AI时代,头衔和经验正在失效

6月中旬，Anthropic发布了一份研究报告。说实话最初我并没有太在意，因为近期这家公司的消息实在太密集了，一会儿是实名认证，一会儿是顶级模型受限，一会儿又是与美国政府的摩擦。现在看到它的名字都快产生疲劳感了，心里不禁在想"怎么又是你"。

然而当我仔细阅读了这份报告的详细内容后，看法完全改变了——不是某个具体数字触动了我，而是它基于40万次真实对话的数据，首次验证了我一直在关注但难以表述的现象：**在AI面前，资历和头衔真的变得毫无意义了。**

研究团队分析了约40万次真实的Claude Code交互记录，涵盖约23.5万名用户，时间范围从2025年10月到2026年4月，长达七个月。这不是实验室里模拟的数据，而是数十万人在实际工作场景中使用AI完成任务的第一手资料。

## 人类负责决策，AI负责执行

Claude Code是过去一年全球知识工作者广泛使用的AI编程产品之一。之所以说"之一"是为了避免过于绝对，但对于AI专业领域的人士而言，它几乎就是首选。甚至连竞争对手，比如谷歌的工程师，自己公司也在开发类似产品，却公开对Claude Code表示赞赏。

需要注意的是，这已经不是一个"写代码的工具"，而是一个"完成复杂任务"的AI产品。你下达一个指令，它会自动读取文件、修改代码、运行命令、检查结果，然后再返回给你。报告中有一个细节数据：一次指令，它平均触发约10个操作，输出约2400字。

这份报告最具价值的发现，是首次利用真实使用数据验证了一件事：**人类主要负责决策，AI主要负责执行。**

具体来看，在这次分析的典型会话中，人类完成了约70%的规划决策，即"做什么""走哪条路""怎样算完成"；AI完成了约80%的执行决策，即"改哪些文件""写什么代码""跑哪些命令"。

70%和80%，这两个数字不是猜测，不是推演，而是40万次对话中真实存在的分工比例。

这种分工具体是什么样子？举个简单的例子。你对Claude Code说"帮我修复这个登录页面的bug"，然后Claude Code自己读取了三个配置文件，修改了两处代码，运行了一遍测试，测试没通过，又回去修改了一处，再次运行，通过了，最后把改动列出来给你看。

你全程只说了一句话，Claude Code做了十几个动作。你决定修什么，它决定怎么修。这就是70%和80%的含义。

而且这个分工正在朝着更深入的方向发展。报告追踪了七个月的变化，发现一个非常有趣的趋势：修复bug的会话占比从33%下降到19%，说明用户不再只是用它来修修补补了；运行软件从14%上升到21%，说明用户开始让AI部署和跑流程了；写作和数据分析加起来，从约10%翻倍到了20%，说明非程序员开始进场了。

这意味着什么？七个月下来，用户开始把更接近最终交付的任务交给它了。任务的平均估算价值上升了27%。

**AI编程工具的发展方向，不是"更会补全代码"，而是用户开始让它干代码之外的活了。**

## 资历归零，但专业能力没有归零

好，人类负责决策，AI负责执行，分工明确了。那么接下来的问题是，既然AI负责干活，那什么决定了一个人的决策质量？什么决定了你和AI对话的效果？

在这份报告里，我认为最犀利的发现出现了，连定义本身都很有趣。

Anthropic给每个会话里的用户打了一个"专业度"评分，从新手到专家，五个级别。但这个"专家"的定义，跟我们以为的完全不一样。

一提到专家这个词，我们脑海里经常浮现的就是老教授和名医。咱们语境里衡量的标准主要就是从业资历，要不怎么会有郭德纲的那句调侃呢？就是谁活到最后，谁就是德艺双馨的老艺术家。

但在这个报告里，它不看你的职位头衔，不看你在行业里干了多少年，不看你的学历和证书。它只看你在这一次具体任务里的具体表现，三个信号：

**你的指令够不够精确？你知不知道该让AI验证什么？以及当AI理解错了的时候，你能不能发现并纠正它？**

报告里举了一个例子，一个不会Python的会计，从来没写过代码，但她能清清楚楚地告诉Claude Code，对账脚本必须执行哪些规则，而且能抓住月末结账时的边界错误。在这个任务上，她就是专家。

