AI降低边际认知成本 知识工作者面临系统性失业风险

AI降低边际认知成本 知识工作者面临系统性失业风险 白领工作本质上是为了降低企业内部信息摩擦而诞生的历史产物，随着AI将中间交付物的成本打向零，缺乏可衡量业务结果的表演型劳动与全职组织架构将被彻底瓦解。 视频回顾了白领作为“信息处理器”诞生不足百年的历史，指出其核心本质是为了降低组织内部的信息摩擦。由于许多白领工作的真实产出难以衡量，导致企业内部充斥着大量依靠会议和 PPT 等代理指标堆砌的“狗屁工作”。随着 AI 以极低成本彻底瓦解了认知的边际成本，传统白领的基本盘正面临系统性冲击。未来职场将转变为“为结果负责”的模式，真正稀缺的将是那些能够定义问题、制造信任以及指挥人和 AI 协作整合的复合型人才。 白领与知识工作者的工种历史不足百年，其本质是通过收集与分发信息降低组织摩擦；但因个人产出难以量化，导致考核向开会、PPT等投入指标倾斜，系统性滋生了表演型的“狗屁工作”。 (2:54) AI 能够系统性冲击白领的核心，在于它将认知边际成本和信息处理成本打到了接近于零，彻底抽空了“信息搬砖工”的价值基石，推动生产组织向 AI-native 演变。 (6:07) 未来职场将从“按技能拿薪水”彻底转向“为结果负责”，其中“定义问题的架构师”、“制造信任的人”以及“统领人与 AI 协作的整合者”将成为最稀缺的三类角色。 (9:29) 应对 AI 转型的四大行动点包括：将工作贴近可验收的实际结果、建立个人作品集、用 AI 替代表演性劳动，以及主动争取能为业务结果负责的职能位置。 (13:13)

白领工作本质上是工业时代为处理组织信息摩擦而发明出的中间层，但在个体产出不可测的机制下衍生了大量“表演型劳动”；随着AI将认知的边际成本降至接近于零，依赖技能中间交付物的传统白领体系正面临瓦解，职业价值被迫全面转向为最终业务结果负责。 白领历史：为协调信息而发明的中间层 (0:00) 视频主讲人指出，在人类上万年的历史中，绝大部分时期有98%的人口是农民；即便是现代美国，农业人口也仅占总人口的3%。白领或知识工作者这一工种存在的时间不足百年，绝非自然演进的历史终点。现代企业的科层组织与流程很大程度上脱胎于跨区域铁路网络的调度管理——当系统规模扩张后，制约生产力的瓶颈由机器转向了信息流转。 绝大多数传统白领并不直接生产终端产品，其真实职能是在决策端与执行端之间进行信息的收集、翻译、汇总与分发，核心作用是降低组织运转的摩擦与沟通成本。程序员等技术人员在信息时代直接创造软件产品、降低信息成本并获得高薪，但其本质依然建立在对信息处理的依赖之上。 产出不可测催生的大量表演型劳动 (2:54) 结合大卫·格雷伯（David Graeber）的《狗屁工作》与彼得·德鲁克的观点，主讲人分析了白领工作中普遍缺乏成就感的原因：工业与农业的产出易于衡量，但对于数据科学家等白领岗位，个人的具体工作究竟为公司贡献了多少利润根本无法拆解与量化。 由于真实产出不可测，组织不得不采用“代理指标”（Proxy）来考核投入，例如开会的次数、撰写PPT的页数、发送邮件的数量或代码行数。这种投入与产出脱节的评价体系催生了“表演型劳动”，职场竞争演变为“比较谁更像在工作”。YouGov的调查显示，37%的英国在职成年人认为自己的工作毫无意义、对世界没有任何贡献，很多员工的痛苦正来源于明知事务缺乏实际价值却不得不假装其重要。 AI击穿认知边际成本与组织滞后 (6:07) 工业时代的机器通过替代体力缩小了肌肉差距，使脑力劳动成为高价值资产；而AI替代的则是依靠手、键盘与大脑搬运信息的脑力操作。主讲人指出，白领工作的价值基础在于认知的边际成本，但当周报、数据分析草稿、PRD及基础代码可以被AI以极低成本瞬间完成时，白领作为“信息搬运工”的基本盘随之坍塌，以往高价值的中间交付物迅速贬值。 尽管技术冲击剧烈，但现有的组织架构与生产关系存在显著滞后。由于既有利益关系，员工担忧失业、管理层试图维持部门规模、人事部门亦缺乏AI原生（AI-native）组织的运作经验，导致变革过程充满曲折。但主讲人强调，无法适应先进生产力的旧式组织终将被时代淘汰。 