5211
64AI 不会取代你，但可能会拿走你最喜欢的工作
如果 AI 可以完成你工作里的 80% 或者 90%，你过去花很多年积累的 expertise，还值钱吗？
当分析、写作和 coding 都变得廉价，最后留给人的，会不会反而是办公室政治、反复沟通、处理例外和承担责任——这些很多知识工作者最不喜欢的部分？
这期节目从 Luis Garicano、Jin Li 和 Yanhui Wu 的新书 Messy Jobs: The Work That AI Cannot Reach 出发，讨论 AI 究竟会怎样改变知识工作。
这本书不试图简单预测哪些职业安全、哪些职业危险，而是提供了一套理解 AI、工作与组织的框架：
为什么一项 task 被自动化，不等于整份 job 会消失；
为什么组织越使用 AI，authority 和 implementation 反而可能越重要；
为什么 AI 可以把人迅速送到 80% 或 90%，最后一段却更依赖过去积累的经验；
以及，我们应该怎样使用 AI，才不会把自己的专业肌肉和判断力一起外包出去。
节目后半部分，我也结合自己使用 AI 做宏观研究、写作和编程的经验，讨论哪些工作可以放心交给 AI，哪些能力必须继续留给自己训练。
开场｜比“AI 会不会取代我”更值得问的问题
｜如果 AI 能完成你 90% 的工作，你过去的经验还值钱吗？
与其把职业是否消失看成一个非零即一的问题，不如进一步追问：
AI 会怎样改变一份工作的内部结构？
哪些原本稀缺的能力会变得廉价？
当分析、写作和编程都可以被自动化，什么能力会变得更加稀缺？
我们应该怎样调整自己的职业规划？
AI 最擅长的，可能恰恰是知识工作者最喜欢的部分：分析、写作、编程和解决问题。最后留给人的，会不会反而是沟通、协调、办公室政治和承担责任？
｜为什么我会读《Messy Jobs》
《Messy Jobs》不是一份“安全职业排行榜”，而是一本从劳动经济学和组织经济学出发，解释 AI 如何改变工作结构的书。
它讨论的不是模型能不能完成某项 cognitive task，而是：
AI 能否独立交付最终结果；
一份工作能否被拆成彼此独立的任务；
为什么组织仍然需要人；
AI 落地后会产生哪些新的稀缺角色。
全书分为三个部分，第一部分已经在官网免费公开。David Autor 和 Alex Imas 等研究劳动力市场、组织和技术变化的经济学家也为它写了推荐。
第一章｜AI 能完成一个 task，不等于能取代一份 job
｜Autonomy Threshold：AI 是辅助人，还是替代人？
作者用 autonomy threshold 描述一种技术从“帮助人”变成“替代人”的边界。
如果 AI 生成结果以后，仍然需要一个人检查、修正、签字并承担责任，那么它仍然处于 assistance mode。它提高了人的 productivity，但人依然是流程中的 bottleneck。
如果 AI 可以独立交付一个 finished output，而且错误容易验证、修复成本也不高，这项 task 才真正跨过 autonomy threshold。
但这里最重要的区别是：
AI 学会一项 task，不等于它已经学会了一整份 job。
｜从“干净任务”到“混乱工作”：三层工作结构
第一层是相对独立、标准化、可编码且结果容易验证的任务，例如翻译、基础数据分析、标准化合同条款和部分编程任务。这些任务最容易被自动化。
第二层工作包含多种彼此关联的任务。医生就是典型例子：诊断只是工作的一部分，医生还需要理解病史、观察患者、与患者和护士沟通，并对最终决定承担责任。
AI 即使擅长其中一个环节，也很难独立完成整份工作。
第三层工作的核心不是信息处理，而是把一群相互依赖、目标却并不完全一致的人组织起来。
协调利益、争取预算、解决冲突、建立信任并推动方案真正落地，才是这类工作的主要价值。
｜AI 既会放大专家，也会降低跨领域门槛
在已经熟悉的领域里，专家通常最先知道应该怎样使用 AI，也最有能力识别 AI 的错误。专业知识不会立刻失去价值，反而可能成为驾驭 AI 的前提。
与此同时，AI 也可能降低进入新领域的门槛。过去需要多年训练才能开始完成的任务，未来可能在 AI 辅助下更早开放给更多人。
