★ FEATURED ARTICLE 历史总是在重演这句话放在技术变革里尤其扎心。过去十几年我眼睁睁看着移动互联网从“少数人玩的概念”变成“所有人的基础设施”又看着云计算、大数据从实验室名词变成企业招聘里的硬性要求。现在AI大模型又把这套剧本重演了一遍而且速度更快、波及面更广。很多朋友问我AI时代到底该做什么是去学提示词还是去搞AI Agent还是干脆躺平等它过去我的答案是历史重演的不是技术本身而是人对技术的反应模式——恐慌的那批人永远在追赶而看懂规律的那批人早就开始搭桥了。这篇文章我想结合自己的实际经历聊聊AI时代个人应该做什么、怎么做、以及哪些事做了也是白做。不管你是程序员、运营、设计师还是完全没有技术背景的普通人这篇内容都值得读完——它更多是关于“姿态”和“路径”而不是某一个具体工具的使用方法。1. 历史重演的本质每一轮技术革命都在重复同一套“三段论”1.1 从蒸汽机到互联网技术普及的三个阶段如果回看工业革命你会发现一个特别有意思的规律每一项革命性技术都要先经历“被嘲笑”→“被恐慌”→“被沉默接受”这三个阶段。蒸汽机刚出现的时候纺织工人砸机器觉得机器抢了他们的饭碗结果机器纺织确实替代了大量重复体力劳动但同时催生了工厂制度、产业工人、铁路运输这些全新的岗位。互联网刚进入日常生活的时候也一样。上世纪90年代末很多人觉得“上网就是聊QQ、看新闻”没有实际价值2000年代企业开始恐慌觉得“不触网就完蛋”结果出现了批量建站热等到移动互联网起来之后没有人再讨论“要不要上网”了因为不上网的社会化生存已经不可想象。AI大模型正处在从第二阶段往第三阶段过渡的节点上。很多人已经不再恐慌要不要用AI的问题但大量的人还在焦虑“用了AI之后我还是什么”。这种焦虑本身就是历史重演的一部分。1.2 这次AI浪潮的真正不同替代的维度变了但如果只说历史重演会忽略一个关键区别。蒸汽机替代的是体力互联网替代的是信息不对称而大模型AI首先替代的是“低质高效的认知重复”——比如标准化文案、基础代码、常规数据分析、初级翻译这些在过去被认为是“白领核心竞争力”的事情。举一个我自己工作里的场景以前写一个小项目的活动文案需要开两次会、找参考、憋三天现在把背景、目标人群、调性要求告诉AI五分钟出三版我再花十分钟修改打磨直接省掉两天时间。这不是“用AI偷懒”而是把人力从重复生产中释放出来去处理真正需要判断力的那部分。这也是为什么很多传统岗位会感到被冒犯。AI不是直接取消某一个职业而是把每份工作中的“可自动化部分”剥离出来暴露出很多岗位的含金量到底有多高。1.3 历史给出的真正启示关键在于姿态所以历史对我们真正有价值的启示不是去预测哪个职业会被淘汰而是去调整姿态。每一次技术革命中真正获益的人并不是技术最牛的人而是第一批把新技术当成“生产工具”而非“威胁”的人。1990年代第一批在论坛上卖货的人2000年代第一批做网站优化的人2010年代第一批做公众号的人本质上都是同一批人他们不纠结技术本身的机制而是关心“这东西能帮我完成什么任务”。现在AI时代也一样很多人还在纠结“大模型是不是在吹牛”“AI会不会说错话”而另一批人已经用AI做了几十个可交付的成果物。先不管你用的是什么模型先把你原本要做的事情用AI跑通一遍。你只有亲手跑通一遍才能建立对AI能力的“体感”——知道它能做什么、不能做什么、在什么场景下会翻车。这种体感就是AI时代的核心竞争力。2. 能力结构发生迁移AI时代的“新文盲”判断标准已经变了2.1 贬值与升值的技能清单下面这份清单是我在实际工作和带团队过程中观察到的“技能迁移”规律不一定覆盖所有岗位但参考价值很高尤其是对做运营、产品、管理岗位的朋友。