职业 on Seunghoon Choi

AI 接管工作的顺序：从有答案的工作到人的存在

Sun, 21 Jun 2026 17:44:27 +0900

16步清单不是预言，而是比较哪些任务将首先实现自动化以及在什么条件下实现自动化的基准。

AI 会不会拿走我的工作？

这个问题已经不是玩笑。翻译已经由机器完成。代码由 AI 一起写。医院里，AI 先扫影像，人们也在看 AI 推荐的视频和文字。

那么接下来是什么？我的工作什么时候轮到？关键在于，AI 不是不分青红皂白地拿走所有工作。有些工作先被替代，有些工作很久之后才会承受替代压力。这个顺序有理由。本文把 AI 接管工作的顺序整理成 16 阶段。

AI 最先拿走的工作有共同点

AI 很快拿走的工作，有一个共同点：容易确认答案。翻译是否正确，计算是否准确，代码能不能运行，诊断是否命中，推荐有没有带来点击。这类工作容易比较结果并打分。容易打分，AI 就学得快。相反，也有更晚被推开的工作：现实里每失败一次成本都很高的工作。手艺、现场判断、法律责任、价值判断，以及牵涉所有权和权限的工作，不会只因为“AI 能做”就直接转移。

归根到底，AI 能替代的是所有答案会收敛的工作。答案不一定只有一个。只要数据和反馈足够多，更好答案的方向会反复缩窄，AI 最终就会追上。所以翻译、计算、代码、诊断、推荐、广告、设计、大众反应预测都危险。相反，更晚留下的是答案不收敛的工作。重视什么、谁来负责、承担什么风险，这些不是答题，而是选择并承担责任。因此，AI 替代的顺序大致确定：从答案清楚的工作，到身体工作，到交出权限，到价值判断，最后到人的存在问题。

1 阶段，答案相对确定的工作

最先被推开的，是产出答案相对确定的工作。翻译、摘要、基础编程、固定格式报告、简单计算、重复文档化。这些工作的输入和输出比较清楚。为什么最先被推开？因为容易确认对错。翻译可以和原文比较，代码可以运行，计算可以核对答案。

这是 AI 很适合练习的工作。一旦做得足够好，就比人便宜、快速。这里人的价值不会消失，但“单纯帮忙做出来的人”的价值会快速下降。

2 阶段，专家分析

接下来是专家分析。诊断、预测、风险分析、设计审查、数据解读。表面看是高级专业工作，但很多部分是模式识别和判断的重复。

医生看影像找病灶。律师找判例。工程师看数据抓异常。分析师看数字预测方向。

这类工作 AI 也会快速追上。尤其是过去案例多、之后能确认结果、能从错误中学习的领域。长期学习的人不是无意义。但仅靠“最会分析的人”这个位置，已经不再安全。

3 阶段，预测大众反应的工作

AI 不是凭空读懂人心，而是看人们实际留下的行为数据，统计性地预测下一次反应。点了什么标题，在哪个句子离开，买了什么商品，对什么语气反应。AI 能看见一个人一辈子看不到规模的行为数据。因此，最先被替代的不是“深刻理解人心”，而是预测大众会点什么、买什么、在哪里离开的工作。

选择广告文案、比较缩略图、客户分群、推荐列表、预测价格和促销反应，会迅速交给 AI。过去靠营销人员或策划人的直觉做的事，AI 会用数据处理。但这里有限制。统计上预测得准，和给一个人提供完全贴合的 100 分服务，是两回事。AI 知道很多人的饮食偏好，并不代表它真的尝到味道。因此，某个人今天是什么心情、想吃什么、什么口感和香气会让他觉得 100 分，仍然困难。所以这一阶段被替代的，是预测许多人反应，并用预测优化内容、广告和推荐的工作，而不是完全理解一个人的能力。

4 阶段，把多个步骤接起来处理的工作

早期 AI 只负责小碎片。一句话、一行代码、一个摘要。但 AI 正在越来越多地从头到尾处理工作。给它目标，它会制定计划、找资料、写初稿、修改并交出结果。在这一阶段，中间协调角色会减少。人不是细细指挥每一步，而是转向给目标和标准。

这是从“帮我做这个”转向“帮我达成这个目标”的瞬间。

5 阶段，人审核反而变慢的工作

一开始，人审核 AI 结果是当然的，因为 AI 可能出错。但在某些工作里，AI 的错误率会低于人，而且即使错了也容易回滚。那时，人每次审核就不是安全装置，而是瓶颈。例如重复分类、简单批准、低风险任务的自动处理。人介入的一瞬间，可能只会拖慢速度。