反过来，一个资深软件工程师，如果他对Rust不熟悉，那他在Rust相关任务上给出的指令就不精确，也不知道该让AI验证什么，在AI眼里，他就是新手。不是因为他资历浅，而是因为在这个具体任务上，他给出的指令质量就是新手水平。

这背后意味着什么？就是**咱们在人类场域里的资历，在AI面前归零了。**

比如我做了20年产品经理，但如果我只是跟AI说"你帮我做一下某个功能的产品需求文档"，那在AI眼里，我就是一个产品经理新手，因为给出的指令质量太低。从这个角度来说，一大批只会管人的中高层领导，在AI面前，都要被归为"新手"了。

那这个"指令质量"的差距，到底有多大？

在典型的新手会话里，用户每发一条指令，Claude Code平均触发5个动作，输出600字。在专家会话里，每条指令触发12个动作，输出3200字。

12对5，3200对600。**专家的一条指令，顶新手的好几条。** 换个说法，按每条指令的产出来算，专家从AI那里拿回来的，是新手的五倍还多。

不是AI偏心，而是专家的指令能让AI跑得更远。

而且这个差距不是专家输入了更多字。报告做了控制变量，把工作类型、任务价值、时间、职业、模型家族全部拉平之后，发现专业度每升一级，Claude Code的动作数增加9%，输出增加13%。趋势依然显著。

这说明什么？说明**好指令不是微操，不是你事无巨细地告诉AI每一步该干什么。好指令是高质量授权，是你把目标、边界和验收标准说得足够清楚，AI拿到之后能自己跑很远。**

你可能会说，这不就是带团队吗？给下属布置任务，把目标讲清楚、把验收标准定好，下属就能自己推进。

确实有点像，但有一个关键区别：你的下属是一个有判断力的人，你跟他说"帮我做个对账脚本"，他大概知道一个合格的对账脚本该长什么样，会自己补上你没说的部分。但AI不一样，它能力很强，但理解很窄。你不说清边界，它不会自己猜；你不说清验收标准，它不知道往哪跑。

所以你跟AI说"帮我写个脚本"，它真的就给你写个脚本，至于规则对不对，它不管。但你跟AI说"帮我写一个对账脚本，必须校验这三条规则，月末结账的边界情况要单独处理"，AI拿到就能自己跑出一条完整的路来。

前者是甩手掌柜，后者才是高质量授权。差别不在于你说了多少字，而在于你有没有把AI需要的东西给到。

## 管理者为什么比程序员更会用AI

说到指令质量，报告里还有一个让人意外的发现。

在确实新增或修改了代码的会话里，Anthropic把用户按职业分了类，然后比较他们的成功率。不过这里说的成功率，不是AI自己说"我做完了"就算成功，报告设了一个更严格的标准叫"验证成功"，要么代码提交了，要么测试通过了，要么用户在对话里明确确认了"这就是我要的"。得有硬证据，才算数。

按这个标准，十大职业的验证成功率，跟软件工程师的差距都不超过7个百分点。这7个百分点，其实已经是很小的差距了。

软件工程师及相关数学职业的用户，任务验证成功率大约34%，管理类职业大约37%，法律类大约33%，商业金融大约29%，医疗、设计、销售、教育、科学类大约在27%到28%之间。

你注意到没？管理职业的验证成功率比软件工程师还高。

这个数据可能有样本偏差——愿意主动使用AI工具的管理者，本身就更擅长拆任务、说清目标。但即便打个折，它依然给出了一个很强的信号：你不需要先把自己训练成工程师，但你需要能说清业务规则、边界条件和验收标准。**AI能帮你写代码，但不能替你知道什么叫"对"。**

报告里有一句话让我印象很深：生产软件，可能正在从一种程序员专属的职业能力，变成一种普通工作能力。

这是报告的一个推测，我觉得说的挺对的。当然，这并不是说非程序员可以替代软件工程师，工程师的价值从来不只是写代码，还有系统架构、风险控制、长期质量维护，这些是AI暂时替代不了的。

