当一家公司的数据分析团队从10人锐减至3人，却能用AI干完所有的活，这不仅是效率的胜利，更是一场静默的职场重构。黄仁勋说“AI改变任务而非目的”，但资本不会等你找到新目的。本文深度拆解AI时代的职业生存法则：为何“默会知识”比算法更坚固？为何情绪交付是AI无法逾越的护城河？

AI来了。

我们得一起面对它会优化哪些职位（不一定是优化掉，但是可能大量减少）。

和一个找我付费咨询的朋友，聊AI来了之后的职业选择。

他说了个现象：他们公司的数据分析团队，原来有10个数据分析师，现在裁到3个高级的，配上AI，活不仅干完了，质量还更好。

这不是他一家公司的事。那十几个人变3个人的逻辑，正在各个行业悄悄发生。

01 你的工作，能不能被一个Agent跑完

有一个判断工作危不危险的方法，比”会不会被AI取代”这个问题要具体得多：

你的工作，能不能被一个Agent独立跑完？或者你自己做个Agent或者Skill是否可以完成大部分你的工作。

如果可以——输入清晰，规则明确，输出可以验证，中间不需要任何人来拍板——那这份工作的处境已经岌岌可危。

初级数据分析师就是这个逻辑。从数据库拉数据、做清洗、跑回归、出报表，这条链路边界清晰，每一步都有标准答案。一个Agent串起来就能跑，不需要人在中间。

同样的结构，落在了初级程序员、基础翻译、初级财务身上。这些岗位的共同点是：逻辑确定，反馈闭环，可以自动验证对错。恰好也是AI目前最舒服的工作环境。

但有一类工作，单个Agent根本搞不定。它需要多个Agent协同，而这些Agent之间存在大量模糊地带——谁的结论更可信？哪里有冲突？最后怎么拍板？这种地方，就总得有个人来判断。不是因为人比AI聪明，而是因为这里没有标准答案，需要有人负责。

所以往深了看，人类的工作大概可以分成两类。

一类是解决问题的。问题越简单、边界越清晰，被替代得越快。这没什么好争辩的，只是时间问题。

另一类，是有情绪交付的。

律师和客户之间的沟通，不是信息传递，是信任建立。律师在法庭上和法官的博弈，不是逻辑输出，是临场判断、关系感知、对人心的读取。这些东西放到AI身上，它可以模拟语气，但它不在场，它没有利益，它不承担输赢的后果。这个差别，客户感受得到，法官也感受得到。

还有一类更直接：物理世界里AI暂时进不去的地方。

高度非标准化的现场处置、需要手眼协调的精细操作、那些在嘈杂环境里靠直觉做判断的时刻——不是AI不够聪明，是硬件成本、传感器精度和能耗还没跟上。这个边界会移动，但短期内移动得不快。

02 黄仁勋说得对，但有一个他没有强调的前提

这两年有一个说法流传很广，来自 Nvidia 的黄仁勋。他说AI不会消灭工作，它改变的是工作的”任务”，而不是”目的”。

他举了放射科的案例。大约七八年前，Geoffrey Hinton 曾预测AI将在五年内颠覆放射学，放射科医生将不再被需要。结果呢？现在100%的放射学应用确实由AI驱动，但放射科医生数量反而增加了。AI让医生能处理更多片子，医院接诊量提升，反而需要雇更多人。

这个逻辑很精妙：任务被替代了，但目的扩大了，需求跟着涨，从业人数不降反增。

我部分认同这个观点。但它有一个前提条件，Jensen Huang 没有特别强调：这件事要成立，前提是这个行业的需求必须足够有弹性，有足够大的延伸空间。

放射科的需求弹性很高。人类对医疗的渴望几乎没有上限，以前做不起检查的人现在做得起了，以前只能粗扫的现在可以精扫，需求本身是会扩张的。医院省出来的效率，直接转化成了更多接诊量。