正在贬值的技能在没有AI思维的人手里纯执行型工作按模板写文案、按套路剪视频、按流程写代码信息搬运型工作初级翻译、数据整理、表单汇总被动执行型技能等待别人给指令然后照做不思考为什么正在升值的技能定义问题的能力明白“我们到底要解决什么问题”拆解任务的能力把大问题拆成AI能执行的小任务评估结果的能力知道AI输出是好是坏坏在什么地方该怎么修构建流程的能力把多个AI调用组合成一条自动化流水线建议你把这份清单打印出来贴在工作台旁边。你可以对照看看自己当前的工作内容里有多少属于“贬值区”多少属于“升值区”。如果贬值区占比超过一半那就意味着该主动升级了。2.2 提问能力被提到最多、却被误解最多的核心能力大家都在说“AI时代最值钱的能力是提问”这句话方向对但很容易被误解为“会写提示词就行”。如果“提问”只是把需求用更长的句子说给AI听那它本质上还是执行层面的东西。真正的提问能力是你脑子里要有一个对结果的“预期形态”。举个我自己常用的例子用AI写一份行业报告。低质量提问是“帮我写一篇关于AI Agent的行业报告。”——得到的往往是一篇正确的废话结构松散、素材堆砌、没有真正的观察。高质量提问是“以‘AI Agent技术落地现状’为主题报告包含三部分行业应用案例每个案例说清楚应用场景、技术栈、落地效果、技术挑战安全、成本、集成、未来趋势2025到2027的预测。要求2000字左右用具体数据和案例支撑避免空泛描述。”同样的模型输出质量完全不是一个级别。区别不是“文字长度”而是提问者对目标结构、判断标准、交付形态的预定义能力。AI是被动的你脑子里的“预期形态”越清晰它给你的东西就越可用。2.3 审校与判断力AI时代的最终守门人还有一个容易被忽视的能力审校力。AI生成的内容大概率是“可达标”而不是“高质量”。它就像一个综合能力很强但经验不足的新人执行力强、知识面广但不知道该在什么地方足够细心。你需要做的是把“可达标”变成“可交付”。我在用AI生成代码的时候从来不直接复制进项目。我会先让AI产出实现方案自己读一遍确认逻辑合理再让AI产出代码最后自己再检查关键的边界条件。这个过程本质上是在训练两种核心能力需求拆解能力和代码阅读能力。现在很多企业已经在把“AI使用能力”纳入考核但考核的重点不是你AI用得“多不多”而是你能不能保证AI输出结果的“质量”。这靠的不是模型是人的判断力。3. 普通人现在就能上手的四条AI实践路径来自我的亲测经验与其焦虑“该学什么”不如直接选一两条路径跑起来。我结合过去一年的使用经验梳理了四条普通人最值得优先尝试的实践路径。每条都给出明确的起点和跑通标志。3.1 路径一把AI大模型变成你的工作副驾驶这是门槛最低、见效最快的一条路。核心做法是找一个主流的AI大模型产品把它嵌入到你每天重复度最高的三件事里去。我的实践是写作、会议纪要和邮件处理。以前写周报、写复盘、给客户写邮件每件都要憋半天现在我会把AI当成“第一版起草者”——先告诉它主题、受众、关键信息让它输出初稿我再往里面注入个人风格和细节。效率提升至少一倍以上。注意不是“让AI替我写”而是“让AI给我第一版”。你注入的行业经验和个人观察才是真正有价值的部分。这个区别决定你是在使用工具还是被工具替代。跑通标志某一件你过去要花2小时的工作现在只需要30到40分钟且质量不降。3.2 路径二从用AI聊天到用AI应用把对话变成工作流只把AI当聊天机器人是上一代的用法。AI真正的价值在于“流程内嵌”——你把它嵌入到一个具体业务流里让它在特定节点产出特定东西。一个最简单的方式用AI生成SQL。以前我不会写复杂的SQL查询需要麻烦数据团队现在我把表结构、查询目标、筛选条件直接描述给AI几分钟内得到可以直接用的SQL语句再到数据库里验证跑通。