AI时代，人的价值不是干得更多，而是让AI做得更好

今天早上在知乎刷到AI研究员田渊栋老师的2025年度总结，其中关于未来人与AI关系的思考让我很受启发。

田老师提出：AI时代，人才价值的评估逻辑已经彻底改变。在传统的评估框架里，工作经验积累越多，能力越强，回报也越高，是一条稳定的单调上升曲线——这也是大厂设立职级体系的底层逻辑：职级随工作年限晋升，确实一度是「越老越吃香」。

但当下的情况已经完全不同：职级光环失效，过去的经验也不再是硬通货。人才价值的评判标准，已经从「评估劳动者本人产出的劳动数量与质量」，转变成了「人能否放大AI的能力」——只有「人+AI」的总产出大于AI单独的产出，这样的人才真正具备不可替代的价值。

一个人每天工作八小时，另一个人每天只工作两小时。只看劳动数量，前者似乎更有价值。

但在AI时代，可能恰恰相反。后者用两小时定义问题、拆解任务、设计流程、检查结果，再让AI连续运行十几个小时。最后创造更多价值的，未必是亲手完成最多动作的人，而是能让机器朝正确方向行动的人。

这里有一个反常识的判断。

AI降低了生成答案的成本，却没有降低判断答案的成本。

它让文字、代码、图像、表格和方案大量出现，却没有替你决定哪个问题值得回答，也没有保证答案适合你的场景。生成端越来越便宜，判断端反而越来越重要。

这篇文章想讨论的不是一句口号，而是一种工作模型。读完以后，你可以用一套二维标准判断自己的AI系统处在什么状态，也可以知道哪些能力需要从执行层上移到问题定义、流程架构和价值判断层。

先把上限和下限放进同一个模型

很多人把提高AI上限和提高AI下限当成同一件事。其实它们是两个维度。

AI下限，指稳定性。 它回答的是，系统能不能少犯低级错误，少遗漏步骤，少出现格式问题，在相似任务中持续交付合格结果。模板、检查清单、资料库、自动化流程、权限控制和评估集，都是提高下限的工具。

AI上限，指问题价值和探索空间。 它回答的是，系统能不能进入更值得解决的问题，提出新的假设，发现新的路径，参与建模、创造和探索。领域知识、问题意识、方向判断、反方反馈和开放式实验，决定了上限能走多远。

这两个维度可以组成一个二维模型，对应四种协作状态。

状态	上限（问题价值）	下限（稳定性）	典型表现
随机噪声	低	低	问题没价值，执行也不稳定，结果既不能帮助决策，也经常返工
精致的传送带	低	高	任务清楚、流程稳定、结果整齐，但传送的是没人真正需要的东西
惊艳但不可交付	高	低	问题有价值、探索有空间，但偶尔惊艳、常在关键细节出错
成熟的人机协作	高	高	既能进入高价值问题，又能靠标准、反馈和权限保持稳定

这四种状态提醒我们，光追求效率不够，光追求创意也不够。没有下限，创意无法交付。没有上限，稳定只是在重复廉价劳动。

生成答案变容易，判断答案变难

很多人使用AI的方式仍然停留在旧时代。

写一封邮件，让AI润色。做一张表格，让AI生成。写一段代码，让AI补全。做一份报告，让AI整理。

这些用法当然有价值，但主要提高的是执行速度。它把原来需要一个小时的工作压缩成十分钟，却没有改变工作的结构。你只是更快地完成了原来那件事。

真正的变化发生在上游。

你能不能提出值得解决的问题。你能不能把模糊目标变成清晰流程。你能不能提供足够的背景信息。你能不能设计验收标准。你能不能识别一个流畅答案里的错误。你能不能承担采用这个答案之后的现实后果。

AI能在一个目标函数里高速优化，却不能保证这个目标函数就是你真正想要的。你让它优化点击率，它可能牺牲信任。你让它压缩成本，它可能损害质量。你让它尽快交付，它可能跳过验证。

所以，AI越强，人越不能只盯着操作层面。人需要上移一层，决定它究竟应该优化什么，并为结果建立可追责的边界。

人机互补，不会自动发生

德国卡尔斯鲁厄理工学院的Patrick Hemmer等五位学者，在2024年的研究中专门讨论了人机协同中的互补性问题：理想的人机团队，不是人和AI各自完成一半任务，而是组合后的表现超过任何一方单独完成任务的水平。