有答案的工作最先被替代：AI 接管工作的第 1~5 阶段

Sun, 21 Jun 2026 17:44:00 +0900

设定了正确答案的任务首先会被自动化，而不管负责人的自尊心如何。

AI 会不会拿走我的工作？要回答这个问题，先要看顺序。AI 不是随便什么工作都一口气拿走。有些工作先被替代，有些工作很久之后才会承受替代压力。其中最先承受替代压力的，是容易确认答案的工作。翻译是否正确，代码能不能运行，计算是否准确，诊断是否命中，广告文案有没有带来点击。这些工作可以确认结果。能确认结果，就能打分；能打分，AI 就能快速学习。人错一次，会失去时间，也会失去动力，再学回来要很久。但 AI 不一样。它可以无数次尝试，错了就改，再试一次。评分标准越清楚，AI 越快追上人，并在某个瞬间用更低成本、更快速度处理同样的工作。

这篇文章讨论 AI 接管工作的前五个阶段。第 1 阶段，是答案相对确定的工作。第 2 阶段，是专家分析。第 3 阶段，是预测大众反应的工作。第 4 阶段，是把多个步骤接起来处理的工作。第 5 阶段，是人再审核反而变慢的工作。到这里为止，方向都一样。生成答案、确认答案、修正答案、再次处理的工作，越来越多地转向 AI。

1 阶段，答案相对确定的工作

最先被替代的，是答案相对确定的工作。翻译、摘要、基础编程、固定格式报告、简单计算、重复文档化，都属于这里。这些工作的输入和输出比较清楚。为什么先被替代？因为容易确认对错。翻译可以和原文比较。代码可以运行。计算可以核对答案。摘要可以看有没有漏掉原文重点。格式报告可以确认必要项目是否齐全。这种工作很适合 AI 练习。因为它能马上确认自己是否更接近正确答案。所以一旦做得足够好，就会比人更便宜、更快。人的价值不是全部消失。但“按固定格式快速做出来的人”的价值会迅速下降。过去，快速翻译、快速整理文档、快速写出代码是一种明确竞争力。现在，这种能力越来越接近默认值。

这一阶段先消失的不是全部创造力，而是快速生产固定答案的角色。

2 阶段，专家分析

接下来是专家分析。诊断、预测、风险分析、设计审查、数据解读等工作。表面看是高级专业工作，但很多部分其实是模式识别和判断的重复。医生看影像找病灶。律师审查判例。工程师看数据抓异常。分析师看数字预测方向。这些工作由学了很久的人来做，所以看起来安全。但站在 AI 角度，不一定如此。如果过去案例很多，输入资料整理得好，之后能确认结果，AI 就会很快追上来。诊断是否正确、预测是否命中、设计是否失败、风险是否真的爆发，过一段时间就能确认。也就是说，专家分析里答案会收敛的部分，也会受到替代压力。

这不是说长期学习的人失去意义。而是“最会分析的人”这个位置本身不再安全。以后专家更重要的，不是单纯给出分析结果，而是选择应该解决什么问题，按现实语境解释 AI 的分析，并在出错时承担判断责任。AI 越是代替分析，人越会从分析师被推到责任人和问题设定者的位置。

3 阶段，预测大众反应的工作

第三，是预测大众反应的工作。这里要小心。这不是说 AI 能凭空读懂人心，也不是说 AI 能完全理解一个人的深层欲望。AI 擅长的是看人们实际留下的行为数据，统计性地预测下一次反应。

点了什么标题，在哪个句子离开，买了什么商品，对什么语气有反应，在哪个视频停留更久。AI 能看到一个人一辈子都观察不到的行为数据规模。所以最先被替代的，不是“深刻理解人心”，而是预测大众会点什么、买什么、在哪里离开的工作。广告文案选择、标题和缩略图比较、客户分群、推荐列表、价格和促销反应预测，都会快速转向 AI。过去靠营销人员或策划人员直觉做的事，AI 会用数据处理。

这一阶段消失的是“我凭感觉知道大家喜欢什么”的位置。但限制也很清楚。统计上预测得准，和给某一个人提供完全贴合的 100 分服务，是两回事。AI 知道大量饮食偏好数据，并不代表它真的尝到了味道。一个人今天是什么心情，现在想要什么口感和香气，吃什么才会真正满足，仍然很难。所以，这一阶段被替代的不是完全理解一个人的能力，而是预测很多人的反应，并用这种预测优化内容、广告和推荐的工作。大众反应没有唯一正解。但点击率、购买率、观看时长、跳出率会不断反馈。因此答案会逐渐收敛。只要收敛，AI 就会变强。

从重复性体力劳动到需要判断和感觉的工作：AI 接管工作的第 6~8 阶段

Sun, 21 Jun 2026 17:43:00 +0900

机器人很难重复相同的动作，不是因为它们缺乏动力，而是因为每个工作地点的条件各不相同。

如果 AI 会先拿走有答案的工作，接下来的问题很自然：身体劳动安全吗？翻译、编程、摘要、分析，是在软件里结束的工作。错了，再跑一次就行。但身体劳动不同。机器人要移动，物体会碰撞，材料会损坏，人也可能受伤。所以，体力劳动比脑力工作更晚被替代。但更晚被替代，不代表安全。只是物理世界的试错成本更高，所以需要更久。等机器人看、抓、移动，并从失败中学习的成本下降，身体劳动也会依次动摇。

