AI改变的不是某个工具，而是执行成本。执行成本一降，靠“我来做这件事”获得的价值就会缩水，最危险的是中间层——负责转述、协调、包装、汇报、做细碎执行的人。这个判断放在工程师、数据科学家、产品经理、管理者身上都成立。所以对普通打工人来说，比“要不要学AI”更前置的问题是：我离模型近，还是离付钱的用户近？如果两头都不沾，只是把别人的话转手包装，那位置会越来越难受。做产品还是做自动化，是站好位置之后的选择，不是起点⁠1。

AI对工作的改变多是潜移默化的：不是突然出现一个从头到尾AI原生的东西，而是你现在做研究、写博客、做分析的方式，已经在经常用生成式AI。一开始它可能还不如你纸上优化好的流程快，但会逐步提速。所以对普通打工人，把AI接进自己反复做的任务里，是门槛更低、反馈更快的一步。做产品则要求另一层能力：会用AI写出一个网页，不等于会设计一个让AI在用户使用时承担理解、判断、行动、记忆的系统，后者涉及上下文架构、工具调用、评估、边界和长期维护。两者最后都可能产出一个App，但难度和所需条件不同⁠2,3。

挑一件你每周都要重复做、且结果好坏你能自己判断的事，先让AI独立做一遍，而不是只让它给参考。做完后看两点：产出能不能直接进入你的工作流，还是每次都要你从头返工；以及你花在“遥控过程”上的时间，是不是比自己做还多。如果同类任务反复出现，就把你的偏好、验收标准、常用案例写成一份AI能读的文档，下次直接加载。这样做的意义是帮你判断：你缺的是把现有流程迁移给AI，还是缺一个真正值得做成产品的场景⁠4,5。

把AI当最终裁判，问题在于它无法为结果负责，而责任必须有人承担。更合理的分工是：AI对它自己能验证的部分给出高置信判断，把不确定的部分暴露出来交给人看，人的任务不是逐条验收，而是处理最需要判断力的那部分。在数据筛查的例子中，程序先做确定性过滤，AI处理规则不够用的模糊判断，人负责最终判断和反馈，反馈再回去改进规则和评测，形成可迭代的闭环。这样人不是被AI替代，而是从低价值筛查里被解放出来⁠1,2。

人当审判官可行，前提是能说清什么叫对。普通用户看结果常常是感觉差不多，出了问题只能换个提示再试一遍；有验收能力的人会先定标准——是否满足某条件、是否避免某类错误、是否覆盖关键边界——再让AI在输出前自检，出问题时定位根因而不是碰运气。所以验收不是看一眼点头，而是一项需要练的能力。如果验收标准本身模糊，人坐在审判席上也判不出对错⁠3。

判断能不能交给AI，要看这件事靠规则还是靠判断。能用明确规则判断的，比如格式、字段、数值范围，就交给程序，把绝大多数明显没问题的筛掉；规则不够用、需要看上下文和历史案例的，才交给AI；涉及价值取舍和后果承担的，留给人。这个划分不是固定的，同一件事在不同条件下归属可能不同。所以“所有工作都让AI做”不成立，真正该问的是这件事属于哪一类⁠1。