过去两年，我花了很多时间追 AI。
新的模型出来，我会去试；新的编程工具火了，我会研究；Agent、MCP、工作流、自动化，只要看起来可能改变未来的工作方式，我多少都会想办法弄明白。后来我开始用 AI 写代码、做网站、查资料、研究市场、整理项目，很多以前需要专门学习才能做的事情，现在只要把目标说清楚，就已经能做个七七八八。
这当然是一件令人兴奋的事。但追得越久，我反而越经常冒出一个不太舒服的问题：如果今天让我领先别人的东西，只是我比别人早几个月学会了某个模型、某套 Prompt、某种工作流，那么等这些东西变成软件里的默认功能以后，我还剩下什么？
换句话说，如果有一天所有人都会用 AI，你凭什么是你？
这个问题和“AI 会不会取代人”不太一样。后者太大，也很容易滑进关于未来的无穷想象。我更关心一个眼前就已经发生的问题：当 AI 开始把过去稀缺的能力快速普及，一个人的优势究竟会消失，还是会转移到别的地方？
会用 AI，正在从优势变成基础设施
我们通常会把技术进步理解成“人的能力被增强了”。这个描述当然没错，但它漏掉了另外半边：当一种增强工具足够普及时，它也会改变能力本身的价格。
生成式 AI 最早带给我的震撼，是它让我能够完成很多原本做不到、或者成本很高的事情。但几年以后再看，真正值得注意的已经不只是“它让人做得更快”，而是它似乎正在缩小某些任务上原有的能力差距。
2023 年，MIT 的 Shakked Noy 和 Whitney Zhang 做过一个实验。他们让 453 名受过大学教育的专业人士完成写作类工作，一半可以使用 ChatGPT。结果很明显：使用 ChatGPT 的人平均完成时间下降了约 40%，作品质量提高约 18%，而且原本表现较弱的人获得的帮助更大。
另一项后来发表于《经济学季刊》的研究观察了 5000 多名客服人员。接入生成式 AI 助手以后，平均生产率（每小时解决的问题数）提高约 15%，但这种提升非常不平均：新手和原本能力较弱的员工收益最大，对最有经验的员工则影响很小。
这两项研究覆盖的任务很有限，当然不能推出“AI 会抹平所有人的能力差距”。事实上，另一项针对 BCG 顾问的实验反而发现了一个很重要的边界：AI 的能力边界是参差不齐的。在它擅长的任务上，人可以明显变快、变好；一旦任务落到它不擅长的区域，过度依赖 AI 反而可能让表现变差。
但把这些研究放在一起，一个趋势已经很值得警惕：对于那些 AI 已经能够稳定完成的任务，原本昂贵的能力正在迅速变便宜。
这不是第一次发生。
计算器普及以后，“快速完成复杂算术”不再是一项足以形成职业壁垒的能力；搜索引擎成熟以后，“记得很多零散事实”的价格也下降了；Photoshop、Excel、云计算、低代码工具都经历过类似过程。一个工具真正成功的标志，往往就是不断吞掉自己的使用门槛。原来需要培训的东西变成菜单，原来需要记忆的东西变成搜索，原来需要专业操作的事情最终变成按钮。
生成式 AI 比过去的软件更进一步，因为它甚至开始吞掉“学习怎么使用软件”本身。你不再需要准确知道某个功能藏在哪个菜单里，只需要告诉它你想得到什么。
于是，一个略显残酷的结论出现了：如果你的优势只是“比别人更熟练地操作某个 AI 工具”，那么这个工具越成功，你的优势可能消失得越快。
问题于是从“我要不要学 AI”变成了另一个更有意思的问题：当一种能力越来越便宜，什么东西会重新变贵？
AI 消灭一个瓶颈之后，价值会跑到哪里去？
我以前很容易把一项工作想象成一个整体。比如“做一个产品”“写一篇文章”“做一份咨询报告”“给企业搭一个系统”。AI 能做其中很多事情，于是我们自然会问：它会不会把整个工作都做掉？
后来我越来越觉得，这个问题的粒度太粗了。
经济学家 Daron Acemoglu 和 Pascual Restrepo 在研究自动化时，更习惯把职业拆成一组具体的任务。技术不是突然“替代了一个职业”，而是先接管其中某些任务，然后重新改变人和机器在整个生产过程中的分工。一份工作里哪些任务被自动化了、哪些任务仍然由人承担、又产生了什么新的任务，这些变化共同决定了最后的结果。
把这个视角放到生成式 AI 上，很多事情一下就清楚了。
假设我要给一家企业开发一个系统。真正的工作链条其实很长：我要发现问题，理解业务上下文，判断哪些需求是真的，决定先做什么，设计方案，写代码，测试结果，让真实用户使用，根据反馈修改，最后还要有人为系统是否真正解决了问题负责。
过去，“写出代码”可能是这里非常昂贵的一环。如果不会编程，前面那些想法再好也很难落地。现在 AI 把这一环的成本猛烈压低了，于是很容易产生一个错觉：既然代码越来越容易生成，开发系统这件事就越来越没有壁垒。