这个认知迁移直接让“不会编程”的人也能完成过去完全做不了的数据工作。另一个方向是搭建AI Agent。现在不少主流平台支持可视化搭建Agent用户不用写代码只需要定义规则、输入输出、知识库就能构建一个半自动化的AI代理。我去年用这类工具搭过一个客服问答Agent把团队里八成标准化的答疑从人工中解放了出来。对于想迈出AI应用第一步的人从搭建一个最小可用的客服问答Agent开始是最稳妥的路径。跑通标志你手上至少有一个“让AI重复完成同一类任务”的工作流。重复次数越多自动化收益越大。3.3 路径三AI编程助手——非程序员也能享受到的第一波红利很多非技术人员觉得自己和代码无关这是很大的误解。AI编程助手恰恰是把“编程门槛”降到普通人也能用的第一个工具。以我常用的代码生成思路为例你不需要了解一个功能的完整实现机制你只需要描述“输入是什么、输出要什么”AI就能给你一个骨架代码你再通过对话细化。我团队里几个做运营的同学已经能用AI生成“每天自动汇总Excel报表”的Python脚本这在两年前是不可想象的。给非程序员的具体建议第一个任务不要选太复杂的选“手工重复逻辑简单”的任务让AI解释你不理解的代码行不要只复制粘贴验证永远靠人工跑通一次再信任它这是底线跑通标志你能用AI完成一个自动处理小任务并且知道它每一步在做什么。3.4 路径四用AI辅助学习——以学英语为例学习语言是AI最被低估的应用场景之一。很多人还在用“背单词App语法书”的方式学英语而AI已经提供了“自适应陪练”的体验。我的做法是打开一个AI聊天窗口直接开始英文对话。你可以随时要求它调整难度、纠正语法、解释某个词在真实语境中的用法。比起传统的语言交换AI的优势在于“永远有空”“不评判你”“可以无限练习”。我同一个时间段里用AI练过口语对话、写过英文邮件还让它用英文讲解过一个行业概念再用中文复述检验自己是不是真的理解了。跑通标志你可以用英文和AI聊一个完整的话题再去和真人交流时明显觉得表达流畅度提升了。3.5 给管理者的额外建议从“管人”到“管人机协作系统”如果你是一个管理者你还需要多考虑一层你不再只是管理人而是在管理“人AI”的协同系统。过去管理者的核心工作是分配任务、跟进进度、评估结果现在你得知道哪些任务应该给AI哪些必须人来做哪些需要人机协作。做技术管理这几年最明显的体会是最优秀的团队不是用AI最多的团队而是用AI最聪明的团队。一些团队把AI当作“进度加速器”把最影响质量的人工环节外包给AI结果质量整体下滑另外一些团队则把AI当作“质量放大器”——用AI做头脑风暴和初稿用人做审校决策效率与质量同时提升。管理者现在应该做的第一件事是梳理团队里所有重复动作清单然后思考一个问题这里面有哪些环节可以抽掉人让AI接管这个梳理动作本身就是AI时代技术管理的核心基本功。4. 历史重演中最容易踩的四类坑我亲眼看到很多人踩进去4.1 坑一工具崇拜——装了30个AI应用一个交付都没有这是AI时代最常见的新型焦虑。很多朋友看到新的AI产品就“必须体验一下”不断测试各种大模型、各种提示词技巧一个月过去一个实际成果都没有。这不是学习这是收集。我见过一个运营总监工位贴满了各种AI工具聊天记录但你问他用AI做了什么实际的事他答不上来。这种“工具崇拜”和购物狂有点像消费的是安全感而不是生产力。戒掉的方法很简单给自己定一个“单工具深入”原则——一个月之内只用一个模型产品把手头的某一个工作流彻底AI化。等到真跑通了再考虑引入下一个工具。现在很多时候真正的问题不是工具不够好而是你根本没有让自己深入进去。4.2 坑二为学而学——学习路径变成打卡游戏“AI时代应该学什么”这个问题本身就可能是一个陷阱。