职场终局角色与四个行动策略 (9:29) 在技能本身迅速贬值的趋势下，以掌握工具（如Excel或Python）来获取报酬的模式难以为继。主讲人结合陈然与田渊栋的观点指出，未来最具竞争力的将是最大化业务结果的业务负责人（Business Owner）与承接具体需求的承包商（Contractor），并催生三类稀缺角色：一是定义问题与框架的架构师；二是能够建立信任并承担责任的人；三是统筹人、AI与数据协同落地的整合者。 为应对这一结构性变革，主讲人提出了四项具体建议：第一，紧贴可验收的业务结果，关注自身工作对决策的实际影响而非仅仅交付分析报告；第二，克服“精英耻感”，建立个人作品集以传递职业信用；第三，利用AI承担形式化的搬砖任务，剥离无价值的表演型劳动；第四，主动占据为结果负责的位置，例如直接解决多团队推诿的数据日志等核心卡点，而非被动等待流程指令。 白领工作的消亡被主讲人定位为一次组织操作系统的升级，核心是从形式化的过程内耗转向以端到端结果为导向。尽管既有组织架构对新生产力的吸纳仍显迟缓，但从业者需要主动摒弃旧范式的技能依赖，将自身定位于定义问题、制造信任与系统整合的高稀缺生态位。

[0:00] 课代表立正: 既然如此，我们的价值究竟是什么？ [0:00] 课代表立正: 白领工作其实是被发明出来的，它也会在同样的逻辑下被淘汰。 [0:00] 课代表立正: 绝大多数白领的本质工作，就是在决策和执行之间进行信息的收集、翻译、整理与分发，从而降低整个系统的摩擦。 [2:54] 课代表立正: 职场演变成了“比较的不是谁的工作成果多，而是谁更像在工作”。 [2:54] David Graeber: 明知道自己做的事情没有意义，却非要假装它有意义 [6:07] 课代表立正: 白领工作的根本是认知的边际成本，而这恰好是AI非常擅长的事情。 [6:07] 课代表立正: 机器取代的是用肌肉搬砖，AI 取代的则是用脑子、用手和键盘搬砖。 [9:29] 课代表立正: 交付物本身将不再重要，每个人都将被逼着往前多想一步：你的工作如何为结果负责？ [11:08] 课代表立正: 解题”变得非常便宜，但“出题”和定义框架会变得非常昂贵。 [11:08] 课代表立正: 信任本质上是“责任的托付”，能制造信任的人将极度稀缺。 [13:13] 课代表立正: 不要满足于“做了一个分析”或“用了一个高级的模型”，而是要关注你是否“影响了决策”以及“做出了什么决策”。 [13:13] 课代表立正: 白领工作的消亡并不是末日，而是一次操作系统的升级。

[0:00] 你有没有过这种感觉 [0:01] 今天开了很多会 [0:02] 写了很多文档 [0:03] 回了很多消息 [0:04] 看似做了很多工作 [0:05] 但是晚上回家的时候问一下自己 [0:09] 然后这个问题是回答不上来的 [0:11] 而且更刺耳的是 [0:12] 如果你把今天做的那些东西 [0:14] 比如说周报、PPT、分析结论、PRD、代码草稿 [0:18] 丢给一个AI的话 [0:19] 他可能几分钟就能交付同款 [0:21] 那既然如此 [0:22] 我们的价值是什么 [0:23] 今天这期视频 [0:24] 我回答的问题 [0:25] 不只是AI取代我们的工作这么简单 [0:28] 我用一个更大的框架 [0:30] 去审视一下我们白领的工作 [0:32] 白领这个工作其实是被发明出来的 [0:35] 它也会在同样的逻辑下被淘汰 [0:37] 而我们的工作中缺乏成就感 [0:39] 有越来越多的Bullshit JOBS [0:41] 其实本质上是一个系统问题 [0:43] 那我们在剖析白领工作的本质 [0:46] 和这些缺乏意义感 [0:47] 缺乏价值感的狗屁工作的成因之前 [0:50] 我们先看一下白领工作的历史 [0:52] 其实白领工作 [0:53] 或者换句话说 [0:54] knowledge worker知识工作者 [0:56] 这个工种出现的历史还不到100年 [0:59] 我们生长在这个环境 [1:00] 以为它就是天经地义的 [1:01] 仿佛一直都存在 [1:03] 然后仿佛它就是历史的终结 [1:04] 其实我们往前看的话 [1:06] 人类历史上一万年 [1:07] 基本上所有的人 [1:08] 98%的人都是农民 [1:10] 然后在短短的200年前 [1:11] 我们开启了工业革命 [1:13] 这个时候很多的农民变成了工人 [1:15] 这时候我们农业和工业的产量 [1:17] 一下子提高了很多 [1:18] 越来越多的人从农业转化成了工人 [1:21] 像今天我记得美国的农业人口 [1:23] 只是总人口的3% [1:24] 那绝大多数的人 [1:25] 直到最近的几十年都是工人 [1:28] 在那个时候 [1:29] 工人阶级是整个中产阶级的柱石 [1:31] 是整个社会先进生产力的代表和方向 [1:35] 然后随着工业越来越复杂 [1:37] 我们就发现阻碍生产力的不光是机器 [1:40] 而是信息 [1:41] 当一个企业从一个工厂 [1:43] 变成好多个工厂 [1:44] 变成跨州跨国的这样一个庞大的组织的时候 [1:47] 企业家资本家们就会发现 [1:49] 我们需要的不光是工人把东西做出来 [1:53] 包括我们现代组织的这种管理方式 [1:56] 其实也是源于铁路的管理 [1:58] 就是当更多的铁路和火车被造出来之后 [2:01] 我们发现 [2:02] 调度这些火车就变得非常重要 [2:04] 不然火车就会堵车会撞车 [2:05] 那这个时候 [2:06] 我们就慢慢的发明了 [2:07] 各种各样的管理层级 [2:09] 去管理信息这件事 [2:11] 包括谁做什么 [2:11] 货在哪账怎么结 [2:13] 谁负责什么风险 [2:14] 各种各样的流程等等 [2:15] 所以大家看到了吗 [2:21] 也就是说 [2:21] 在决策和执行之间 [2:23] 做信息的收集、翻译、整理、分发 [2:25] 然后降低整个系统的摩擦 [2:27] 这个是绝大多数白领工作在做的事情 [2:31] 当然后来我们进入信息时代之后 [2:32] 很多knowledge worker本身就创造生产力 [2:35] 因为我们更多的生产出来的东西 [2:41] 所以说 [2:41] 为什么程序员可以拿到很多的钱 [2:43] 因为他们不光是在降低信息成本 [2:45] 而且他们是切切实实的 [2:47] 正在创造终端的产品 [2:49] 好 讲清楚了我们现在 [2:50] 整个knowledge worker或者白领工作 [2:52] 干的事情是什么 [2:53] 价值来源是什么之后 [2:54] 我们再回到刚才的问题 [2:55] 为什么我们感觉做的很多东西 [2:57] 是没有价值的 [2:59] 这里是我综合了David Graeber的《Bullshit Jobs》 [3:01] 和彼得·德鲁克在Jim Collins(口误)上的播客的内容 [3:04] 它的核心原因是 [3:11] 比如说农业 [3:12] 我们都说一分耕耘一分收获 [3:14] 我们的产出非常容易被衡量 [3:16] 我们的耕耘其实也非常容易被衡量 [3:19] 那在工厂也是这个样子的 [3:21] 我的productivity就是我生产效率 [3:23] 我生产这样一个不管是产品还是部件 [3:26] 它的效率 [3:27] 只要造的多造的快造的好 [3:29] 那就是productivity高 [3:31] 可是我们落到自己的工作上 [3:32] 比如说你作为一个Data Scientist [3:34] 你怎么样子去衡量你的工作效率呢 [3:36] 整个公司 [3:37] 我们可以说这个公司到底赚了多少钱 [3:39] 但是再往下 [3:40] 你这个组 [3:41] 为你公司的这个最终产品创造的利润 [3:43] 怎么衡量 [3:44] 这个时候很多时候就是storytelling [3:46] 或者讲故事了 [3:47] 就是我们在公司内部 [3:48] 就有很多画饼的余地 [3:49] 我们会说我做的这个产品非常的重要 [3:52] 他是我们公司非常重要的一个long-term bet [3:55] 或者说哪怕我们非常清楚的知道 [3:57] 我们这个组做的事情 [3:58] 对我们公司线下的运转都非常重要 [4:01] 但是我们怎么样子去衡量 [4:02] 每一个knowledge worker [4:03] 他个体的productivity呢 [4:05] 其实是非常难衡量的 [4:07] 那这个时候我们就会出来很多proxy [4:09] 很多代理指标 [4:10] 代理指标很多时候 [4:12] measure的都是你的input [4:13] 而不是你真正产生的价值 [4:15] 你的input就是你写了多少页PPT [4:18] 你发了多少个邮件 [4:19] 你开了多少会 [4:19] 你发了多少个信息 [4:20] 然后你写了多少行代码 [4:22] 但是我们都知道 [4:23] 这个input和output之间 [4:25] 其实并不一定存在因果 [4:26] 甚至很多时候都没有相关性 [4:28] 你做了很多东西以后 [4:29] 其实都是白忙 [4:30] 而且问题是什么 [4:31] 就是当我们的这个measurement变成input之后 [4:34] 我看你上了几个小时的班 [4:36] 我看你工作勤不勤劳 [4:38] 我看你工作的这种所谓的产出多不多 [4:40] 所谓的这个产出 [4:41] 说的其实也是input [4:43] 那大家就会装作很忙 [4:45] 就是没事找事 [4:46] 就是这件事明明不需要做 [4:47] 但是我就是要开10个会去做它 [4:49] 我要去写10个PPT [4:51] 因为我的工作的measurement是在10个会 [4:53] 10个PPT [4:54] 而不是把这件事真的就去做了 [4:56] 如果这件事我非常简单的就把它做了以后 [4:59] 我可能performance反而会受到影响 [5:01] 我可能会得到一个更不好的rating [5:03] 所以 [5:03] 我们比较的不是谁的工作成果多 [5:06] 而是谁更像在工作 [5:08] 这个机制 [5:08] 自然而然的 [5:09] 就会长出来很多看似很重要 [5:11] 但是其实 [5:12] 对这个世界一点贡献都没有的工作 [5:14] 这也是 David Graeber [5:15] 在他的Bullshit JOBS里边猛烈抨击的点 [5:17] 很多人的痛苦不在于累 [5:19] 而是在于 [5:20] 明知道自己做的事情没有意义 [5:22] 却非要假装它有意义 [5:24] 一个YouGov的访谈是说 [5:26] 37%的英国在职成年人 [5:28] 会觉得自己的工作其实是没有意义的 [5:30] 没有对这个世界有贡献的 [5:32] 反而是比如说我打扫厕所 [5:33] 我是知道这件事是100%有意义的 [5:35] 因为我在做一个切实的东西 [5:37] 可是你做一个数据科学家 [5:38] 做一个数据分析师 [5:39] 很多时候你一年写了这个东西 [5:41] 你真的不知道你做的这个东西 [5:42] 价值是什么 [5:43] 在David Graeber他的书里边也说 [5:45] 就是这些Bullshit JOBS [5:46] 如果一夜之间全都蒸发的话 [5:47] 这个世界不光不会停止运转 [5:49] 而且很有可能还会运转的更好 [5:51] 因为他就没有这么多摩擦了 [5:53] 没有这么多对齐乱七八糟 [5:54] 没有意义的东西了 [5:55] 所以总结一下 [5:56] 缺乏成就感不是你的矫情 [5:58] 而是这个系统设计使然 [6:00] 当产出的本质是不可测的时候 [6:03] 组织就会用表演型劳动 [6:05] 去替代真实价值 [6:07] 这件事听上去蛮扎心的 [6:08] 但更扎心的是 [6:10] 现在我们想做表演型的工作 [6:12] 我们也会发现他的机会是越来越少了 [6:14] 因为AI来了 [6:15] 其实我一开始意识到 [6:16] 白领工作这个工种 [6:18] 它不是一个天经地义的事情 [6:20] 它也不是历史的终结形态 [6:21] 是我跟Indigo的访谈 [6:23] 他说白领工作其实产生了不到100年 [6:25] 然后他觉得整个历史也不会超过100年 [6:27] 然后在那之后 [6:28] 我就去阅读思考了很多相关的东西 [6:30] 那让我用一句话总结 [6:31] 为什么AI可以系统性的取代白领工作 [6:34] 那就是白领工作的根本 [6:37] 是认知的边际成本 [6:39] 而这恰好是AI非常擅长的事情 [6:42] 这句话怎么理解 [6:43] 就是我们在工业时代的时候 [6:44] 机器取代了肌肉 [6:46] 然后一个很有力气的人和一个普通人 [6:48] 他们的productivity是类似的 [6:49] 而且让脑力工作变得更值钱了 [6:52] 然后回到刚才的分析 [6:53] 我们看到 [6:54] 白领工作的核心是 [6:57] 也就是抛开那些Bullshit JOBS [6:58] 抛开那些狗屁工作不谈 [7:00] 白领工作真正有价值的那部分 [7:02] 我们报告、分析、代码、会议纪要这些东西 [7:06] 它如果产生了价值 [7:07] 价值就在于降低信息的成本 [7:09] 而这其实也是白领工作赚钱的技能和核心 [7:12] 就为什么在一开始 [7:13] 我们招聘的时候是要精通Office [7:15] 到后来是精通SQL精通Python [7:17] 其实就是为了获取信息 [7:18] 然后去降低信息的成本 [7:20] 可是这些事情 [7:21] 慢慢的大家发现 [7:22] 都可以被AI用几乎为0的成本去完成 [7:25] 那这就是白领这个工种 [7:27] 作为信息处理器的基础被整个抽空了 [7:30] 自然而然 [7:31] 它对应的 也就瓦解了 [7:33] 其实这件事早在ChatGPT [7:34] 刚出来的时候就发生了 [7:36] 我当时还在腾讯工作 [7:37] 然后就有腾讯的一个同事问我 [7:39] 孙博我有一个问题 [7:40] 就为什么AI出来了以后 [7:42] 取代的不是蓝领工作 [7:43] 反而开始是取代了白领工作 [7:45] 哪怕在2022年年底2023年年初的时候 [7:48] 我们已经感受到了这件事 [7:49] 然后那个时候我给他的回答就是 [7:51] AI所取代的这些白领工作 [7:53] 其实就是 [7:55] 那机器取代的 [7:56] 是我们真正用肌肉去搬砖 [7:58] 而AI取代的就是我们用脑子 [8:00] 或者说是用手用键盘去搬砖 [8:02] 绝大多数的白领工作 [8:04] 或者说绝大多数非常容易被AI [8:06] 取代的白领工作 [8:07] 他做的不是说产生什么新的知识 [8:09] 或者说什么别人取代不了的智力劳动 [8:12] 而其实就是信息的搬砖 [8:13] 降低信息成本 [8:14] 那这些工作 [8:15] 有什么不能被AI取代的道理呢 [8:17] 另外也有一点啊 [8:18] 就是我们的整个组织架构 [8:20] 就是我们的生产关系 [8:21] 是为上一代生产力而准备的 [8:24] 所以下一代生产力来了以后 [8:26] 整个生产关系的改革是滞后的 [8:29] 在我们有这么强大的AI的时候 [8:31] 我们上一代的生产关系 [8:32] 其实已经是落后的 [8:34] 但是落到公司里边 [8:35] 我们是不想被裁的 [8:36] 然后我们老板也是不想裁员的 [8:38] 因为裁员了以后我会升职加薪吗 [8:39] 不会 [8:40] 裁员了以后我只有可能更容易被裁掉 [8:42] 那这里边的HR设计机制的人 [8:44] 绝大多数的人其实都是不想裁员的 [8:46] 因为他们裁了员以后 [8:47] 也不知道手头现在的活 [8:49] 如何用更先进的生产力去做 [8:51] 这点我在之前的 [8:52] AI native的那期视频里面有讲过 [8:54] 大多数人的mindset和思路 [8:56] 是没有办法适应下一个生产力范式的 [8:58] 可是虽然过程会很曲折 [9:00] 我们要看到历史的必然性 [9:08] 无论他是以一个小的变革 [9:10] 一步一步的裁员的形式 [9:12] 还是整个公司 [9:13] 被一个更适应先进生产力的组织 [9:16] 所取代 [9:16] 他都是历史的必然 [9:18] 只不过这个必然 [9:19] 需要几年十几年的时间走到那里而已 [9:22] 那这期视频我也希望提醒大家 [9:24] 不要对这件事情的必然性还抱有什么么幻想 [9:27] 早做准备是更好的 [9:29] 那这就是我们视频的最后一部分了 [9:30] 首先这个结果是什么样子的 [9:32] 和我们在这里边如何做准备 [9:34] 那终局其实很简单 [9:38] 我们现在是get paid by our skills [9:41] 我是一个会处理Excel的人 [9:43] 我就能得到一些收入 [9:44] 我是一个会处理Python的人 [9:46] 我们就会得到一个收入 [9:47] 我相信很多同学 [9:48] 如果在描述自己工作的时候 [9:50] 描述的也多是自己的技能 [9:52] 而不是描述自己工作的结果 [9:54] 因为我们心中觉得 [9:55] 那些技能是我们的价值来源 [9:57] 是不可替代的 [9:58] 那个结果是属于公司的 [9:59] 是公司带来的 [10:00] 而不是我个人带来的 [10:01] 可是在未来这些技能变得不重要的时候 [10:03] 我们每个人就要被逼着往前多想一步 [10:06] 就是你的工作是怎么样子 [10:08] 为这个结果负责的 [10:09] 如果你的那些中间交付物 [10:12] 都变得不再重要 [10:13] 因为他们已经变得非常非常便宜了 [10:15] 我在AI native那一期视频里边 [10:16] 也有黄金和铝的例子 [10:18] 就是当你的这些交付物 [10:20] 被AI的价格打到几乎为0的时候 [10:22] 交付物本身真的不再重要的时候 [10:25] 你就被逼着要去想 [10:26] 你到底能带来什么价值 [10:28] 带来什么结果 [10:28] 那这里边引用社区里边陈然的观点 [10:31] 就是有两类人是最适合这个时代的 [10:34] 一个是business partner或者business owner [10:36] 是你只care这个business结果 [10:38] 业务结果 [10:39] 你需要去最大化这个业务结果 [10:42] 第二呢就是contractor [10:43] 就是所谓的拿钱办事儿 [10:45] 我有一个结果 [10:45] 我需要别人做 [10:46] 然后contractor去帮我做 [10:48] 在那之前为什么需要有full time employee呢 [10:50] 这两种角色 [10:51] 都可以收获AI提升的生产力 [10:53] 可是那种全职工的员工就非常难收获 [10:56] 为什么 [10:56] 你全职员工的生产力提高了10倍 [10:58] 你能收获10倍的工资吗 [11:00] 最好的情况也就是给你升职加薪 [11:01] 甚至可能你升职加薪都拿不到 [11:03] 因为我们前面说了 [11:08] 那想清楚了这一点 [11:09] 就是我们要提高真正的生产力 [11:11] 而不是提高假的生产力 [11:12] 我们要对结果负责 [11:14] 那其实在这个时代 [11:15] 人的核心素质并不是会不会用AI [11:18] 而是能不能定义问题 [11:20] 能不能设计系统 [11:21] 能不能为结果负责 [11:22] 我用三类人来概括这里边的角色 [11:24] 第一类就是定义问题的人 [11:26] 是创造者和架构师 [11:28] AI我们会发现 [11:29] 他会非常善于 [11:30] 在一个给定的框架里做优化 [11:32] 但是这个框架到底是什么 [11:34] 问题怎么被定义 [11:36] 所以说解题这件事变得便宜 [11:38] 但是出题会变得非常的贵 [11:40] 这也是我们在AI builder [11:42] 和AI architect课程里边 [11:43] 非常强调的能力 [11:45] 我们通过教大家怎么样子把AI用好 [11:48] 