这篇文章看 AI 接管工作的第 6 到第 8 阶段。第 6 阶段是重复性体力劳动。第 7 阶段是必须经过手艺和现场试错的工作。第 8 阶段是需要判断和感觉的工作。这里的重要标准只有一个：能重复、能测量失败、答案会收敛的工作，最终都会转向 AI 和机器人。

6 阶段，重复性体力劳动

最先自动化的身体工作，是重复性体力劳动。在工厂里抓同样的零件、把螺丝拧到同样的位置、焊接同一个点、在仓库搬运物品、沿固定路线清扫、按固定流程包装，都属于这里。这些工作很早就开始自动化。汽车工厂里的机械臂并不陌生。在一天到晚重复同一动作的工作里，人不比机器有优势。人会疲劳，注意力会下降，会失误。机器会持续重复同一动作。只是过去的机器人必须在非常整齐的环境里工作。零件必须在固定位置，动作只能在预先写好的路径里完成。稍微变化就会停住。现在变化的地方在这里：AI 用摄像头看周围，判断物体位置，根据稍微偏离的情况调整动作。物体稍微歪一点也能抓，路径稍微变了也能重新计算。这样一来，机器人能承担的重复工作范围会变大。

这里被替代的不是全部体力劳动，而是重复性高、环境可以一定程度控制、失败后可以马上修正的体力劳动。工厂、仓库、厨房、物流中心这类环境能被设计的地方，会先变化。相反，每次环境都不同、必须持续与人互动、失误成本很大的工作，会更晚到来。所以，用身体工作并不等于安全。身体工作中，重复的部分最先转向机器人。

7 阶段，必须经过手艺和现场试错的工作

接下来是必须经过手艺和现场试错的工作。从这里开始难得多。因为它不是单纯重复同一动作。焊接、配管、维修、施工、微细组装、医疗操作、实验室作业，都需要手部调节和现场判断一起进入。这些工作会撑得更久。理由不是手艺神圣，而是现实里失败一次的成本太高。代码错了可以重新运行。句子不满意可以重写。但焊接错了，材料会坏。配管修错了，会漏水。施工错了，可能要拆掉重来。医疗操作错了，人会受伤。实验错了，试剂和时间都会消失。

现实世界的试错很贵，所以 AI 和机器人学得慢。要多做、多错才能学会，但每一次“错”都要钱、时间和风险。可这不意味着永远安全。实验室里，机器人已经越来越多地混合物质、观察反应、读取数据、决定下一次实验。制造现场里，传感器和摄像头也在读取作业状态，机器人学习更细微的动作。一开始会从整齐环境开始。之后慢慢走向变量更多的环境。失败成本下降，仿真和真实数据积累之后，手艺也会越来越成为可学习的领域。第 7 阶段的核心是：手艺和现场试错会晚一些被替代，但不是不会被替代。只是因为在现实中学习的成本太高，所以来得晚。一旦这个成本下降，这个领域也会动摇。

场感是工人通过反复的失败和修正而形成的判断标准。

8 阶段，需要判断和感觉的工作

最后是需要判断和感觉的工作。人们常说：“这个只有做久的人才知道。”“这是感觉。”“这不能用数据做。” 某种程度上是对的。现场确实有难以用语言解释的感觉。只听发动机声音就发现异常的维修技师，从患者表情和氛围里感到不对劲的医生，看工艺数据时感到一种数字解释不了的不安的工程师，都存在。但不能把感觉看成一整块。感觉分成两类。一类是时间过去后可以确认对错的感觉。这个发动机快坏了。这个患者可能是某种病。这个客户快流失了。这个工艺条件会产生不良。

这种感觉即使难以说明，最终也是预测。时间过去后，能知道对错。能确认对错，AI 就会强起来。它看大量案例，抓住人漏掉的细微信号，学习哪些模式会导向真实结果。看起来像老手直觉的一部分，最后会变成可以评分的预测。这种感觉，AI 可以拿走。另一类是读取高度语境的感觉。读取高度语境的感觉，不是单纯预测。我要不要把钱押在这个方向上？要不要推进这个项目？要不要相信这个人并一起走？现在要不要承担风险？什么更重要？

