Appearance
AI 时代，什么才是稀缺能力
不是所有人都会被 AI 取代，但很多“看起来很努力”的人会被重新定价
我最近一直在想一个问题：为什么 AI 明明帮我们省了很多时间，焦虑却没有减少？
按理说，以前写一份文档要半天，现在十分钟就能出初稿；以前查资料要开十几个网页，现在让 AI 总结一下就行；以前写代码卡住要搜索半小时，现在直接问模型就能跑通。工具变强了，人应该更轻松才对。
但真实感受不是这样。
很多人的焦虑不是“我不会用 AI”，而是：我突然发现，自己过去引以为傲的能力，好像没有那么值钱了。
会写一篇结构完整的文章，不再稀缺。
会做一份像样的 PPT，不再稀缺。
会写一段能跑的代码，不再稀缺。
会整理会议纪要、提炼重点、归纳观点，也不再稀缺。
这些能力并没有消失，但它们正在从“优势”变成“默认配置”。就像二十年前会打字、会用搜索引擎、会做 Excel 表格是加分项，今天已经很少有人因为这些能力被认为不可替代。
所以 AI 时代最让人不安的地方，不是机器突然有了某项技能，而是大量中间层能力正在被压平。
你原来靠“我能把事情做出来”获得安全感。现在 AI 也能做出来，而且更快。于是问题变成：当“做出来”本身不再稀缺，人还剩下什么？
我觉得答案不是某个新技能，而是一种更底层的能力：
在真实世界里定义价值、承担判断、建立信任的能力。
这句话听起来还是抽象。我们换几个具体场景来看。
一、同样让 AI 写方案，差距不在“会不会提问”，而在“知不知道问题在哪里”
想象一个很常见的工作场景：老板说，最近用户留存不好，让你做一个提升留存的方案。
一个人打开 AI，输入：
帮我写一份提升 App 用户留存的方案。
AI 很快给出一份漂亮的结果：新手引导、签到激励、消息推送、积分体系、用户分层、召回策略、A/B 测试。结构完整，语言专业，拿去做 PPT 甚至也能交差。
但另一个人不会马上写方案。他会先问几件具体的事：
- 留存差，是新用户第一天就走，还是用了两周后走？
- 是所有渠道都差，还是某个投放渠道带来的用户差？
- 用户离开前做了什么？卡在注册、首个任务，还是付费页？
- 我们想提升的是次日留存、七日留存，还是长期活跃？
- 留存不好，真的是产品问题，还是获客人群本来就不匹配？
这两个人都可以使用 AI，但他们使用 AI 的方式完全不同。
第一个人把 AI 当作“答案生成器”。
第二个人把 AI 当作“思考放大器”。
差距不在提示词技巧，而在他是否知道：一个看似简单的业务问题，背后可能有很多完全不同的原因。
如果问题是新用户第一步就卡住，那么应该优化引导和首个成功体验；如果问题是渠道用户不匹配，那么做积分体系只是在浪费资源；如果问题是用户没有形成使用频率，那么推送可能有用，也可能只是更快打扰用户。
AI 能生成“提升留存的通用方法”，但它不知道你们的产品发生了什么。它不知道用户在哪一步皱眉，不知道客服记录里反复出现的抱怨，不知道数据口径有没有问题，也不知道团队现在能不能执行复杂方案。
所以这里的稀缺能力不是“会写方案”，而是：能把一句模糊需求拆成真实问题。
很多人以为自己在做知识工作，其实只是在做“格式化工作”：把老板的话格式化成方案，把会议内容格式化成纪要，把需求格式化成文档。
AI 最先压低价值的，正是这类格式化工作。
而真正稀缺的是你能不能看见格式背后的现实：谁遇到了什么问题，为什么现在解决，解决到什么程度算有效，哪些方案看起来好但不适合当前约束。
