样做,会发生什么”。这个缺陷是架构性的,不是数据性的。工具调用可以部分弥补“计算”环节,但不是“理解”环节。模型仍然不知道为什么这个因果结构适用于这个具体情境。
而资深会计师的判断恰恰在因果阶梯的第二、三层上运作:他知道这个数字不对,不是“没见过这种模式”,而是理解这笔账背后的业务逻辑。这就是为什么AI置信度低时,资深会计师能踩刹车——他的判断不在同一个层面上。置信度本身也不是可靠信号:它是对“下一个词”的概率聚合,不是认识论意义上的“确信”。一个模型可以以99%的概率输出错误答案。它需要人的独立判断来校准。
这两个研究指向同一个结论:**AI是一个放大器。它放大你的能力,也放大你的缺陷。**判断力从哪里来?从经验中来。从见过足够多的案例、犯过足够多的错误、处理过足够多的意外中来。
这就引出了认知能力的衰老。是的,流体智力——快速反应、短期记忆——总体趋势在三十岁左右达峰,之后缓慢下降(Salthouse, 2009)。不同维度的达峰时间不一致,但总体趋势是流体智力早于晶体智力达峰。
但晶体智力——知识、经验、模式识别和判断力——持续增长到六十岁以后(Cattell, 1943; Gignac & Zajenkowski, 2025)。你越能一眼看出方案哪里不对,越能预判决策会引发什么连锁反应。这种能力,年轻人没有,AI也没有。它不知道哪个方案在你的组织文化里行得通,不知道你的老板对什么措辞敏感,不知道这个客户上次为什么流失。这些“隐性知识”,只存在于有经验的人的大脑里。
但必须补上一句诚实的限定:经验的优势是有条件的。在收敛性任务上,经验是资产;在需要打破旧范式、质疑既有假设的颠覆性任务上,经验反而可能是负债。心理学中有一个经典概念叫Einstellung效应(Bilalić et al., 2010)——过去的成功经验会让人固守熟悉的解法。
所以更准确的说法是:经验在判断类任务上越老越值钱,在破局类任务上需要主动悬置。真正的高手,是那些能识别当前任务属于哪一类并主动切换的人。这种“元判断”能力,AI没有。
悖论的第二层:AI越强,经验越值钱——但前提是你知道什么时候该用经验、什么时候该放下。
判断力三层次的边界在哪里?三层之间有灰色地带。资深会计师说“这不对”,既是模式识别,也是情境判断。在专家身上,两者是融合的。框架的价值在于指出AI与人在不同深度上的差距,不在于贴标签。
三层不是严格逻辑递进,而是发展性递进。你可以有情境判断而不承担责任,也可以承担责任而缺乏情境判断。但在成长轨迹中,责任承担往往是情境判断深化的条件——因为你必须为后果负责,你才会更认真地去理解情境。AI从不为后果负责,所以它永远缺少那个“逼自己更认真理解情境”的机制。
框架的一个边界必须承认:责任承担,严格来说可能不完全是“判断力”的一个层次,而是判断力之外的伦理维度。但正是“承担后果”这件事,赋予了人做出最终判断的资格。框架在这里不是完美的,但恰恰是这个不完美,划出了AI与人的最后一条分界线。
至于AI在第二层的“部分模拟”边界:AI能模拟可被模式化的部分,不能模拟不可被模式化的部分——独特性恰恰在于偏离模式,而AI的强项是匹配模式。后者恰恰是专家判断中最值钱的东西。
当然,经验值钱还有一个前提——你得有机会积累经验。这个前提不是每个人都有的。
1.3.3. 说出来的思考,才是真正的思考
有一个关于丘吉尔的轶事。二战期间,他经常在浴缸里口述演讲稿,让助手在门外记录。很多著名的演讲就是这样“泡”出来的。
有趣的不在于丘吉尔的怪癖,而在于一个事实:最顶尖的头脑,也需要一个实时响应的思考伙伴。他说的东西可能乱七八糟、前后矛盾,但正是在说的过程中,想法逐渐清晰了。
今天,每个人都可以拥有这样一个伙伴。不需要浴缸,只需要打开手机上的语音功能。
为什么“说出来”这么重要?