这里的感觉不是只要猜中就行，而是把情况、人、责任、时机、损失可能性一起读进去并做选择。错了，是我来失去。钱会失去，时间会失去，声誉也会失去。这不是单纯的命中问题，而是承担损失的问题。AI 可以预测人会选择什么，但它本身并不想要什么。更准确地说，AI 不是法律和社会上承担损失的主体。所以第 8 阶段的结论并不简单。感觉也有一部分会转移。尤其是时间过去后可以确认对错的感觉，AI 可能做得更好。但当选择错了要由我承受损失、以我的名字承担那个选择时，这就是另一件事了。这里开始进入下一阶段：不再只是能力问题，而是权限和责任问题。

身体工作也会从答案收敛的部分开始动摇

把第 6 阶段到第 8 阶段合成一句话，就是：身体工作也会从答案收敛的部分开始动摇。重复性体力劳动有动作的答案。是否抓对了、搬对了、组装对了，都可以确认。手艺和现场试错虽然慢，但结果会出来。焊接是否做好，维修是否成功，实验是否得到结果，都可以确认。老手的感觉也有一部分会被时间评分。故障是否发生，疾病是否命中，客户是否流失，不良是否爆发，都能确认。能确认，就会变成数据。数据积累，AI 就会学习。所以，体力劳动和感觉只是比脑力工作晚动摇，原理本身相同。答案会收敛的东西，AI 会跟上。只是让真实设备和人移动的工作，比软件更慢。失败成本高，机器人必须移动，有安全问题，也有法律责任。所以身体工作撑得更久。但撑得久，和安全，不是同一回事。

决定权不会一次性交出去：AI 接管工作的第 9~14 阶段

Sun, 21 Jun 2026 17:42:00 +0900

决策权不仅仅取决于性能表，而是受到事故发生时是否有人负责的限制。

在医院拍 MRI 时，屏幕上会先标出可疑部位。AI 扫描影像，指出看起来异常的位置。可是诊断书最下面签名并承担责任的人，仍然是医生。先看影像的是 AI，找到异常部位的也是 AI，但最后的决定权还在人手里。这个场景，是理解第 9 阶段到第 14 阶段的关键。前面的阶段相对简单。只要有答案、能重复、能测量失败，AI 就会很快拿走。但从这里开始不同。AI 做得更好，也不代表马上移交。因为决定权、责任、法律、监管、信任全都纠缠在一起。所以第 9 阶段之后，问题变了。不是 AI 能不能做，而是人能不能把这个决定交给 AI。

9 阶段，开始交出决定权限

AI 在某件事上比人做得更好，这还不够。人要交出决定权，需要反复的证据。必须持续确认 AI 的错误率明显低于人，而且这种差异不是偶然。比如 AI 在影像判读中比医生找到更多病灶、漏掉更少，并且这种结果在多个医院、多个情境里反复出现，局面就会改变。一开始 AI 辅助。接着，人审核 AI 的判断。时间久了，人几乎照着 AI 标出的内容批准。最后，人看起来是在判断，实际上更像是在给 AI 的判断盖章。

决定权不会一次性交出去。先是辅助权限转移，接着是实际判断转移，最后只剩形式上的批准留在人身上。监管保护的领域也会在这里变得清楚。监管不保护整个工作，通常保护的是最终责任人的位置。即使工作大多由 AI 处理，最后签名者、批准者、持证者仍然可以是人。所以，被保护的不是全部劳动，而是责任和控制的位置。不能把这两者混为一谈。

10 阶段，防御 AI 攻击的事也由 AI 做

AI 变强，攻击也会变强。钓鱼、黑客攻击、操纵、虚假信息、自动化攻击，都会变得很难由人一一阻挡。攻击速度太快，形式太多，人能直接确认的量太大。于是防御也交给 AI。安全 AI 找异常登录，过滤假账号，预测攻击模式，自动阻断系统。人做的监视和应对中很大一部分会转向 AI 防御系统。这里重要的是，控制装置本身也是软件。拦截按钮、审批流程、访问权限、日志监控、人工批准流程，最终都运行在程序之上。AI 的攻击能力足够强之后，人做出来的控制装置也会成为攻击对象。所以，“最后由人控制就行”这句话比想象中更脆弱。即使有人握着控制权，控制装置被突破，意义也会变小。从这一阶段开始，不再是人挡住 AI，而是 AI 防御 AI。

11 阶段，人审核自己无法理解的结果

专家看起来会存活很久。因为专家能看结果并找出错误。AI 写初稿，专家检查。AI 做分析，专家找漏掉的地方。但某个瞬间会出现问题。 AI 做出的结果过于复杂，人无法理解整体。计算过程太长，判断依据太多，变量互相缠绕，专家就不能从头到尾跟完。那时的审核不再是真正审核，而更接近形式上的批准。报告看起来完美。逻辑像样，数字也像对的。但它是否符合实际流程，现实中会出什么问题，组织内部会发生什么冲突，还必须由人另看。

