新型“K型分化”开启！拥有AI替代不了的东西，才能更值钱！【思想荟】

抓住风口，看懂趋势

本期要点：如何成为受益的哪一边？

你好，我是王煜全，这里是王煜全要闻评论。

最近，有个比较火的说法，叫做“K型分化”。

在AI的影响下，脑力工作也明显开始出现了类似的分化。大家在同一个行业，也好像在做同样的工作，却被AI撕成了两拨人。

往上走的那一拨，比如顶级AI工程师，年薪百万美元，甚至最高可以拿到上亿美元的薪酬包；往下走的那一拨，比如普通程序员，却成为了各个大公司裁员的重灾区。

回想工业革命的历史，这件事跟一百多年前泰勒制一脉相承。

泰勒把工人的动作拆成标准流程，再进行分工，从而效率翻倍。但同时，工人的价值在不断降低，而制定标准和掌控流程的管理者价值在提升。

不同之处是，泰勒拆的是工人的手，AI拆的是人的脑；相同的是，AI拆掉的东西，也将急速贬值。

因此，每个人都要重新定义自己在人机协作中的位置，找到那些AI无法替代、甚至反而会因为AI增值的核心能力。

6月底，我们曾提出，人类的第三次进化已经开始：人类已经从纯粹的生物进化和社会进化，向人机混合体（Cyborg Intelligence）的进化演变。

如今，这场进化已经体现在了职业层面的分化。

那么，我们如何才能在这场进化中胜出？或者说得更直白一些，该如何借助AI变得越来越贵？

重要的是什么？

近期，《金融时报》的一篇文章就试图找到其中的关键。

作者发现，用Gemini、Claude、GPT这些通用大模型处理新闻和金融文档，准确率很低，只有50%左右，但用投资专家的数据和判断微调后的模型来处理，准确率则可以提到85%以上。

这意味着，通用大模型普遍了之后，价值的关键已经迁移到了那些稀缺的数据和判断力上了。而这些信息，存在于人的脑子中。

过去，大家习惯按职业来思考AI的冲击，觉得程序员、律师、客服等等工作不值钱了，但这个做法显然才粗糙。

AI真正压低的，不是某个职业的价值，是这些职业中的任务开始分化了。

AI正在替代的，是能被写下来且被反复使用，自动化执行的效果比较好的那部分。当然，这些工作的边际成本也就在趋近于零，人自然就渐渐竞争不过AI。

但工作中还有大量不标准的部分，比如销售面对不同客户该如何破冰，不同病人要采用什么不同治疗方案，一个复杂系统的顶层架构要如何搭建，一道菜的火候要如何根据食材而改变等等。

这些任务，AI往往做得不太好。

具体拆解，我们又可以把不标准的部分分为五个维度。

也就是，场景，即客户需要面对的，但是没有清晰表达出来的具体问题；背景，即用户的历史偏好、过往的决策习惯等等；过程，就是换了什么方案、走了什么弯路；决策链，主要问题是决策者为什么这样判断、依据是什么；还有行动后果，会有什么利好或责任，会如何反过来影响决策本身。

这五个维度，就是我们在7月22日的要闻评论里提到的Situated Knowledges，立场性知识，常被大家戏称为“人味”。

随着AI的介入，标准部分的效率提升并成本骤降，这些不标准的“人味”部分变得更为稀缺，也相对变得更贵了。

其实，经济学家鲍莫尔在六十年前就讲过这个道理：当制造业的生产率由于自动化而不断抬升时，价格会越来越低，但理发、教育、现场演奏等这些无法自动化的服务，价格会节节高升。

