人的价值，正在 AI 作用下走向分化
讨论 AI 对工作的影响，大多数人脑子里冒出来的都是同一个问题：
讨论 AI 对工作的影响，大多数人脑子里冒出来的都是同一个问题：
我会不会被替代？
但我最近越来越觉得，还有一个变化可能比“AI会不会裁员”更值得注意：
AI真正进入企业以后，同样的人，价值可能开始越来越不一样。
这里说的“不一样”，并不只是：
有的人会用 AI。
有的人不会用 AI。
这么简单。
真正的变化更像是：
原来一个企业里很多能力之间的差距没有那么容易被放大。
AI进来以后，这些差距可能开始被看得越来越清楚。
甚至会出现一种情况：
同样使用 AI，有的人变得更有价值了。
而另一些人：
反而变得更容易替代了。
这件事情，我觉得可能会成为未来几年企业内部一个很现实的变化。
会不会用AI，可能只是最开始的一层差别
很多人现在谈 AI 人才，最容易想到的是：
会不会写提示词。
会不会使用工具。
会不会自动化。
会不会搭工作流。
这些当然有用。
但如果一个人只是把 AI 当成：
更快的搜索工具。
更快的写作工具。
更快的表格工具。
那么他获得的，更多只是：
效率提升。
真正明显的分化，可能出现在更后面。
比如两个销售。
他们都用 AI。
一个人用 AI：
写开发信。
整理客户资料。
自动跟进。
生成报价。
另一个人也用这些。
但他还会继续问：
哪些客户真正值得投入？
哪些客户只是看起来有需求？
这个客户现在为什么不下单？
客户真正担心的是什么？
我们的产品到底有没有解决他的核心问题？
这时候两个人虽然：
都在用 AI。
但实际上做的工作已经完全不同。
前一个人：
只是把原来的工作做得更快。
后一个人：
开始利用 AI 改变自己的工作方式。
我觉得这才是第一层真正的差别。
AI可能让“普通能力”变得越来越便宜
这一点其实已经能够从很多工作里看到一些趋势。
以前：
会写一份普通方案。
是一项能力。
现在：
AI几分钟就可以写出来。
以前：
会整理一份数据。
是一项能力。
现在：
AI可以做大量基础处理。
以前：
会翻译。
是一项专业能力。
现在：
大量标准化翻译已经可以快速完成。
以前：
会写一些简单代码。
也是能力。
现在：
AI已经可以参与大量基础开发和修改。
这并不意味着这些能力突然没有用。
而是：
它们的稀缺性正在下降。
一项能力一旦越来越容易获得，企业愿意为它支付的额外价格，就可能发生变化。
这其实是所有技术进步都会发生的事情。
机器让制造标准产品变得容易以后：
单纯“会操作机器”就不再那么稀缺。
互联网让信息传播变得容易以后：
单纯“知道一些信息”也没那么稀缺。
AI则可能把这个过程推进到：
很多原来依赖人的信息处理能力，也开始变得容易获得。
于是企业真正需要的，可能越来越不是“会做”，而是“知道为什么做”
这两个能力以前经常混在一起。
一个人会做报价。
不等于他知道：
这个客户为什么应该报价。
一个人会写方案。
不等于他知道：
哪个方案最适合这个项目。
一个工程师会画图。
不等于他知道：
这个设计在真实生产里会不会出问题。
一个运营会做内容。
不等于他知道：
这个内容到底有没有商业价值。
过去这些能力可能因为时间和资源有限，很难完全拆开。
一个人花大量时间把事情做完以后，顺便也完成了一部分判断。
AI进来以后，事情可能开始发生变化。
因为：
做事情这部分越来越容易被 AI 辅助。
于是：
判断本身反而更加突出。
这可能会让“执行型人才”和“判断型人才”的差距变大
当然，我并不觉得所有企业以后都只需要“判断型人才”。
大量执行工作永远存在。
制造、仓储、交付、客服、运营、工程、销售支持，仍然需要有人把事情做好。
