李飞飞谈职场分化：AI 开始拿走“新手任务”，十年后谁来当专家？

最近，李飞飞与 MasterClass 联合创始人 David Rogier 接受 Silicon Valley Girl 访谈时，谈到未来职场会分化为两极，顶尖专家和高主动性通才。AI 正在改变普通人成长为专家的路径，但是初级任务被自动化后，判断力、责任感和真实经验从哪里来？

一个新人第一次交方案，最怕的已经不是做不出来。

现在，做出来太容易了。

把需求丢给 AI，让它生成竞品分析、页面结构、用户旅程、会议纪要，甚至顺手补一段代码。过去要熬几天的东西，现在一个上午就有雏形。

危险的时刻，往往发生在评审会上。

老板问：为什么入口放这里？这个转化指标和收入怎么连？如果用户拒绝授权，系统怎么兜底？

新人看着那份漂亮文档，突然发现，方案是自己提交的，但里面的判断没有真正经过自己。

这就是 AI 职场焦虑最隐蔽的一层。

它不只是抢走工作。它先抢走了“让人变强的笨功夫”。

AI 让岗位还在，任务已经换芯

最近，李飞飞与 MasterClass 联合创始人 David Rogier 接受 Silicon Valley Girl 访谈时，谈到未来职场可能变成一种“杠铃结构”。

一端是顶尖专家。

另一端是高主动性的通才。

夹在中间、只会执行标准任务的人，会越来越难受。

这句话容易被理解成一条职业建议：要么变成行业大神，要么变成什么都能做的超级个体。

但放回李飞飞长期的技术语境里，它更像一张系统图。

过去，一个岗位里混着三类东西：重复劳动、专业判断、责任承担。

AI 先切走第一类。

会议纪要、初稿、检索、排版、简单原型、样例代码、客服回复、数据摘要，都会越来越便宜。

留下来的，是定义问题、验证输出、处理边界、向人解释、对结果负责。

岗位名称还在，任务结构已经换了。

同样叫产品经理，有人只是把信息从 A 搬到 B；有人能把模糊需求压成可验证实验。同样叫设计师，有人只做界面；有人能理解用户动机、业务约束和模型能力边界。

AI 把差距提前暴露了。

被自动化吃掉的，恰好是成长入口

从技术角度看，生成式 AI 对职场的冲击，不是一台机器替一个人。

更准确的说法是：它把一个完整任务拆开，重排了每一步的成本。

以前写一份方案，大致要经过：

搜集资料 -> 形成判断 -> 写出初稿 -> 找人反馈 -> 修改交付 -> 承担结果

AI 最擅长压缩中间两步：搜集、生成、改写、归纳、补全。

它可以在几秒钟内给出十个标题、三版 PRD、五种用户画像、一段能跑的脚本。

但它不会天然知道公司真实目标、历史债务、用户投诉、合规红线，也不会替你承担“这个方案错了以后谁负责”。

这就是职场焦虑的技术根源：

模型越来越会生成，组织却还没学会重新分配判断权。

如果公司只把 AI 当作降本工具，最先被压缩的就是初级工作。新人少招一点，熟手带着模型跑快一点，报表上很好看。

问题是，专家从哪里长出来？

专家不是从“会用工具”里直接蹦出来的。

他是从一次次写错方案、被客户追问、看见线上事故、复盘真实损失里长出来的。

那些低效、重复、琐碎的初级任务，过去也是职业训练的脚手架。

AI 一旦把脚手架拆得太快，团队短期效率上升，长期判断力断档。

真正的主动性，是会行动也会刹车

李飞飞过去多次谈到一个关键词：human agency。

这个词翻成中文，常被说成“人的主动性”。

但它不是职场黑话里的“随叫随到”“多接活”“领导没说也要猜到”。

更准确地说，agency 是人能不能看见问题、做出选择、调动工具、验证结果，并在出错时知道责任落在哪里。

李飞飞长期主张以人为中心的 AI。她在 AP 访谈中提醒，讨论智能机器时，要给人类 agency 足够尊重。她在 HAI 的工作，也一直围绕一个核心：AI 要服务人的尊严、能力和社会利益。

这放到职场里，就是一句很朴素的话：

会生成内容，不等于会工作。

一个人用 AI 写出方案，只完成了“输出”这一层。真正的工作还包括：为什么写、给谁用、依据是什么、错了怎么办、怎么验证。

如果这些环节被省掉，AI 越强，人越容易变成“高级复制粘贴接口”。

语言之外，职场也需要“空间智能”

