李飛飛談職場分化：AI 開始拿走“新手任務”，十年后誰來當專家？

最近，李飛飛與 MasterClass 聯合創始人 David Rogier 接受 Silicon Valley Girl 訪談時，談到未來職場會分化為兩極，頂尖專家和高主動性通才。AI 正在改變普通人成長為專家的路徑，但是初級任務被自動化后，判斷力、責任感和真實經驗從哪里來？

一個新人第一次交方案，最怕的已經不是做不出來。

現在，做出來太容易了。

把需求丟給 AI，讓它生成競品分析、頁面結構、用戶旅程、會議紀要，甚至順手補一段代碼。過去要熬幾天的東西，現在一個上午就有雛形。

危險的時刻，往往發生在評審會上。

老板問：為什么入口放這里？這個轉化指標和收入怎么連？如果用戶拒絕授權，系統怎么兜底？

新人看著那份漂亮文檔，突然發現，方案是自己提交的，但里面的判斷沒有真正經過自己。

這就是 AI 職場焦慮最隱蔽的一層。

它不只是搶走工作。它先搶走了“讓人變強的笨功夫”。

AI 讓崗位還在，任務已經換芯

最近，李飛飛與 MasterClass 聯合創始人 David Rogier 接受 Silicon Valley Girl 訪談時，談到未來職場可能變成一種“杠鈴結構”。

一端是頂尖專家。

另一端是高主動性的通才。

夾在中間、只會執行標準任務的人，會越來越難受。

這句話容易被理解成一條職業建議：要么變成行業大神，要么變成什么都能做的超級個體。

但放回李飛飛長期的技術語境里，它更像一張系統圖。

過去，一個崗位里混著三類東西：重復勞動、專業判斷、責任承擔。

AI 先切走第一類。

會議紀要、初稿、檢索、排版、簡單原型、樣例代碼、客服回復、數據摘要，都會越來越便宜。

留下來的，是定義問題、驗證輸出、處理邊界、向人解釋、對結果負責。

崗位名稱還在，任務結構已經換了。

同樣叫產品經理，有人只是把信息從 A 搬到 B；有人能把模糊需求壓成可驗證實驗。同樣叫設計師，有人只做界面；有人能理解用戶動機、業務約束和模型能力邊界。

AI 把差距提前暴露了。

被自動化吃掉的，恰好是成長入口

從技術角度看，生成式 AI 對職場的沖擊，不是一臺機器替一個人。

更準確的說法是：它把一個完整任務拆開，重排了每一步的成本。

以前寫一份方案，大致要經過：

搜集資料 -> 形成判斷 -> 寫出初稿 -> 找人反饋 -> 修改交付 -> 承擔結果

AI 最擅長壓縮中間兩步：搜集、生成、改寫、歸納、補全。

它可以在幾秒鐘內給出十個標題、三版 PRD、五種用戶畫像、一段能跑的腳本。

但它不會天然知道公司真實目標、歷史債務、用戶投訴、合規紅線，也不會替你承擔“這個方案錯了以后誰負責”。

這就是職場焦慮的技術根源：

模型越來越會生成，組織卻還沒學會重新分配判斷權。

如果公司只把 AI 當作降本工具，最先被壓縮的就是初級工作。新人少招一點，熟手帶著模型跑快一點，報表上很好看。

問題是，專家從哪里長出來？

專家不是從“會用工具”里直接蹦出來的。

他是從一次次寫錯方案、被客戶追問、看見線上事故、復盤真實損失里長出來的。

那些低效、重復、瑣碎的初級任務，過去也是職業訓練的腳手架。

AI 一旦把腳手架拆得太快，團隊短期效率上升，長期判斷力斷檔。

真正的主動性，是會行動也會剎車

李飛飛過去多次談到一個關鍵詞：human agency。

這個詞翻成中文，常被說成“人的主動性”。

但它不是職場黑話里的“隨叫隨到”“多接活”“領導沒說也要猜到”。

更準確地說，agency 是人能不能看見問題、做出選擇、調動工具、驗證結果，并在出錯時知道責任落在哪里。

李飛飛長期主張以人為中心的 AI。她在 AP 訪談中提醒，討論智能機器時，要給人類 agency 足夠尊重。她在 HAI 的工作，也一直圍繞一個核心：AI 要服務人的尊嚴、能力和社會利益。

這放到職場里，就是一句很樸素的話：

會生成內容，不等于會工作。

一個人用 AI 寫出方案，只完成了“輸出”這一層。真正的工作還包括：為什么寫、給誰用、依據是什么、錯了怎么辦、怎么驗證。

如果這些環節被省掉，AI 越強，人越容易變成“高級復制粘貼接口”。

語言之外，職場也需要“空間智能”

