1. 为什么说历史总是在重演几次浪潮里的同一个坑这几年AI 从一个技术圈的热词变成了每个行业都在喊的口号。大家一边焦虑自己的岗位会不会被替代一边疯狂地在各个工具之间跳来跳去试图赶上风口。但我作为一个经历过互联网、移动互联网、云计算这几波浪潮的老兵看现在的 AI 热潮总觉得哪里眼熟。技术栈确实变了但踩坑的方式没变。十年前那批人怎么追移动互联网的现在那批人基本用同样的姿势在追 AI。2013 年左右人人都在说移动互联网是趋势于是大量传统软件公司紧急转型做 App不管自己产品适不适合手机端先上架一个再说。结果呢大量为了移动而移动的产品死掉浪费了资源也消耗了团队的信心。现在 AI 来了很多团队做的事情本质上一模一样——不管业务场景适不适合先接入个大模型再说。问它们为什么要接回答往往是这是趋势不接会被淘汰。如果只看表面我们确实处在一个新技术快速落地的时代。但如果你把眼光拉长到十年二十年会发现每一次技术革命都会带来同样的三个现象技术崇拜、身份焦虑、经验贬值恐慌。技术崇拜的表现是新工具拜物教。每出一个新模型、新平台就有人跳出来说XXX 会颠覆一切然后一群人蜂拥而上仿佛掌握了一个工具就掌握了未来。身份焦虑是怕被时代抛弃的恐惧感被媒体放大导致很多原本清醒的人也开始病急乱投医。经验贬值恐慌则是最要命的——干了十年传统的资深工程师看着 AI 生成代码比自己手写还快深夜产生了强烈的自我怀疑。但历史还告诉我们另外一件事真正笑到最后的人不是跑得最快的而是看得最清楚的。移动互联网时代第一批冲进去做 App 的人大部分失败了。但那些把移动互联网当成一种新的用户触达方式、把精力放在如何用手机端更好地解决用户问题上的产品活下来了甚至长成了现在的巨头。云计算的早期也是如此第一批把服务器全迁到云上的企业并没有因为上云本身获得什么竞争优势真正受益的是那些基于云原生架构重构了自己成本模型和交付模式的公司。所以现在当大家问AI 时代我们应该做些什么时我的第一反应不是给你推荐一堆工具而是想帮你把视野拉高一点看看过去这些浪潮里那些幸存者做对了什么踩坑的人又错在哪里。理解了这一点做些什么的答案其实自己就会浮现出来。1.1 每次技术浪潮都在重复的恐慌-跟风-淘汰周期我把过去二十年的技术浪潮画成一条曲线剔除掉技术细节剩下的骨架惊人地一致。第一个阶段是恐慌期。新技术出现媒体开始造势头部公司开始布局然后所有人都坐不住了。程序员焦虑自己的技术栈会不会被淘汰产品经理焦虑自己的工作方式会不会被重构老板焦虑公司会不会在下一波浪潮里掉队。第二个阶段是跟风期。大家开始疯狂尝试但目标极其模糊。很多团队在这个阶段做出来的东西本质上只是把旧业务翻译成新技术的语言——比如上一轮浪潮里把 PowerPoint 改成网页版这一轮则是把聊天机器人硬塞到各个产品里。第三个阶段是冷静期。泡沫开始破裂那些没有想清楚为什么的项目开始被淘汰一大批创业公司消失一大批岗位被优化。这时候很多人才开始真正去思考这项技术到底适合解决什么问题它在什么边界内是可靠的第四个阶段才是价值创造期。留下来的团队开始在边界内做实事技术真正进入产业改变生产和交付模式。有意思的是现在大部分讨论都停留在第二阶段而历史清楚地告诉我们第二阶段的大部分努力都是白费的。如果不想在第三阶段成为被优化的对象你现在就应该用第四阶段的思维方式来思考问题。1.2 那些熬过周期的人到底做了什么不同的事我自己复盘过身边那些跨越过至少两轮技术浪潮还活得越来越好的人发现他们身上有几个高度一致的特征。第一个特征是不把工具当信仰把问题当入口。他们研究新技术的时候第一句话永远问的是这能帮我解决什么问题而不是这东西有什么新功能。很多人学工具是跟着功能列表走的——出了新特性就觉得得学而这类人的学习路径是跟着自己的实际需求走的需求到位了才去研究某个功能的深度用法。第二个特征是持续积累跨领域的底层资产。什么叫底层资产就是那些不会因为技术更迭而过时的能力逻辑思考能力、沟通表达能力、识别关键矛盾的能力、快速学习和迁移框架的能力。你让十年前的人看今天的 AI 应用他可能完全不知道这些工具怎么操作但他对用户到底要什么的判断力依然比很多熟练操作工具的年轻人要强。第三个特征是刻意训练自己不被工具替代的部分。我认识的一位设计师从 2023 年开始用 AI 辅助出图但她没有只做一个写提示词的人。她花了大量时间学色彩理论、研究用户心理、做竞品分析——她说得很直白AI 能替代的是从需求到初稿的那一段替代不了的是判断哪个初稿方向更对的那个过程。这三人共同说明了一个道理技术会过时但认知、判断力、结构性思考这些元能力不会。而且恰恰是在技术快速变化的时期这些元能力的价值会被放大——因为技术本身变得廉价了真正稀缺的是知道用它来干什么的决策能力。