但 AI 会让企业越来越容易看到：
一个人到底是在创造结果，还是只是在完成流程。
以前两者经常混在一起。
比如一个销售每天：
发50封邮件。
老板很容易看到：
他很努力。
但 AI以后：
邮件可以批量生成。
于是老板真正开始关心：
为什么联系这50个人？
为什么是这个时间联系？
为什么这个客户值得重点跟？
为什么这个客户最后成交了？
这时候：
“做了多少”
和：
“判断得怎么样”
开始分开。
而一旦分开，人的价值差异就会更加明显。
对企业来说，这甚至可能是一件好事
因为很多企业过去其实并不知道：
自己真正需要什么样的人。
招聘的时候写：
责任心强。
沟通能力好。
有相关经验。
熟练使用办公软件。
这些要求都没有错。
但真正进入工作以后，真正决定一个人价值的，经常是：
他能不能理解客户。
能不能提前发现问题。
能不能判断风险。
能不能把模糊需求变成可执行方案。
能不能在 AI 给出错误答案的时候发现问题。
能不能在没有标准答案的时候做决定。
AI把大量低层次工作接过去以后，这些差异可能开始更明显。
所以：
AI不一定只是在替代人，它也可能是在帮助企业识别人。
以前一个岗位里有很多事情。
现在 AI把其中一些拿走。
剩下的部分：
谁做得好，
谁做得一般，
可能越来越容易被区分。
这件事情放到中小企业里，可能更加明显
因为中小企业本来就不太有条件养大量“只负责一个环节”的人。
很多员工都是：
什么都做一点。
一个销售：
找客户、报价、跟单、售后。
一个工程师：
设计、采购、现场、客户沟通。
一个运营：
内容、投放、数据、客服。
一个管理者：
招人、业务、财务、客户。
这种组织结构以前有一个好处：
人虽然杂，但大家多少都能把事情接起来。
AI进入以后，事情可能开始重新拆。
比如一个运营人员：
AI可以承担：
数据整理。
基础内容。
广告素材。
报表。
竞品信息整理。
那么这个人留下来的真正能力是什么？
可能是：
对用户的理解。
对业务的理解。
对市场变化的判断。
对内容效果的判断。
如果这个人本来就有这些能力，AI会让他变得很强。
因为过去：
70%的时间都在做杂事。
现在：
这些杂事被 AI 拿走。
他可以把更多时间放到真正影响结果的地方。
但如果这个岗位原本主要价值就是：
把这些杂事做完。
那么 AI 进来以后，替代压力自然会更大。
所以：
不是AI先决定谁有价值，而是AI把原来隐藏在工作里面的价值差异逐渐暴露出来。
这也是为什么“AI让所有人效率翻倍”可能并不会发生
因为工具一样。
人的基础能力不一样。
更重要的是：
使用方式也不一样。
有人把 AI 当搜索框。
有人把 AI 当助手。
有人把 AI 当协作者。
有人开始让 AI 参与整个流程。
还有人会进一步去想：
“既然这个事情现在可以自动做，那原来的流程为什么还存在？”
这几个层次的差别，可能远比：
“谁会用某个 AI 软件”
重要。
所以未来企业里的差距，很可能不是：
会AI的人。
和：
不会AI的人。
这么简单。
而是：
会不会重新设计工作的人，和只是用AI加速旧工作的人。
AI可能会让一部分“中间层工作”变得尴尬
这里的“中间层”，不是简单指管理层。
而是那些：
上面有人告诉你目标。
下面有人给你材料。
你的主要任务是把两边信息整理起来。
这种工作在很多企业里非常常见。
比如：
汇总。
跟进。
转述。
做报表。
排会议。
整理需求。
传达信息。
检查格式。
这些事情以前确实需要大量人来做。
因为企业的信息流没有那么顺畅。
AI恰恰很擅长：
汇总。
整理。
分类。
生成初稿。
信息转换。
于是这一层工作的价值可能被压缩。
但真正负责：
目标。
判断。
协调冲突。
最终决策。