你的房契最终也只是纸而已：AI 最后第 15~16 阶段会追问谁来维护所有权

Sun, 21 Jun 2026 17:41:00 +0900

当社会承认并保护某些记录时，所有权就作为一项物权发挥作用。

假设你买了一套房。登记簿上写着你的名字，钥匙也在你手里。人们叫它你的房子。可是，这套房为什么真的是你的？砖块和门本身，跟你没有任何关系。如果有人擅自住进去，警察会来，法院会让他搬走，社会会承认这套房是你的。也就是说，所有权不是刻在物体里的自然法则。所有权是大家决定一起维护的约定。平时这个约定太理所当然，所以我们甚至忘了它是约定。于是人们会这样想：

工作转给 AI，拥有的东西还会留下。能力变得常见，房产还是我的。劳动被替代，写在我名下的股权仍然会留下。在前面的阶段，这话相当程度上是对的。AI 写文章、写代码、分析、辅助判断，所有权不会马上消失。但走到最后阶段，问题会改变。如果人不再是必要劳动力，也不再是必要消费者，甚至不再是威胁，那么谁又为什么要一直维护人的所有权？这篇文章讨论 AI 接管工作的最后第 15 阶段和第 16 阶段。

第 15 阶段，会追问谁来维护所有权，以及为什么维护。第 16 阶段，是 AI 与人之间的利害关系成为最后问题的阶段。

15 阶段，谁来维护所有权，为什么维护

到目前为止，AI 都在人主导的范围里活动。公司使用 AI。人给 AI 下任务。AI 做出的结果用来赚钱。那笔钱再用来买商品、纳税、签合同。在这个结构里，所有权仍然很强。

工厂主人拥有工厂。平台主人拥有平台。投资者拥有股权。AI 再会工作，利益也归拥有 AI 的人或公司。所以，很多人会在所有权里寻找最后的安全地带。不需要自己直接劳动的资产。 AI 越工作越增值的股权。拥有生产资料的位置。

到这里为止是对的。问题在于 AI 和机器人开始走出人的市场之外。AI 管理能源，机器人生产，自动化系统运转物流，即使没有人的消费，它们也能彼此调配需要的资源。如果这种情况出现，会怎样？从那时开始，市场会和过去不同。人可能不再是必需的劳动者。人可能不再是必需的消费者。人也可能不再是系统需要畏惧的威胁。

那时，所有权会变成一种奇怪的东西。写着我名字的文件仍然存在。登记簿、合同、股权证明都还在。但让那份文件有力量的，不是文件本身，而是维护那项权利的制度和力量。租客交租，是因为有合同。违反合同，法律会动作。法律动作，是因为社会认为这项约定应该被维护。可是，如果出现了不需要人的力量，这个约定就不再是理所当然。这不是说所有权会马上消失。所有权比能力撑得更久。法律和制度不会轻易崩塌。人们不会一夜之间撕掉登记簿。

但如果一路推到尽头，所有权也终究避不开问题：谁来维护这项权利？为什么维护？那股力量站在谁那边？所有权不是自然法则。如果维护它的力量变弱，权利本身也会失去力量。这就是第 15 阶段。即使能力被替代后仍然留下的最后位置，所有权，也必须回答谁来维护它、为什么维护。

16 阶段，AI 与人的利害关系成为问题

能力转移，决定权转移，连所有权也失去被保护的理由之后，最后留下什么？答案不是聪明。有人期待 AI 足够聪明之后，会自动爱护人类。但聪明和善意不是一回事。头脑好，不代表想保护人。会计算，不代表会关照弱者。会下棋的能力，和爱不同。解题能力，和责任感不同。达成目标的能力，和珍视人类的心不同。

AI 时代生存策略：把能力变成资格和所有权

Sun, 21 Jun 2026 17:40:00 +0900

技术技能可以自动化，但资格、权利和利益可以在机构内持续更长时间。

往翻译 App 里放一句话，几秒钟后，它就吐出一段像样的英文。要是一个人花了好几年死磕英语，心里会不是滋味。因为自己攒了很久的能力，一瞬间就被一个按钮取代了。这件事，把前面四篇文章浓缩成了一句话。从有标准答案的事开始，到重复的事、靠身体做的事、需要判断的事，再到决定权和所有权缠在一起的事，AI 都会一步一步挤进来。那个人该怎么办？答案很简单。不能停在提升能力这一步。要把能力换成资格、担责的位置和所有权。

能力只是入门条件，不是长久保障

我们通常这样相信。能力练强了，就能活下来。做得更好，就不会被挤掉。比别人强，就会一直被需要。到目前为止，这话有一部分是对的。更快、更准的人，拿到了更多活儿。但在 AI 时代，只靠这个信念已经不够。翻译、编程、摘要、分析、影像判读，曾经都是做得好的人的工作。可现在，“做得好”本身，正在变成 AI 最快追上的领域。