2. AI 时代真正需要警惕的三类陷阱不只是跟风那么简单好了现在我们把目光转向当下。基于前面的宏观判断我观察到的 AI 时代其实暗藏着三类特别容易让人栽跟头的陷阱。它们比单纯的跟风更深、更隐蔽。如果你正在准备进入或者已经在 AI 相关的行业里这几条值得认真对照一下。2.1 工具囤积症的幻觉收藏了几百个工具能力却没有增长我特别想问一句你手机里装了多少个 AI 应用收藏夹里存了多少篇十大 AI 工具推荐如果数量超过二十个你大概率已经患上了工具囤积症。工具囤积症的核心特征是把获取工具当成掌握能力。收藏夹里的文章越存越多但真的遇到问题时你还是不知道用哪个工具、怎么组合它们来解决一个完整的问题。这就好像一个厨师家里堆满了全世界各地的顶级厨具但依然做不出一桌像样的菜。我自己也踩过这个坑。2024 年初我一度装了二十多个 AI 插件从写作到编程到画图到办公全副武装。结果是什么呢打开某个软件的时候脑海里会闪过好像有个工具能帮我做这个但我忘了它叫什么、在哪个菜单里。为了找工具花的时间比直接用老办法干完这件事还要长。后来我做了一次大清洗只保留三个用得最顺手的效率和专注度反而大幅提升。工具囤积症背后的心理机制是害怕错过。每出现一个新工具就担心自己不用就会被甩下。但事实是新工具的增量价值远没有宣传的那么高而你需要为此付出的注意力成本却被严重低估了。正确的姿势是什么**以任务为单位反向选择工具。**你先列出自己日常最高频的 5 类任务针对每一类任务钻研 1-2 个工具把它们用到肌肉记忆的级别。至于其他新工具保持关注即可不要浪费精力去深入。2.2 把生成当创作的效率幻觉第二类陷阱在内容相关领域尤为明显很多人把生成当成创作把效率提升当作能力提升。现在随便一个内容平台上都充斥着一眼就能看出是 AI 生成的文章和图片——结构工整、语言流畅、排版漂亮但内容空无一物。它们的作者也不是想糊弄谁很多时候是真的以为AI 写得这么好直接发出去就行。这就是效率幻觉工具帮你把从零到一的那个一给生成了你就误以为那一步已经完成了。但实际上创作是一个两段式的过程**先定义什么值得被表达再决定如何被表达。**这两段里AI 能帮上忙的主要是后一段而真正的价值在前一段。这也解释了为什么市面上已经有海量AI 生成的产品和内容但真正能产生持续影响力的依然是少数。因为生成式 AI 的本质决定了它只能产出对已有模式的重新组合它很难凭空创造出结构和范式层面的新东西。如果你只是把 AI 的输出当成品你就等于亲手放弃了创作中最值钱的那一块。正确使用 AI 的姿势是**把它当实习生而不是当作家。**你负责定方向、提要求、做评估、改结构、给出反馈它负责产出初稿、扩展细节、批量完成重复性工作。你省下来的时间不是用来刷手机的而是用来做更深度的事情——思考选题策略、调研用户画像、拆解竞品逻辑。2.3 追逐热点导致的地基松动今天学这个明天学那个最后什么都没扎下根第三类陷阱最容易发生在程序员群体里但我见过产品、运营、设计各个岗位的人都在踩。表现是今天看到一个AI Agent 是未来的视频马上放下手头的业务去学 Agent 框架明天看到AI 编程会成为程序员标配又赶紧买课程后天听到多模态是方向又开始研究图像生成模型。这种学习方式最大的问题不是精力分散而是没有积累效应。你的知识体系是碎片化的相互之间没有支撑就像一栋不停更换装修风格但从未打地基的房子。AI 时代知识更新的速度确实加快了但底层逻辑——数据结构、算法思维、用户洞察、商业模型——这些东西的变化并没有那么快。更隐蔽的危害在于频繁地追逐热点会让你形成一种快速上手-快速放弃的行为模式然后慢慢丧失啃硬骨头的能力。而真正有价值的技能几乎都是需要啃硬骨头的。我见过的应对方法是这样给自己划定一个能力根据地——比如你是后端工程师就先把分布式系统、高并发、数据库这些基础打牢你是内容从业者就先把信息收集、逻辑推演、口语化表达这些练扎实。然后以这个根据地为基点向外延伸 AI 相关的新技能。新技能是帮你扩大战场的而不是替换根据地。3. 我们应该做的四件事把 AI 浪潮变成职业复利讲完了坑来说正事。AI 时代到底应该做些什么我的答案可能会让你有点失望——不是去学最新的某个模型框架也不是去囤一堆工具而是做好下面这四件看起来不那么炫酷但长期回报率极高的事情。3.1 守住你的深度工作能力哪怕 AI 什么都能干先讲一个反直觉的结论AI 越强大深度工作的能力越稀缺、越值钱。逻辑其实很简单。当生成内容变得极其廉价时市场上会被海量的平庸内容淹没。在这种背景下能产出高质量、有深度、有独特视角内容的人价值不但不会被稀释反而会因为稀缺性而被放大。深度工作能力有三个维度长时间专注于单一事务的能力、抵抗干扰的能力、沉浸在高难度认知活动中的能力。