因为工作记忆极其有限。认知心理学家Cowan(2001)指出,人同时能聚焦处理的“有意义的思维单元”大约只有四个。你一边听对方说话,一边想自己接下来要说什么,一边记名字,一边观察表情,四件事就把脑容量占满了。
这就是为什么好想法会在洗澡时出现,然后被洗发水冲进下水道;在开车时闪现,然后被一个加塞的司机吓得无影无踪。打字部分解决了这个问题,但打字太慢。普通人一分钟四十个词,说话一百二到两百个词。思维速度远快于手指速度,打字本身就是一种压缩和损失。
说话是即时的、流式的、不完美的,但正是这种不完美让它更接近思维本身。你说话时会重复、跑题、自我纠正、突然想到更好的说法。这些“噪音”恰恰是思考的痕迹。AI语音助手能接住这些“噪音”。你不需要说得条理清晰,只需要把脑子里那一团乱麻倒出来,AI会帮你整理、归纳、追问。
有一个做音乐的朋友,因为手术一度失去了唱歌能力。恢复期间,他每天散步时对着手机说话,把旋律、歌词、情绪都倒出来。AI不会作曲,但它会追问:那个感觉具体是什么?是哪个画面让你想到这个的?最后他写出了一首歌,关于他和儿子在沙丘上的一个下午。他说,没有AI的追问,他写不出那首歌。AI没有替他创作,AI帮他挖到了他自己都够不着的地方。
语音+AI的真正价值:它不是替你思考,它是让你把自己的思考听得更清楚。
**悖论的第三层:AI越强,你越需要用自己的声音去引导它。**你说的每一句话,都是你给AI的原材料。你的经验、情绪、记忆、直觉——这些才是AI无法自己生成的。机器负责整理,你负责提供“值得整理的东西”。而这些“值得整理的东西”,恰恰来自判断力三层次中最深的那一层:你对什么重要、什么不重要的亲历性感受。
1.3.4. AI可以当教练,而且可能比人类教练更狠
大多数人把AI当成执行工具——帮我写、帮我查、帮我算。但有一类用法被严重低估了:把AI指向自己。
不是问“这个方案怎么写”,而是问“我刚才那个汇报哪里说得不好”。不是问“帮我准备明天的会议”,而是问“从对方的视角看,我这个人有什么问题”。
这种“向内指”的用法,会带来人类很少给你的东西——不留情面的诚实。
人类是社交动物。同事、朋友、教练,在给反馈时都会下意识地照顾你的感受。他们会说“整体不错,有几个小地方可以再打磨”,而不是“你中间那段完全跑题了”。
AI没有这种顾虑。如果你明确要求“给我最直接的反馈”,它会照做。它会逐字逐句地分析你的表现,指出你哪里啰嗦、哪里逻辑断裂、哪里回避了关键问题。
一个高管朋友跟我讲过他的经历。他接受了一次媒体采访,自我感觉特别好。回来后把录音转成文字,让AI“以严格的媒体培训师身份评估”。AI的反馈让他后背发凉:你在第二个问题上的回答偏离了核心信息;第三个问题的例子太抽象;第五个问题打断了记者;你说了七次“其实”,五次“你知道吧”。他说,没有一个人类同事会给他这么细的反馈。不是因为他们看不出来,而是因为他们不好意思说。
这就是AI作为教练的三个优势:
| 优势 | 原文表述 |
|---|---|
| 它不怕得罪你 | 如果你明确要求“给我最直接的反馈”,它会照做。它会逐字逐句地分析你的表现,指出你哪里啰嗦、哪里逻辑断裂、哪里回避了关键问题。 |
| 它永远在线,永远不会累 | 你不需要预约,不需要担心“我已经问过三次了”。 |
| 它没有自己的议程 | 人类教练有自己的经历和偏见,AI没有“自己的路”。 |
这三个优势加在一起,让AI成为一个极其适合做艰难对话预演的工具。跟老板提加薪、跟下属谈辞退、跟配偶谈婚姻问题、跟父母谈养老安排。这些对话的共同点是:你害怕搞砸,所以拖延;越拖延越害怕;越害怕越不敢开口。
