每次 AI 有大突破，社交媒体上就会准时出现两拨人。
时间精确得像闹钟。
第一拨，恐慌派：
“完了完了，这次是真的。”
“[职业名称] 要大规模失业了。”
“AI 已经能做 XX 了，这个行业还有多少年？”
转发量最高的那条，配图是一个机器人坐在办公室里，背景里的人类员工鱼贯而出，表情茫然。
第二拨，否认派：
“AI 永远取代不了真正有创造力的工作。”
“人类的情感连接是无可替代的。”
“上次你们也这么说了，然后呢？”
转发量第二的那条，配图是一只猫在键盘上踩，配文是“这就是 AI 的水平”。
然后两拨人在评论区激战三天。
然后热点冷却。
然后三个月后，下一个大突破来了，循环重启。
两拨人都错了。
但不是因为“真相在中间”——那种调和式的结论，看起来聪明，实际上没有任何指导价值。
他们都错，是因为他们在问同一个根本性的错误问题：
“AI 会不会取代这份工作？”
这个问题，设计上就无法产生有用的答案。
为什么这是一个错误的问题
让我解释一下“这个问题设计上就无法产生有用答案”这句话背后的逻辑。
错误一：它假设了二元性。
“取代”或者“不取代”，是一个 yes/no 问题。
但现实不是二元的，是一个连续光谱。
一份工作里，有些部分可能在 2025 年就被深度自动化，有些部分在 2030 年开始被影响，有些部分在 2040 年可能仍然需要人类。
用“取代”这个词，把一个连续的渐变过程，硬压缩成了一个开关。
结果是：不管你说“取代”还是“不取代”，你说的都不准确，因为真实情况更复杂。
错误二：它假设了同时性。
“AI 会取代 XX 行业”——这句话暗示，这件事会同时发生在这个行业里的所有工作上。
但现实是，影响有非常清晰的先后顺序。
同样是“会计”这个职业，基础的数据录入和报表生成，今天已经在被大规模自动化。
而“解读异常数据背后的业务含义，给管理层提供判断建议”，今天的 AI 远远做不到。
同一个职业，两种工作，正处于完全不同的自动化阶段。
“会计会不会被取代”这个问题，连问的对象都是错的——它把一个职业内部差异巨大的工作，当成了一个均匀的整体来讨论。
错误三：它假设了静态性。
“我的工作”——好像这份工作是一个固定的东西。
但工作是流动的。
今天的“数据分析师”做的事，和五年前完全不同。五年前，分析师花大量时间清洗数据、写 SQL、做基础可视化。今天，这些工作很多已经被工具自动化了，真正的分析师时间越来越多地花在“解读数据背后的业务逻辑”上。
这不是“取代”，这是“工作内容的迁移”。
未来五年，这个迁移还会继续——AI 接管更多的数据处理工作，分析师的时间进一步向“高价值判断”集中。
用一个静态的标签“数据分析师会不会被取代”，无法描述这个动态的迁移过程。
三个假设，全部错误。
这就是为什么每次 AI 突破，两拨人吵了三天，没有一个人的认知因为这场争论而真正更新。
因为他们用了一个设计上就无法产生洞见的问题框架。
我们需要一个更好的问题。
替代问题
Andrej Karpathy 给了我们一个比“会不会被取代”好得多的问题框架。
他的核心判断是：
“不要问你的工作安不安全。问你的工作可不可验证。”
什么是“可验证”？
可验证 = 给定一个输出，你能自动判断它是对还是错。
这个定义乍看起来很技术，但它蕴含着关于 AI 能力增长的最关键洞见。
为什么可验证性如此重要？
原因在于 AI 进步的机制。
AI 系统——特别是通过强化学习训练的系统——变聪明的方式，是通过大量的试错和反馈。
模型做一个预测，得到一个“对”或者“错”的信号，朝着“减少错误”的方向调整。重复几百万次。
这个过程有一个根本性的前提：必须有一个可以自动判断“对”和“错”的验证器。