因此，AI 对职业的影响是双向的：
它可能降低旧技能的市场价值；
也可能让过去无法进入的新路径变得可行。
第二章｜AI 越聪明，为什么组织仍然需要人？
｜“全 AI 公司”为什么没有想象中那么简单
很多事情没有发生，并不是因为技术能力不足，而是因为组织中存在大量：
tacit knowledge，即没有被写下来的隐性知识；
private information，即只被少数人掌握的信息；
conflicting interests，即彼此不一致的利益和目标；
没有出现在正式流程中的实际权力结构。
每个组织里都可能存在一个“Lucy”：她的判断并不在 job description 里，却因为多年积累的经验、信誉和关系，成为某类模糊决策的实际担保人。
这些知识往往无法完整记录，掌握知识的人也未必有动力把它交给系统。AI 的推理能力再强，如果缺少关键 context，也无法得出真正可执行的结论。
｜责任与程序正当性为什么仍然需要人
AI 可以提供建议，却无法像人一样被奖励、惩罚、解雇或追责。
组织需要人，不只是为了提高决策准确率，也因为一个不确定的决定最终必须由某个人承担责任。有时 manager 的存在，本身就是为了在结果失败时对组织负责。
此外，人们接受一个决定，未必只是因为它在技术上正确，也可能是因为不同意见被表达、冲突经过讨论、程序被认为公平。
决策过程本身会赋予结果 legitimacy，而这同样不是一个纯粹的计算问题。
｜一个不太令人愉快的结论：AI 可能拿走知识工作者最喜欢的部分
很多知识工作者喜欢的是分析、写作、编程和解决问题带来的智力快感；不喜欢的则是反复沟通、协调利益、说服他人和办公室政治。
但 AI 最容易替代的，可能恰恰是前一类“干净”的智力工作。
最安全的工作，反而可能是销售、管理、协调、谈判、建立信任和承担责任。
问题因此不只是“我的工作是否安全”，而是：
未来安全的工作，是否仍然是我愿意做的工作？
｜AI Implementation：为什么推动 AI 落地会成为稀缺能力
AI 越强，企业越希望采用 AI；但真正推动 AI transformation，需要同时拥有三类知识：
Process knowledge
理解行业和具体工作流程，知道任务实际上是怎样完成的。Technology knowledge
理解 AI 能做什么、不能做什么，以及系统应该如何设计。Political knowledge
理解谁会从变革中受益，谁会失去权力，谁可能阻碍项目，以及怎样让掌握隐性知识的人愿意参与。
这也是 deployment、forward-deployed product 和 solution architecture 等角色越来越重要的原因。
真正困难的不是做出一个 demo，而是决定 what to build、what not to build，并让系统最终在真实组织中运行起来。
｜AI 能做，人们却仍然愿意为“人”付钱的工作
有些工作得以保留，并不是因为 AI 无法生产同等质量的结果，而是因为产品的价值与“由谁完成”直接相关。
现场音乐、手工产品、高端服务、创作者内容和个人品牌，都包含真实性、身份、信任与共同体验。
即使 AI 能够生成相似的产品，人们仍然可能愿意为人的参与付费。
第三章｜AI 把人送到 90%，但最后 10% 才是专业能力
｜AI 像直升机：它没有替你爬过前面的山
传统上，expertise 的形成像爬山。
人在完成前面 80% 的过程中，不仅生产了结果，也积累了背景知识、风险直觉、肌肉记忆和 mental model。
AI 像一架直升机，可以迅速把一个人送到距离山顶只剩 10% 或 20% 的位置。
但如果没有经历前面的攀爬，最后一段往往反而走不上去。
这会产生一种 knowledge deficit：你能生产出来的东西，已经超过了你真正理解和控制的范围。
｜为什么 AI 很容易生成 80%，却难以完成最后 20%
无论是 vibe coding、研究还是写作，AI 都能迅速生成一个看起来相当完整的初稿。
但真正上线、形成原创判断或处理 edge cases 时，仍然需要长期积累的专业能力。
