生产力 on Seunghoon Choi

AI 时代的 7 种工作能力：最后差别由 EQ、信任和声誉决定

Wed, 24 Jun 2026 00:00:00 +0000

人工智能对思维过程的帮助越多，人类就越必须展示出检查和完成指定任务的能力。

AI 已经能很快给出答案。找资料、写句子、整理想法、做草稿，都比以前容易得多。但答案变快，不代表工作会自动变好。恰恰相反，越多智能被 AI 外包出去，人身上剩下的角色反而越清楚。

AI 时代重要的人，不只是聪明的人。重要的是那种接到一件事之后，能从目标到结果负责到底的人。换句话说，就算把任务用 turnkey 的方式交给他，他也能读懂语境，自己理清楚，最后收得干净。那种“懂你要什么、自己会处理、收尾还漂亮”的能力，会变得更稀缺。

作为基础的能力有七种。

目标对齐能力
工作结构化能力
瓶颈解决能力
执行完结能力
效率与质量优化能力
学习与适应能力
关系与信任建立能力

少一项，工作就很容易出问题。但还有比这更重要的东西。最终把工作交出去的人，看的不只是结果物，也是在判断这个人值不值得托付。智能越能交给 AI，真正拉开差距的就越是 EQ、信任、声誉，以及“我还想和这个人一起工作”的记忆。

目标不对，AI 的答案也会跑偏

AI 能很快给出答案，但它不会自动保证答案要去的方向。要先弄清楚：到底要解决什么问题，给谁提供什么价值，这次工作的成功标准是什么。目标不清晰，再好的提示词也会产出散乱的结果；再强的执行力，也可能用在错误的方向上。

先把工作拆开，AI 的速度才会变成生产力

把复杂的事一股脑扔给 AI，答案很容易变得散乱。你要会拆问题、排顺序、准备资料、整理判断标准。结构化不是简单整理，而是为一件事设计出能完整做完的步骤。

先找出瓶颈，事情才会继续推进

AI 时代的瓶颈不只是技术不足。要看决策在哪里变慢，信息在哪里停止传递，责任在哪里不清晰，质量标准在哪里模糊。关键是尽快发现瓶颈位置，把原因缩小，再把它改写成下一步行动。

真正值钱的人，会把草稿改成能用的结果

找出哪些环节耗时较长的人，会先明确下一步该做什么，而不是只关注速度本身。

AI 能快速生成草稿、想法、代码和摘要。但把草稿变成结果物，再把结果物改到客户和同事真的能用的程度，仍然是人的事。好的开头很重要，但更重要的是完成到可以被使用。

做得越快，越要仔细检查

用了 AI，工作速度会上来。但如果没有检查，只把速度拉高，错误也会跟着加速。重复的事要自动化，重要的事要立标准检查，并持续改善结果质量。快做和做好必须同时做到，才是真正的生产力。

工具变了，工作方式也要一起变

AI 工具和工作方式一直在变。昨天的答案未必是今天的标准。要有学习新工具的态度、接受反馈的弹性、从失败里找模式的能力。工具再进步，如果学习速度停住，工作方式很快就会变旧。

最后，工作还是在人和人之间完成

AI 再聪明，工作最终还是在人和人之间完成。没有信任，好的提案也不会被接受；没有协作，好的想法也不会执行。能清楚沟通，守住承诺，让对方放心把事交给你，这种能力在 AI 时代反而更重要。

最后的差别落在 EQ 和声誉上

不过，只具备这七种能力还不够。这些是把工作做好的必要条件，是别人把事交给你时，从目标确认到结果完成都能负责的人必须有的基础。可当越来越多人都具备这些能力，最后的差别会落在 EQ 和声誉上。

EQ 不是单纯说性格好。它是读出对方的不安、调好期待、在冲突出现前看见信号的能力。对方担心什么，重视什么，用什么方式沟通才会安心，这些都要懂。AI 越能帮我们提供知识和句子，读懂这种情感语境的能力就越稀缺。

声誉管理也是一样。声誉不是包装，也不是形象工程。声誉是反复经验的累积。有没有守约？说过的事有没有做到最后？事情乱掉时有没有躲起来，还是出来解决？一起工作过的人会不会想再次合作？这些问题的答案一层层累积起来，就是声誉。

归根结底，AI 时代真正的竞争力，不在于显得聪明。它在于成为那种“交给他就会负责到底”的人，成为能读懂对方语境的人，成为让别人愿意一起工作的人。懂技术只是起点。把技术转成成果的工作基本功，读懂情绪和关系的 EQ，以及“这件事可以交给他”的信任，才是 AI 时代更大的竞争力。