这三个维度在 AI 时代都在被系统性侵蚀。以前让人分心的是社交软件现在又多了一个 AI 助手——你想专心写一段方案AI 在旁边疯狂地帮你补全句子你根本不需要调用自己的思考。我的建议是每天保留 1-2 小时的无 AI 深度工作时间。这段时间里关闭 AI 助手只使用最原始的工具纸笔、纯文本编辑器专注处理高难度的核心任务。一开始你会很难受因为大脑已经习惯了有 AI 搭把手的感觉。但坚持两周之后你会发现自己的独立思考能力、逻辑组织能力有明显的回升。这不仅是能力的储备也是一种对抗依赖性的自我保护。3.2 建立提问-评估-迭代的闭环能力而不是执迷于提示词技巧现在市面上的课最喜欢讲提示词工程恨不得把各种模板背下来。我的观点是提示词的基本语法值得花半天了解但真正值得精进的是提问-评估-迭代这个闭环。先解释一下提问层。这里的提问不只是用什么样的 prompt 让 AI 产出更好的结果更重要的是提出正确的问题业务上到底卡在哪个环节这个环节适合用 AI 解决吗效率和质量的衡量指标是什么这些问题的答案决定了 AI 在你的工作流程里到底能发挥多大的价值。然后是评估层。AI 给出的内容质量参差不齐你需要有能力判断什么是好的什么是不好的。这个判断力不是天生的需要你深入了解业务逻辑、了解标准、见过足够多的优秀案例。很多 AI 用得不好的人问题不是出在不会提问而是出在AI 给什么他都接受。最后是迭代层。基于你的判断给 AI 反馈让它调整再判断再调整——直到产出合格的结果。这个人机协作的循环本质上跟你管理中一个员工是类似的。你不可能指望一个实习生第一次交出来的东西就能直接用但经过几轮反馈他产出的质量会明显提升。把这个闭环做成自己的方法论之后你会发现工具换了一个又一个但这个闭环本身从未失效而且它完全可以迁移到任何工具上。3.3 深耕一个垂直场景做AI行业的翻译官每次 AI 掀起一轮热潮都会出现一批万金油式的从业者——这个领域懂一点那个领域也懂一点但都不深入。这类人在浪潮初期特别显眼因为他们的知识面足够宽什么话题都能聊。但到了落地阶段他们反而最容易被淘汰。原因很简单**AI 的商业价值最终都要在具体的行业场景里兑现。**通用大模型解决的是从无到有的问题但每个行业有自己的业务逻辑、数据特点、合规要求、用户习惯这些都需要该领域的深度知识才能理顺。一个既懂 AI 能力边界、又懂行业痛点的人价值远超过一个只懂技术或只懂业务的人。我自己非常看好AI行业翻译官这个角色。如果你在医疗、法律、制造、金融、教育、农业等任何一个行业有积累哪怕现在 AI 水平很一般也别急着跳出来转行去做纯 AI 产品。更好的路径是继续留在行业里同时系统学习 AI 能做什么、不能做什么然后把两者结合解决你所在行业的真问题。举个我熟悉的制造业例子。很多中小工厂的排产计划全靠老师傅的经验老师傅一退休就出问题。一个既懂工厂流程又懂 AI 建模的人就可以利用生产历史数据做一个排产优化工具——听起来不高级但实际价值非常大而且只有同时懂两边的人才能做出来。3.4 建立高质量的信息来源和人脉圈对抗噪音茧房AI 时代有一个悖论获取信息的成本越来越低但找到高质量信息的成本却越来越高。因为信息总量在爆发式增长而大部分新增信息是低质量甚至误导性的。我见过太多人被社交媒体上的AI 焦虑帖裹挟今天看一篇XX 岗位被 AI 取代明天看一篇XX 企业全面使用 AI一天一个焦虑什么正事也没干。要对抗这种信息的裹挟你得主动建立自己的高质量信息源。我的做法是三层信息来源结构。第一层是一手信源直接关注顶级研究机构、学术论文、官方文档、头部企业的工程博客这些能保证信息的技术可靠性和深度。第二层是可信的解读关注那些有实际从业经验、不是纯粹写流量文章的人他们对某个问题的分析往往比一手信源更贴合应用场景。第三层是高质量社群加入一些小而美的行业社群里面的人有共同背景、讨论问题够具体、愿意分享真实经验。这三层加起来基本能帮你过滤掉 90% 的无效信息。人脉圈的逻辑也一样。与其加几百个微信群每天看刷屏消息不如维护好 20 个真正能深入交流的人。这些人最好分布在不同行业——这样当 AI 在你的行业发生变化时你能通过他们的视角看到别处的应对方式。4. 从熟练使用工具到定义问题本身AI 时代的能力跃迁前面部分讲了很多应该做什么的方法论但我想再往下挖一层。现在很多讨论的焦点都停在如何更好地使用 AI但我认为这个问题的更底层其实是AI 正在改变人做什么和机器做什么的分界线。而这条分界线的移动要求我们重新定义自己的能力坐标系。4.1 AI 程序员和AI 时代的程序员是两种完全不同的生物现在有个热词叫AI 程序员听起来好像会使用 AI 编程工具就是 AI 时代的程序员了。