经验丰富的人曾经爬过这座山，因此可以利用 AI 加速；缺少基础的人虽然也能快速获得一个半成品，却可能不知道哪里出了问题，甚至不知道下一步应该问什么。
AI 也有另一面：它可以成为写作和编程过程中的伙伴，降低继续推进一件困难事情的心理成本。
它不一定让任务客观上更快，但可能让过程更加轻松，也让人更愿意继续尝试。
｜你会停留在“完成 80% 的爽感”里吗？
AI 降低了制造半成品的门槛，但真正的差异在于，一个人是否愿意继续学习、补足知识，并把最后 20% 啃下来。
有人会不断生成原型，却始终无法把任何东西真正完成。
也有人会借助 AI 扩展自己的能力边界，逐渐获得完成最后 20% 所需的专业知识和肌肉记忆。
｜Commodity Tasks 与 Star Tasks
并不是所有事情都值得做到 100%。
有些任务只需要达到 80% 或 90%，例如普通会议纪要、一次性的信息整理或只供自己使用的小工具。这些 commodity tasks 可以更多地交给 AI。
但有些任务的最后 10% 就是全部价值，例如关键客户沟通、重要演讲、核心投资判断、正式发表的文章或真正准备上线的产品。
这些 star tasks 需要人核实事实、理解逻辑，并完成最后的打磨。
AI 时代的一项重要能力，就是判断：
哪些任务可以停在 80%，哪些任务必须亲自做到 100%。
第四章｜哪些能力可以外包，哪些必须留在自己身上？
｜我会把什么交给 AI，什么一定留给自己？
我判断一项工作是否应该交给 AI 时，会问自己：
完成这件事的过程，是否有助于维持我需要的肌肉记忆？
在宏观研究中，寻找资料、清理字幕、整理格式和建立初步索引，都可以交给 AI。
但我不会在一开始就让 AI 替我判断什么最重要，也不会直接接受它对关键材料的压缩。
面对相同的公开信息，不同研究员会选择不同重点、赋予不同权重，并形成完全不同的交易判断。
判断什么重要，本身就是 alpha 的一部分。
｜不要把自己最在意的能力外包出去
在真正重要的领域，我通常只分享自己已经听过、读过并能够核实的 AI 总结。
长期只阅读压缩后的内容，可能得到很多一次性的结论，却无法建立判断这些结论是否正确的能力。
对于需要长期积累的专业领域，主动接触原始材料仍然十分重要。
AI 可以像健身教练一样帮你准备器材、制定计划和纠正动作，但它不能替你举铁。
真正形成判断的 repetitions，仍然必须由自己完成。
｜AI 总结是一种有损压缩
一份详细材料与几句话的总结，提供的并不是完全相同的信息。
压缩过程中被删除的背景、语气、前因后果和细节，可能会改变一个人最终形成的判断。
因此，真正重要的问题不是“要不要使用总结”，而是：
这份内容可以承受多大程度的压缩？
哪些细节不能被删除？
这是只需要一次性了解的信息，还是需要形成长期 mental model 的领域？
决定 compression threshold，本身也应该是人的判断。
结尾｜AI 时代，我们真正需要保留什么？
｜当 AI 学会了我现在会做的事情，人应该怎么办？
对于已经在一个领域积累多年经验的人，过去形成的专业知识不会立刻消失。
AI 即使取代了工作中的大部分任务，这些人通常仍然最有可能理解剩下的 20%，并率先找到新的工作方式。
但这也意味着，人必须愿意继续学习和调整。
对于没有时间、精力或条件持续重新训练的人，AI 带来的压力会更加真实。
另一方面，AI 也可能降低过去难以进入的职业门槛，为人打开全新的方向。
｜AI 时代真正稀缺的人类能力
未来更难被替代的能力可能包括：
为不可预测的结果作出判断并承担责任；
理解没有被写进数据和流程的隐性知识；
与人建立信任；
协调利益并说服他人；
带领团队推动改变；
在自己的专业领域持续形成比平均水平更深的判断。
这未必是一个轻松的答案。
AI 可能拿走知识工作中最“干净”、最令人愉快的部分，把更 messy 的部分留给人类。
但如果能够利用 AI 持续学习，同时不放弃真正重要的专业训练，我们仍然可以决定：
哪些能力交给 AI，哪些能力必须继续长在自己身上。
本期提到的书
《Messy Jobs: The Work That AI Cannot Reach》
作者：Luis Garicano、Jin Li、Yanhui Wu
官网及免费开放的第一部分：