二、同样写代码，AI 会让“能实现功能”变便宜，让“知道不该实现什么”变贵
再看一个程序员的例子。
产品经理提了一个需求：给后台系统增加一个“智能报表”功能，用户可以选择时间范围、部门、指标，然后生成图表，还要支持导出 Excel。
现在用 AI 写代码很快。你把需求拆一下，让 AI 生成接口、页面、SQL、图表组件、导出逻辑，可能一天就能搭出一个能看的版本。
但一个成熟工程师真正会紧张的，不是“能不能写出来”，而是这些问题：
- 这些指标的定义稳定吗？不同部门对“成交额”的口径一样吗？
- 报表查询会不会拖垮线上数据库？
- 用户真的需要自由组合所有指标，还是只需要三个固定视图？
- 导出的 Excel 是临时需求，还是以后会变成批量任务？
- 这个功能如果做成“智能”，后续解释错误谁负责？
初级工程师容易把需求看成一组待实现功能。
成熟工程师会把需求看成一组未来成本。
AI 会让“实现”变得越来越便宜，但它不会自动告诉你：这个需求是不是应该被砍掉一半，这个抽象是不是过早设计，这个看似优雅的方案会不会让团队维护半年。
很多工程灾难不是因为没人会写代码，而是因为大家太快把错误的问题写成了代码。
这里真正稀缺的能力是：对复杂度的敏感。
你知道每增加一个按钮、一个配置项、一个“顺便支持”，未来都会变成测试、解释、维护、兼容、迁移。你知道代码不是写完就结束，而是要被人读、被人改、被系统长期运行。
AI 可以帮你更快地把墙砌起来，但它不会替你判断这堵墙应不应该出现在这里。
所以 AI 时代，程序员的价值可能会从“我能写多少代码”，更多转向：
- 我能不能判断什么代码不该写；
- 我能不能把需求压缩成更简单的模型；
- 我能不能为系统未来的维护成本负责；
- 我能不能在业务想要更多时，守住必要的边界。
这不是效率问题，而是判断问题。
三、同样生成内容，区别在于你有没有“亲身经验”可以注入
再看写作。
现在让 AI 写一篇“如何提升专注力”的文章，它可以写得很完整：关闭通知、番茄钟、任务拆分、冥想、规律作息、减少多任务。每一条都对，但也都像在哪里看过。
为什么读完容易忘？因为它没有重量。
有重量的内容往往不是因为观点多新，而是因为它带着真实经验。
比如同样写专注力，一个人可能会写：
我发现自己不是不能专注，而是不敢开始。只要任务一模糊，我就会去整理桌面、换工具、刷教程。后来我把任务开头改成一个很小的动作：只打开文档，写下最丑的三句话。奇怪的是，真正开始之后，我反而没那么焦虑。
这段话不一定多高级，但它有具体经验，有自我观察，有一个真实的人在里面。
AI 可以总结一百条专注方法，但它没有“我曾经逃避开始”的羞耻感，没有深夜盯着空白文档的身体记忆，也没有从混乱里摸索出一个小办法的过程。
这就是为什么未来内容会越来越多，但真正能打动人的内容可能反而更少。
不是因为 AI 写得差，而是因为大量内容会变成“正确但无经历”：结构正确，语言顺滑，观点无害，可是没有摩擦，没有代价，没有具体的人。
所以内容创作者的稀缺能力，不是更快生成，而是：把亲身经验转化成公共表达。
这里有一个判断标准：
如果把你的名字拿掉，这篇文章和任何一个 AI 生成账号的文章没有区别，那它很可能没有真正属于你的东西。
属于你的东西不一定是惊天动地的经历。它可能是：
- 你长期观察到的一个细节；
- 你犯过的一个错误；
- 你改变想法的过程；
- 你在某个场景里感受到的矛盾；
- 你愿意说出来但别人不好意思说的真实感受。