但方向是对的——未来不是人人都成为程序员，而是各行业懂问题的人，可以直接生产脚本、自动化流程、内部工具和技术文档。律师会写合同检查脚本，还是一名律师；会计指挥Python对账，还是一名会计。编程不再是程序员的专利，而是各行各业解决自己问题的工具。

报告确实说明了一件事：懂业务问题的人，已经可以借助AI调动一部分工程能力了。

## 翻车之后，怎么把AI拉回来

不过，刚才说的是让AI知道什么叫"对"，这和发现AI哪里理解错了，还不是一回事。

报告里有一组数据，我觉得比前面所有的都更值得细看。它把会话里"遇到麻烦"的情况单独拎了出来，而所谓的"遇到麻烦"，就是出现了报错、测试失败、反复重试、用户表达不满这些信号。在复杂任务里，AI出错是常态，这不是什么丢人的事。

但在遇到麻烦之后，不同专业度的用户，结局完全不同。

遇到麻烦后，新手会话的验证成功率一下子滑落到了只有4%，专家是15%。4%是什么概念？就是100次遇到麻烦里，新手只有4次能救回来。而专家能救回来15次。

更扎心的是放弃率。遇到麻烦之后，19%的新手直接放弃了，判定为失败且没写任何代码。而其他专业度级别的用户，放弃率只有5%到7%。

这说明什么？**专业用户的优势，不在于永远不翻车，而在于翻车之后知道怎么把AI拉回来。** 他们知道该补充什么约束，该要求AI验证什么，该在哪个方向上纠偏。

而新手呢，不是AI不够努力，而是新手自己都不知道该往哪拉。AI等着你给方向，但你给不出来，那就只能放弃。

这其实是最让人担心的地方。新手放弃率高，不是因为AI帮不了他们，恰恰相反，AI就在那里等着，只要你给对方向它就能跑。但新手给不出方向，于是得出一个结论"AI不好用"，然后放弃。

而专家遇到同样的麻烦，会说"你这里理解错了，应该是这样的"，然后继续推进。

同一个工具，同一个困境，结局完全不同。差的不是工具，是人对问题的理解深度。

## 这件事跟你有什么关系

说到这里，你可能会想：这是程序员的事，跟我有什么关系？

但这份报告揭示的，不是"程序员怎么用AI"，而是"AI时代，什么叫专业能力"。

你不需要会写代码，但你每天在跟AI对话——让它帮你写邮件、整理资料、做方案、分析数据。这些场景里，你的"指令质量"决定了你能从AI那里拿回多少价值。

举个例子。你跟AI说"帮我写个周报"，那在AI眼里，你就是新手。因为你的指令太宽泛，AI不知道边界在哪里，也不知道什么叫"对"。它会给你一个看起来像周报的东西，但大概率不是你真正需要的。

但如果你能说清楚："帮我写一个本周工作周报，本周主要完成了三件事：一是推进了A项目的评估工作，跟3家机构对接了资料；二是协调了B项目的专班会议，明确了先易后难、先非住宅后住宅的推进方向；三是跟银行沟通了C事项的牵头单位变更。周报需要突出进展、列出待办事项和责任人，风格要务实不花哨，控制在500字以内"——这就是高质量授权。AI拿到之后，能自己跑出一条完整的路来。

为什么这是高质量授权？因为你把三个东西说清楚了：

**目标**：写一个本周工作周报，突出进展、列出待办事项和责任人。

**边界**：本周完成了三件事（具体内容已给出），风格务实不花哨，控制在500字以内。

**验收标准**：周报能直接发给领导看，不需要再改。

差别不在于你说了多少字，而在于你有没有把AI需要的东西给到。

**AI面前，你的资历归零了，但你的专业能力没有归零，它只是换了一种接口和表现形式。**

这个接口，就是"把目标、边界和验收标准说清楚"的能力。你在这个行业干了多少年、有什么头衔，AI不管。它只看你在这一次具体任务里，能不能把这三个东西说清楚。

## 不这么做，会有什么后果

你可能觉得，"把目标、边界和验收标准说清楚"这件事，听起来很麻烦。不就是跟AI对话吗？何必这么较真？

但这份报告的数据告诉我们一个事实：**做不到这三件事，你的专业能力接不住AI。**

为什么这么说？因为当你给不出清晰指令的时候，AI会按照它自己的理解去跑。它跑出来的东西，大概率不是你真正需要的。你拿到之后，要么花大量时间去改，要么干脆放弃不用。