这也就是为什么，美国的核心CPI上升，主要来自于医疗、教育等服务价格的刚性上涨。

今天，这件事也正在AI身上大规模重演。只不过，这种分化变得更加细致了，出现在单个行业、某个职业甚至某项任务的内部。

就像写文章，用AI出个初稿只需要半小时，但要花一两个小时去调整语言和结构，让它更有“人味”。AI负责产出，人负责给出判断和保持温度。

关键是数据

我们觉得，这些方面会成为AI自动化的死角，不在于技术，是在于数据。

AI看不到具体场景，拿不到上下文，也不知道试错的过程，可能更看不到反馈的结果。

而且就算数据很多，也依赖于人的判断，需要人来负责最终的价值确认和责任归属。

特别是，很多当事人做出某个判断，往往还源于直觉，但可能他们自己都说不清楚为什么，那又让AI怎么去学呢？

最近，我们在无锡参观了万耐特公司，这是一家做汽车零部件检测设备的公司，就出现了这样的情况。

这家公司很早就实现了自动化和数字化，系统里有多年积累的检测数据。于是，他们把这些数据塞进AI模型，希望能训出一个智能检测系统。

但一上手，发现完全不行，系统经常判断失误。

因为，原有的数据全是一堆结果，比如某天对某个零件执行了某项检测，得出了某个结论。

这里面，“人味”的五个维度都缺。

如在检测器之外，工程师还看到了什么？排除了什么可能性？从信号到结论，中间走了哪几步？按这个结论处理之后会得到什么后果？

这使得，AI不知道人类专家为什么会这样判断。

这时候，有意思的事情出现了，万耐特的CEO老贾的儿子小贾，美国留学回来后与几个小伙伴一起创业，首先要解决的就是老贾工厂里的这些问题，他们开发了一套新的数据收集系统来收集更多跟行为相关的数据，希望借助AI的能力，从中找出可以提升决策智能化水平的方法。

孩子没有接父亲的班，却用先进科技解决了父亲没有解决的问题。而且，老贾现在就很愿意把自己儿子的解决方案推荐给其他企业家朋友，因为小贾同学的AI系统，不仅能解决老贾的问题，可能也是未来长三角和珠三角等众多中国制造业企业的必然选择。

因为这不是孤例，几乎所有想训练行业AI的企业都面临这个问题——数据一大堆，但全是结果，不是判断。

所以未来，数据生产范式一定要基于AI的需求而改变了，不是人能看懂就行。不仅要补背景、过程、反馈的数据，还要保留失败数据、甚至保留一些看似无用的环境数据。

同时，最好要让工程师专门为AI产生训练数据。专家不仅要把事做完，还要把“为什么这样做”讲清楚、形成AI可理解、可训练的结构。当然，就要付对应的更高报酬。

然后，还应该建立“影子模式”，让AI在进入业务流程的同时，能在真实使用中持续学习。

这就像是，特斯拉的系统，能通过“影子模式”，在司机开车的同时、在后面同步模拟和记录。

不仅记录车处于什么环境、驾驶员看到了什么、采取了什么动作、产生了什么后果，还会把自己和司机做得不同的地方进行着重标记，并上传系统进行对比和学习，用于优化自动驾驶算法。

这样，系统学到的不是一个结果、或一条孤立的规则，它可以得到完整的决策序列，从而自己去总结归纳出做判断的模式。

第三次进化

我们建议，每个行业、每个企业、甚至每个人都需要自己的影子模式。

也就是，在真实工作的同时，把那五个数据维度的过程同步记录下来，并且不断让AI的决策逻辑以及最终判断和自己对齐，从而不断改进AI的决策质量。

那么，长期看，受到鲍莫尔定律影响的领域会不断缩小，AI会不断提升社会整体的生产效率，让社会更加繁荣。

同时，你不是在被动等待分化，而是在主动拥抱第三次进化。

你在主动提供不可替代的“人味”，也就是你的判断、创新和反馈，形成你自己的进化分支。

而且，这不只是进化，更是实实在在的生存之道。你能以此为基础，构建出你的独特服务、商业模式乃至企业，从而在第三次进化中，为自己确立一个稳固且可持续的生态位。

以上就是今天的内容，如果你也想掌握一线产业信息，并真正看懂科技产业，欢迎加入科技特训营学习，和我一起，先人一步，领先一路！

再做个提醒，新一期前哨AI夏令营又要开始了，科技特训营或AI小课历届会员还有优惠价，报名即将进入尾声，快快点击链接参加吧！

王煜全要闻评论，我们明天见。

↓长按图片扫码报名，先人一步，领先一路

↓点击报名前哨AI夏令营，带孩子赶上Agent浪潮！科技特训营或AI小课历届会员还有优惠价

最后， 鉴于公众 号推送机制的改变，你未来刷 到要闻评论的机会可能没那么多了，建议你加入粉丝群，第一时间 得到我的独家前沿分析 ，快快扫码加入吧！