当学习本身成了目的而不是服务于某个具体任务学习就成了一种安慰剂。我看到太多人陷入“3天掌握AI Agent开发”“7天精通AI提示词”的课程轰炸中。这些课程大多数会把一套通用知识塞给你但它既不贴合你的行业也不能解决你手头的具体问题。学完之后你觉得自己进步了但工作并没有变化。我的建议是以终为始。先找到一个你工作中反复出现的“痛点任务”然后围绕这个任务去问AI、去搜索资料。学到的东西立刻用在任务上任务跑通了能力自然沉淀下来。反过来如果你学了一堆“AI大模型基础理论”却没有任何实际产出那这些理论对你来说就只是噪音。4.3 坑三极端心态——要么全盘拒绝要么全盘托付在跟很多朋友交流时我经常看到两个极端。一种是“AI都是炒作我坚决不用”另一种是“AI什么都能干我把判断权也交给它”。这两种心态在历史上都出现过结果也都挺惨。全盘拒绝会让你错失最关键的“体感建立期”。当AI能力还在快速迭代的时候你早期建立的认知和跑通的工作流是你后面所有决策的基础。等AI成熟之后再入门你不仅落后一个身位还需要花更多时间补课。全盘托付更危险。AI会出错会一本正经地胡说八道如果你把关键决策、财务判断、客户沟通的最终权限交给它翻车只是时间问题。我在实际使用中会把AI定位成“超级顾问”而不是“最终决策者”——它能在几秒内提供信息、方案和思路但最后盖章签字的一定是我。这种边界感需要在自己的使用中反复校准。4.4 坑四忽视数据安全与合规底线这点特别想强调。用AI工具处理内部数据第一原则是先看数据敏感性再决定能否交给外部大模型。凡是涉及用户隐私、商业机密、未公开财务数据的一律不进入公共AI服务。企业团队应该在部署AI前先明确边界哪些环节允许用AI、哪些不允许、用哪家模型、谁对最终输出负责。这些看似麻烦但在合规要求越来越严格的趋势下这是企业AI化的基本功课。个人层面也一样不要在公共AI对话中透露身份证号、银行卡信息、家庭住址等敏感信息。AI没有记忆但你不知道数据去了哪里。这个意识越早建立越好。5. 一些心里话我在AI浪潮里踩过的坑和学到的经验5.1 从实操中总结的协作经验写了这么多最后分享几条我在AI浪潮里亲测出来的真实体会算是踩坑换来的。第一AI时代的“结果导向”比以往任何时代都重要。我见过一些人在AI讨论中谈了很多理论和趋势但最终的交付物寥寥无几。如果要用一句话总结AI时代该做什么那就是把每个学习都变成产出把每个产出都变成案例。第二“人机协作”的分寸感是需要大量实践才能建立的。你和AI配合的次数越多你越清楚哪些环节它的输出可以直接用哪些环节必须人工复核。这种分寸感不可能从课程里学到只能从项目里磨出来。开始的时候宁可多复核也不要图快跳过。第三发现问题比解决问题更值钱。AI能帮你快速解决一个问题但它很难帮你发现“这个问题根本不该存在”。那些能说清楚“我们真正需要的是什么”的人在AI时代会拥有更大的杠杆。5.2 给普通人的执行建议对于正在找方向的普通人我有一个很务实的建议用“给未来存案例”的心态来做AI实践。你今天用AI完成的一个项目、写的一段代码、搭的一个Agent这些都属于你本人的AI实践资产。当机会来临时别人展示的是“我会用AI”的说法你展示的是“我用AI交付了什么”的证据——两者的说服力不在一个量级。如果只能挑一件事做我建议就从“用AI改造你每天重复最多的那件事”开始。它不需要你懂技术不需要你花大量时间学理论只需要你和AI一起把一个具体任务跑通。只要迈出这一步你就已经从“被AI替代的人”变成了“使用AI的人”。历史确实一直在重演但每一次重演都会带来新一轮的机会重组。区别只在于你是抱着旧地图寻找新大陆还是准备好了识别新大陆的眼睛。就这个意义来说我们每个人能做的事情远比想象中多得多。
阅读完成 · 觉得有帮助？
