AI 浪潮中，普通人如何守住饭碗？

近期有个问题被反复提及：AI 已至，我们该如何自处？

提问者往往并非寻求技术解答——他们真正担忧的是：我目前的职业，还能持续多久？

其实，AI 时代的焦虑感，很大程度上是被人为放大的。并非冲击不存在，而是许多“AI 将淘汰你”的论调背后，实则是卖课者、工具商及流量操盘手在推波助澜——他们需要你焦虑，才能达成交易。

首先需厘清：冲击的究竟是哪类岗位

麦肯锡全球研究院的研究表明，AI 自动化程度最高的领域，既非体力劳动，亦非服务业，而是高度结构化的脑力工作——如数据录入、标准化报告编写、基础代码生成及客服话术回复。

换言之，那些从事十年、流程熟练到闭眼即可完成的工作，反而风险最高。

原因在于：流水线作业需要双手、空间感知及突发状况处理能力，这些目前 AI 尚无法胜任。而办公室内那种“将 A 格式转换为 B 格式”的任务，AI 既快又准，且无需休假或缴纳社保。

做一个简易自测：

•你的日常工作，能否被整理成一份 SOP（标准操作流程）？

•若能，AI 大概率已能按此执行。

•若不能——因为许多判断取决于“具体情况”——那你所处的领域，AI 尚难触及。

你的经验，比你预想的更宝贵

举一个真实案例：某制造企业引入 AI 辅助采购系统，负责比价、生成报告及整理供应商数据。一日，系统推荐了一家“性价比最优”的供应商，报价低廉，交期合理。一位拥有八年经验的老采购员审阅后，直接否决——因为她记得，该供应商三年前曾在旺季突然涨价，险些导致整条产线停摆。数据库无此记录，但她记得。

这类“难以言喻，但我就是知道”的判断，AI 无法调用。它仅能处理已被表述、被记录的部分。

因此：将脑海中的判断，转化为他人可见的内容。

1.撰写一份“我踩过的坑”清单：罗列你在行业中遇到的反常案例及易被忽视的风险点。即便只是内部文档，这也是你的护城河。

2.梳理“我的判断标准”：当你面对 A 与 B 两个选项时，通常如何选择？将这一思路记录下来。唯有能文字传递的判断，方能获得认可。

关于“是否要学习 Python”

直接给出结论：

若你学习 Python 是为了进行数据分析——此理由已不成立。AI 分析数据的速度远超你自己编写脚本。

若你学习 Python 是为了真正理解计算机运作逻辑、更深入地与 AI 协作——则值得投入。

但对大多数非技术岗位而言，真正值得投入的，是与 AI 协作的能力。核心只有一件事：将模糊需求，转化为 AI 可处理的清晰问题。

看个对比：

同样是要求 AI 撰写一封给客户的延期邮件——

❌弱版本：帮我写封邮件，告知客户项目延期。

✅强版本：帮我写一封给客户的邮件，项目原定下周一交付，现因第三方数据接口问题推迟至下下周五。客户为国企，负责人较重面子，邮件需有诚意、有具体原因、有新时间承诺，语气正式但不冷漠。字数控制在 200 字以内。

两个版本，AI 输出结果天壤之别。能写出第二种提示词的人，无需懂 Python——他们需要的是：对工作场景足够熟悉，对“何为优质结果”有清晰判断。

一个可直接套用的提示词模板结构：

•【背景】：事件的来龙去脉

•【目标】：期望达成的结果

•【约束】：限制条件（受众、格式、字数、语气）

•【参考】：可对标案例或标准

采用此结构提问，输出质量可提升 50% 以上。

当下即可着手做的四件事

①将最枯燥环节外包给 AI

无需多想，从最小处开始：

•撰写周报→让 Claude / ChatGPT 起草，你来修改

•整理会议纪要→录音转文字后让 AI 总结（推荐工具：通义听悟、飞书妙记）

•回复格式化邮件→让 AI 出初稿，你把关

•做竞品分析→将竞品网页链接丢给 AI，让其提炼关键信息

目的不仅是节省时间，更重要的是建立手感——你得清楚 AI 在哪些任务上靠谱，哪些任务会一本正经地胡说。这种认知，现在不练，未来代价更大。

②进行一次“执行 vs 决策”的工作拆解

拿出一张纸，列出过去一周的工作，分为两列：

执行类（按流程操作）

决策类（需要判断）

整理数据、生成报告、

回复标准问题、填写表单……

判断方向、评估风险、

处理突发、维护关系……

执行类工作，考虑外包给 AI。决策类工作，才是你真正的核心，也是应花时间提升之处。

若你发现自己 80% 的时间在执行类，这是一个信号，非为让你焦虑，而是促使你调整时间结构。

③向“强关系、强地域”方向思考

AI 渗透最慢的领域，是本地的、面对面的、需长期信任的工作。

社区服务、本地生意、需线下关系维护的客户、需长期陪伴的咨询——这些领域中，人与人之间的信任是核心资产。AI 可辅助准备，但最后那步“我信任你这个人”，它无法替代。

若你在考虑副业或转型方向，这一点值得深思。

④练习“有观点”，而非仅“有技能”

AI 无法做到的一点：主动认为某事值得做。它缺乏好奇心，没有“此事不对劲”的直觉。

这意味着，提出问题的人比解决问题的人更值钱。

三个具体练习方法：

1.多问“为何如此”。遇到行业惯例或默认做法，停下来思考：这是因最合理，还是因大家懒得改？

2.刻意跨界。做营销的去深入了解供应链，做技术的去认真处理一次用户投诉。新想法常诞生于边界。

3.将“我觉得”升级为“我认为，因为”。直觉是原材料，非判断力本身。向下深究一层：为何觉得此事有问题？哪个假设错误？

最后

过去一两年，那些在 AI 浪潮中反而过得更好的人，做对了两件事：

真正用好 AI——系统性地将执行类工作嵌入 AI，写作、整理信息、做初稿、查资料，能交出的尽量交出。不用的人，相当于用算盘与用电脑的人竞争。

将省下的时间，花在 AI 做不到的事上——判断、关系、创意、信任。省下的时间若用来刷手机，效率归零；若用于这些，才是复利。

AI 工具将持续迭代，今日所用或明年终将过时。但你对工作的理解、积累的判断力、建立的信任——这些不会因模型更新而贬值。

最终，AI 将如电力、网络般成为基础设施，人人可用。真正的竞争，非谁会用更多工具，而是谁用工具做出了他人做不出的东西。

你无需战胜 AI，只需更清晰地了解自己。