其实更重要的是希望在这个过程中 [11:50] 培养大家去真正去定义问题 [11:52] 定义框架的能力 [11:54] 那第二类是制造信任的人 [11:55] 因为未来所有的知识内容 [11:58] 它的生产成本都会非常非常的低 [12:00] 包括信息、包括代码、包括产品 [12:02] 当这个时候内容泛滥真假难辨的时候 [12:04] 信任反而会变得越来越稀缺 [12:07] 而AI正是因为它能去(模拟)共情 [12:09] 它能去创造很多identity [12:11] 反而它没有办法创造信任 [12:12] 它也没有办法担责 [12:13] 那信任本质是责任的托付 [12:16] 你能创造信任 [12:17] 你就会变得非常稀缺 [12:18] 第三就是指挥协作的人 [12:20] 是一个整合者 [12:21] 他不是写代码 [12:22] 而是把AI数据和人 [12:24] 都整合到业务里边的人 [12:26] 他是要定义输入、约束边界 [12:28] 提供evaluation、治理风险 [12:30] 他是为结果负责的那个人 [12:32] 其实就是田渊栋的那个文章 [12:34] 我回头也会分析啊 [12:35] 就是他提的重要的观点 [12:36] 其实也是一个非常直白的观点 [12:38] 就是我们从来都不是说AI versus 人或者怎样的 [12:41] 从来都是人加上AI会变得多厉害 [12:43] 那在这里边其实也不是人加AI [12:45] 而是AI加AI、人加AI、人加人 [12:48] 人加人加人加AI对吧 [12:49] 就是这种整合者 [12:50] 他永远是为结果负责的 [12:51] 那在这里边 [12:52] 什么东西是需要什么样的人 [12:54] 什么样的expertise来做 [12:55] 什么东西是需要什么样的AI来做 [12:57] 是一件复杂的事情 [12:58] 而且 [12:59] 他们是能收获整个技术的水涨船高的 [13:01] 就是当技术变得更厉害 [13:03] 他们是可以做之前做不到的事情 [13:06] 那这种人也是最需要unlearn [13:07] 最需要放下上一个范式不成立的假设 [13:09] 而用新时代的新范式 [13:11] 去做一个新时代才能做的事情的 [13:13] 那好这期视频 [13:14] 也是一个可能会引起大家焦虑的视频 [13:16] 我不想给大家太多焦虑 [13:17] 但是我也想提醒大家 [13:19] 用一个历史的眼光 [13:20] 用一个发展的眼光去看这个问题 [13:22] 看到我们生产力有一个范式变化 [13:24] 然后生产关系还没有跟上的时候 [13:26] 我们要认识到 [13:29] 那我在这里边也给大家 [13:30] 尤其是正在打工的大家 [13:31] 4个我觉得比较重要的行动点 [13:33] 第一就是把你的工作 [13:35] 尽量贴近可验收的结果 [13:37] 就不要说你做了个分析 [13:39] 而是说你要影响决策 [13:40] 不要说我用了一个什么fancy model [13:42] 最后做了一个决策 [13:43] 而是说我做了什么决策 [13:45] 第二就是建立作品集 [13:46] 这个 [13:46] 我在我的career signaling的那期视频里边 [13:49] 已经非常详细的讲了 [13:50] 和讲了 [13:50] 大家到底去怎么样子做这件事儿 [13:53] 怎么样子优雅的进行career signaling [13:55] 怎么样子克服自己的精英耻感 [13:56] 去建立你的作品集 [13:58] 在这儿就不赘述了 [13:59] 要多建立个人的作品集 [14:01] 到未来无论你是要做一个business owner [14:03] 做一个contractor [14:04] 还是你要在这个新时代 [14:05] 去展示自己能为结果负责的能力 [14:08] 它都是非常重要的 [14:09] 那第三就是让AI去搬砖 [14:11] 让AI吃掉你的那些表演性劳动 [14:14] 