AI 能帮你表达，但前提是你真的有东西要表达。
四、同样做选择，AI 能列利弊，但不能替你承受后果
很多人会问 AI：我要不要转行？我要不要创业？我要不要学某个技术？我要不要离开现在的平台？
AI 可以给你一张很完整的利弊表。
转行的好处：增长空间、兴趣匹配、收入潜力。
转行的风险：机会成本、学习曲线、短期收入下降。
建议路径：先兼职探索、做作品集、访谈从业者、设定三个月试验期。
这些都对，但真正难的不是“不知道利弊”，而是：你愿意为哪个版本的自己付出代价。
比如一个人想离开稳定工作去做自由职业。AI 可以帮他算风险，但算不出他每个月房租到期时的压力，算不出父母不理解时的内疚，算不出没有同事和组织之后的孤独，也算不出他是否真的能在没人催的时候持续交付。
另一个人想留在稳定工作。AI 也可以说这是理性选择，但它同样无法替他承受另一种代价：几年后发现自己一直在重复低成长任务，心里慢慢变钝。
人生里的重要选择，很少是“最优解”问题。它更像是一个价值排序问题：
- 我更怕不稳定，还是更怕停滞？
- 我更需要外部认可，还是更需要自主感？
- 我能承受多长时间没有反馈？
- 我愿意为了长期可能性，牺牲多少短期舒适？
这些问题，AI 可以陪你梳理，但不能替你回答。
所以 AI 时代的稀缺能力之一，是保留主体性。
主体性不是固执地不用 AI，而是你知道：工具给的是信息、选项和模拟，最后选择仍然要落回到你身上。
你不能把人生外包给一个看起来更聪明的东西。因为后果不是它活，是你活。
五、真正容易被替代的，不是某个职业，而是“没有上下文的人”
我们常常问：作家会不会被替代？程序员会不会被替代？设计师会不会被替代？咨询顾问会不会被替代？
但也许这个问法本身就不准确。
AI 替代的不是一个完整的人，而是一个人身上那些脱离上下文的任务片段。
写一段宣传文案，可以替代。
画一张普通配图，可以替代。
写一个常规脚本，可以替代。
整理一份会议摘要，可以替代。
做一个行业概览，可以替代。
这些任务有一个共同点：目标清楚、上下文少、评价标准相对明确。
但真实世界里更有价值的工作，往往高度依赖上下文：
- 这个客户为什么表面说要降本，实际害怕的是组织失控？
- 这个团队为什么一直推动不了，不是流程问题，而是负责人之间缺乏信任？
- 这个产品为什么数据不好，不是功能少，而是用户根本没有形成使用场景？
- 这篇文章为什么没人读，不是标题不够抓人，而是作者没有真正的立场？
上下文越厚，简单替代越难。
所以未来一个很重要的方向，是让自己成为“带上下文的人”。
带上下文，意味着你不仅知道任务本身，还知道任务从哪里来、牵涉谁、受什么限制、过去试过什么、为什么失败、现在真正的风险是什么。
一个只会说“我可以帮你写”的人，会越来越便宜。
一个能说“这个不该这样写，因为你的用户现在真正卡在这里”的人，会更稀缺。
一个只会说“我可以实现这个功能”的人，会越来越便宜。
一个能说“这个功能如果现在做，会让系统复杂度失控，我们可以先用更小的方案验证”的人，会更稀缺。
一个只会说“我可以给你十个建议”的人，会越来越便宜。
一个能说“这十个建议里，只有第二个适合你现在的约束”的人，会更稀缺。
AI 时代最重要的护城河之一，就是你对具体现实的理解深度。
六、信任会比内容更贵
当所有人都能生成内容，内容本身会泛滥。
以后我们会看到更多文章、更多课程、更多方案、更多知识卡片、更多看似专业的账号。它们格式统一，语言流畅，结构漂亮，观点也不一定错。