AI 能完成任务，也不能直接裁员：审核和责任仍然需要人

Sun, 21 Jun 2026 17:56:30 +0900

办公室出现空位时，人力成本会下降，但公司也可能失去那个人掌握的业务背景。

公司一导入 AI 工具，常会出现一句话：“那现在能少几个人？”表面上听起来像个合理问题。AI 会写报告、整理会议记录、查资料、写代码，也会做企划案。有些事情确实比人快。

问题不在于 AI 做不了事。恰恰相反，AI 能做的事比想象中多。但公司里的工作，不是产出一个东西就结束。这个结果能不能实际使用，谁能负责，是否符合组织里的政治和实务语境，都必须确认。如果看不到这一层就先裁人，公司不会变快，反而会变慢。

AI 做了工作，责任和语境仍然留下

AI 可以替某些职务做出相当一部分产出。报告、分析、演示资料、代码，都能做。以后还会做更多。但公司不会只看 AI 能不能做出产出。这份报告现在交上去合适吗？这个数字可以这样解释吗？客户看到这句话会怎么理解？这个表达会不会让别的部门反弹？法务会不会指出问题？和上级真正想要的方向一致吗？这些不是单纯的写作问题，而是结果物能不能在现实组织里通过的问题。AI 能做出产出，但这个产出能不能在公司内部真正被采用，必须由人来判断。

初稿快了，为什么工作没有减少

“初稿让 AI 写不就行了。”这句话没错。简单初稿、摘要、格式整理、重复文档化，确实会减少。没必要否认这一点。可是初稿出来得快，不等于工作结束。总得有人读那个初稿。要核对错误数字，补上遗漏条件，改成公司内部的表达方式，确认能不能发给客户，也要看有没有安全或法务问题。最后还是要看语境。

AI 写出的句子本身可能是对的，但放进当前组织状况就可能是错的。主张正确，也可能是现在不该说的话。数字正确，解释却可能危险。提案很好，也可能因为预算、权限、日程、利害关系而无法执行。 AI 生成的文档不是单纯产出物，而是放进现实之前必须审核的产出物。

公司工作不仅要判断正误，还要考虑组织语境

公司里，事情不是只靠正确答案运转。逻辑上正确的话，在会议里也可能被否掉。数字对，汇报顺序错了也可能被退回。对客户有利的提案，如果内部责任问题没整理好，也会停住。现在的 AI 公开编造不存在事实的幻觉少了很多，但公司里更常出现的是更暧昧、更危险的问题。只看文档，逻辑完美，数字正确，句子自然，结论也像样。可它可能和真实公司流程错开。汇报顺序不同，审批人漏掉，用的是以前已经失败过的方式，或默认了某个部门绝不接受的前提。

这种错误比单纯事实错误更难抓。不是因为 AI 说了错话，而是因为它在不充分了解现实的情况下，做出一份看起来正确的文档。所以审核不是抓错字或幻觉，而是确认这份文档能否在真实组织里运转。公司工作因此总带着政治和实务语境。谁会讨厌这个方案，谁要负责，话要说到哪里，什么现在不能说，用什么表达会让对方防御。这些不会全写在文档里。AI 在给定信息内做得很好，但不会自动知道现实组织的默契、责任结构、隐性禁忌和权限关系。最终还是要有人看。不只看结果是否正确，还要看这个结果现在能不能在这里使用。

裁掉人，就没人审核

导入 AI 后最危险的误会是：“AI 做出来了，所以人可以少一点。”很多时候恰恰相反。AI 做得越多，审核的人越重要。产出越多，要确认的东西也越多。问题是，公司常常反着来。导入 AI 后先裁人，再让剩下的人审核更多 AI 产出。于是留下的人不是在做自己的工作，而是在给 AI 的结果善后。该看战略的资深人员变成初稿校对员，懂组织语境的中间骨干变成到处删除风险句子的人。表面上文档更多了，会议资料更快了，可内部能负责的人变少了。这个间隔越拉越大，质量事故就会发生。

组织过载不会消失，只会被藏起来

错误导入 AI 的公司，短期看起来会不错。文档出来很快。摘要更多。会议记录自动堆起来。成本也像是降了。所以上层会觉得“AI 转型成功了”。但实际情况可能不是工作消失了，而是被推到了看不见的地方。

有人在晚上重新读。有人在改错数字。有人在清理 AI 写出的貌似合理的废话。有人把不能负责的句子改成可以负责的句子。有人在判断“这句话是对的，但现在不能说”。这些工作很难出现在表格里。token 成本看得见，人重新阅读的时间看不见。产出数量看得见，审核负担很难看见。所以公司会误以为成本下降了。但隐藏负荷不会消失，总会以质量事故、日程延误、员工耗竭的形式回来。