但瓶颈不会凭空消失。它只会移动。
当十个人都能很快写出代码以后，“谁知道该写什么”开始变得更重要；当十个人都能做出产品原型以后，“谁能找到真实需求”开始成为瓶颈；当一百家公司都能生成内容以后，“谁拥有稳定的分发和信任”就变得更稀缺。
过去大量价值集中在“把东西做出来”，AI 正在把一部分价值从这个环节挤出去，然后推向执行之前和执行之后。
执行之前，是问题选择、上下文和约束。 你到底在解决什么问题？谁真的有这个问题？哪些信息没有写在需求文档里？什么结果值得优化？
执行之后，则是验证、反馈、分发和责任。 这个东西有没有真实用户？客户愿不愿意付钱？出了问题谁能发现？什么叫真正完成？别人为什么愿意相信你？
所以我现在更愿意把 AI 理解成一种“瓶颈迁移机器”。
它不会平均地让所有东西都变得不重要，而是不断把某些原本昂贵的环节商品化，于是价值继续向还没有被商品化的环节移动。
这比一句“AI 时代判断力更重要”要具体得多。判断力这个词本身什么也没解释。真正的问题应该是：你拥有哪一种模型暂时没有、别人也无法马上获得的上下文？你经过了什么真实反馈？你的判断在哪些具体问题上被现实校准过？
真正属于你的，是什么？
这也是我最近开始频繁想“非模型资产”这个概念的原因。
假设我和另一个人拥有完全相同的模型、完全相同的计算资源，也都知道怎么使用它。我们最后能创造出来的东西还会一样吗？
当然不会。
如果他已经在一个行业里工作了五年，见过几十次项目失败，他可能知道客户说“系统不好用”时真正抱怨的是什么，也知道哪些看起来合理的需求最后一定会把项目拖死。如果他已经服务过一百个客户，那么这些客户关系、案例、异常数据和口碑都不会因为我也买了同一个 AI 会员就突然复制到我的账户里。
这类东西，我暂且把它叫作非模型资产。
它可以是领域知识，但不是百度一下就能查到的知识，而是大量现实反馈压缩出来的上下文；可以是判断，但不是凭感觉下结论，而是在某一类问题上经历过预测、结果和纠错以后形成的校准；也可以是客户、渠道、品牌、数据、作品、声誉，甚至是一套已经被现实证明能够工作的流程。
AI 可以帮助你积累这些东西，但很难直接替你拥有它们。
模型可以帮你一分钟写出十封销售邮件，却不能凭空给你十个信任你的客户；可以快速阅读一百份案例，却不能自动产生你自己处理过一百次真实事故以后形成的经验；可以生成一篇文字流畅的文章，却不能替你建立一个持续几年、读者愿意回来看的作品体系。
这里最值得注意的不是“人类仍然很特别”。这种自我安慰没什么意思。真正重要的是另一件事：模型能力和个人资产遵循的是两种完全不同的积累方式。
模型能力主要由模型公司积累。下一次版本更新以后，我们所有人几乎同时获得升级。
个人资产却必须经过自己的时间轴。客户要一个一个认识，反馈要一次一次经历，作品要一篇一篇发表，判断要经过失败才能被校准。它们的增长很慢，但也正因为慢，才不容易因为别人注册了一个账号就瞬间追平。
公共模型能力越强，这个区别反而可能越重要。
AI 最危险的幻觉，也许是“我今天做了很多”
这件事对我自己的影响其实比关于未来职业的讨论更直接。
AI 太容易制造生产力的感觉了。我可以一天和模型聊几万字，研究三个行业，生成五份计划，做两个 Demo，再顺便整理一套工作流。晚上回头看，人确实已经很累，大脑也完全符合“辛苦工作了一天”的所有生理特征。
但换一个问题，结果常常没那么壮观：
今天到底有什么东西，因为我的工作而改变了现实状态？
- 产品上线了吗？用户使用以后留下新的反馈了吗？
- 客户真的收到了邮件吗？有人回复了吗？产生交易了吗？
- 文章公开发表了吗？
如果答案都是没有，那么我一天产生的大量东西，很可能仍然只是“中间材料”。
这不是说中间材料没有价值。方案、研究、代码、Prompt、草稿都是工作的必要组成部分。问题只在于 AI 把生成这些材料的成本降得太低了，以至于我们很容易把“生成了大量中间产物”错认为“事情取得了大量进展”。
于是我现在会刻意区分两种东西。
一种是 AI 可以近乎无限生成的产出：更多想法、更多方案、更多文字、更多代码。另一种是改变了外部世界状态的结果：上线、成交、用户反馈、公开作品、经过真实验证的数据。
后者才会继续产生下一轮信息。
一个客户拒绝你的报价，可能比 AI 为你生成十套商业模式更有价值，因为拒绝是真实世界返回给你的新证据；一个用户真的用了你的产品然后骂它难用，也比内部讨论几十轮 UI 更接近事实。
AI 极大地提高了思考和执行的速度，但它没有取消现实世界作为最终裁判这件事。
这大概也是我现在对“用 AI 做事情”和“学习怎么用 AI”感受越来越不同的原因。前者最终必须穿过屏幕，进入现实。
