AI不会平均淘汰所有人，最先被重新定价的是这类能力

AI 真正改变的，不只是岗位数量，而是企业愿意为什么能力付费。执行越来越便宜，判断、责任和结果正在变得更重要。

今天，我完整看完并转写了一段 13 分 41 秒的视频。

视频讨论了一个很有冲击力的判断：未来十年，可能是人类历史上最好的十年，也可能是最糟糕的十年。

最好，是因为 AI 会让生产力大幅提升，让一个人、一支小团队完成过去几十个人才能完成的工作。

最糟，是因为技术创造的价值虽然越来越大，但价值未必会平均分配。大量依靠重复劳动、标准答案和固定流程获得收入的人，可能会发现自己的议价能力正在下降。

看完以后，我认为真正值得讨论的，不是“AI 会不会替代人”。

这个问题太宽泛，也很容易把人带入焦虑。

更准确的问题应该是：

企业究竟把 AI 用来替代人，还是用来增强人？个人又能不能从被动执行者，转向定义问题、组织资源和负责结果的人？

同一种 AI，可以产生完全不同的结果。

它可以让企业只需要更少的人完成原来的工作，也可以让原来能力普通的人完成过去做不到的事。

对普通人来说，真正危险的不是 AI 突然把所有岗位拿走。

真正危险的是，当执行能力越来越便宜，自己仍然只能提供一套可以被标准化、复制和检查的动作。

同一种AI，存在两条完全不同的路线

斯坦福经济学家埃里克·布林约尔松提出过“图灵陷阱”。

过去很多人工智能研究，都在追求让机器表现得越来越像人。到了企业里，这种思路很容易变成一个简单目标：让 AI 完成人现在做的事情，再计算可以减少多少人员。

这是一条替代路线。

还有另一条路线，是让 AI 补足人的能力，使人能够处理更多信息、服务更多客户、发现更多问题，并创造原来不存在的产品与服务。

这是一条增强路线。

两条路线都在使用 AI，表面上都能提高效率，但它们对普通人的意义完全不同。

替代路线关心的是：过去十个人完成的工作，现在能不能只留下两个人。

增强路线关心的是：过去十个人只能处理一百个客户，现在能不能服务一千个客户，并提供更个性化、更及时的方案。

一项针对 5172 名客服人员的真实研究发现，使用生成式 AI 助手后，员工每小时解决问题的数量平均提高约 15%，其中经验较少、技能相对较弱的员工受益最明显。

这组数据的重要性，不只是证明 AI 可以提高客服效率。

它说明，AI 可以把优秀员工过去积累的表达方式、处理经验和解决路径，更快地提供给经验不足的员工。

如果企业只是看到“同样的工作需要更少的人”，它得到的是一轮人员压缩。

如果企业看到“更多人可以达到优秀员工的能力水平”，它就可能扩大服务规模、开发新市场、降低新人培养成本，并创造新的业务。

技术没有替企业做出选择。

真正决定结果的，是企业如何设计组织和业务。

最先承受压力的，不一定是能力最差的人

很多人认为，AI 首先淘汰的只是能力差、学历低或者不努力的人。

事实可能没有这么简单。

最先承受压力的，往往是工作内容最容易被拆解、被检查、被标准化的人。

一项基于美国大型工资单数据的研究发现，在 AI 暴露程度最高的职业中，22 至 25 岁的早期职业人群出现了约 16% 的相对就业下降。研究还发现，就业下降更多出现在 AI 被用于自动化的岗位；在 AI 主要用于增强人的领域，并没有出现同样的变化。

这不是中国就业市场的数据，也不能据此断言所有年轻人的岗位都会减少。

但它揭示了一个值得警惕的结构性问题。

年轻人进入一个行业，过去通常从整理资料、基础沟通、简单分析、内容初稿和重复操作开始，在这些工作中逐渐积累经验，再进入更复杂的岗位。

现在，AI 恰好最先接管了这些初级任务。

如果企业只想着压缩基础岗位，却没有重新设计人才培养路径，就会出现一个矛盾：

企业今天节省了新人岗位，几年以后却可能找不到真正懂业务、能够承担复杂判断的人。

对个人来说也是如此。

会写一份普通文案、整理一张表格、做一份基础调研、翻译一段资料，这些能力不会完全失去价值，但它们很难再单独构成稳定的议价能力。

因为客户和企业买到这些结果的成本正在快速下降。

AI 并不只是和人竞争速度，它首先在重新给各种能力定价。

AI真正改变的，是企业对人的定价方式

过去，一个人能写、能做图、能整理数据、能回复客户，企业会把这些执行能力组合成一个岗位，并按月支付工资。

现在，AI 可以参与其中的大量动作。

这时候，企业会重新判断一个人的价值：

他是否知道该研究什么，而不只是会收集资料？

他是否能判断内容是否准确，而不只是会生成内容？

他是否能理解客户没有直接说出来的需求，而不只是回复邮件？

他是否能协调产品、销售、供应链和交付，而不只是完成自己手里的一个环节？

他是否愿意为最终结果负责，而不只是证明“这一步我已经做完了”？

执行能力仍然重要，但它会越来越像一种基础设施。

就像今天会打字、会搜索、会使用办公软件已经很难单独成为高薪能力，未来“会使用 AI”也会迅速变成多数岗位的基本要求。

真正拉开差距的，不是一个人使用了多少工具，而是他能不能借助工具，对真实问题形成更好的判断。

所以，这篇文章标题里说“把没有判断的人变得更便宜”，并不是在贬低任何人。

它说的是一种现实：当两个人都能借助 AI 快速完成基础动作时，市场愿意多付的钱，会越来越集中在判断、责任、资源和结果上。

为什么企业用了AI，短期内却未必增长

视频中提到了生产力 J 曲线。

一项通用技术出现后，企业不会因为购买了工具就立即获得全部收益。真正的价值，往往要等到企业完成流程重组、岗位调整、人才培训、数据积累和商业模式创新以后，才会逐步释放。