但实际上AI 程序员和AI 时代的程序员是两种完全不同的生物。AI 程序员做的事情是向 AI 描述需求把 AI 生成的代码粘贴到工程里跑通就完事了。这种工作方式在简单功能开发、快速原型验证阶段确实效率很高但一旦进入复杂的生产环境就会出问题——代码质量参差不齐、安全隐患难以识别、架构设计缺乏全局观、问题定位无从下手。AI 时代的程序员则是把 AI 当作一个高效的编码助手但自己的核心能力反而强化了那些 AI 不太擅长的事情——系统设计、架构决策、需求分析、代码评审、线上故障诊断、安全审计。我打一个比喻。早期的工程师开发软件时连内存都要手动管理每一行字符都要小心翼翼后来出了高级语言、框架、自动化测试工具程序员这个职业非但没有消失反而因为工作效率提升而创造了更多的岗位和更大的价值。现在的情况跟当年如出一辙。AI 会让编码实现的成本趋近于零但定义行为、验证正确性、评估系统性风险的价值会水涨船高。所以如果你想在 AI 时代保住自己的程序员生涯路径其实非常清晰不要在写代码这个维度上跟 AI 内卷而是把精力投向系统级思考和工程判断力这些 AI 短期内无法替代的方向。4.2 产品思维将成为所有人的底层能力不仅是程序员需要重新定义自己的定位我觉得 AI 时代所有人都值得补一层产品思维。什么叫产品思维用一句话概括就是**始终从用户的问题出发来组织资源和技术而不是从自己会什么出发。**过去分工细化的时代很多人可以只做一颗螺丝钉不用关心整个链路。但在 AI 时代因为很多执行环节变便宜了一个人能撬动的范围变大了能不能定义出一个值得解决的问题成了最重要的分水岭。举一个简单的例子。一位做电商运营的朋友如果用传统思路工作每天的工作就是上架商品、写详情页、投广告。AI 时代他可以怎么做呢他可以自己用 AI 工具做产品调研分析用户评论里的高频痛点可以做竞品分析找出自己产品的差异化空间可以自动构建一套客服话术优化系统。这些工作以前需要 3-4 个人配合才能完成现在一个人AI 就能跑起来。但前提是——他得知道这些问题值得被解决以及怎么定义这个问题的边界。这就是产品思维的价值它让你不会被工具能力限制住而是把工具看成实现目标的一种手段。当你能定义出高质量的问题时AI 是你的加速器当你不具备这种能力时AI 只是另一个让人更焦虑的玩具。4.3 如何刻意练习定义问题的能力聊到这里肯定有人想问那定义问题的能力怎么练有没有具体的方法我分享几个自己一直在用的练习方式。第一个练习是5 遍追问法。每当你接到一个任务或看到一个现象不要急着动手连续追问自己 5 遍为什么。举个例子老板让你做一份 AI 工具调研报告。第一遍问为什么需要这份报告——因为准备在团队里引入 AI 工具。第二遍问为什么要引入 AI 工具——因为大家觉得工作效率低。第三遍问效率低的关键环节在哪里——是信息搜集。第四遍问信息搜集用 AI 解决是提升效率的最优解吗——未必可能需要先改进信息共享机制。第五遍问那真正的问题到底是什么——可能是团队的信息基础设施不够好。这个练习做完你大概率会发现最初的问题根本不是真正的问题。第二个练习是限制条件挑战。给自己设置一些额外的边界比如如果今天只有 10% 的预算你会怎么做如果必须在一周内上线你会砍掉哪些功能如果不允许使用现有的方案你会怎么设计这种练习能逼你跳出惯性思考从更本质的环节去定义问题。第三个练习是向门外汉解释。找一个完全不懂你行的人用三分钟把你的核心工作讲清楚让他能理解你在解决什么问题、为什么这个问题重要。如果你发现讲不清往往不是表达能力的问题而是你自己对问题的理解还不够透彻。这三个练习都不需要工具只需要你每天花 15-20 分钟。但长期坚持下来你会发现自己的思维方式在发生明显的变化——从怎么干逐渐向干什么、为什么干迁移。这个跃迁的能力才是 AI 时代最有价值的资产。5. 最后聊点我的个人判断写到这里其实已经接近尾声了。我不太愿意做什么总结展望但如果一定要我说说个人体会我会说AI 时代最稀缺的能力不是操作某一个新工具而是在变化中依然保持判断力。判断力来自哪里来自你对行业深度的理解、对一个好问题的敏感度、对内容本质的把握、对什么在变、什么不变的清醒认知。我见过太多人把大量时间花在追逐新工具和新技术上花在焦虑和比较上却很少有人愿意花时间把一件小事做深做好。而历史上每一轮浪潮最后奖励的恰恰是那些把一件小事做得足够深入的人。所以我的答案其实很简单**AI 时代的我们应该做些什么——把 AI 当工具把自己当人。**用工具去放大你的效率用人类独有的判断力、创造力和共情能力去定义方向。该深耕的深耕该坚守的坚守该学习新东西的时候也别犹豫。这样等到下一轮历史重演的时候你大概率会是那个站在价值创造期、淡定看着后来者恐慌的人。