如果有验证器——
AI 可以一天进行几百万次试错。每一次错误，都是一个学习信号。进步速度，是指数级的。
如果没有验证器——
AI 只能模仿人类给的示例，没有自主的探索和反馈。进步速度，取决于你能提供多少高质量的人类示范，增长是线性的，甚至停滞的。
这解释了为什么 AI 在某些领域进步惊人，在另一些领域几乎停滞。
代码，有验证器——测试能不能通过，程序能不能运行，逻辑有没有错误。AlphaCode 的进步速度，令所有人震惊。
数学，有验证器——证明步骤是否合法，结论是否正确。AI 在数学竞赛上的进步，每年都让数学界侧目。
围棋，有验证器——赢还是输。AlphaGo 从零基础到击败世界冠军，花了不到两年。
而品牌战略？没有验证器——没有人能在策略提出的当时就判断它是好是坏，需要几年市场验证。
诗歌创作？没有验证器——好诗的标准，没有人能给出一个可以自动运行的评分系统。
领导力判断？没有验证器——一个领导在某个关键时刻的决策是否正确，可能要等十年才能有结论。
在这些领域，AI 只能模仿人类的风格，无法自主进化。
可验证性，不决定 AI 能否最终自动化某项工作。
在极长的时间尺度上，Karpathy 认为几乎所有事情最终都可以自动化——随着验证器本身的能力提升，越来越多的“不可验证”领域会逐渐变得“可验证”。
可验证性，决定的是顺序。
可验证的任务，先被 AI 深度影响。
不可验证的任务，最后被影响。
这个顺序，不是随机的，是可以预测的。
一张你之前从未见过的地图
用可验证性作为坐标轴，我们可以画出一张比“能否被取代”更有用的地图——
一张描述“各类工作受 AI 影响的先后顺序”的地图。
高可验证性区域（最先被深度影响）：
- 代码测试与调试：测试通过/不通过，是最明确的验证器
- 数据清洗与格式转换：输出是否符合规范，可以自动检查
- 合规检查：是否满足明确的合规条款，可以规则化验证
- 标准化报告生成：输出是否符合模板，可以格式化验证
- 数学推导与计算：是否正确，可以精确验证
中等可验证性区域（正在被影响，速度因场景而异）：
- 文本分类与摘要：可以用人工标注数据训练验证器，但验证器本身不完美
- 合同风险识别：可以定义风险标准，但边界情况的判断存在主观性
- 客服问题解决：可以用用户满意度作为代理验证器，但延迟高、噪音多
- 销售邮件有效性：可以用回复率作为代理验证器，但影响因素复杂
低可验证性区域（最后被影响）：
- 品牌战略：效果需要几年市场验证，无法即时判断
- 组织文化建设：影响弥漫在整个组织，无法被单独度量
- 创意方向判断：好的创意无法被算法定义
- 人际关系管理：信任的建立，没有算法可以评分
- 危机决策：在极端不确定情况下的判断，无法事前验证
这张地图，和“能不能被取代”的那张地图，得出的结论完全不同。
“能不能被取代”的那张图，画的是一条清晰的红线：这边的工作安全，那边的工作危险。
“可验证性”的这张图，画的是一个渐变的光谱：从“现在已经在被深度影响”到“未来很长时间内仍然需要人类”，是一个连续的过渡，没有清晰的边界。
更重要的是，“可验证性”的这张图，给了你行动指南，而不只是结论。
它告诉你：
不是“逃离 AI 能做的领域”，而是在你的领域内，向光谱的右端移动。
不是“找一份 AI 不能做的工作”，而是在你现在的工作里，把时间从高可验证的执行层，迁移到低可验证的判断层。
三类人的行动地图
让我把这个抽象的框架，转化成三类人各自可以立刻思考的具体问题。
给企业决策者：
第一步，画出你公司业务的“可验证性光谱”。
把你们最重要的业务场景列出来，对每一个问的都是同一个问题：“这个业务场景的输出质量，能在 24 小时内被自动判断好坏吗？”