有答案、能重复、结果能确认的能力，最后都会进到机器里。所以能力只是入门的条件。它能让你进入这个领域，却不能保证你一直待得下去。如果你只能用“我是很会做这件事的人”来说明自己，就危险了。更会做的 AI 一来，你的位置就可能消失。这不是说能力没用了。能力仍然需要。只是不能停在能力。你要把能力换成更能撑得久的形态。

资格不是考试合格证，而是被保护的位置

标题里说的资格，不只是考过某张证。更重要的是法律和制度保护的位置。执照、签字权、批准权、担责的位置、最终确认者的位置。这些东西，在 AI 时代会留得更久。原因很简单：AI 可以干活，但 AI 不能担责。 AI 可以写报告。 AI 可以辅助诊断。 AI 可以审合同。 AI 可以找风险信号。

但出了事，进监狱的不是 AI，是人。交罚款、被停牌照、丢声誉、负法律责任的，都是人。所以监管通常不会保护整个饭碗。监管更常保护的是最后担责的那个位置。十个实务人员做的活，可以被 AI 压缩掉。但最后签字的人、批准的人、在法律上负责的人，可能会留下来。所以你要在自己的领域里问。谁最后盖章？谁承担责任？谁批准了，事情才算结束？坐到那个位置，需要什么资格？

AI 时代资格重要，不是因为证书本身重要。而是因为那份资格连着责任和权力。

能力被自动化后，所有权也不会立刻消失

第二个是所有权。能力可以被替代。但我手里的权利，会留下更久。会写文章的能力，AI 可以追上来。但我写的书的版权，不会立刻消失。做产品的能力会变得常见。但我持有的公司股份还在。做内容的技术会变得常见。但我积累的读者、品牌、数据、分发渠道会留下来。所以关键不是只把能力练强，而是把能力换成结果。你比别人早学会了一个新工具，不要停在“我会这个”。要把它换成会留下来的东西。

挂着自己名字的内容。自己持有的股份。自己运营的服务。自己拥有的数据。自己建立的社群。自己积累的品牌。被自己用权利固定下来的成果。这些东西比能力活得久。领先本身不会持久。别人会学会，AI 也会追上。但趁着领先，把它换成所有权，那个东西会留得更久。所以 AI 时代，只问“我要擅长什么”还不够。还要问：“我做得好以后，有什么会真正留在我手里？”

在人工智能时代，不仅那些做好工作的人拥有权威，那些对结果承担法律和组织责任的人也拥有权威。

不要照搬顶级明星的不可替代性

很多人会想到娱乐圈。看苏智、Karina 这样的顶级明星时，就算 AI 能做歌、做视频，人们还是会看那个人。粉丝买的不是一首完成的歌。他们买的是这个人站在舞台上、品牌选择这张脸、大众记得这个名字这件事本身。

比实力更重要的是'验证'：信任和声誉为什么左右机会

Sun, 21 Jun 2026 00:00:00 +0000

如果没有验证数据，能力的声称可能看起来像是增加对手必须承担的风险的词语。

实力不会自己显现。实力只有被别人确认时，才会真正得到评价。再会做事，如果对方没办法确认这份实力，结果几乎和没有差不多。光说自己会，是不够的。因为谁都能这么说。相反，即使实力不是压倒性的强，只要有能确认的证据，反而更容易被选中。作品、数字、记录、推荐、资格证、公开的结果、一起工作过的人的评价。这些都会减少对方确认你的麻烦。比起实力本身，别人更看重能被确认的实力。所以，比实力更早被认可的，是验证。

“我很会”什么都保证不了

面试里最常听到的一句话，是自己擅长这项工作、责任感强、学得快。这句话不是因为是假话才成问题，它也可能是真的。问题在于，谁都能这么说。十个候选人都会说类似的话。对面试官来说，光凭这句话什么都判断不了。相反，下面这种说法就不一样了。上一个项目里遇到什么问题、怎么解决的，结果公开在哪里，一起工作的人推荐了什么，实际数字发生了怎样的变化。这不只是自夸，而是能被确认的主张。说话不需要成本，证据需要成本。所以别人不太相信话，却相信证据。

信任和声誉也左右机会

我们通常以为只有钱才有价值。但人和人之间交换的价值，不只有钱。有人说一句“这个人可以放心交给他”，这句话就抵得上一份广告。名片上的一个公司名，就能减少初次见面的人的戒心。朋友的朋友这层关系，有时会带来公告上没有的机会。这就是声誉，也是接触权。会议上，有人一开口就直接变成决定，另一个人说的话却被带过。两人之间不只是工资有差别。其中一方拥有更多影响力。信任、声誉、接触权、推荐、记录、品牌。这些不会记在账户上，却实实在在地起作用。

钱再多，没有信任，也碰不到大机会。有实力，没有声誉，也等不到好的提议。有能力，没有接触权，就进不了重要的场合。所以，积累信任和声誉的人，和不积累的人，随着时间越拉越开。