1. 为什么说历史总是在重演几次浪潮里的同一个坑这几年AI 从一个技术圈的热词变成了每个行业都在喊的口号。大家一边焦虑自己的岗位会不会被替代一边疯狂地在各个工具之间跳来跳去试图赶上风口。但我作为一个经历过互联网、移动互联网、云计算这几波浪潮的老兵看现在的 AI 热潮总觉得哪里眼熟。技术栈确实变了但踩坑的方式没变。十年前那批人怎么追移动互联网的现在那批人基本用同样的姿势在追 AI。2013 年左右人人都在说移动互联网是趋势于是大量传统软件公司紧急转型做 App不管自己产品适不适合手机端先上架一个再说。结果呢大量为了移动而移动的产品死掉浪费了资源也消耗了团队的信心。现在 AI 来了很多团队做的事情本质上一模一样——不管业务场景适不适合先接入个大模型再说。问它们为什么要接回答往往是这是趋势不接会被淘汰。如果只看表面我们确实处在一个新技术快速落地的时代。但如果你把眼光拉长到十年二十年会发现每一次技术革命都会带来同样的三个现象技术崇拜、身份焦虑、经验贬值恐慌。技术崇拜的表现是新工具拜物教。每出一个新模型、新平台就有人跳出来说XXX 会颠覆一切然后一群人蜂拥而上仿佛掌握了一个工具就掌握了未来。身份焦虑是怕被时代抛弃的恐惧感被媒体放大导致很多原本清醒的人也开始病急乱投医。经验贬值恐慌则是最要命的——干了十年传统的资深工程师看着 AI 生成代码比自己手写还快深夜产生了强烈的自我怀疑。但历史还告诉我们另外一件事真正笑到最后的人不是跑得最快的而是看得最清楚的。移动互联网时代第一批冲进去做 App 的人大部分失败了。但那些把移动互联网当成一种新的用户触达方式、把精力放在如何用手机端更好地解决用户问题上的产品活下来了甚至长成了现在的巨头。云计算的早期也是如此第一批把服务器全迁到云上的企业并没有因为上云本身获得什么竞争优势真正受益的是那些基于云原生架构重构了自己成本模型和交付模式的公司。所以现在当大家问AI 时代我们应该做些什么时我的第一反应不是给你推荐一堆工具而是想帮你把视野拉高一点看看过去这些浪潮里那些幸存者做对了什么踩坑的人又错在哪里。理解了这一点做些什么的答案其实自己就会浮现出来。1.1 每次技术浪潮都在重复的恐慌-跟风-淘汰周期我把过去二十年的技术浪潮画成一条曲线剔除掉技术细节剩下的骨架惊人地一致。第一个阶段是恐慌期。新技术出现媒体开始造势头部公司开始布局然后所有人都坐不住了。程序员焦虑自己的技术栈会不会被淘汰产品经理焦虑自己的工作方式会不会被重构老板焦虑公司会不会在下一波浪潮里掉队。第二个阶段是跟风期。大家开始疯狂尝试但目标极其模糊。很多团队在这个阶段做出来的东西本质上只是把旧业务翻译成新技术的语言——比如上一轮浪潮里把 PowerPoint 改成网页版这一轮则是把聊天机器人硬塞到各个产品里。第三个阶段是冷静期。泡沫开始破裂那些没有想清楚为什么的项目开始被淘汰一大批创业公司消失一大批岗位被优化。这时候很多人才开始真正去思考这项技术到底适合解决什么问题它在什么边界内是可靠的第四个阶段才是价值创造期。留下来的团队开始在边界内做实事技术真正进入产业改变生产和交付模式。有意思的是现在大部分讨论都停留在第二阶段而历史清楚地告诉我们第二阶段的大部分努力都是白费的。如果不想在第三阶段成为被优化的对象你现在就应该用第四阶段的思维方式来思考问题。1.2 那些熬过周期的人到底做了什么不同的事我自己复盘过身边那些跨越过至少两轮技术浪潮还活得越来越好的人发现他们身上有几个高度一致的特征。第一个特征是不把工具当信仰把问题当入口。他们研究新技术的时候第一句话永远问的是这能帮我解决什么问题而不是这东西有什么新功能。很多人学工具是跟着功能列表走的——出了新特性就觉得得学而这类人的学习路径是跟着自己的实际需求走的需求到位了才去研究某个功能的深度用法。第二个特征是持续积累跨领域的底层资产。什么叫底层资产就是那些不会因为技术更迭而过时的能力逻辑思考能力、沟通表达能力、识别关键矛盾的能力、快速学习和迁移框架的能力。你让十年前的人看今天的 AI 应用他可能完全不知道这些工具怎么操作但他对用户到底要什么的判断力依然比很多熟练操作工具的年轻人要强。第三个特征是刻意训练自己不被工具替代的部分。我认识的一位设计师从 2023 年开始用 AI 辅助出图但她没有只做一个写提示词的人。她花了大量时间学色彩理论、研究用户心理、做竞品分析——她说得很直白AI 能替代的是从需求到初稿的那一段替代不了的是判断哪个初稿方向更对的那个过程。这三人共同说明了一个道理技术会过时但认知、判断力、结构性思考这些元能力不会。而且恰恰是在技术快速变化的时期这些元能力的价值会被放大——因为技术本身变得廉价了真正稀缺的是知道用它来干什么的决策能力。