能的，放到光谱左端。不能的，放到右端。
第二步，优先在左端部署 Agent。
那里的 AI 进步速度最快，ROI 最清晰，验证机制已经存在，你可以快速知道 Agent 做得好不好。
第三步，投资“验证器”，而不只是投资“Agent”。
在光谱中段的业务，现在 Agent 的表现可能不稳定，原因往往不是 Agent 不够聪明，而是“什么叫做好”的标准还不清晰。
花时间把那个标准说清楚，建立一个验证器，Agent 的能力会随之快速提升。
给管理者：
第一步，审视你的团队现在的工作时间分布。
每个人每周的时间里，有多少花在了“高可验证的执行”上（做报告、填表格、数据录入、格式转换），有多少花在了“低可验证的判断”上（解读数据、做决策、建立关系、定义问题）？
高可验证的部分，正在被 Agent 吸收。这是不可逆的趋势。
第二步，帮团队向光谱右端迁移。
不是“裁掉做高可验证工作的人”，而是“让 Agent 接管高可验证工作，让人专注低可验证的部分”。
这需要你帮团队发展新的能力：从“执行精准”转向“判断清晰”，从“快速输出”转向“定义问题”。
第三步，改变你的评价标准。
如果你现在评价员工的维度，主要是“完成了多少工单”“处理了多少客户”——这些指标正在失效。
因为那些工作越来越由 Agent 完成。
你需要开始评价那些 Agent 做不到的事：对业务问题的洞察深度，在模糊情况下的判断质量，跨团队的协调和影响力。
给个体：
第一步，诚实地评估你今天的工作内容。
你每天工作的时间里，大概有多少比例，是在做“高可验证”的事情？
数据处理、报告生成、格式转换、标准化文档——这些，未来会越来越多地被 Agent 接管。
第二步，开始有意识地投资“低可验证”的能力。
判断力：能在信息不完整的情况下做出有质量的决策。
叙事能力：能把复杂的情况用对方能理解的方式说清楚。
问题定义：能识别出真正的问题是什么，而不是被表象误导。
关系建立：能与不同背景、不同利益的人建立真实的合作。
这些能力，没有自动化的验证器，所以 AI 的进步在这里最慢。
第三步，不要对抗 Agent，学会使用 Agent。
有一句话比“AI 取代人”更准确、更实用：
“使用 Agent 的人，替代不使用 Agent 的人。”
在可验证性相同的情况下，能用 Agent 把自己的产出放大 3 倍的人，比不用 Agent 的人更有价值，而不是更少。
焦虑指向哪里，决定它有没有用
焦虑本身不是坏事。
焦虑是一种信号，告诉你“这里有一个需要认真对待的变化”。
问题是焦虑指向哪里。
“我的工作安全吗？”这个问题产生的焦虑，指向的是恐惧。
恐惧让你想逃——但你不知道该逃到哪里，因为问题本身没有给你方向。
所以你在原地踏步，越来越焦虑，什么都没有改变。
“我的工作在光谱的哪里？我正在往哪个方向移动？”这个问题产生的焦虑，指向的是方向。
方向让你想行动——你知道应该把时间从哪里迁移到哪里，应该建立什么能力，应该用 Agent 接管哪些部分，应该专注深化哪些部分。
两个问题，同样来自对 AI 时代的真实忧虑。
但一个产生瘫痪，一个产生行动。
AI 对工作的影响，不是一个“会不会发生”的问题。
它已经在发生了。
而且它遵循一个清晰的、可以预测的规律：可验证的先走，不可验证的等一等。
这个规律，是你的地图。
有了地图，你就不需要恐慌，只需要导航。
这不是一个关于失业的故事。
这是一个关于顺序的故事。
而你选择的顺序——你决定先投资什么、先迁移什么、先用 Agent 接管什么——
就是你的战略。
战略不需要等待 AI 的下一个大突破来制定。
战略，现在就可以开始。
发表于 15 小时前
|
查看: 8|
回复: 0