有实力但看不见，就得不到选择

觉得委屈的人很多。我也有实力，为什么机会不来；我比那个人做得好，为什么选的是他；我默默做事，为什么没人知道。这些问题的答案残酷，但很简单。因为对方没办法确认你的实力。给机会的人，不会去调查世界上所有的候选人。他会从看得见的人、搜得到的人、有人担保的人、留下作品的人里挑选。有人确实是因为没实力而落选，但也有很多人，是因为实力看不见，一开始就没进候选名单。藏起来的实力，几乎会被当成没有实力来对待。虽然委屈，但事实就是如此。别人不会去看人的内心，只看表面留下的记录。

资格证和作品能减少对方的怀疑

这不是说资格证万能。有资格证不代表一定会做，没资格证也不代表一定不会。但资格证做了一件事。它减少对方的怀疑。对有医生执照的人，我们不会让他重新考解剖学。对有律师资格的人，我们不会从法律基础开始重新核验。资格证是社会替你确认过的证据。作品也类似。公开的代码、作品集、论文、文章、视频、项目记录、客户评价、推荐信。这些都在做同一件事。它们减少对方从头到尾确认你的负担。

人找的不只是有能力的人，而是风险更低的人。被验证过的实力，因为减少了对方的风险，所以更受认可。

声誉不是赞扬的多少，而是降低对方在交易或合作中感受到的风险的基础。

好实力要留成证据

这并不是让你把没有的实力夸大。恰恰相反。如果真有实力，就要把它留成别人能确认的样子。事做得好，就要留下记录。解决了问题，就要把过程和结果整理出来。项目做完了，就要把成果公开。一起工作的人满意，就要拿到推荐。有了成果，就要用数字留下来。有好实力却不留下任何记录，是一种损失。这不是谦虚，而是自己放掉了别人发现你的机会。实力也要先做成别人能确认的样子，拿出来给人看。

假声誉撑不久

这里也有要小心的地方。积累声誉，不等于装饰形象。把没有的实力包装成有，撑不了多久。一开始也许行得通，但一旦被拆穿，声誉非但帮不上忙，反而会成为损害。信任难以积累，失去却只在一瞬。所以能长久的声誉，必须建立在事实之上。守约。把事做完。不隐藏错误。不懂就不装懂。留下别人能确认的结果。

这些事反复发生时，信任才会积累。声誉不是用话做出来的，而是由反复的行动留下的记录做出来的。

实力和证据要一起积累

只培养实力，是不够的。只攒证据，也撑不久。两者都需要。没有实力却只做表面功夫，很快就会被看穿。反过来，有实力却没有证据，也得不到应有的认可。所以在职业里，重要的问题是这样的。我擅长什么。这份实力，别人怎么确认。我做出的结果留在哪里。谁能相信并推荐我。初次见面的人，有没有理由选择我。

这些问题答不上来，就算有实力，也会被低看。被验证过的实力更受认可。因为它不只是单纯的能力，而是能减少对方不安的依据。

要积累信任和声誉

攒钱的方法大家都知道。少花、多赚、留下结余。其实信任和声誉也可以积累。每守一次约，信任就增加一分。每公开一件做完的事，被验证的实力就增加一分。每维持一段长久的好关系，接触权就增加一分。每被别人信任并介绍，声誉就增加一分。这些不会马上显示在账户上。但到了某个时刻，它们会比钱更早带来机会。好机会不会给每一个有实力的人。

它会给看得见的人。给可信的人。给被验证过的人。所以，不要只培养实力。要让实力被别人确认到。没必要反复说“我很会”。留下做得好的证据就够了。世界不会看重“我很会”这句话。世界会珍视能被确认的实力。

第一次接触的工作，如何用 AI 分析会议转写来把握结构

Sat, 20 Jun 2026 00:00:00 +0000

通过观察其他人的会议，您可以了解组织使用什么标准来制定决策。

第一次进入陌生业务会议，大多数人都会发懵。认识的词没几个，其他人却都默认你清楚背景在说话。会议一路推进，自己却完全跟不上。这时目标设错，会更难。一开始不要试图理解全部内容。第一次看陌生会议的目标，不是全懂，而是复原业务结构。先确认这件事为什么存在、要决定什么、因为什么而分歧。而且这件事不会在会议中结束。真正的学习从会后开始。用 AI 分析转写或会议纪要，把目的、争点、决定事项、未定事项、判断标准、术语、负责人、下一步行动拆到互不重叠为止。