的人，价值反而可能更加突出。
所以未来企业组织里可能发生一个很有意思的变化：
中间传递信息的人变少，真正理解业务的人变得更重要。
当然，不是所有企业都会如此。
有些组织本身的业务复杂度很高，这些协调工作仍然不可替代。
但至少趋势是值得观察的。
还有一种人，可能会特别受益
就是：
本来就很懂业务，但被大量低效工作拖住的人。
这类人以前往往很难发挥出来。
一个很懂客户的销售：
每天花大量时间做表格。
一个经验丰富的工程师：
每天花很多时间查资料、写文档。
一个非常懂工厂流程的主管：
每天忙于各种报表和沟通。
一个很懂财务的管理人员：
每天花大量时间核对数据。
AI如果把这些事情拿走：
他们可能不是被替代的人。
而是：
最先被释放出来的人。
所以我不太喜欢一种很简单的说法：
“AI越强，越应该淘汰普通员工。”
因为现实可能恰恰相反。
AI有时候最有价值的地方，就是：
让一个原来被事务拖住的人，终于有机会做他真正擅长的事情。
但反过来，也会出现另一类人
就是：
原来的工作主要靠信息搬运维持价值的人。
比如：
把资料整理成表。
把别人说的话整理成文档。
按固定规则审核。
按标准流程跟进。
把信息从一个部门传到另一个部门。
这些事情以前当然有价值。
只是随着 AI 的加入：
信息本身开始越来越便宜。
那么这个人的价值如果没有向别的方向移动，就可能下降。
所以 AI 带来的不是简单的：
“高级员工更安全。”
而是：
越是依赖不可复制判断、真实关系和结果负责的人，越可能有新的价值空间；越是依赖标准化信息处理的人，越容易面对重新定价。
这句话也不能绝对化。
因为行业不同，企业不同，工作环境不同。
但我觉得它作为一个观察方向，是成立的。
这也会影响企业怎么招人
以前企业可能会想：
“我要招一个有三年经验的人。”
AI以后，企业可能开始问：
这个人过去三年到底积累了什么？
如果只是：
做了大量重复工作。
那么三年经验可能没有过去那么值钱。
但如果这三年让他积累了：
客户判断。
产品理解。
项目经验。
复杂问题处理。
跨部门协调。
行业关系。
那么 AI反而可能把这些能力放大。
所以：
“工作年限”可能慢慢变得没有“经验结构”重要。
一个人干了十年，并不自动意味着价值很高。
关键是：
这十年到底留下了什么。
甚至企业内部的晋升逻辑也可能变化
过去一个人升职，很常见的一条路是：
把事情做得越来越熟。
员工：
做得快。
做得准。
做得稳。
于是：
升到更高一级。
AI以后可能会出现另一种路径：
越来越少亲自做。
越来越多定义工作。
越来越多判断结果。
越来越多协调 AI 和人。
这就意味着：
从“最会做的人”变成“最知道应该做什么的人”。
这个转换其实很难。
因为一个优秀执行者，不一定天然就是优秀决策者。
AI可以帮企业减少很多事务，但不能自动帮助一个人完成：
能力结构升级。
所以未来企业可能真正缺的，不是：
AI工具培训。
而是：
能够完成角色迁移的人。
这也会产生一个新的问题：谁能向上移动，谁向不上去？
这可能是 AI 进入企业以后非常现实的一种分化。
有些员工：
AI接管了他的重复工作。
然后：
他学会新的业务能力。
接触更多客户。
承担更多责任。
开始做更复杂的事情。
他的价值越来越高。
但另一些员工：
AI接管了他的重复工作。
然后：
剩下的工作越来越少。
或者企业干脆：
让他承担更多更低价值的任务。
最终这个岗位就开始被重新计算。
于是：
同样是“AI替代了部分工作”，
最后的结果可能完全不同。
有人：
向上走。
有人：
原地不动。
有人：
向下走。
甚至有人：
直接离开。
所以真正重要的不是：
AI替代了多少任务。
而是：
被替代的任务之后，一个人还有没有新的位置。