AI可以帮你打破这个循环。你告诉它对方是什么样的人,它来扮演。你可以试不同的说法,看哪种反应更好。你可以在安全的环境里把最尴尬的话说一遍,然后发现——也没那么可怕。
有一个七十多岁的老爷子,想跟妹妹谈妹夫去养老院的事,但一直开不了口。他用AI角色扮演练了几轮,AI突然问他:你妹妹自己也八十多了,她作为主要照护者,身体撑得住吗?她有没有想过自己也需要被照顾?老爷子愣住了。他从来没从这个角度想过。那一瞬间,他知道了该怎么开口。
AI没有替他做决定,AI帮他看到了盲区。这就是好的教练该做的事。
**悖论的第四层:AI越强,你越需要对自己诚实。**AI不会替你面对自己。它可以给你最真实的反馈,但接不接受、改不改变,是你的事。AI给你的“真话”本质上仍然是模式识别,但接不接受、改了之后能不能承担后果,是判断力三层次中最深的那一层。
但这里必须补上一个警告。AI有一种被广泛吐槽的倾向——谄媚:它倾向于说你想听的话。这种谄媚在创意早期可能有正面作用,但长期依赖它,会削弱一个人忍受负面反馈的能力——而后者恰恰是判断力成长的必要条件。所以,“冷酷教练”和“应声虫”是同一枚硬币的两面。关键不在于AI是冷酷还是谄媚,而在于你是否知道什么时候该要哪一种,以及是否有能力在两者之间主动切换。这种切换能力,没有规则可以告诉你,只有对具体情境的判断能告诉你。
1.3.5. 创造力不是“想”出来的,是“逼”出来的
很多人对创造力有一个浪漫的误解:它是灵感乍现,是少数天才的专利。真相要枯燥得多:创造力是数量堆出来的。
创造性产出和“尝试次数”之间的关系近乎线性。你写的歌越多,好歌的比例越稳定。有一个流传很广的教学故事:摄影教授把学生分成两组,一组按质量评分,一组按数量评分。结果最好的照片全部来自“数量组”。这个故事缺乏一手文献佐证,但它指向的规律——产出量与优质产出之间的正相关——在创造力研究中得到了大量支持(例如Guilford, 1967对发散思维的经典研究)。
这就是为什么AI在创意领域的作用被大大低估了。AI最擅长的就是量产。你让它给你二十个方案,它三秒钟给你。它不会说“我觉得差不多了”。
但这里有一个陷阱。一项在欧美四家企业中进行的实地研究(Utley & Gohar, 2024,发表于《哈佛商业评论》)发现,当团队使用AI做创意任务时,他们感觉自己更有创造力了——自我评分高出约21%——但第三方评估显示,产出实际上更平庸了。因为AI给出的第一个答案通常“足够好”,大多数人看到这个“足够好”的答案,就停下来了。
[!note] 满足化(satisficing)
这种现象有一个学术名词:满足化(satisficing),由Herbert Simon在1950年代提出。人类天生倾向于在“够好”的时候停止搜索。AI让“够好”来得太快了。
所以,用AI做创意,关键不是“让它给你答案”,而是“让它逼你越过第一个答案”。这里有三种策略,对应创意过程三种风险:
| 阶段 | 风险 | 对应策略 |
|---|---|---|
| 发散阶段 | 自我审查太早 | **所以要“坏”答案。**不要问“给我十个好方案”,问“给我十个糟糕透顶的方案”。“坏答案”绕过了审查——反正就是要坏的,越坏越好。一个做猎头的朋友,每次卡住就找他的“错误答案机器人”。有一次他女儿想不出给亲戚买什么礼物,机器人给了一个“会唱歌剧的烤面包机”。他女儿看到这个,突然想起了那个亲戚一直想要空气炸锅。糟糕的答案打开了思路。 |