但人会越来越警惕：这是谁说的？他真的经历过吗？他为这些话负责吗？我为什么要相信他？
所以真正变贵的不是“内容”，而是内容背后的信任。
信任来自哪里？来自长期一致的行为。
比如一个医生说某种治疗方案，你相信他，不只是因为他说得清楚，而是因为他受过训练、见过病例、承担责任、知道边界。
一个工程师说某个架构不该上，你相信他，不只是因为他说得有道理，而是因为他维护过系统、踩过坑、能说清代价。
一个创作者写成长困境，你愿意读，不只是因为文字顺滑，而是因为你感到他没有躲在正确话术后面，他真的把自己放进去了。
AI 可以生成可信的语气，但不能生成可信的人生轨迹。
这也是为什么“真实”会变得更重要。不是把隐私都暴露出来，而是你的表达、判断和作品背后，有没有可追溯的经验和责任。
未来很多人会追求“看起来专业”，但真正稀缺的是“值得托付”。
一个值得托付的人，不一定永远最聪明，但他稳定、诚实、知道边界。他不会为了显得万能而胡说，不会为了迎合趋势而推荐自己也不相信的东西，不会把复杂问题包装成廉价答案。
在生成能力过剩的时代，可信任会成为一种硬通货。
七、这对普通人意味着什么
如果把这些都落回到自己身上，我觉得不需要把 AI 时代理解成一场“谁更快”的比赛。
因为和 AI 比快，人一定很痛苦。
更实际的问题是：我能不能把自己的能力往更深的地方挪一点。
1. 从“交付一份东西”挪到“弄清楚为什么要交付”
下次接到任务时，不要只问 AI 怎么做。先多问几句：这个任务解决什么问题？谁会使用？做完之后什么会改变？如果不做会怎样？
这些问题看似慢，但它们决定你是在执行，还是在创造价值。
2. 从“收集更多答案”挪到“训练自己的判断标准”
看到一个建议时，问问它适合什么前提，不适合什么场景。看到一个趋势时，问问它和自己的生活有什么关系。看到一个工具时，问问它是在解决真实问题，还是只是制造新鲜感。
判断标准越清楚，越不容易被信息流带走。
3. 从“生成更多内容”挪到“积累真实经验”
如果你写作，就不要只总结观点，多记录自己怎么想、怎么错、怎么改。
如果你做产品，就不要只看竞品，多观察用户真实行为。
如果你写代码，就不要只追求功能完成，多理解系统长期成本。
如果你做管理，就不要只学方法论，多理解人为什么抗拒变化。
AI 可以处理素材，但真实经验要靠你自己进入现场。
4. 从“证明我不可替代”挪到“持续变得更可信”
不可替代是一个很重、也很难保证的目标。
但更可信是可以一点点做到的：说到做到，不懂就承认，交付稳定，判断有依据，推荐有边界，失败后复盘。
这些事情不炫酷，却会在长期里形成别人对你的信任。
结尾：AI 会让浅层能力贬值，也会逼我们长出更深的根
我不想用“AI 不会取代你”来安慰自己。因为有些任务确实会被取代，有些岗位确实会变化，有些过去值钱的能力确实会贬值。
但这不等于人的价值消失。
它更像是在逼我们区分：哪些东西只是表层产出，哪些东西才是真正的根。
表层产出是文章、代码、方案、PPT、总结、图片。
更深的根是理解现实、提出问题、形成判断、承担后果、建立信任。
AI 会越来越擅长生成表层产出。
但它不会替你进入你的生活，不会替你理解你所在的具体现场，不会替你承担选择的代价，也不会替你慢慢成为一个可信任的人。
所以也许我们不必每天追问：我会不会被 AI 取代？
可以换成一个更具体的问题：
我今天做的事情，是在堆更多表层产出，还是在长出更深的根？
这个问题没有那么刺激，但它能让人安定。
因为根长得慢。
但也正因为慢，它才不容易被风吹走。