2. AI 时代真正需要警惕的三类陷阱不只是跟风那么简单好了现在我们把目光转向当下。基于前面的宏观判断我观察到的 AI 时代其实暗藏着三类特别容易让人栽跟头的陷阱。它们比单纯的跟风更深、更隐蔽。如果你正在准备进入或者已经在 AI 相关的行业里这几条值得认真对照一下。2.1 工具囤积症的幻觉收藏了几百个工具能力却没有增长我特别想问一句你手机里装了多少个 AI 应用收藏夹里存了多少篇十大 AI 工具推荐如果数量超过二十个你大概率已经患上了工具囤积症。工具囤积症的核心特征是把获取工具当成掌握能力。收藏夹里的文章越存越多但真的遇到问题时你还是不知道用哪个工具、怎么组合它们来解决一个完整的问题。这就好像一个厨师家里堆满了全世界各地的顶级厨具但依然做不出一桌像样的菜。我自己也踩过这个坑。2024 年初我一度装了二十多个 AI 插件从写作到编程到画图到办公全副武装。结果是什么呢打开某个软件的时候脑海里会闪过好像有个工具能帮我做这个但我忘了它叫什么、在哪个菜单里。为了找工具花的时间比直接用老办法干完这件事还要长。后来我做了一次大清洗只保留三个用得最顺手的效率和专注度反而大幅提升。工具囤积症背后的心理机制是害怕错过。每出现一个新工具就担心自己不用就会被甩下。但事实是新工具的增量价值远没有宣传的那么高而你需要为此付出的注意力成本却被严重低估了。正确的姿势是什么**以任务为单位反向选择工具。**你先列出自己日常最高频的 5 类任务针对每一类任务钻研 1-2 个工具把它们用到肌肉记忆的级别。至于其他新工具保持关注即可不要浪费精力去深入。2.2 把生成当创作的效率幻觉第二类陷阱在内容相关领域尤为明显很多人把生成当成创作把效率提升当作能力提升。现在随便一个内容平台上都充斥着一眼就能看出是 AI 生成的文章和图片——结构工整、语言流畅、排版漂亮但内容空无一物。它们的作者也不是想糊弄谁很多时候是真的以为AI 写得这么好直接发出去就行。这就是效率幻觉工具帮你把从零到一的那个一给生成了你就误以为那一步已经完成了。但实际上创作是一个两段式的过程**先定义什么值得被表达再决定如何被表达。**这两段里AI 能帮上忙的主要是后一段而真正的价值在前一段。这也解释了为什么市面上已经有海量AI 生成的产品和内容但真正能产生持续影响力的依然是少数。因为生成式 AI 的本质决定了它只能产出对已有模式的重新组合它很难凭空创造出结构和范式层面的新东西。如果你只是把 AI 的输出当成品你就等于亲手放弃了创作中最值钱的那一块。正确使用 AI 的姿势是**把它当实习生而不是当作家。**你负责定方向、提要求、做评估、改结构、给出反馈它负责产出初稿、扩展细节、批量完成重复性工作。你省下来的时间不是用来刷手机的而是用来做更深度的事情——思考选题策略、调研用户画像、拆解竞品逻辑。2.3 追逐热点导致的地基松动今天学这个明天学那个最后什么都没扎下根第三类陷阱最容易发生在程序员群体里但我见过产品、运营、设计各个岗位的人都在踩。表现是今天看到一个AI Agent 是未来的视频马上放下手头的业务去学 Agent 框架明天看到AI 编程会成为程序员标配又赶紧买课程后天听到多模态是方向又开始研究图像生成模型。这种学习方式最大的问题不是精力分散而是没有积累效应。你的知识体系是碎片化的相互之间没有支撑就像一栋不停更换装修风格但从未打地基的房子。AI 时代知识更新的速度确实加快了但底层逻辑——数据结构、算法思维、用户洞察、商业模型——这些东西的变化并没有那么快。更隐蔽的危害在于频繁地追逐热点会让你形成一种快速上手-快速放弃的行为模式然后慢慢丧失啃硬骨头的能力。而真正有价值的技能几乎都是需要啃硬骨头的。我见过的应对方法是这样给自己划定一个能力根据地——比如你是后端工程师就先把分布式系统、高并发、数据库这些基础打牢你是内容从业者就先把信息收集、逻辑推演、口语化表达这些练扎实。然后以这个根据地为基点向外延伸 AI 相关的新技能。新技能是帮你扩大战场的而不是替换根据地。3. 我们应该做的四件事把 AI 浪潮变成职业复利讲完了坑来说正事。AI 时代到底应该做些什么我的答案可能会让你有点失望——不是去学最新的某个模型框架也不是去囤一堆工具而是做好下面这四件看起来不那么炫酷但长期回报率极高的事情。3.1 守住你的深度工作能力哪怕 AI 什么都能干先讲一个反直觉的结论AI 越强大深度工作的能力越稀缺、越值钱。逻辑其实很简单。当生成内容变得极其廉价时市场上会被海量的平庸内容淹没。在这种背景下能产出高质量、有深度、有独特视角内容的人价值不但不会被稀释反而会因为稀缺性而被放大。深度工作能力有三个维度长时间专注于单一事务的能力、抵抗干扰的能力、沉浸在高难度认知活动中的能力。