李飞飞近两年反复谈“空间智能”。她创办 World Labs，也是为了让 AI 不只理解文字，还能理解三维世界、物体关系、场景变化和行动后果。

这对职场也有启发。

今天很多白领工作看起来都是语言任务：写文档、发邮件、做汇报、出方案。

但最有价值的部分，往往藏在语言背后：

客户为什么犹豫？

工程为什么不愿意排期？

一个流程上线后，用户会在哪里卡住？

某个指标变好，是因为体验变好，还是因为入口误导？

这些东西有点像“职场里的空间智能”。它要求人理解一个系统里不同角色、约束、后果之间的位置关系。

大模型可以帮你描述这个系统，却不一定真的“站在现场”。

所以，越是 AI 能写得像，越要警惕自己有没有真的看见现场。

同一套工具，可能是替身，也可能是教练

事情并不注定滑向坏处。

斯坦福和 MIT 学者研究 5000 多名客服人员使用生成式 AI 助手的情况，发现生产率平均提升约 15%，经验较少、技能较弱的员工收益尤其明显。

原因很关键：AI 把优秀员工的处理方式扩散给了新手。

这说明，同一套工具有两种用法。

一种是替代式：

AI 直接生成答案，新人复制、提交、过关。遇到追问，再继续问 AI。

另一种是训练式：

新人先写自己的判断和假设，再让 AI 找漏洞、补资料、给反例。最后由人解释自己为什么改、哪里仍然不确定。

前者省时间。

后者长能力。

屏幕上都叫“用了 AI”，结果完全不同。

管理者要设计的，已经不是“哪些任务能自动化”，而是：

这项任务原本教会新人什么？

如果 AI 接管了生成环节，学习环节放到哪里？

代码可以由助手生成，但提交者要讲清测试覆盖、失败条件和回滚方案。

文案可以由模型起草，但负责人要解释用户洞察、渠道限制和品牌风险。

资料可以让 AI 汇总，但人要核验来源、寻找反例、保留不确定性。

省掉机械劳动可以。把思考一起省掉，就等于把未来的专家也省掉。

企业要降本，也要给新人留试错空间

普华永道 2025 年全球调研显示，每日使用生成式 AI 的员工，更常感受到效率、职业稳定性和薪酬收益。

但另一组数字更扎心：认为自己拥有足够学习资源的人，非管理者比例明显低于中高层。

这很符合现实。

管理层更早接触工具，更有权改流程，也更能承受试错。新人常常只拿到一个账号、一句“拥抱 AI”，然后继续被旧指标考核。

这不是转型。

这是把学习成本推给个人。

一个还想培养人的团队，至少要保留四件事：

关键任务保留解释权：交付者必须讲清目标、取舍和风险。

记录 AI 失败案例：把幻觉、漏项、错误边界变成团队教材。

给新人真实责任：范围可以小，但结果必须能被用户或业务验证。

考核复盘质量：别只奖励“交得快”，也要奖励“错得明白”。

这些动作会拖慢一点速度。

但培养人本来就慢。

如果团队把所有摩擦都当浪费，最后可能留下的是一群很会调用模型、却没人能解释系统的人。

普通人先把第一格台阶搭回来

个人无法决定公司招多少新人，也无法控制老板怎么看 AI。

但可以改变自己使用 AI 的姿势。

别从收藏工具清单开始。挑一项你每周都会做、结果能验证的任务，跑一个 30 天小实验。

第一周，拆任务。

记录耗时、输入、判断点、返工原因。先别急着自动化。

第二周，做对照。

同一件事做两遍：一次人先想、AI 后查；一次 AI 先写、人后审。看差距在哪里。

第三周，固化流程。

固定资料来源、检查项、输出格式，至少给真实同事用一次。

第四周，写复盘。

省了多少时间？错在哪里？哪些判断仍必须自己承担？

每次提交 AI 参与的结果前，再问三句：

材料从哪里来？

边界条件是什么？

如果错了，谁来承担后果？

这三句看起来慢，却是从“会生成”走向“会负责”的路。

简历也可以换一种写法。

少写“熟练使用 ChatGPT、Claude、DeepSeek”。

把一件真实任务讲清楚：原来怎么做，最耗时的环节是什么，你让 AI 参与哪一步，如何验证，最终改变了什么。

哪怕只是把每周两小时的销售周报压到四十分钟，只要过程真实，也比一串工具名更有说服力。

答案变便宜之后，判断力反而更贵

“未来只剩两种人”的判断之所以刺耳，是因为它把一个缓慢发生的变化压成了职场分岔口：继续停在标准执行层，还是开始训练自己的判断力和调度能力？

现实没那么整齐。

很多人会先做通才，在复杂任务里找到方向，再慢慢长成专家。也有人先靠专业站稳，再学会调动更多工具、角色和系统。

值得警惕的，是中间过程被抹掉。

没有人天生会定义问题。

也没人第一次就知道模型哪里会错。

判断力来自真实后果，来自可控范围内的犯错，来自有人要求你把错误讲明白。

AI 可以把答案做得很便宜。

但一个人怎样学会提问、验证、取舍，最后愿意在自己的名字下面签字，仍然要靠时间和现场。

所以，别只问自己会不会被 AI 挤出中间层。

更实际的问题是：

今天这项工作，究竟在替我积累判断，还是只替我制造一份看起来完成了的东西？

先挑一项任务，把第一格台阶搭回来。

公司愿不愿意修梯子，我们很难控制。脚下这一格，今天就能开始。