因为最先被它碰到的，往往不是那些一眼看上去 “最容易被替代” 的工作，反而是过去在互联网公司里最贵、最核心的那批岗位：产品、研发、商分，或者更广一点，所有靠处理信息、组织信息、输出信息来创造价值的人。
这就带出一个有点反直觉的问题：
*为什么最先被 AI 啃掉一部分工作的，偏偏是过去最贵的那批岗位？*
这未必说明它们过去被高估了。恰恰可能说明，它们过去为什么值钱，和今天为什么先被拆掉一部分，本来就是同一个逻辑。
因为互联网时代，本来就在为信息杠杆定价。
所谓信息杠杆，说白了就是：你做一次，结果可以被复制很多次；你搭好一套数字系统，后面每多服务一个用户，新增成本都不会同步上升，很多时候反而接近于零。
用更经济学一点的话说，就是 *边际成本很低*。
所以，过去高薪岗位的本质，不只是 “更难”，而是 “更能放大”。
而 AI 现在最先进入的，恰恰也是这类高杠杆岗位里最容易被标准化、最容易被复制的那一部分。
也就是说，过去最值钱的岗位，和今天最先被拆掉一部分的岗位，很多时候是同一批。
这两件事并不矛盾，甚至可以说是一体两面。
*高薪岗位里，原本就混着两种价值*
很多高薪岗位里，其实原本就包含两种不一样的价值。
一种价值，来自把事情做出来、做得快、做得规范。比如写代码、写 PRD、拉数据、搭报表、整理纪要、完成基础分析。
另一种价值，来自更难描述的能力。比如在一堆模糊甚至互相冲突的信息里，判断真正的问题是什么；比如知道哪些数字重要，哪些数字只是表象；比如一件事表面上看是产品问题，背后可能其实是流程、激励、组织协作一起拧出来的结果。
过去，这两部分价值经常绑在同一个岗位里卖。于是我们很容易把它们打包理解成 “产品能力” “研发能力” 或者 “商分能力”。
但 AI 进来之后，这种打包被拆开了。
那些规则清晰、输入输出明确、完全发生在数字世界里的部分，正在快速被压价。
而那些需要理解上下文、处理模糊性、跨越不同信息层次去组织问题的部分，反而被衬得更清楚了。
所以问题不是 “AI 会不会替代某个岗位”。
更准确的说法是：
当然，这里也要补一个小的修正。
并不是所有 “处理信息、流程标准化”的岗位，都会以同样方式被重估。像运营、投放、HR 这样的工作，虽然也有大量标准化环节，但它们很多时候并不完全处在一个封闭的数字闭环里，而是深度嵌在人、组织和现实摩擦中。
所以它们内部会被拆，但往往不会像代码、报表、文档这类任务那样，被整齐地往下压。
*真正的分水岭，不在岗位名字，而在任务本身*
这件事在很多具体任务里都能看出来。
比如 case study。
表面上看，这个任务命题很清楚：看一个具体 case，尽量还原真实发生了什么，理解问题或用户痛点，避免信息在层层传递中失真、压缩、走样。
听起来很标准，也很像一个可以被流程化的工作。
但只要真的做过，就会知道，同样一个 case，初阶同学和高阶同学看到的，往往根本不是同一个东西。
初阶同学看到的通常是：
* 这是一单退款慢的投诉；
* 这是某个环节的物流异常；
* 这是某个页面入口不好找。
这种工作当然有价值，但更接近于 “把显性信息整理清楚”。
而显性信息的提取、压缩、归类、改写，恰恰是 AI 很擅长的事。
高阶同学不一样，他可能会继续追问：
* 为什么用户没有走系统预设的正常路径，而是绕了一大圈才找到人工？
* 这是单一投诉，还是某条链路开始出现系统性偏差？
* 如果最近刚改过风控规则、售后流程或者履约策略，这个 case 会不会不是一个孤立问题，而只是更大问题露出来的一角？
到这里你会发现，真正拉开差距的，不只是表达能力，也不只是总结能力。
差距在于：
* 有些人只能处理眼前已经写出来的信息；
* 有些人会自动调动很多没有被直接写出来的背景，去理解这件事。
这就是 *隐性知识*。
它不是什么神秘的东西。它只是那些很难被完整写进文档，但又真实影响判断的内容。比如业务历史、组织旧账、系统欠债、用户习惯、地区差异、协作关系，甚至是某些默认存在但没人明说的运行规则。