AI 也是一样。

给员工开通一个 AI 账号，让大家写邮件、做图片、整理会议纪要，只是局部提效。

如果企业原来的流程存在问题，AI 只会让原来的动作运行得更快。

客户响应慢，AI 可以快速生成回复，但不能自动解决谁来负责、什么时候回复、供应链能否接住。

产品资质不全，AI 可以带来更多客户，却不能替工厂完成认证和稳定交付。

报价机制混乱，AI 可以整理需求，却不能凭空决定成本、利润、账期和风险边界。

所以，企业真正需要重构的不是某一个岗位，而是从客户需求出现，到最终获得结果的完整流程。

我们的外贸试点，让我看到“增强”比“替代”更重要

我们目前正在推进宠物粮食、五金等多个外贸项目，也在测试网站、SEO、GEO、内容、询盘和 AI CRM 的流程。

这些实践让我越来越确定，外贸真正需要的不是一个可以自动回复所有邮件的机器人。

外贸需要的是一套能够增强人的业务系统。

以五金项目收到的印度客户询盘为例。问题并不在于 AI 能不能读懂邮件，而在于团队能否快速判断产品范围、寻找供应商、确认价格、交期与物流，并在承诺时间内给客户明确反馈。

如果这些能力没有组织起来，即使 AI 带来更多询盘，也只会带来更多流失。

宠物粮食项目也是一样。

AI 和 GEO 已经帮助我们获得了一批免费询盘，但工厂资质、产品方案、业务跟进和交付能力决定了询盘能不能继续向订单转化。

这也是为什么我们没有急着扩大广告投放。

AI 可以放大流量，也会放大流程中的问题。

我们现在真正要做的，是让业务员获得更好的客户信息，让供应链更早进入需求判断，让每一次失败都被记录下来，再用 AI 帮助整个团队形成更快、更稳定的响应。

这不是用 AI 把业务员换掉。

而是让业务员从重复写邮件、找资料和维护表格中出来，把精力放到客户理解、关系建立、方案判断和成交推进上。

这才是我认为更有价值的 AI 增强。

普通人最应该升级的，不是工具清单

面对 AI，很多人的第一反应是学习更多工具。

会使用工具当然有用，但工具更新太快，功能差距也会越来越小。

今天需要专门学习的能力，明天可能就成为软件里的一个按钮。

普通人更应该积累四类不容易被一次生成的能力。

第一，定义问题的能力。

客户说自己需要一个产品，不代表这就是他的真实目标。能够从模糊需求中找到真正的问题，比快速生成一份答案更有价值。

第二，行业判断能力。

AI 可以整理公开资料，但一个产品能不能生产、客户为什么采购、哪个参数真正影响使用、什么承诺会带来风险，需要真实行业经验。

第三，组织资源的能力。

很多结果不是一个人完成的。客户、工厂、业务、物流、认证、技术和渠道需要被组织到同一个目标里。AI 可以辅助协调，却不能自动建立信任和责任。

第四，对结果负责的能力。

生成了内容不等于获得客户，获得询盘不等于成交，做出了方案不等于完成交付。

未来更有价值的人，不一定亲手完成每一个动作，但他知道结果为什么没有发生，也能推动下一轮改进。

普通人不一定都要创业，但必须离结果更近

谈到 AI 时代的个人机会，很容易走向另一个极端：仿佛每个人都应该辞职创业，成为所谓的超级个体。

我不这样认为。

创业不是所有人的答案，OPC 也不是唯一的组织形式。

一个人完全可以留在企业里，但要主动改变自己在业务中的位置。

如果过去只负责写内容，就要进一步理解内容如何获得客户。

如果过去只负责回复询盘，就要进一步理解客户为什么成交、为什么流失。

如果过去只负责整理数据，就要进一步理解数据支持什么决策。

如果过去只负责执行流程，就要进一步理解流程为什么这样设计，以及哪里需要重新设计。

这就是从完成任务，走向负责结果。

企业也需要给员工这样的空间。

如果企业一边要求员工拥抱 AI，一边仍然只用工时、数量和固定动作考核员工，那么 AI 最终只会被用于压缩人员。

如果企业允许员工借助 AI 重新设计工作，让他们参与客户、产品和结果，AI 才可能真正提高整个组织的能力。

最后

未来十年究竟是最好的十年，还是最糟糕的十年，不会有一个适用于所有人的统一答案。

对企业来说，答案取决于它把 AI 用于简单替代，还是用于创造新的能力、市场和服务。

对个人来说，答案取决于自己继续停留在可复制的执行环节，还是逐步走向问题定义、行业判断、资源组织和结果责任。

AI 不会让执行消失。

但它会让普通执行越来越便宜，也会让高质量判断被更大范围地放大。

所以，普通人的破局不只是学习一个新工具，也不是每天追逐新的模型。

更重要的是重新回答三个问题：

我真正理解哪个行业？

我能解决谁的什么具体问题？

当 AI 帮我完成大部分动作以后，我能不能对最终结果负责？

不要只证明自己会干活。

要证明自己能够借助 AI，把一件真实的事情做成。