互补性来自两类差异。

一类是信息差异。人掌握具体背景、组织关系、现实约束和隐性目标。AI能快速处理大量公开资料，提供不同领域的知识和候选方案。信息不同，组合之后才可能得到单独一方得不到的判断。

另一类是能力差异。AI擅长高速检索、模式归纳、持续生成和重复执行。人擅长设定目标、理解语境、判断价值、承担责任和处理复杂后果。

但是，把AI接入工作流程，不等于获得人机互补。AI不会自动把一个执行者变成架构师，也不会因为你会下指令，就把你提升到决策层。

人的价值上移有明确前提。

你需要领域知识，才能判断问题是否重要、资料是否可信、结果是否符合现实。你需要资源，才能获得数据、工具、时间和协作者。你需要授权，才能改变流程、调用系统、推动组织执行。你还需要承担责任，才能把判断变成真实决策，而不是停留在聊天窗口里的漂亮建议。

如果缺少这些前提，所谓上移很容易只是换一种执行。一个人可以用AI写出更长的报告，却没有权力改变报告服务的决策。也可以让AI自动运行十个步骤，却不知道第一个目标是否值得追。

真正的上移，不是从亲手做事变成只发指令，而是从完成局部动作变成拥有更大的判断范围、行动资源和结果责任。

为什么高手更强，新手更容易错

AI可能让高手变得更强，也可能让新手更容易犯错。这不是一句关于聪明与否的评价，而是一个机制问题。

高手通常拥有三种先验能力。

第一，他有问题先验，知道什么值得追，什么只是漂亮的噪声。第二，他有质量先验，能从经验和领域知识中判断答案是否可疑。第三，他有反馈能力，知道怎样修改任务、补充信息、改变流程，让下一轮结果更好。

因此，高手把AI的生成能力接入自己的判断系统。AI扩大了他的探索宽度，也加快了验证速度。

新手缺少这些先验时，容易把流畅误认为正确，把完整的代码误认为可运行的系统，把资料数量误认为证据强度，把一次成功误认为稳定能力。AI生成得越快，新手未经审查的错误就扩散得越快。

这可以用一个简单的循环理解。领域知识提供初始判断，初始判断决定任务怎么拆，任务拆法决定AI看到什么信息，输出结果再通过反馈修正判断。高手的循环短而密，错误能在早期被发现。新手的循环常常只有输入和接受，中间缺少验证，错误就会一路进入最终交付。

因此，AI不会平均地提升所有人。它更像一个放大器，放大已有的判断结构，也放大判断结构中的缺口。

这不是新手的个人缺陷。任何复杂工具都要求使用者具备相应的校验能力。解决办法不是拒绝工具，而是把领域学习、标准建设和小规模验证一起装进工作流程。

四个行动指南

一，从亲手完成转向定义问题

很多人以为，使用AI的第一步是学习提示词。更重要的是学习如何定义问题。

合格标准是，任务说明中至少包含背景、目标、使用者、边界、证据要求和验收标准。读完任务说明的人，应该能判断什么结果算完成，什么结果必须退回。

最小执行动作是，在每次调用AI前写下六行内容。当前场景是什么，最终要支持哪个决定，谁会使用结果，不能触碰哪些边界，需要哪些证据，怎样验收。然后要求AI列出自己的假设和不确定部分。

常见误用是把定义问题写成堆参数。用户画像、预算和格式都写得很细，却没有说明这份结果要推动什么行动。信息变多了，目标仍然模糊。

不要只让AI写一份营销方案。告诉它具体用户、产品、预算和转化目标，并要求它把关键判断对应到证据或假设。问题定义越清楚，AI越可能进入高价值区域。

二，从追求数量转向建立质量标准

AI最容易制造生产力幻觉。屏幕上出现很多字，文件夹里增加很多文档，任务列表快速变短，都不等于价值增加。

合格标准是，质量标准能够被另一个人理解，也能够被一组真实样本检验。不能只写高质量、专业、符合预期这类无法操作的形容词。

最小执行动作是建立一个十项评估集。收集十个真实任务，记录合格结果和常见错误。以后每次调整提示词、流程或工具，都用同一组任务测试，并记录通过率、返工次数和关键缺陷。