这三个维度在 AI 时代都在被系统性侵蚀。以前让人分心的是社交软件现在又多了一个 AI 助手——你想专心写一段方案AI 在旁边疯狂地帮你补全句子你根本不需要调用自己的思考。我的建议是每天保留 1-2 小时的无 AI 深度工作时间。这段时间里关闭 AI 助手只使用最原始的工具纸笔、纯文本编辑器专注处理高难度的核心任务。一开始你会很难受因为大脑已经习惯了有 AI 搭把手的感觉。但坚持两周之后你会发现自己的独立思考能力、逻辑组织能力有明显的回升。这不仅是能力的储备也是一种对抗依赖性的自我保护。3.2 建立提问-评估-迭代的闭环能力而不是执迷于提示词技巧现在市面上的课最喜欢讲提示词工程恨不得把各种模板背下来。我的观点是提示词的基本语法值得花半天了解但真正值得精进的是提问-评估-迭代这个闭环。先解释一下提问层。这里的提问不只是用什么样的 prompt 让 AI 产出更好的结果更重要的是提出正确的问题业务上到底卡在哪个环节这个环节适合用 AI 解决吗效率和质量的衡量指标是什么这些问题的答案决定了 AI 在你的工作流程里到底能发挥多大的价值。然后是评估层。AI 给出的内容质量参差不齐你需要有能力判断什么是好的什么是不好的。这个判断力不是天生的需要你深入了解业务逻辑、了解标准、见过足够多的优秀案例。很多 AI 用得不好的人问题不是出在不会提问而是出在AI 给什么他都接受。最后是迭代层。基于你的判断给 AI 反馈让它调整再判断再调整——直到产出合格的结果。这个人机协作的循环本质上跟你管理中一个员工是类似的。你不可能指望一个实习生第一次交出来的东西就能直接用但经过几轮反馈他产出的质量会明显提升。把这个闭环做成自己的方法论之后你会发现工具换了一个又一个但这个闭环本身从未失效而且它完全可以迁移到任何工具上。3.3 深耕一个垂直场景做AI行业的翻译官每次 AI 掀起一轮热潮都会出现一批万金油式的从业者——这个领域懂一点那个领域也懂一点但都不深入。这类人在浪潮初期特别显眼因为他们的知识面足够宽什么话题都能聊。但到了落地阶段他们反而最容易被淘汰。原因很简单**AI 的商业价值最终都要在具体的行业场景里兑现。**通用大模型解决的是从无到有的问题但每个行业有自己的业务逻辑、数据特点、合规要求、用户习惯这些都需要该领域的深度知识才能理顺。一个既懂 AI 能力边界、又懂行业痛点的人价值远超过一个只懂技术或只懂业务的人。我自己非常看好AI行业翻译官这个角色。如果你在医疗、法律、制造、金融、教育、农业等任何一个行业有积累哪怕现在 AI 水平很一般也别急着跳出来转行去做纯 AI 产品。更好的路径是继续留在行业里同时系统学习 AI 能做什么、不能做什么然后把两者结合解决你所在行业的真问题。举个我熟悉的制造业例子。很多中小工厂的排产计划全靠老师傅的经验老师傅一退休就出问题。一个既懂工厂流程又懂 AI 建模的人就可以利用生产历史数据做一个排产优化工具——听起来不高级但实际价值非常大而且只有同时懂两边的人才能做出来。3.4 建立高质量的信息来源和人脉圈对抗噪音茧房AI 时代有一个悖论获取信息的成本越来越低但找到高质量信息的成本却越来越高。因为信息总量在爆发式增长而大部分新增信息是低质量甚至误导性的。我见过太多人被社交媒体上的AI 焦虑帖裹挟今天看一篇XX 岗位被 AI 取代明天看一篇XX 企业全面使用 AI一天一个焦虑什么正事也没干。要对抗这种信息的裹挟你得主动建立自己的高质量信息源。我的做法是三层信息来源结构。第一层是一手信源直接关注顶级研究机构、学术论文、官方文档、头部企业的工程博客这些能保证信息的技术可靠性和深度。第二层是可信的解读关注那些有实际从业经验、不是纯粹写流量文章的人他们对某个问题的分析往往比一手信源更贴合应用场景。第三层是高质量社群加入一些小而美的行业社群里面的人有共同背景、讨论问题够具体、愿意分享真实经验。这三层加起来基本能帮你过滤掉 90% 的无效信息。人脉圈的逻辑也一样。与其加几百个微信群每天看刷屏消息不如维护好 20 个真正能深入交流的人。这些人最好分布在不同行业——这样当 AI 在你的行业发生变化时你能通过他们的视角看到别处的应对方式。4. 从熟练使用工具到定义问题本身AI 时代的能力跃迁前面部分讲了很多应该做什么的方法论但我想再往下挖一层。现在很多讨论的焦点都停在如何更好地使用 AI但我认为这个问题的更底层其实是AI 正在改变人做什么和机器做什么的分界线。而这条分界线的移动要求我们重新定义自己的能力坐标系。4.1 AI 程序员和AI 时代的程序员是两种完全不同的生物现在有个热词叫AI 程序员听起来好像会使用 AI 编程工具就是 AI 时代的程序员了。