这其实又回到了那个关键变量：“企业有没有新的价值空间”
如果企业本身就在增长：
AI释放出来的人，可以进入新业务。
如果企业业务稳定：
AI可以让相同的人做得更好。
如果企业业务正在收缩：
AI更容易成为缩编工具。
所以一个人的命运，最终不只是他的个人能力问题。
还和：
企业发展方向。
市场空间。
产品竞争力。
管理方式。
有关。
这也是为什么我越来越不认为：
“学会AI就不会被淘汰”
是一句特别有意义的话。
因为企业不是考试。
一个人就算非常会用 AI，如果所在的业务本身没有增长空间，也未必有很多新的位置。
反过来，一个很懂业务的人，即便不是最会研究 AI 工具的人，也可能因为 AI 放大了他的经验而变得更加重要。
AI真正放大的，可能是“杠杆”
过去一个很厉害的人：
一个人只能影响自己处理的那一小块工作。
AI以后：
他可以把自己的方法复制给更多人。
一个销售知道：
什么样的客户值得追。
如果这些经验被系统化：
其他销售也可以使用。
一个工程师知道：
某类问题应该怎么排查。
如果经验被沉淀：
整个团队都能受益。
一个管理者知道：
怎样识别某类经营风险。
AI可以帮助他把这种判断变成：
流程。
检查表。
监控机制。
于是：
真正厉害的人，可能不再只是自己做得好，而是能让整个组织变得更好。
这其实是同一件事的两面：
一面是，企业怎么把个人能力留下来。
另一面是：
个人的能力被 AI 放大以后，人与人的差距会发生什么变化。
但AI也可能把人的缺点一起放大
这一点同样重要。
如果一个人的判断本来就很差：
AI可能让他更快地做出错误决定。
如果一个人本来就没有业务理解：
AI可能让他生成更多漂亮但没用的内容。
如果一个管理者本来就喜欢乱加 KPI：
AI可能让他更有效率地监控员工。
如果一个销售只是追求数量：
AI可能让他一天触达更多客户，但并不会因此获得更多真正订单。
所以：
AI放大的从来不只是能力，也可能是原来的管理方式和工作习惯。
这也是为什么有些企业用了 AI 以后：
工作越来越高效。
但员工越来越累。
有些企业则：
同样的 AI，
工作越来越清晰。
人越来越聚焦。
差别不一定在技术。
可能只是：
企业原来是什么样，AI把它放大了。
所以我现在越来越觉得，AI时代真正危险的不是“不会用AI”
而是：
一个人学会了用AI，却没有重新理解自己的价值。
如果以前你的价值是：
我能很快把事情做完。
那么这个优势可能越来越普通。
如果以前你的价值是：
我掌握很多别人没有的信息。
那么这些信息可能越来越容易被系统调用。
如果你的价值慢慢变成：
我知道哪些事情值得做。
我知道什么时候不能相信 AI。
我知道客户真正想解决什么。
我知道项目哪里最容易出问题。
我能承担最后的判断。
那么 AI反而可能让这种价值变得更加明显。
这也意味着，未来一个人的“工作资产”可能会变化
过去最重要的资产可能是：
职位。
工龄。
技能证书。
软件熟练度。
以后可能越来越像：
行业经验。
客户关系。
判断能力。
解决复杂问题的记录。
管理资源的能力。
建立新业务的能力。
持续创造新知识的能力。
因为前面的很多标准化能力：
AI可以快速补齐。
而后面的这些东西：
往往必须经过真实世界长期积累。
所以 AI 可能不会让“经验”失去价值。
反而可能让真正有经验的人：
更容易释放经验的价值。
只是与此同时：
只有“工作年限”而没有真实经验的人，可能越来越难用工龄证明自己的价值。
企业以后可能也会越来越关心一个问题
不是：
“这个人能不能被AI替代？”
而是：
“如果AI把他原来的工作拿走一部分，他还能不能创造新的价值？”
这个问题其实更加现实。
因为一个岗位永远在变化。