李飛飛近兩年反復談“空間智能”。她創辦 World Labs，也是為了讓 AI 不只理解文字，還能理解三維世界、物體關系、場景變化和行動后果。

這對職場也有啟發。

今天很多白領工作看起來都是語言任務：寫文檔、發郵件、做匯報、出方案。

但最有價值的部分，往往藏在語言背后：

客戶為什么猶豫？

工程為什么不愿意排期？

一個流程上線后，用戶會在哪里卡住？

某個指標變好，是因為體驗變好，還是因為入口誤導？

這些東西有點像“職場里的空間智能”。它要求人理解一個系統里不同角色、約束、后果之間的位置關系。

大模型可以幫你描述這個系統，卻不一定真的“站在現場”。

所以，越是 AI 能寫得像，越要警惕自己有沒有真的看見現場。

同一套工具，可能是替身，也可能是教練

事情并不注定滑向壞處。

斯坦福和 MIT 學者研究 5000 多名客服人員使用生成式 AI 助手的情況，發現生產率平均提升約 15%，經驗較少、技能較弱的員工收益尤其明顯。

原因很關鍵：AI 把優秀員工的處理方式擴散給了新手。

這說明，同一套工具有兩種用法。

一種是替代式：

AI 直接生成答案，新人復制、提交、過關。遇到追問，再繼續問 AI。

另一種是訓練式：

新人先寫自己的判斷和假設，再讓 AI 找漏洞、補資料、給反例。最后由人解釋自己為什么改、哪里仍然不確定。

前者省時間。

后者長能力。

屏幕上都叫“用了 AI”，結果完全不同。

管理者要設計的，已經不是“哪些任務能自動化”，而是：

這項任務原本教會新人什么？

如果 AI 接管了生成環節，學習環節放到哪里？

代碼可以由助手生成，但提交者要講清測試覆蓋、失敗條件和回滾方案。

文案可以由模型起草，但負責人要解釋用戶洞察、渠道限制和品牌風險。

資料可以讓 AI 匯總，但人要核驗來源、尋找反例、保留不確定性。

省掉機械勞動可以。把思考一起省掉，就等于把未來的專家也省掉。

企業要降本，也要給新人留試錯空間

普華永道 2025 年全球調研顯示，每日使用生成式 AI 的員工，更常感受到效率、職業穩定性和薪酬收益。

但另一組數字更扎心：認為自己擁有足夠學習資源的人，非管理者比例明顯低于中高層。

這很符合現實。

管理層更早接觸工具，更有權改流程，也更能承受試錯。新人常常只拿到一個賬號、一句“擁抱 AI”，然后繼續被舊指標考核。

這不是轉型。

這是把學習成本推給個人。

一個還想培養人的團隊，至少要保留四件事：

關鍵任務保留解釋權：交付者必須講清目標、取舍和風險。

記錄 AI 失敗案例：把幻覺、漏項、錯誤邊界變成團隊教材。

給新人真實責任：范圍可以小，但結果必須能被用戶或業務驗證。

考核復盤質量：別只獎勵“交得快”，也要獎勵“錯得明白”。

這些動作會拖慢一點速度。

但培養人本來就慢。

如果團隊把所有摩擦都當浪費，最后可能留下的是一群很會調用模型、卻沒人能解釋系統的人。

普通人先把第一格臺階搭回來

個人無法決定公司招多少新人，也無法控制老板怎么看 AI。

但可以改變自己使用 AI 的姿勢。

別從收藏工具清單開始。挑一項你每周都會做、結果能驗證的任務，跑一個 30 天小實驗。

第一周，拆任務。

記錄耗時、輸入、判斷點、返工原因。先別急著自動化。

第二周，做對照。

同一件事做兩遍：一次人先想、AI 后查；一次 AI 先寫、人后審。看差距在哪里。

第三周，固化流程。

固定資料來源、檢查項、輸出格式，至少給真實同事用一次。

第四周，寫復盤。

省了多少時間？錯在哪里？哪些判斷仍必須自己承擔？

每次提交 AI 參與的結果前，再問三句：

材料從哪里來？

邊界條件是什么？

如果錯了，誰來承擔后果？

這三句看起來慢，卻是從“會生成”走向“會負責”的路。

簡歷也可以換一種寫法。

少寫“熟練使用 ChatGPT、Claude、DeepSeek”。

把一件真實任務講清楚：原來怎么做，最耗時的環節是什么，你讓 AI 參與哪一步，如何驗證，最終改變了什么。

哪怕只是把每周兩小時的銷售周報壓到四十分鐘，只要過程真實，也比一串工具名更有說服力。

答案變便宜之后，判斷力反而更貴

“未來只剩兩種人”的判斷之所以刺耳，是因為它把一個緩慢發生的變化壓成了職場分岔口：繼續停在標準執行層，還是開始訓練自己的判斷力和調度能力？

現實沒那么整齊。

很多人會先做通才，在復雜任務里找到方向，再慢慢長成專家。也有人先靠專業站穩，再學會調動更多工具、角色和系統。

值得警惕的，是中間過程被抹掉。

沒有人天生會定義問題。

也沒人第一次就知道模型哪里會錯。

判斷力來自真實后果，來自可控范圍內的犯錯，來自有人要求你把錯誤講明白。

AI 可以把答案做得很便宜。

但一個人怎樣學會提問、驗證、取舍，最后愿意在自己的名字下面簽字，仍然要靠時間和現場。

所以，別只問自己會不會被 AI 擠出中間層。

更實際的問題是：

今天這項工作，究竟在替我積累判斷，還是只替我制造一份看起來完成了的東西？

先挑一項任務，把第一格臺階搭回來。

公司愿不愿意修梯子，我們很難控制。腳下這一格，今天就能開始。