前者是你在给AI打工——你的时间被AI的输出消耗了，而不是AI在帮你节省时间。后者是你的专业能力在那里，但AI接不住它——你跟AI之间隔着一堵墙，你过不去，它也过不来。

而那些能把目标、边界和验收标准说清楚的人，他们从AI那里拿回来的，可能是你的三倍、五倍。他们用同样的时间，完成了你三倍、五倍的工作。

"五倍产出"这个数字，不是在所有任务上都成立。它更多出现在那些需要多次迭代、需要复杂判断的场景里——比如写方案、做分析、写代码。如果你只是让AI帮你改个错别字、写个简短邮件，差距没那么大。但如果你让AI帮你做复杂任务，这个差距就会非常明显。

阻力在哪？很多人不是学不会，而是没动力——他们觉得"跟AI对话这么麻烦，不如我自己干"。但问题是，你自己干，时间就那么多。别人用AI放大了三倍、五倍，你还在单打独斗，时间一长，差距就出来了。

怎么克服这个阻力？我的建议是：**先从简单任务开始，建立信心。**

不要一上来就让AI帮你写方案、做分析。先从"写个周报""整理个会议纪要""改封邮件"这些小任务开始。你会发现，当你把目标、边界、验收标准说清楚之后，AI给出的结果往往比你预想的要好。这种正向反馈会让你有动力继续尝试，慢慢过渡到更复杂的任务。

**AI不会替代你，但会用AI的人会替代不会用AI的人。**

这句话被说烂了，但很少有人把它拆开来看：什么叫"会用AI"？不是会用多少个工具，不是知道多少个提示词模板，而是能不能把你的专业能力，翻译成AI能理解的指令。

做不到这一点，你的专业能力就在那里，但AI接不住。你跟AI之间隔着一堵墙，你过不去，它也过不来。

能做到这一点，你的专业能力就能通过AI这个接口，放大三倍、五倍。你不再是单打独斗的一个人，而是一个带着AI军团的人。

## 下次跟AI对话前，先过一遍这三件事

下次跟AI对话前，先过一遍这三件事。我会告诉你，每件事具体怎么判断。

**第一件事：我有没有说清目标？**

怎么判断？你能不能用一句话说出"我要AI帮我干什么"？

如果你只能说"帮我写个方案""帮我整理个资料"，那说明你没说清目标。

如果你能说"帮我写一个客户提案方案，客户是XX行业的中小企业，核心诉求是降低运营成本，预算不超过50万"，那说明你把目标说清楚了。

目标要具体到"谁、干什么、为什么"。

**第二件事：我有没有告诉它验证什么？**

怎么判断？你能不能说出"AI给出的结果，要满足什么条件才算对"？

如果你只能说"帮我写个周报"，那说明你没告诉它验证什么。

如果你能说"周报需要突出进展、列出待办事项和责任人，风格要务实不花哨，控制在500字以内，能直接发给领导看"，那说明你告诉它验证什么了。

验证标准要具体到"形式、风格、长度、用途"。

**第三件事：如果它理解错了，我能不能发现并纠正？**

怎么判断？你能不能说出"AI可能会在哪些地方理解错，我要怎么纠正"？

如果你只能说"帮我写个方案"，那说明你不知道AI会在哪里理解错。

如果你能说"客户提案方案要突出降本增效，不要写成技术方案，如果AI写得太技术化，我要提醒它改成业务语言"，那说明你知道AI可能会在哪里理解错。

纠偏意识要具体到"风险点+纠正方向"。

这三件事做到了，你就是那个能让AI跑出五倍产出的专家。