AI会替代人吗？我想说AI会重新定义“高手”

AI正在降低专业工作的门槛

新人也能交出一份看起来很专业的东西，于是专业本身不再是高手的护城河。

—— 杨芳贤

最近两年，每次在北大的课堂上都会有很多老板问我：

• AI 会不会替代员工？
• 哪些岗位最容易受到影响？
• 以后公司是不是不需要那么多人了？

这些问题值得关注，但我更关心另一件事：当 AI 让普通人也能完成过去需要专业训练的工作时，企业该如何判断一个人的价值？

• 刚入职的销售：借助 AI，也能写出一份看起来很专业的客户分析报告。
• 没有经验的员工：可以利用 AI 生成完整的市场方案。
• 普通项目经理：也能够让 AI 列出一份相当全面的项目风险清单。

以前，这些工作可能需要几年经验才能做好。

现在，AI 让完成这些工作的门槛显著降低。

那么问题来了：当普通员工也能交出看起来很专业的成果，工作十年的高手，价值该如何体现？

在课堂上，很多次我是这样回答这个问题的：

未来区分高手和普通人，不再是谁知道得更多、做得更快。而是：

「谁能看清问题，作出有依据的取舍，并借助 AI 把事情做成。」

过去的优势正在变得不稀缺

过去，一家企业里经验丰富的员工，通常拥有几种明显的优势。

• 他知道得比别人更多：知识储备本身就是壁垒。
• 他处理类似问题更多：见过的情况比别人多。
• 他能够更快找到答案：不用绕弯路。
• 他熟悉流程、案例与风险：踩过的坑都变成了直觉。

普通员工遇到问题，需要查资料、请教同事，或者反复尝试。

高手凭借经验，往往很快就知道应该怎么做。

这些能力有价值，但 AI 正在改变其中大部分能力的获取方式。

• 查资料：过去要花半天，现在几分钟就能整理出初步结果。
• 改文案：过去反复修改，现在可以快速形成几个版本。
• 调知识：过去依赖个人记忆，现在可以通过检索和模型辅助调用。

掌握知识、整理信息、标准化表达，不再是个人的显著优势

当然，这不意味着专业知识不重要。恰恰相反。

如果一个人没有足够的专业理解，就很难判断 AI 给出的内容是否可靠。

真正变化的是：过去，一个人能够独立完成复杂工作，本身就是重要的竞争力。

未来，老板们可能更关心：当 AI 也能完成其中大量工作时，你还能带来什么不同的判断和结果？

同一个客户压价，三种人三种做法

我们看一个具体的场景。

一家成长型制造企业，接到一个老客户的订单。

客户提出三个要求：

• 第一：希望报价降低 8%。
• 第二：希望交付时间提前。
• 第三：原来的付款条件不变。

订单金额有一定吸引力，销售人员希望尽快成交。但企业当前产能比较紧张，部分产品的毛利空间也不大。

这时候，怎样处理？我们来看三种不同的工作方式。

第一种：普通员工借助 AI，快速拿到建议

销售人员把客户要求交给 AI。AI 很快给出一份分析：

• 要考虑客户长期价值：听上去很全面。
• 要评估利润空间：但真实成本它并不知道。
• 要分析竞争情况：竞争信息从哪来，是个问题。
• 可以尝试阶梯报价：通用策略，谁都能想到。
• 可以争取调整付款条件：提了，但没说能不能换、换多少。

这份建议看起来很完整。销售甚至可以让 AI 立即起草一封专业的谈判邮件。比过去自己查资料、写方案快多了。

但真正的问题是：这份分析是否足以支持这家企业作出决定？

AI 并不知道真实的产品成本。

不了解当前产能。

也不清楚这个客户过去有没有反复压价。

更不知道老板对于低毛利订单的经营底线。

如果销售人员直接采用建议，就可能在缺乏关键依据的情况下作出承诺。

他确实更快拿到了答案。

但不一定更接近正确决定。

第二种：传统销售高手，先判断值不值得接

一个有经验的销售高手，可能不会马上讨论应该降价多少。

他会先搞清楚几件事：

• 客户为什么突然降价：是竞争对手报价更低，还是采购的惯常策略？
• 有没有后续合作机会：这一单背后有没有更大的盘子。
• 降价后还剩多少合理利润：不是看报价，是看底线。
• 提前交付会不会影响其他客户：抢了产能，可能得罪更重要的客户。
• 能不能要求改善付款条件：比如把原来的三期付款调整成两期。