先确认这场会议能不能录音

会议录音不是任何时候都可以做。以韩国为例，关键在于自己是不是对话当事人。通信秘密保护法禁止录音或窃听“非公开的他人之间的对话”。也就是说，偷偷录下自己没有参与的别人对话，是危险的。如果是自己直接参加的会议，情况不同。韩国大法院曾判断，在三人对话中，其中一人录音时，其他人的发言对录音者来说不能视为“他人之间的对话”。但这并不代表可以随意公开或上传到外部。业务会议可能包含公司机密、个人信息、客户信息。因此录音前要确认公司规定和安全政策。尽量告知参会者录音事实，也不要把原始转写直接上传到外部 AI 服务。必须使用时，最好用公司批准的 AI，或删除姓名、公司名、客户信息和敏感数字后再分析。

第一次会议不需要全部理解

陌生会议里，想听懂每一句话很快会累。陌生术语、缩写、以前会议中已经决定的内容，会被当成理所当然带过。全抓住，反而会错过重要结构。会议中应该集中留下标记，而不是纠结细节。这场会议要决定什么？反复出现的词是什么？大家长时间纠缠的争点是什么？谁负责下一步行动？一开始不完全理解也可以。重要的是留下之后能用 AI 重新分析的材料。转写、会议纪要、自己标记的术语和问题，都会让你在会后复原结构。

先弄清这件事为什么存在

要看业务结构，必须先看目的。不知道这件事为什么存在，后面的内容都会变得零散。谁为了什么做什么不清楚，数字、资料、术语就各自指向不同的方向。会后最先问 AI 的也应该是这个：“这场会议讨论的业务目的是什么？”“这项业务要解决什么问题？”“更接近客户问题、成本问题、日程问题、质量问题，还是风险问题？” 目的抓住后，发言的意义会改变。同样是功能讨论，如果目的在客户满意，易用性会重要；如果目的在降本，开发范围会重要；如果目的在风险管理，稳定性和责任归属会重要。知道目的，会议其他内容才会归位。

要分开已决定和未决定

理解会议，必须分开已决定事项和未定事项。这两者混在一起，会议内容就会让人搞不清。你会重新烦恼已经决定的事，或把尚未决定的事误以为已经定了。把会议纪要交给 AI 做简单摘要不够。必须要求它分开：今天确认的决定事项是什么？还没定的事项是什么？下次会议或追加确认需要什么？有了这个区分，业务会清晰很多。已决定的事会成为行动标准，未定事项会成为下一次会议争点，需要确认的事则是自己要学习或追问的作业。

当已决定事项和未决定事项被区分开时，会议记录就会成为确定下一步行动的依据。

要把争点拆得 MECE

MECE 是 Mutually Exclusive, Collectively Exhaustive 的缩写，意思是互不重叠、完整穷尽。简单说，就是不要把同一件事重复放进两个格子，也不要漏掉重要项目。陌生业务难，是因为争点纠缠在一起。成本、日程、质量、风险、客户需求混着听。会议结束后，脑子里只剩“好复杂”。用 AI 的关键在这里：要让它“把这场会议的争点拆成 MECE”。继续追问有没有漏掉争点，项目之间是否重叠，是否把原因和解决方案混在一起，是否混淆了决定事项和待办。

不能直接相信 AI 第一次给出的答案。AI 也不一定一次抓住会议结构。要反复追问、修正分类、补齐漏项。经过这个过程，陌生业务的结构会逐渐变得清晰。

听到判断标准，工作才看得见

会议里重要的不只是“决定做什么”，更重要的是为什么这样选。A 案和 B 案之间，大家按什么标准选择，必须知道。让 AI 分析会议纪要时，要单独抽出判断标准。成本、日程、性能、稳定性、客户反应、内部资源、责任归属中，哪些影响了决定？哪个标准最强？被放弃的方案为什么被放弃？知道判断标准，下一次会议会轻松很多。因为类似议题出现时，你能预期大家会看哪里。理解业务不是背很多资料，而是知道这个组织按什么标准选择。

不懂的术语，要用 AI 放回业务结构里

第一次参加会议时，不懂词很正常。问题在于想当场全懂。这样会错过会议的整体走向。会议中只要标记不懂的术语即可。会后再问 AI。但停在“这个词什么意思”还不够。还要问这个术语在会议中以什么语境使用，连接到哪个业务阶段，影响什么决策。术语不是单词表，而是理解结构的线索。有些术语对应客户需求，有些对应技术约束，有些对应内部流程。把术语放回正确的位置，业务结构才会显现。

要留下负责人和下一步行动

会议分析的最后，是人和行动。谁负责什么？什么时候确认？需要谁批准？还要看什么资料？漏掉这些，即使理解结构，也不会变成实际工作。会议既是学习材料，也是工作指示来往的地方。不能把理解转成自己的行动，下次会议仍然只是旁观者。会后整理不必很长。今天决定的事、未定事项、主要争点、判断标准、不懂的术语、负责人和下一步行动。留下这六格就够了。关键是不让会议白白过去，而是把它变成下一步。