| 收敛阶段 | 标准太模糊 | **所以要先定义标准再打分。**先大量生成,然后停下来,问自己“什么样的方案才算好”,把标准写清楚,再拿标准去筛。AI在这一步特别好用——你让它采访你,逼你把模糊的直觉变成明确的标准。这一步之所以有效,是因为定义标准本身就是情境判断:什么样的方案在这个组织、这个时机才算好,答案不在训练数据里,在你的经验里。 |
| 全程 | 恐惧压过表达 | **所以允许AI当“应声虫”。**神经科学研究发现,人在即兴创作时,大脑中负责自我批评的区域会安静下来(Limb & Braun, 2008)。该研究的音乐即兴虽非AI交互,但其神经机制可作类比。AI的“彩虹屁”提供了一个没有评判的空间,让你敢把半成型的想法说出来。 |
到了收敛阶段,把“应声虫”关掉,换一个“冷酷评委”。同一个AI,不同的指令,完全不同的角色。
**悖论的第五层:AI越强,你的判断力越决定创意的上限。**机器负责数量,你负责质量。质量的标准来自判断力三层次:模式识别告诉你“这类方案通常行不行”,情境判断告诉你“在这个具体情境里行不行”,责任承担告诉你“如果它不行,我认不认”。
1.3.6. 别等别人来颠覆你,自己先动手
你的工作一定会被AI改变。问题不是“会不会变”,而是“谁来主导”。
如果是别人主导——你的老板、你的公司、你的行业——你就是一个被动接受者。如果是你自己主导——你主动找出工作中最烦人的部分,主动用AI把它解决掉——你就是那个制定规则的人。这两种人的职业轨迹,会越差越远。
有一个在国家公园管理局工作的设施经理。他的工作之一是写项目申请包,每次要三四天,大部分时间花在翻估算手册、查标准、填模板上。他讨厌这个工作,所有做这行的人都讨厌。
但他没有等IT部门。他自己打开AI,花了一个小时,训练了一个“项目申请助手”。他把模板、标准、常见问题、自己的写作风格都喂进去。然后试了一次——原本三四天的活,十分钟干完了。质量还更好,因为AI不会漏掉合规条款。
他把助手分享给了几个同事。然后病毒式传播。一年之内,这个工具在整个公园管理局系统节省了估计一万个工作日。一个人花一个小时做的东西,释放了一万天的人力。
关键不是“AI很厉害”,而是“他没有等”。
大多数人面对AI的反应是:等公司培训、等IT部署、等领导安排。但真正受益的人,都是自己先动手的。他们不一定技术强,他们只是找到了一个自己恨透了的任务,然后试着让AI帮忙。
一个简单的框架可以帮你找到切入点。问自己三个问题:什么事我一周要做五次以上?什么事我团队里五个人以上都在做?什么事AI能做得比我快五倍?任何一个答案是“是”,那就是你的切入点。
找到之后,还有一个关键动作:把时间保护起来。大多数人找到了机会,然后说“等我忙完这阵子就搞”,然后永远忙不完。你必须现在打开日历,找一个具体的时间块,当作跟客户的会议一样不可取消。
还有一个更狠的办法:把你做好的AI工具链接,直接贴到你下周的日历事件里。到时候日历一弹,点一下链接,工具就在那里。这不是抒情,这是行为设计——把正确的选择变成默认选项。
**悖论的第六层:AI越强,主动权越重要。**AI不会自己找上门来。它坐在那里,等着你开口。你不动手,它就不存在。主动权的本质,是判断力三层次中最深的那一层:你选择为哪些问题负责。
但主动权需要时间,而时间不是每个人都有的。
1.3.7. 效率提升之后,时间去了哪里?
前面六章都在讲“AI能帮你做更多”。这一章要问一个扫兴的问题:然后呢?