但如果有一天，AI 连判断也比我们强呢？
这里有一个很自然的反驳。
今天我可以说问题定义、上下文理解、验证和判断仍然重要，但模型仍在进步。如果下一代 AI 连这些事情也能做得比人更好呢？如果它不仅会写代码，还会自己发现需求、制定方案、测试产品、分析用户反馈，我们今天所谓的“非模型资产”是不是同样会被吃掉？
我认为这个反驳成立一半。
它提醒我们，不应该把今天尚未自动化的能力神圣化。历史上人类已经很多次把“机器永远做不了”的事情划出一条线，然后看着机器从线的另一边走过来。所以我并不想说判断力、创造力、审美或者任何其他抽象能力是人类最后永恒的堡垒。我们没有足够证据做这种判断。
但这并不会破坏前面的机制，反而让它更清楚：瓶颈会继续移动。
如果有一天 AI 能稳定完成问题定义，那么问题定义本身也会商品化；如果它能可靠验证结果，那么验证也不再稀缺。价值会继续移动到新的约束上，也许是目标本身，也许是获取现实数据的权限，也许是客户信任、法律责任、资本、品牌、稀缺资源的所有权，也可能是今天我们还没看见的新任务。
所以“非模型资产”并不是一张永远不会过期的清单。它更像一种寻找优势的方法：不要只看现在最酷的能力是什么，而要寻找当前生产系统里仍然稀缺、难以复制、并且会随着使用不断积累的瓶颈。
这也意味着，“AI 时代什么能力最重要”可能本来就是一个问错的问题。
更好的问题应该是：
AI 把哪一种成本压低了？因此新的瓶颈出现在哪里？
这个问题可以反复问。
下一代模型出来以后，你今天留下了什么？
最近我开始用一个很简单的问题检查自己正在做的事情。
假设明天突然出现一个比现在强十倍的模型，我今天做的这些工作里，什么会立刻贬值，什么还会留下来？
研究某个 AI 工具的二十种操作技巧，很可能迅速贬值；但如果我用它完成了一百次真实交付，那些客户、案例和异常经验仍然存在。学会用 AI 写文章本身未必构成长期优势；但如果我借它持续研究、写作、发表，几年后拥有几十篇真正经得起回看的作品和一群愿意阅读的人，这些东西并不会随着模型升级一起清零。
做产品也是一样。代码越来越容易生成，不代表做产品越来越没有意义。恰恰可能意味着，我应该把节省下来的时间拿去更早接触用户、更频繁做实验、更快收到拒绝、更快发现自己想错了什么。
所以我现在并没有打算停止追 AI。我还是会试新的模型，会用最新的工具，也仍然会因为某个功能突然变强而兴奋。
只是我不再希望“很会用 AI”成为答案本身。
如果公共模型能力是一股所有人都能调用的水流，那么一个人最后的区别，不在于他有没有站在河边，而在于这些水流经过他以后，究竟留下了什么。
一个产品，一群客户，一套经过现实校准的方法，一些作品，一份声誉，或者某种别人短时间无法复制的理解。
如果几年以后，所有人真的都有一个比今天强大得多的 AI，我希望那时候回头看，自己最值得说的不是：
我很早就学会了怎么使用它。
而是：
我用它，做成了一些东西。
参考资料
-
Noy & Zhang（2023）：Experimental evidence on the productivity effects of generative artificial intelligence。Science。453 名专业人士参与的写作实验；使用 ChatGPT 的组平均耗时下降约 40%，质量提高约 18%。这些结果针对实验中的写作任务，不能直接外推到所有工作。
-
Brynjolfsson, Li & Raymond（2025）：Generative AI at Work。The Quarterly Journal of Economics。研究 5,172 名客服人员，期刊版报告每小时解决的问题数平均提高约 15%；较少经验、较低技能的员工受益更多。这是特定企业的工作场景证据，不是整体就业或工资变化的结论。
-
Dell’Acqua 等（2023）：Navigating the Jagged Technological Frontier。Harvard Business School 工作论文。BCG 顾问实验显示，AI 对任务的帮助存在参差不齐的边界：能力范围内可提升表现，范围外则可能降低正确率。
-
Acemoglu & Restrepo（2019）：Automation and New Tasks: How Technology Displaces and Reinstates Labor。Journal of Economic Perspectives。以任务分工解释自动化的替代效应与新任务的恢复效应，为文中拆解工作链条提供理论视角；本文关于个人资产的判断是作者据此展开的思考。