今天需要：
整理资料。
明天需要：
客户判断。
后天可能又需要：
新业务。
真正稳定的可能从来不是：
某一个具体任务。
而是：
一个人有没有持续产生新价值的能力。
这也是为什么我觉得 AI时代真正稀缺的人，未必是：
最会使用 AI 的人。
而更可能是：
能够利用 AI 把自己的经验、判断和关系转化成新结果的人。
但企业如果只追求“少数高手 + AI”，也可能出现另外的问题
因为企业还是一个组织。
不是一个人的能力秀。
如果所有重要事情都集中到少数非常强的人身上：
企业可能再次形成新的“关键人依赖”。
只是过去依赖的是：
“只有他知道。”
现在变成：
“只有他知道怎么用 AI 把这些事情做好。”
这其实又回到了依赖少数人的老问题。
企业花了很大力气把：
老员工知识沉淀下来。
结果最后又形成：
新的关键员工依赖。
所以真正成熟的组织，可能不是：
找几个超级员工。
而是：
让优秀的人能够持续创造，同时把其中可以组织化的部分继续沉淀下来。
这样企业才不会重新回到：
“所有事情又只能找某个人。”
于是，AI时代的人才结构可能会变得更加复杂
企业里可能同时存在几类人：
有的人：
主要负责 AI 可以快速完成的事务。
有的人：
负责把 AI 组织进业务流程。
有的人：
负责判断 AI 的结果。
有的人：
负责面对客户和复杂关系。
还有的人：
负责发现原来没有的新机会。
这些人都可能很重要。
只是：
他们重要的方式已经不同了。
所以未来企业的人才管理，可能也不会再只是：
“谁能力强？”
而是：
“谁适合做什么？”
谁适合：
执行。
谁适合：
判断。
谁适合：
协调。
谁适合：
创造。
谁适合：
管理 AI。
谁适合：
连接客户。
绕了一圈，其实还是那件事：
AI先改变分工。
分工变化以后：
人的能力结构也会被重新拆开。
最后，我越来越觉得，AI真正带来的并不只是“替代”
它更像是一台：
价值放大器。
但这个放大器并不会平均作用在每个人身上。
一个本来就有业务能力的人：
可能被放大。
一个本来就懂客户的人：
可能被放大。
一个本来就会判断的人：
可能被放大。
一个本来就能创造新东西的人：
可能被放大。
而一个主要靠：
信息搬运。
标准流程。
重复执行
来体现价值的人：
可能面对更大的重新定价压力。
所以 AI时代真正发生的，也许不是：
“所有人的效率一起提高。”
而是：
人与人之间原本不那么明显的价值差异，被技术逐渐放大。
我现在越来越倾向于这样理解：
AI真正进入企业以后，最大的变化之一，可能不是“人越来越少”，而是“什么样的人更值钱”会越来越清楚。
以前一个人只要：
把事情做好。
可能就足够了。
以后还需要逐渐回答：
为什么做？
做什么？
哪些事情应该交给 AI？
哪些事情不能交给 AI？
做完以后结果怎么样？
如果出现问题怎么办？
下一步还能创造什么？
于是人的价值就会慢慢从：
完成已有工作
向：
定义工作、判断结果、解决复杂问题、创造新价值
移动。
当然，不是所有人都能顺利完成这个移动。
也不是所有企业都有足够的新业务去承接这种变化。
所以 AI带来的真正分化，很可能不只是：
会 AI 和不会 AI。
而是：
有些人因为 AI 获得了更大的杠杆，有些人却发现，自己过去赖以获得收入的那部分能力正在越来越便宜。
这可能是未来几年企业内部最值得观察的一种变化。
而当这种分化越来越明显以后，企业还会遇到另一个更现实的问题：
如果过去一个销售拿订单靠的是个人关系，一个工程师拿项目靠的是个人经验，那么 AI越来越深入以后，客户为什么还要认这个人，而不是直接认这家公司？
到了这里，AI影响的就不只是：
人的工作。
而开始真正进入：
企业怎么获得订单。