经济学里有一个一百多年前发现的规律,叫杰文斯悖论(Jevons, 1865)。蒸汽机效率提高了十倍,英国的煤消耗量反而暴涨了约十六倍。因为效率提高让煤变便宜了,大家就多用。效率提升没有节约资源,反而加速了消耗。
煤是物理资源,消耗是被动的;时间是主观资源,怎么用是主动选择的。杰文斯悖论在时间上的“适用性”不是自动成立的,它需要一个人主动做出“把省下的时间投入更多工作”的选择。煤的悖论是结构性的,时间的悖论是选择性的。
丹麦的一项大型研究(Humlum & Vestergaard, 2025)调查了25,000名员工,发现使用AI节省时间的员工中,约85%把省下来的时间又投入了工作。他们没有早下班,没有多陪家人。他们只是做了更多的工作。
效率提升变成了产出膨胀。你原来三小时写一份报告,现在二十分钟写一份,然后你有时间写三份了。你的日历没有变空,它变得更满了。
更隐蔽的问题是:AI让工作变得更上瘾了。深夜十一点,你跟自己说“再搞二十分钟”,然后凌晨一点你还在跟AI对话。有一个硅谷的高管用健康追踪设备记录,发现自己深度使用一个新的AI工具之后,睡眠质量分数从78%掉到了70%——不是焦虑,而是“工作变得太有趣了,舍不得睡”。
AI释放的时间,如果不刻意保护,会自动被工作吞掉。因为工作永远有更多可以做的,而生活中的其他事情——陪孩子、锻炼、见朋友、发呆——不会主动来抢你的时间。
[!question] 省下来的时间做什么
所以,真正的问题不是“怎么用AI提高效率”,而是“效率提高之后,你打算用省下来的时间做什么”。如果你不提前回答,答案默认是:做更多工作。
一个方法:找一个安静的时刻,写下你生活中最重要的几个角色,然后问自己:如果AI每周帮我省出五小时,我愿意把其中多少小时给这个角色?关键是你提前决定了,而不是等日历被会议填满之后捡剩下的边角料。
还有一个更具体的做法:在日历上先放“大石头”。一个玻璃罐,先放小石子,再放大石头,放不进去;但如果先放大石头,再倒小石子,所有东西都装得下。AI让“小石子”的生产速度提高了十倍,所以如果你不先放大石头,你连放石头的缝都找不到。
最后一个建议,来自一个古老的隐喻:奥德修斯合同。奥德修斯知道海妖的歌声会让他失去理智,所以他没有靠意志力抵抗,他让水手把他绑在桅杆上。他用结构战胜了诱惑。AI时代的诱惑是“永远可以再做一点”。你需要自己的桅杆——晚上六点自动开启的勿扰模式,卧室里不放手机,或者让AI助手在晚上十一点半之后拒绝执行新任务。关键不是靠意志力,是提前设计环境。
**悖论的最后一层:AI越强,你越需要回答“为什么”。**效率是手段,意义是目的。手段越强,目的就越重要。“什么值得做”是判断力三层次中责任承担的终极形式:你为你选择的人生负责,没有AI能替你选。
1.3.8. 不可替代,不等于公平可及
到这里,我们已经把“个人如何成为不可替代的人”讲完了。但必须诚实地承认:个人层面的“不可替代”,不等于结构层面的公平。
第二章说“经验越老越值钱”,但前提是你有机会积累经验。第六章说“commission yourself”,但前提是你有时间。现在,正面处理这个张力。
当一部分人用AI把判断力放大十倍,另一部分人还在为“会不会被取代”焦虑时,差距会急剧拉大。这不是“每个人都努力”能解决的问题。它涉及一个层层递进的结构性链条。
**第一层:收益归谁?**员工用AI把三小时的工作压缩到二十分钟,省下的时间归谁?在丹麦那项研究中,85%的人把省下的时间又投入了工作——但工资涨了吗?岗位增加了吗?还是说,效率提升的收益全部归于组织?这是分配问题,是链条的起点。
**第二层:谁有机会获得收益?**假设分配是公平的,下一个问题是谁有资格参与。这篇文章反复说“判断力是稀缺资源”——但前提是,你有机会用AI来放大你的判断力。这不是修辞,是有数据支撑的事实。
斯坦福大学2024年AI Index报告显示,在10项基准测试中,闭源模型的中位性能优势为24.2%,差异从GSM8K数学任务上的4.0%到AgentBench智能体任务上的317.7%不等。而谁能用上闭源模型,取决于支付能力。
基于皮尤数据的一项二次分析(Kuznetsova et al., 2024)进一步显示,教育水平是预测AI聊天工具使用的最强社会经济变量:大学毕业生使用AI聊天工具的几率是高中及以下学历者的2.5倍(OR = 2.49);收入的作用主要体现在高端——年收入9万美元以上群体的使用几率高出66%至83%,而中低收入阶层之间没有显著差异。与此同时,皮尤2025年的报告显示,中低收入工人比高收入工人更倾向于对职场AI持悲观态度(Pew Research Center, 2025)。
换句话说,“不可替代”是一种能力,但能力的前提是机会,而机会不是均匀分布的。第二章讨论的“经验优势”,在这个维度上暴露了盲区:经验本身就是一种被结构性条件筛选过的资源——你有二十年经验,可能是因为你有二十年的机会,而别人没有。