但如果是一个需求相对刚性的行业呢？

比如专门核对发票报销单据的财务岗位。当AI把”核对”这项任务100%接管，”保证账目合规”这个目的并不会驱使企业产生”那就再多招几个人多合规几次”的冲动。剩下的9个人，面对的就是真实的岗位缩减，而不是什么需求扩张。

黄仁勋谈的是终局逻辑，是理想状态下技术创造繁荣的长期图景。大多数人当下感受到的压力，发生在中间那段漫长的阵痛期。

03 资本不会等你找到新的目的

这里有一个更现实的层面，很少被人正面谈。

从企业经营者的视角看，AI带来的效率提升是立即可兑现的收益。裁掉7个初级分析师，成本节约是确定的，当月报表就能体现。

而把省出来的人力成本投入到新业务探索，回报周期不确定，失败率也不低。面对季度目标，这道选择题其实并不难做。

大公司里一个很普遍的现象是：AI工具铺开之后，第一个动作几乎都是降本增效，而不是开辟新战场。

这不是哪个老板的个人意志，这是资本对风险的天然厌恶。

04 那么，什么样的工作AI真的啃不动

说到这里，有个问题变得很具体：护城河到底长什么样？

我有一个做产品经理的朋友，他负责一家在线旅行平台的机票酒店订单系统。

先描述一下他每天面对的东西。公司自己的票务系统、各大航司的接口、第三方OTA、12306的接口、公司财务系统、税务系统、各大支付平台，再加上营销系统里面的优惠券、会员积分、秒杀、拼团、第三方权益……这些系统全部耦合在一起，共同决定一张机票从下单到出票到退改签的完整流程。

你问他里面最难处理的是什么，他说不是系统的技术复杂度，是那些边界情况。”用户用了积分加优惠券，航司出票失败，退款时财务系统刚好在维护，这时候钱到底在哪一个状态？”这不是逻辑问题，这是风险博弈。每一种复合异常的处理方式，都没有人把它写进文档，因为写不完。只有踩过坑的人，才知道遇到这种情况该怎么判断。

这就是”默会知识”这个概念要描述的东西。哲学家波兰尼（Michael Polanyi）说过一句话：”我们所知道的，远比我们能说出来的多。”

AI学习的前提是有可以学习的数据。但有些知识存在于哪里？”12306 的接口在凌晨两点会间歇性返回错误代码，重试三次就好了”——这在哪里有记录？”公司对接的财务系统里有一个字段必须用特定格式传，不然对接的老王那边就不给过”——这在哪里有文档？答案是：在某个人的大脑里，在一条早就刷走的微信消息里，在某次凌晨两点的紧急处置里。

AI学不到它看不见的东西。这就是那些深陷在多系统耦合、有大量隐形规则、业务逻辑高度非标准化的岗位，反而最难被替代的原因。不是因为这份工作有多高大上，恰恰是因为它积累的泥潭，是AI无法快速消化的认知壁垒。

这也就是我说的互联网行业中AI+深度聚焦行业解决方案，反而比增长产品经理更好。真是十年风水轮流转。

05 现在，这几件事你可以想一想

说几句更落地的话。

先问自己一个问题：你现在的工作，是单个Agent能跑完的，还是多个Agent也搞不定的？不用想太复杂，就看一件事——你每天做的判断，有没有标准答案。如果有，那这个位置迟早会收缩，不管你现在做得多熟练。

第二件事，认真评估你的工作里有多少默会知识。那些能被清晰文档化的知识，AI也能学。真正有价值的，是那些只能靠时间积累、只能在踩坑中形成、无法被语言完整传递的判断经验。朋友那个做订单系统的例子里，他真正不可替代的部分，不是他懂多少技术，而是他在那个系统里见过多少”意外”。文档里没有的那些，才是他的护城河。

第三件事，往情绪交付和责任承担的方向靠。AI可以模拟语气，但它不在场，没有利益，不承担后果。只要一件事的结果需要有人负责，需要有人让对方感受到”这个人在为我扛”，AI就进不来。不是因为人更聪明，而是因为人有代价。这个逻辑，在律师、在医生、在任何需要真实信任的地方，都成立。