很多任务真正难的地方，不在于 “看见了什么”，而在于 “意识到眼前这些还不够”。
而这也决定了，一个任务是否容易被替代，不能只看它名字叫不叫 “分析” “写代码” “做复盘”，而要看它到底是在处理显性信息，还是在调用大量隐性上下文。
*为什么经验写进 SOP 以后，还是不能完全代替人*
看到这里，一个自然的反应是：既然这些没写出来的背景这么重要，那公司就多写文档、多做 SOP、多建知识库，不就行了吗？
这当然有用，而且以后只会越来越重要。
但它确实也有边界。因为不是所有经验，都能在被写出来之后，还保持原来的有效性。
有些经验一旦写成规则，就会变得很僵。它在真实工作里本来依赖的是分寸感，但一旦变成条文，就容易变成机械执行。
有些经验则不是不能写，而是写出来的那一刻，环境已经变了。业务在变，竞争对手在变，组织也在变。文档更多是对过去的整理，而真实问题经常已经走到下一步了。
还有一些问题，本来就生长在模糊地带里。比如跨部门协同、复杂问题定责、资源分配、策略取舍。这些事不只是逻辑题，还夹着优先级冲突、利益分歧、时机判断和组织现实。即使所有人拿到的是同一份材料，也不一定会得出同一个答案。
所以更准确的说法不是 “隐性的东西不能显性化”。而是：*可以沉淀的，一定会不断被沉淀；但总会有一部分新的模糊、变化和摩擦，再次从系统边界里长出来。*
标准化不是低级，反而是组织能力的一部分。
只是标准化做得越多，越会把那些真正需要额外处理的部分反衬出来。
*AI 真正改变的，可能不是岗位，而是岗位内部价值的打包方式*
说到底，AI 带来的变化，可能不是一下子让某个岗位消失。
更像是它把一个岗位里原本混在一起的几种价值，慢慢拆开了。
有些价值，本来就更适合被标准化、被复制、被工具接管。这部分以后会越来越便宜。
还有一些价值，过去虽然也存在，但常常被包在岗位名称里，不容易单独看清。现在随着前一部分被剥离出来，它们反而开始变得更显眼了。
所以与其笼统地问“这个岗位会不会被替代”，不如换个问法：
*这个岗位里，哪些部分只是过去搭着时代红利一起卖高价，哪些部分才是真正没那么容易被替代掉的东西？*
当问题这样问，很多焦虑会变得更具体，很多变化也会变得更容易看清。
过去，一个岗位的价格，往往是几种东西一起算的。信息处理、标准执行、系统搭建、经验调用、跨部门摩擦里的协调和取舍，这些东西常常被一起装进同一个岗位名字里出售。
但 AI 进来之后，这种打包开始松动了。
那些规则更清楚、过程更标准、介质更数字化的部分，会越来越容易被工具接管，因此也更容易被压价。
而那些过去也存在、但没有被单独看清的部分，反而会随着前一部分被剥离出来，被重新认识，也被重新估值。
所以问题可能已经不是 “这个岗位还在不在”。
更值得问的其实是：
这可能才是 AI 带来的更真实、也更具体的变化。
如果一部分工作职能是 AI 可以轻易替代的，说明它在 AI 时代是廉价的。
如果一部分工作职能是 AI 需要花一些力气才能替代的（大量的训练），说明负责训练的人在短时期内是有价值的。
但总有跑在 AI 短板上，怎样都很难替代的工作职能。你们知道我从来都不相信 AI “无所不能”。把自己的注意力集中在这部分难以替代的工作上，是缓解焦虑和维系自己竞争力的最佳方式。
从这个角度上，用各种 agent 替代古法手作，这件事很有趣，对公司也很有价值，但对（公司里的）个人恐怕没太大价值。agent 替代你越多，你的可替换性就越强，资本绝对不会体恤你的训练之功，毕竟训练期间的工资已经足额支付过了，再说你不训练 agent 有的是人顶上。
我在微博提到过类似的观点，大意是，提升（关键链路的）质量很难很漫长，AI 时代提升效率却是立竿见影。不久以后，当许多人都能和你一样立竿见影的时候，提效会被时间拉平那点先发优势，一两年内整个水位拉平，最终 “提升质量” 依然是决定性的竞争力。但正是因为提升质量很难很漫长，难免追逐当下澎湃的体感。
点击【阅读原文】，可见犬校最近一年的好帖索引。