但实际上AI 程序员和AI 时代的程序员是两种完全不同的生物。AI 程序员做的事情是向 AI 描述需求把 AI 生成的代码粘贴到工程里跑通就完事了。这种工作方式在简单功能开发、快速原型验证阶段确实效率很高但一旦进入复杂的生产环境就会出问题——代码质量参差不齐、安全隐患难以识别、架构设计缺乏全局观、问题定位无从下手。AI 时代的程序员则是把 AI 当作一个高效的编码助手但自己的核心能力反而强化了那些 AI 不太擅长的事情——系统设计、架构决策、需求分析、代码评审、线上故障诊断、安全审计。我打一个比喻。早期的工程师开发软件时连内存都要手动管理每一行字符都要小心翼翼后来出了高级语言、框架、自动化测试工具程序员这个职业非但没有消失反而因为工作效率提升而创造了更多的岗位和更大的价值。现在的情况跟当年如出一辙。AI 会让编码实现的成本趋近于零但定义行为、验证正确性、评估系统性风险的价值会水涨船高。所以如果你想在 AI 时代保住自己的程序员生涯路径其实非常清晰不要在写代码这个维度上跟 AI 内卷而是把精力投向系统级思考和工程判断力这些 AI 短期内无法替代的方向。4.2 产品思维将成为所有人的底层能力不仅是程序员需要重新定义自己的定位我觉得 AI 时代所有人都值得补一层产品思维。什么叫产品思维用一句话概括就是**始终从用户的问题出发来组织资源和技术而不是从自己会什么出发。**过去分工细化的时代很多人可以只做一颗螺丝钉不用关心整个链路。但在 AI 时代因为很多执行环节变便宜了一个人能撬动的范围变大了能不能定义出一个值得解决的问题成了最重要的分水岭。举一个简单的例子。一位做电商运营的朋友如果用传统思路工作每天的工作就是上架商品、写详情页、投广告。AI 时代他可以怎么做呢他可以自己用 AI 工具做产品调研分析用户评论里的高频痛点可以做竞品分析找出自己产品的差异化空间可以自动构建一套客服话术优化系统。这些工作以前需要 3-4 个人配合才能完成现在一个人AI 就能跑起来。但前提是——他得知道这些问题值得被解决以及怎么定义这个问题的边界。这就是产品思维的价值它让你不会被工具能力限制住而是把工具看成实现目标的一种手段。当你能定义出高质量的问题时AI 是你的加速器当你不具备这种能力时AI 只是另一个让人更焦虑的玩具。4.3 如何刻意练习定义问题的能力聊到这里肯定有人想问那定义问题的能力怎么练有没有具体的方法我分享几个自己一直在用的练习方式。第一个练习是5 遍追问法。每当你接到一个任务或看到一个现象不要急着动手连续追问自己 5 遍为什么。举个例子老板让你做一份 AI 工具调研报告。第一遍问为什么需要这份报告——因为准备在团队里引入 AI 工具。第二遍问为什么要引入 AI 工具——因为大家觉得工作效率低。第三遍问效率低的关键环节在哪里——是信息搜集。第四遍问信息搜集用 AI 解决是提升效率的最优解吗——未必可能需要先改进信息共享机制。第五遍问那真正的问题到底是什么——可能是团队的信息基础设施不够好。这个练习做完你大概率会发现最初的问题根本不是真正的问题。第二个练习是限制条件挑战。给自己设置一些额外的边界比如如果今天只有 10% 的预算你会怎么做如果必须在一周内上线你会砍掉哪些功能如果不允许使用现有的方案你会怎么设计这种练习能逼你跳出惯性思考从更本质的环节去定义问题。第三个练习是向门外汉解释。找一个完全不懂你行的人用三分钟把你的核心工作讲清楚让他能理解你在解决什么问题、为什么这个问题重要。如果你发现讲不清往往不是表达能力的问题而是你自己对问题的理解还不够透彻。这三个练习都不需要工具只需要你每天花 15-20 分钟。但长期坚持下来你会发现自己的思维方式在发生明显的变化——从怎么干逐渐向干什么、为什么干迁移。这个跃迁的能力才是 AI 时代最有价值的资产。5. 最后聊点我的个人判断写到这里其实已经接近尾声了。我不太愿意做什么总结展望但如果一定要我说说个人体会我会说AI 时代最稀缺的能力不是操作某一个新工具而是在变化中依然保持判断力。判断力来自哪里来自你对行业深度的理解、对一个好问题的敏感度、对内容本质的把握、对什么在变、什么不变的清醒认知。我见过太多人把大量时间花在追逐新工具和新技术上花在焦虑和比较上却很少有人愿意花时间把一件小事做深做好。而历史上每一轮浪潮最后奖励的恰恰是那些把一件小事做得足够深入的人。所以我的答案其实很简单**AI 时代的我们应该做些什么——把 AI 当工具把自己当人。**用工具去放大你的效率用人类独有的判断力、创造力和共情能力去定义方向。该深耕的深耕该坚守的坚守该学习新东西的时候也别犹豫。这样等到下一轮历史重演的时候你大概率会是那个站在价值创造期、淡定看着后来者恐慌的人。