这些问题背后，是高手多年形成的经营判断。

他不会只盯着客户提出的 8%。

而是会同时考虑：订单价值、毛利、现金流、交付能力和长期客户关系。

这就是传统高手真正有价值的地方。但他也有局限。

• 判断依赖个人记忆：历史订单未必记得准确。
• 复杂测算需要协助：利润测算往往要找财务。
• 方案比较费时间：几个选项摆开需要功夫。

经验能够帮助他提出更好的问题，但不能保证信息始终完整。

第三种：AI 增强型高手，让判断和信息处理配合

现在，我们再想象一种新的工作方式。

这名销售高手不急着要求 AI 给出结论。

这笔订单不能只看金额和成交概率，我们需要同时评估利润、回款、交付风险和客户长期价值。

然后，在具备合法授权和可靠数据接口的前提下，让 AI 协助完成：

• 调用客户过去的订单与付款记录：他有没有拖欠过，一查就知道。
• 核对当前报价和成本资料：毛利底线先算清楚。
• 整理交付部门确认的产能约束：能不能提前交，不靠猜。
• 测算不同折扣及付款条件下的财务影响：几种组合一起摆出来比。
• 比较几种可行的谈判方案：谈之前先看清自己的牌。
• 指出目前还缺少哪些关键事实：把信息缺口明确列出来。

AI 完成信息整理和初步分析以后，销售高手再判断：

哪些结果可信？

哪些假设需要财务或交付负责人确认？

哪些条件可以交换？

什么情况下宁可放弃订单？

最终，他可能决定：可以考虑适当调整价格，但必须交换更好的付款条件，且不能突破最低毛利和交付风险边界。

也可能经过测算后发现，这笔订单根本不值得接。

重要的不是最终选择了哪个方案。

而是：他利用 AI 更充分地准备了判断，却没有把经营取舍直接交给 AI。

如果后续还能够记录谈判条件、实际回款和交付结果，再用于下一次复盘，这项能力就有机会继续改善。

我们把三种方式放在一起看，会发现一个很重要的区别。

• 普通员工借助 AI：更快得到一个答案。
• 传统销售高手：凭经验看见答案背后真正需要考虑的问题。
• AI 增强型高手：把自己的经验判断，与 AI 的信息处理、测算和持续跟踪能力结合起来。

绝大多数情况下第三种方式比第二种更好，但如果数据错误、认知错误，或者使用者缺乏判断能力，AI 也可能把错误放大。

「真正拉开差距的，不是有没有使用 AI，而是人能不能有效驾驭 AI 参与判断和工作。」

看清真正的问题

我认为，AI 时代高手最重要的变化之一，是问题定义能力变得更加重要。

过去，企业评价一个员工，通常比较关注：

• 能不能把交代的任务完成：这是最基本的。
• 完成得快不快：速度一直被当作能力。
• 质量好不好：交付物的标准。

这些标准未来仍然重要。但当 AI 越来越擅长完成明确任务时，另一个问题就会更加突出：这个任务本身，是不是我们真正应该解决的问题？

比如刚才的销售场景。客户要求降价 8%。

• 表面问题：怎样与客户谈价格？
• 真正的经营问题：怎样在合理利润、现金流和交付风险之间，判断这笔订单是否值得承接？

这是两个不同的问题。

如果问题定义错了，AI 可能会非常高效地帮助我们解决一个不重要，甚至不应该解决的问题。

比如帮销售写出一封极有说服力的降价邮件。

结果订单拿下了，利润却没有了。

所以未来真正的高手，不能只是擅长回答问题，还应该善于发现：

现在看到的，是现象还是真正的问题？

目标是什么？

哪些事实还没有确认？

我们是不是在解决一个错误的问题？

AI 越擅长给答案，人就越需要知道究竟应该问什么。

在复杂条件下做好取舍

AI 可以分析很多方案。

但企业经营不是选择文案最优美排版最整齐的方案，而是要根据现实约束作出取舍。

• 要增长，还是要利润：规模和质量常常不能同时要。
• 要大客户，还是保护交付能力：接了单交不出来，更伤。
• 要加快扩张，还是先保现金流：活着比长大更优先。
• 要眼前订单，还是维护长期关系：有些客户值得让利，有些不值得。