裁员会破坏反馈

裁员可怕的一点，是反馈很难正常往上走。新工具不好用，员工还能说不好用。新流程低效，也多少能提出问题。但说“裁人这个决定错了”要难得多。“人手不够”这句话，在老板耳朵里很容易变成“那是不是你撑不住工作？”剩下的人也会担心自己成为下一轮对象，所以更谨慎。于是就算工作实际上正在出问题，上报的话也会变得含糊、不敢直说。表面上工作还在转。文档出来，会议照开，客户应对也继续。所以老板觉得没问题。但里面，审核时间被挤到夜里，责任集中到某几个人身上，小错误累积，员工默默疲惫。裁员因此不是最前面要问的问题。必须先跑试点，确认工作实际如何改变，等 AI 进入后的新工作结构在概念上完成后，最后才问： “现在真的可以减少人吗？”裁员应该是终点的问题，不是起点。

为什么大量使用 AI 的公司反而更慢：比 token 更昂贵的隐性成本

Sun, 21 Jun 2026 17:56:30 +0900

计算 AI 成本时，不能只看使用费，还要把人阅读、核验和修改结果的时间算进去。

公司开始大量使用 AI 时，一切似乎都变快了。报告初稿更快完成，会议记录自动整理，邮件也更流畅。大家都说生产力提高了。

随后却会出现奇怪的现象。产出增加了，决策却没有加快；文档变多了，愿意负责的人反而少了；会前有了摘要，会议时间却没有缩短。AI 用得更多，公司没有更快，反而更复杂。

原因是我们把 AI 成本看得太窄。只看 token 价格，它很便宜；只看月费，它几乎像是免费。但公司真正昂贵的不是 token，而是人为了阅读、怀疑、修改、追问和重新讨论 AI 结果而增加的时间。

核验时间比 token 更贵

AI 生成答案很快，确认答案是否正确却不快。公司工作一旦出错就有人负责。一个数字、客户名称或合同条件写错，都可能造成问题。因此，AI 生成的内容不能直接使用。必须有人阅读、对照原文、检查语境、确认是否遗漏条件，并排查措辞、法律和安全问题。

如果 AI 用五分钟生成文档，人又花四十分钟核验，这项工作不是五分钟，而是四十五分钟。公司却常常只看生成的五分钟，误以为效率提高了。token 费用会出现在账单上，人的核验时间却混在日常工时里，所以更容易被忽略。

产出增加不等于决策加快

AI 很擅长增加产出。初稿、摘要、对比表、检查清单和备选方案，按几次按钮就能得到。组织因此觉得自己完成了很多工作。

但产出和决策不是一回事。十份报告不会让决策快十倍。相反，选项越多、待审文件越多、责任越不清楚，决策可能越慢。公司不应只问“又做出了什么”，还要问“究竟做出了什么决定”。如果 AI 资料没有减少决策成本，它就可能只是在增加工作。

虚假的生产力由此出现。每个人都更忙，文档和会议材料越来越多，真正决定和执行的事情却没有增加。

月费不等于免费

许多公司按席位订阅 AI。每月支付固定费用后，看起来可以随意使用。人们因此不会在意多问一个问题，觉得反正由公司付费。

但月费不是免费，只是把成本从 token 转移到了订阅费。更大的问题是使用习惯：当额外提问看似没有成本，人就容易在思考之前先调用 AI。

本来自己想五分钟就能结束的小事，也要先写提示词、读结果、再修改。到了需要决定的时候，又生成一个版本。AI 没有减少步骤，反而增加了步骤。

看似便宜的工具容易被滥用，滥用就会制造成本。按月订阅的 AI 也一样。

大量使用 AI 的团队不只要看产出，还要确认哪些环节实际花费了更多时间。

“我们用了很多 AI”不是业绩

在公司里，“我们团队大量使用 AI”有时像是一种成绩。但使用得多并不等于取得了成果，只能说明使用得多。

真正重要的是结果：决策是否更快，能否用更少的人完成同样的工作，错误是否减少，客户服务是否改善，一次建立的标准能否继续复用。

如果这些问题没有答案，AI 使用量就只是虚荣指标。仪表盘上的数字上升，组织速度却可能不变，甚至更慢。真正会用 AI 的公司不会炫耀使用量，而会明确哪些工作适合使用，哪些工作不适合。

不是所有工作都要用 AI

AI 很强大，但用于所有工作并不会自动改善结果。有些事情由人直接决定，反而更快、更便宜。

高风险、遗漏会造成较大损失、需要比较多个选项，或者整理出的标准能长期复用的工作，适合使用 AI。即使需要核验，收益也可能更大。

相反，风险低、答案明确、需要立即处理且出错损失很小的事情，使用 AI 可能过于繁琐。调用 AI 后会增加编写提示词、核验、修改和再次确认等步骤。如果核验时间超过 AI 节省的时间，就不值得使用。