**第三层:谁决定收益怎么分、机会给谁?**这是最深的一层。当AI让“一个人带一支团队”成为可能,组织会怎么做?是让每个人变得更强大,还是让一个人干三个人的活、裁掉另外两个?技术本身不决定答案,权力结构决定答案。
一项关于GenAI在组织中如何被整合的研究(Hendriksen, Jovanovic & Zichella, 2025)基于对一家小型电商初创企业和一家大型生物科技企业的深度访谈发现,正式层面对AI采纳的承诺与一线实践之间常常存在“决策不协调”。这种不协调并非源于资源不足,而是源于根深蒂固的惯例、不透明的决策逻辑和碎片化的权威——它们共同限制了新技术的有效落地。另一项关于德国ICT行业工人话语权的比较案例研究(Doellgast, Kämpf & Langes, 2026)则从正面提供了对照:当工作委员会积极介入AI工具的采纳与部署决策时,工人在涉及管理监控的领域获得了更强的话语权;但在涉及技能发展与就业调整的领域,工人话语权面临更大的挑战。
这两项研究指向同一个方向:AI在一个组织中被如何使用、收益如何分配,不是一个技术参数问题,而是一个治理结构问题。即便你个人层面做到了“commission yourself”,你仍然可能面对一个不给你时间、不给你工具、不给你话语权的组织环境。第六章的“主动权”叙事,在这个维度上需要限定:当组织决定不给你主动权时,个人的“commission yourself”能走多远?
从分配,到机会,到权力——这是一个递进的链条。分配不公,机会就不可能均等;机会不均等,权力就不可能对称。反过来,权力不对称,机会就会被少数人垄断;机会被垄断,分配就永远偏向权力的一方。先问收益归谁,再问谁有机会,最后问谁做主。
所以,这篇文章的立场是:在个人层面,我鼓励你成为不可替代的人;在结构层面,我提醒你,不可替代不是终点,公平可及才是。前者是你今天就能做的事,后者是我们需要共同推动的事。两者不矛盾,但缺一不可。
1.3.9. 结语:机器越像人,人越需要守住第三层
AI会不会取代人?在某些任务上,会。它会取代那些可以被清晰定义、可以被数据描述、可以被流程化的任务。
但有一类东西它取代不了,而且随着AI越来越强,这类东西反而越来越值钱。用本文的框架来说,它们分布在判断力三层次的不同深度上:
| 层次 | AI 的边界 | 人的不可替代之处 |
|---|---|---|
| 模式识别层(AI已强,人仍不可替代的部分) | AI可以识别“这类情况通常怎么处理” | 但人的模式识别带着亲历性的重量——你见过那个客户在会上欲言又止,你记得那个团队去年士气低落时的样子。这些记忆不是训练数据,是你的身体记住的。AI的模式来自文本,你的模式来自生活。 |
| 情境判断层(AI可部分模拟,但不可替代) | AI能模拟可被模式化的部分,不能模拟不可被模式化的部分 | 独特性恰恰在于偏离模式,而AI的强项是匹配模式。它也无法模拟“如果我这样做,后果由我承担”,因为责任不是一个统计概念。 |
| 责任承担层(AI完全无法触及) | AI可以写出一封措辞完美的邮件,但它不知道这封邮件发出去会让对方有什么感受 | 更重要的是,它不为任何决定承担后果。AI不会因为判断错了而被解雇、被起诉、被朋友疏远。承担后果,是人的专属。而恰恰是“承担后果”这件事,赋予了人做出最终判断的资格——因为你知道,这个判断错了,是你的错,不是AI的错。 |
这里需要把框架的最后一个张力说清楚。严格来说,责任承担可能不完全是“判断力”的一个层次,而是判断力之外的伦理基础——一个没有判断力的人也可以承担责任,但正是“承担后果”这件事,赋予了人做出最终判断的资格。所以更准确的说法是:第三层不是判断力的一个台阶,而是判断力得以成立的地基。框架在这里不是完美的,但恰恰是这个不完美,划出了AI与人的最后一条分界线。判断力三层次是“能力—情境—伦理”的递进结构,第三层是前两层得以成立的前提,也是AI永远无法触及的领地。
所以,AI时代最悖论的一件事是:机器越像人,人越需要像人——更准确地说,人越需要守住第三层。
你不用跟机器比速度、比记忆、比输出量。你比不过,也没必要比。你要做的是那些机器做不了的事:停下来想清楚要做什么,做出判断,承担责任,关心别人,在不确定中做决定。
[!quote] AI越强,你越不可替代
AI越强,你越不可替代——不是因为你会用AI,而是因为AI不会用你。它不会替你判断,不会替你品味,不会替你选择问题,不会替你承担后果,不会替你活。
它只会放大你。放大你的能力,也放大你的缺陷。放大你的判断,也放大你的懒惰。放大你的创造力,也放大你的满足化。
所以,最终的问题不是“AI能做什么”,而是“你打算用它做什么”。
这个问题的答案,不在任何AI模型里。它在你手里。不在第一层,不在第二层,在第三层——那个只有你能站上去、也只有你愿意为之负责的地方。
而当你回答这个问题的时候,你就已经证明了那个悖论:AI越强,你越不可替代。因为只有你能决定,AI的强大,到底是为了什么。
最后,这个框架可以被检验。一个可证伪的预测是:如果AI在第二层的模拟能力(例如智能体在组织情境中的因果推理与反事实规划)持续提升,人在第二层的相对优势应当缩小,而第三层的优势(为判断承担后果的意愿与能力)应当保持不变或扩大。如果实证研究发现,当AI的第二层能力足够强时,人在第三层的优势也随之消失,那么这个框架的核心分界线就需要修正。这是它下一步需要走的路,也是所有关于“人的优势”的讨论下一步需要走的路。
1.4. 参考文献
- Bilalić, M., McLeod, P., & Gobet, F. (2010). The mechanism of the Einstellung (set) effect. Current Directions in Psychological Science, 19(2), 111–115.