这些问题很少存在适用于所有企业的标准答案。

同一家企业，在不同发展阶段，答案也可能不同。现金流充裕、产能有余量时，与现金紧张、产能不足时，可能完全不同。

所以高手真正需要的，不只是分析能力。

而是：知道当前最重要的是什么，什么可以作为谈判筹码，什么必须守住。

AI 能够帮助人看到更多选项。但选项越多，取舍能力反而越重要。

尤其是成长型企业。资源有限，机会很多，老板和核心管理者每天都需要决定：

做什么。不做什么。先做什么。放弃什么。

这些决定的质量，直接影响企业经营。

未来真正的高手，不应该因为 AI 提供了更多方案，就把决策责任推给AI。

而应该利用 AI 看清选择，再根据目标、事实和边界作出判断。

知道怎样与 AI 协同完成工作

未来高手还有一个明显特征：他不一定亲自完成一项工作的全部步骤。

但他知道怎样组织AI协同完成一项工作。

以前，一个优秀员工往往意味着：自己能够把复杂任务从头做到尾。

现在，一部分任务可以交给 AI：

• 资料搜集：不用自己翻。
• 历史检索：过去怎么做的，直接调。
• 方案草拟：先出一版再改。
• 数据整理：繁琐的部分先交给它。
• 初步测算：算完再由人复核。
• 风险清单：先列出再判断轻重。
• 进度跟踪：不用靠人记着催。

那么人的工作边界与岗位职责就需要重新组织和定义：

哪些事情应该交给 AI？

哪些资料必须先确认？

哪些结果能够直接使用？

哪些需要其他专业人员复核？

怎样检查 AI 有没有遗漏重要信息？

什么时候应该停止使用 AI 建议，重新调查事实？

💡 会用写很复杂的提示词，不等于会用AI

提示词可以帮助表达任务。

但真正的协同能力，来自对工作本身的理解。

• 懂销售的人：才知道怎样检查 AI 的商机分析。
• 懂交付的人：才知道哪些项目风险值得重视。
• 懂财务的人：才知道哪些测算假设不可靠。

AI 可以增强专业能力，但不能替代使用者对于业务问题的基本理解。

所以未来高手可能不再需要亲自完成工作的每一个步骤。

但他必须有能力判断：这项工作怎样分给人和 AI，最后怎样形成可靠结果。

对结果负责，而不是只对输出负责

这是我认为最容易被忽略的一项能力。

AI 能够生成越来越完整的报告、方案和建议。但生成了一份好看的内容，和真正把事情做成，之间还有很长一段距离。

• 销售谈判：方案再专业，客户接受吗？承诺可执行吗？毛利符合要求吗？客户按时付款吗？
• 项目风险清单：清单生成了，不代表风险已经得到控制。
• 人才培养计划：计划写出来了，也不代表团队能力已经提高。

企业经营最终需要的，不是越来越多的答案。

而是：有人能够把答案转化为工作结果。

这意味着，未来真正的高手还应该具备一种能力：

• 知道什么时候应该采取行动：该出手时就出手。
• 怎样组织资源：把人和事配起来。
• 怎样检查执行结果：不是做完就算完。
• 出现偏差以后怎样修正：错了能及时拉回来。

并对自己职责范围内的决策和行动承担责任。

AI 可以帮助发现问题、准备方案、持续跟踪。但企业必须保留明确的人的授权、监督和责任机制。

「AI 能够完成越来越多的任务，不等于能够替人承担经营后果。」

差距会变小，还是会变大？

讲到这里，还有一个很值得关注的问题。

既然普通员工也能够使用 AI，那么高手与普通员工之间的差距，是不是会越来越小？

我认为不能简单下结论。

• 相对标准化的工作：整理资料、生成初稿、规范表达，AI 确实可能帮助经验不足的员工显著提高起点。
• 高度依赖判断的工作：懂业务的人能识别 AI 的错误，不懂业务的人反而可能因为建议过于完整而产生不恰当的信任。