写作可以检查事实准确性、结构清晰度、读者匹配度和观点独立性。编程可以检查测试通过率、边界条件、可维护性和安全风险。研究可以检查来源质量、论证链条、反例处理和结论强度。

常见误用是只测最容易的样本，或者为了让分数变好而不断更换评估集。这样得到的不是系统改进，而是测量方式被优化。

没有评估集，你只能凭当天的感觉判断AI是否变好了。有了评估集，才有机会形成稳定的改进循环。

三，从线性执行转向架构拆解

很多工作之所以难，不是某一步特别复杂，而是所有步骤混在一起。

合格标准是，每个阶段都有明确输入、输出、负责人、权限和退回条件。任何一个环节出错，都能定位到具体阶段，而不是最后才发现整份结果不能用。

最小执行动作是把任务拆成四段。先澄清问题，再寻找证据，然后提出方案和反方意见，最后由人做取舍和定稿。让不同阶段承担不同目标，避免一个系统既当运动员，又当裁判员。

还要设置权限边界。资料整理阶段只能读取公开信息。方案阶段可以提出建议，但不能自动执行。代码修改阶段可以改测试目录，但不能触碰生产环境。发布阶段必须经过人工确认。

常见误用是为了显得复杂而增加角色。五个AI互相转发同一份模糊任务，只会制造更多重复内容。拆解的目的不是增加流程，而是让每一步拥有不同的判断责任。

权限边界不是对AI缺乏信任，而是对复杂系统保持清醒。

四，量化人机协作的真实增量

使用AI之后，不能只看节省了多少时间，还要看结果质量是否提高，过去无法承担的任务现在是否可以承担，人是否把更多精力投入到了判断、创造和关系处理上。

合格标准是同时记录效率、质量和新增价值。至少要看到返工次数没有上升，关键质量指标没有下降，并且确实出现了过去做不了或长期拖延的工作。

最小执行动作是每周选择一个任务，记录没有AI时的完成时间、使用AI后的完成时间、返工次数、最终质量和新增价值。连续记录几周，再决定哪些环节适合自动化。

如果AI只是让你更快完成原来的低价值工作，你得到的是效率增量。如果AI让你开始做过去没有时间做的研究、产品、内容或实验，你才得到能力增量。

常见误用是用生成量代替价值量。文章变多、代码变多、会议纪要变快，都可能只是把低价值工作放大了。

提高AI上限，关键不只在提示词。真正决定上限的，至少包括问题质量、背景信息、任务分解、反馈密度和验收机制。所谓AI教练，不是每天研究几句神奇指令的人，而是能持续改进整个任务系统的人。

还要给系统装上反向反馈

人也会错。人会受偏见影响，会高估自己熟悉的方案，会因为沉没成本拒绝改变，也会把愿望误认为趋势。AI增强人的能力，也可能增强人的自信错觉。

所以，人机协作不能只设计正向反馈，还要设计反向反馈。要求AI提出反例，列出最不确定的判断，寻找与结论冲突的资料，模拟不同利益相关者的反应。

在医疗、法律、金融、公共安全和涉及个人重大利益的决策中，不能把最终责任交给模型。技术能力增长之后，约束机制的重要性不会下降，反而会提高。

提高AI上限也不是所有人的唯一选择。护理、教育、医疗、工程维护和组织管理等领域，AI可以辅助，但不一定能替代人与人之间的责任关系。有些人愿意保留手工劳动、慢速创作或直接服务的价值，这些选择也有合理性。

需要警惕的是，如果你的工作主要由可重复、可描述、可检查的动作组成，就要尽早判断这些动作是否正在变得廉价。如果答案是肯定的，就把能力投入到问题定义、流程架构、质量控制和价值判断的区域。

这不是放弃劳动，而是避免把全部职业价值押在一个越来越容易被复制的动作上。

结语

人的价值没有从生产劳动中消失，只是生产劳动的杠杆位置正在移动。

从亲手完成每一个动作，移动到设计一组动作。

从交付单个结果，移动到建立稳定的结果系统。

从和AI竞争速度，移动到决定AI应该把速度用在哪里。

机器负责扩大可能性，人负责选择方向。

机器负责持续执行，人负责设定标准。

机器负责生成答案，人负责决定什么问题值得回答。

当一个人能够让AI完成单独无法完成的事情时，他的价值就不再只是自己的劳动产出，而是他能够调动、约束和提升的整个智能系统。