把你的时间留给那些可验证的成果上 [14:17] 尽量少的去做那些中间的表演性劳动 [14:19] 少做那些Bullshit JOBS了 [14:21] 那些Bullshit JOBS在过去是可以 [14:23] 我们就做这些东西 [14:24] 然后我们拿钱 [14:25] 然后我们去干别的事就行了 [14:27] 可是它其实本来就没有价值 [14:28] 而且在未来它会越来越没有价值 [14:30] 我们真的想要去应对提高自己 [14:32] 更适应未来的时代的话 [14:34] 就一定要鉴别清楚 [14:35] 什么东西是狗屁工作 [14:36] 然后要真的动手去少做这些工作 [14:39] 最后呢就是尽量去选择 [14:40] 那些能让你为结果负责的位置 [14:43] 就比如说哪怕你是一个分析的同学 [14:45] 你尽量的去有你自己的opinion [14:48] 尽量去推动一些项目的进展 [14:49] 在这里我其实非常推荐啊 [14:51] 榛子在发光的这位同学 [14:52] 她其实就是一个从分析到Data Scientist [14:55] 最后她去了公司以后 [14:56] 就会看到大家需要什么 [14:58] 然后去更多的去主动的推动成果 [15:00] 在这个时候你不需要去ask for permissions [15:02] 比如说你的这个数据你觉得有问题 [15:05] 然后你觉得是logging数据有问题 [15:07] 没有人去解决它 [15:07] 然后它确实不容易被解决 [15:09] 因为这里边还涉及到 [15:10] 各个组之间的扯皮等等 [15:11] 但是你看到了吗 [15:12] 这就是Bullshit [15:13] 就是明明是数据有问题 [15:15] 然后你不去解决那个数据的问题 [15:16] 然后去开会去说我们谁来own这件事儿 [15:19] 全他妈都是Bullshit [15:20] 你要做的事情 [15:21] 就是你想方设法的 [15:22] 去把那个数据的问题给解决 [15:24] 那起码你就离成果更近了一步 [15:26] 所以我在这里边也想跟大家说啊 [15:28] 就是所谓的白领工作的消亡 [15:29] 它并不是我们的末日 [15:31] 而是一个操作系统的升级 [15:32] 它会给我们更多的动力 [15:34] 去远离这些Bullshit JOBS [15:35] 去让AI帮我们搬砖 [15:37] 去让我们远离那些 [15:38] 我们本来就不应该去做的事儿 [15:40] 让我们离价值和离成果更近 [15:42] 在我看来这真的是一件好事 [15:43] 如果说你想去学好怎么样子使用AI [15:46] 怎么样子更高效的用AI完成你的工作 [15:48] 怎么样子让AI去完成那些Bullshit JOBS [15:50] 然后让你解放时间去做那些更有价值的工作 [15:53] 欢迎来看我们的AI Builders [15:55] 和AI Architect的课程 [15:57] 课程的网站就在这 [15:58] 我们AI Builders的第一个大的Demo [16:00] 就是讲大家用5个stage [16:03] 就是5种不同层级使用AI的方式 [16:05] 去自动化周报 [16:07] 从一开始简单的自动化 [16:08] 但是会出现很多问题 [16:10] 到后来完整的不出错的 [16:11] 带evaluation的自动化 [16:12] 一直到最后通过AI [16:14] 帮助你去形成一个更好的 [16:16] 每周的分析 [16:17] 整个系统是非常robust可延展也可进化的 [16:19] 这样的内容在我们课程里边 [16:20] 也只是一个非常小的部分而已 [16:22] 如果感兴趣的同学欢迎来看 [16:23] 我希望看我们视频的大家 [16:25] 都可以顺应历史的发展趋势 [16:27] 而不是去对抗历史 [16:28] 我们也能把我们个人 [16:30] 放到那些更稀缺的位置上 [16:32] 那好这期视频就到这儿 [16:33] 下期再见拜拜