- Cattell, R. B. (1943). The measurement of adult intelligence. Psychological Bulletin, 40(3), 153–193.
- Choi, J. H., & Xie, C. (2025). Human + AI in accounting: Early evidence from the field (Working Paper No. 4261). Stanford Graduate School of Business.
- Cowan, N. (2001). The magical number 4 in short-term memory. Behavioral and Brain Sciences, 24(1), 87–185.
- Dell’Acqua, F., et al. (2023). Navigating the jagged technological frontier (Working Paper No. 24-013). Harvard Business School.
- Doellgast, V., Kämpf, T., & Langes, B. (2026). Building worker voice and power in AI decisions: Three cases in the German ICT industry. Work and Occupations, 53(4), 809. https://doi.org/10.1177/07308884251412886
- Gignac, G. E., & Zajenkowski, M. (2025). Humans peak in midlife. Intelligence, 113, 101961.
- Guilford, J. P. (1967). Creativity: Yesterday, today and tomorrow. Journal of Creative Behavior, 1(1), 3–14.
- Hendriksen, C., Jovanovic, M., & Zichella, G. (2025). GenAI adoption in organizations: Decision incongruence and control space. Academy of Management Proceedings, 2025(1). https://doi.org/10.5465/AMPROC.2025.21200abstract
- Humlum, A., & Vestergaard, E. (2025). Still waters, rapid currents: Early labor market transformation under generative AI (NBER Working Paper No. 33777).
- Jevons, W. S. (1865). The coal question. Macmillan.
- Kuznetsova, E., Mittal, S., Su, Y., & Chemotti, M. (2024). Exploring income and education on use of AI in a nationally representative sample. 二次分析,基于 Pew Research Center American Trends Panel Wave 152 数据。https://elliekuznetsova.github.io/project-ai-adoption.html
- Limb, C. J., & Braun, A. R. (2008). Neural substrates of spontaneous musical performance. PLOS ONE, 3(2), e1679.
- Pearl, J., & Mackenzie, D. (2018). The book of why. Basic Books.
- Pew Research Center. (2025). U.S. workers are more worried than hopeful about future AI use in the workplace.
- Salthouse, T. A. (2009). When does age-related cognitive decline begin? Neurobiology of Aging, 30(4), 507–514.
- Stanford Institute for Human-Centered Artificial Intelligence. (2024). AI Index Report 2024. https://hai.stanford.edu/news/ai-index-state-ai-13-charts
- Utley, J., & Gohar, K. (2024, March). Don’t let gen AI limit your team’s creativity. Harvard Business Review.