反过来，一个经验丰富、又善于使用 AI 的高手，能够更充分地利用这些能力。

AI 能缩小简单任务上的能力差距，更能放大复杂任务上判断的差距

结果取决于工作内容、AI能力、使用者的专业能力及企业提供了怎样的经营上下文的支持。

所以老板不要简单认为：给全员配备 AI工具，就能让全员接近高手。

真正需要做的，是找到可借助 AI 改善的具体任务，并在工作中验证经营结果。

同时，过去很厉害的人，并不会因为经验丰富，就自动成为 AI 时代的高手。老板需要帮助原来依赖经验的高手学会与AI协同的新工作方式。

未来评价高手，应该改变什么？

成长型企业老板要开始重新思考人才评价。

过去，我们可能特别看重：

• 谁掌握的知识最多：知识储备型。
• 谁做方案最快：速度型。
• 谁拥有最丰富的经验：资历型。
• 谁能独立完成复杂任务：单兵作战型。

这些仍然有价值。但未来，还应该进一步观察：

• 第一：他能不能定义正确的问题？
  面对复杂情况，他是急着找答案，还是先弄清楚真正要解决什么？
• 第二：他能不能作出有依据的取舍？
  他是否知道哪些事实重要，哪些条件需要核实，哪些边界不能突破？
• 第三：他能不能有效组织人和 AI 协同工作？
  他是否知道哪些任务可以借助 AI 提高质量，哪些判断必须由人完成？
• 第四：他能不能对最终结果负责？
  他是只交付一份报告，还是能够继续推动行动、检查结果并修正错误？

看他怎样理解问题，怎样收集信息，怎样使用 AI，怎样检查建议，怎样作出决定，以及怎样解释自己的判断依据。

不只看谁生成的谈判方案更完整。

还要看谁能识别利润、现金流和交付方面的关键约束。

谁能发现信息缺口。

谁能提出合理的条件交换。

谁能识别AI 建议中不可靠的地方。

这样的评价，比考核提示词水平，更接近企业真正需要的工作能力。

重新定义高手，比讨论哪些岗位会被AI替代更有意义

AI 会改变一些岗位的任务结构。一些重复性工作可能减少，一些专业工作的进入门槛会降低。

同时，也会出现新的能力要求。

但具体到一家企业，老板不能只停留在预测：未来哪些岗位会被 AI 替代。

应该回到自己公司的现实问题：

哪些工作正在变得更容易完成？

哪些判断仍然高度依赖少数高手？

哪些任务可以通过 AI改善普通员工的表现？

哪些能力必须由人继续掌握？

未来应该怎样培养和评价员工？

对成长型企业来说，人才往往是最重要、也最难快速复制的资源之一。

因此，AI 不只是一次效率提升的机会。

更应该是一次重新审视人才能力结构的机会。

过去我们习惯认为：高手，是能够独立把事情做得很好的人。

「真正的高手，是能够看清问题、做好取舍、与 AI有效协同，并对最终结果负责的人。」

我们可以这样理解这个新定义：

• 他不一定亲自完成所有工作：但他必须知道什么才是重要的。
• 他不一定掌握所有信息：但他必须能够识别哪些信息可信。
• 他不一定自己写出每一份方案：但他必须知道怎样判断方案是否值得执行。

每个人都可以低门槛获得AI工具。但决定一个人价值的，仍然是他能否利用这些能力，解决有价值的问题。

对于老板来说，值得思考的也不只是：AI 会替代多少人？

而是：当每个人都可以使用 AI 时，我们应该怎样识别、培养和使用真正的高手？

下一篇，我们将把视角从个人进一步转向企业。因为：AI 能完成任务和AI已经进入企业真实经营有巨大的鸿沟。

当员工已经拥有越来越强的 AI 工具，企业也开始具备各种 AI 能力时，为什么很多 AI 项目仍然无法产生真实经营结果？下一篇，我们讨论：为什么AI落地真正难的，不是技术，而是进入企业经营。

我是杨芳贤，专注AI重构强企业经营。

JOTO 企业落地观察

• 企业部署AI时，不应仅关注工具普及率，而需聚焦于如何将AI嵌入关键业务判断链路。本文揭示的‘看清问题-作出取舍-协同执行-结果担责’四阶能力，提示企业在设计AI落地路径时，必须同步构建配套的业务上下文注入机制、人工复核节点与经营责任归属规则。
• 智能体工程若脱离真实经营约束，极易沦为‘精致的幻觉’。文中AI增强型高手所依赖的客户历史订单、实时产能、成本数据等，正是RAG知识工程必须保障的权威信源与动态更新能力；企业需警惕将静态文档库当作唯一知识底座，而忽视ERP、CRM等业务系统中的活数据接入。
• AI安全治理的核心矛盾正从‘防滥用’转向‘防误信’。当AI能快速生成看似专业的方案时，企业亟需建立针对AI输出的‘经营级可信度校验’机制——例如强制标注数据来源时效性、关键假设显性化、边界条件自动预警，而非仅依赖人工经验判断。
• FDE驻场共创的价值重心，正从技术适配转向经营逻辑对齐。本文中销售高手与AI协作的全过程，暴露出大量隐性业务规则（如客户压价惯性、交付风险阈值、毛利底线），这些无法写入提示词的‘组织默会知识’，恰是FDE需在现场共同萃取、结构化并沉淀为AI可用规则的关键资产。