会用AI的人，正在大面积贬值
杭州一个29岁的内容运营，去年靠“精通AI”把月薪从1.6万跳到2.8万。入职时老板很兴奋，觉得终于招到一个人能顶三个人。他每天开着六七个模型，十分钟写方案，半小时做完竞品分析，一下午能剪出十二条短视频。
八个月后，他被裁了。
接替他的没有新同事。公司花每月两千多元买了几套模型和自动化工具，把账号交给原来的实习生，要求一天照样发十二条。实习生当然做不到他的水平，但老板算过账：内容效果只差约20%，人工成本少了两万多。财务看的是后一个数字。
他离职后连续面了17家公司。面试官几乎都问同一个问题：“除了会用AI，你还能给什么结果？”他展示提示词库、工作流和自动剪辑，讲得口干舌燥，对方最后只肯给1.5万。最扎心的一次，对面老板直接说：“这些我让行政学两个星期，也能做个七七八八。”
这是一个合成案例，由多位AI运营、内容从业者和企业服务人员的经历合并而成，不对应某个具体当事人。可这笔账已经摆上越来越多公司的桌面：一个岗位只要能被拆成“接需求、调模型、改格式、交文件”，工资就会往工具订阅费靠拢。
2026年，最危险的职场标签可能已经从“不会AI”变成了“只会AI”。
年薪33.6万，为什么输给每月两千块的工具
那位运营最初很不服气。他说自己会写提示词，懂多模型协作，还能搭自动化流程，怎么会和实习生一个价？后来一个做财务的朋友替他列了张表，他才安静下来。
公司买他的劳动，一年要付33.6万元税前工资，还要承担社保、公积金、设备、招聘、管理和离职成本。工具账户每年不到3万元，实习生成本约7万元。即使产出质量打八折，只要没有直接影响成交，公司依然省下二十多万元。
他的十二条视频看起来很多，却没有一条能回答三个问题：哪一条带来了客户，哪一种用户愿意付钱，哪一个选题应该停掉。播放不好时，他说平台限流；线索很差时，他说销售没接住；成交为零时，他说产品定价有问题。他参与了所有环节，同时没有一个结果归他负责。
公司以前愿意为“产量”多付钱，因为产量稀缺。生成式AI把这件事拆得很便宜，岗位价值当然跟着重算。斯坦福《2026 AI Index》显示，2025年已有88%的受访组织在至少一个业务职能中使用AI，70%在至少一个职能中使用生成式AI。生成式AI从进入公众视野到触达全球53%人口，只用了三年左右。
工具扩散得这么快，熟练操作不会消失，却会像会用Excel、会发邮件、会做PPT一样，逐步变成入场券。十年前，一个人简历上写“熟练使用Office”还像技能；今天再把它放在第一行，招聘经理只会怀疑你没有别的可写。
更直接的数据来自同一份报告。美国22至25岁软件开发人员的就业人数，从2024年高点到2026年初下降近20%。这不能简单归因于AI，经济周期、招聘降温和企业结构调整都参与其中。但年轻开发者常接的任务更标准、更容易描述、更容易验证，也确实更适合交给模型先做。公司无需消灭整个职业，只要把三个初级岗位压成一个，市场上的起薪就会松动。
很多人听到这里，会赶紧去学更多工具。今天学A，明天追B，后天在群里讨论C的排行榜。这个反应很勤奋，也可能把自己送进更拥挤的赛道。模型能力每隔几个月升级一次，界面越来越简单，昨天卖999元的“提示词秘籍”，明天可能变成产品里的一个默认按钮。你拿时间追功能，平台拿研发预算消灭学习门槛，普通人很难赢这场比赛。
IBM没有把AI当同事，它先拿重复工作开刀
看一个已经发生的公司案例。IBM从2017年开始建设内部HR助手AskHR，后来加入生成式AI和智能体能力。IBM公开的案例数据显示，AskHR可以自动处理80多类HR任务，2024年产生超过1150万次员工互动，常见问题的自助完成率达到94%，支持工单比2016年减少75%，HR团队四年运营成本下降40%。
这个案例值得细看。被压缩的工作很具体：查工资单、问病假政策、开在职证明、交休假申请、发起员工调动。它们有固定数据源、明确权限、相对稳定的流程，结果也容易验收。员工问“我的工资单在哪里”，系统给出正确入口，这件事就完成了。
IBM没有证明HR从此没有价值。恰恰相反，它把人工留给复杂沟通、例外处理、组织判断和员工关系。机器吞掉的是可重复请求，人接手的是需要承担后果的部分。一个员工因为绩效、健康和家庭问题准备离职，系统可以调出政策，仍然很难替经理判断该不该挽留、如何安排团队、怎样处理保密信息，以及一句话说错会不会引发劳动争议。
这就是岗位重新定价的方式。任务被切成两堆：左边有流程、有答案、可批量；右边信息残缺、利益冲突、结果滞后、出了错要有人签字。左边的单价会继续掉，右边的人才依然难找。
很多职场人面对AI时，只顾着把左边做快一点。他们把周报从两小时压到十分钟，把PPT从一天压到半小时，然后期待老板因为效率提升给自己涨薪。老板的想法往往更朴素：既然半小时能做完，剩下七个半小时再多接几件事。你省下来的时间，如果没有转成收入、成本、风险或客户满意度，公司就会把它收走。
AI带来的效率，不会自动流进员工工资卡。谁能定义目标、占有客户、控制流程、承担责任，谁才有资格分那笔效率红利。
Klarna的两次表态，把这件事说透了
2024年2月，金融科技公司Klarna宣布，其AI客服助手上线首月处理了三分之二的客服对话，工作量相当于约700名全职客服，平均处理时间从11分钟降到2分钟。公司估算这项能力可在当年带来约4000万美元利润改善。
消息一出，很多人把它当成“客服要消失”的证据。事情后来多了一层。2025年，多家媒体报道Klarna重新强调真人服务，并招募远程客服人才。公司CEO承认，过度强调成本可能影响服务质量，希望客户始终能接触真人。这里没有一场简单的AI胜负，只有一笔持续调整的商业账。
AI特别适合处理订单状态、退款规则、账户验证和标准问答。遇到愤怒客户、复杂欺诈、异常支付、语言误解，便宜不再是唯一指标。一个价值几千美元的客户，因为机器人连续答非所问而离开，省下的几分钟人力成本可能不够填损失。
这个案例给职场人的提醒很清楚：别把希望押在“公司最终会发现人更温暖”。公司会反复测算人工和机器的组合，只要AI能以六十分完成一项任务，而客户又能忍受六十分，它就会先替掉一部分八十分的人。人工能够留下，靠的是把复杂问题做到九十分，并且让这三十分差距变成看得见的留存、收入和风险控制。
“我有审美”“我懂用户”“我比较有温度”，说起来都很轻。你要拿出数据：人工接手后投诉率下降多少，大客户流失减少多少，一次风险拦截省下多少钱，哪个谈判由你推进到签约。无法测量的价值，预算紧张时最先被当成情绪。
公司买的到底是什么
很多白领以为公司在买自己的专业。更准确地说，公司买四样东西：确定的产出、难以转移的关系、关键时刻的判断、出了问题能找到的人。
确定的产出最好理解。一个投放经理说自己会做素材，价格会被会同样工具的人压低；他说自己能把获客成本从280元降到190元，并且解释测试样本、归因窗口和复购变化，谈判就换了张桌子。工具是过程，190元才是结果。
关系也很现实。一个销售离开公司后，客户仍愿意接他电话，这段关系便属于他的一部分；客户只认公司品牌、价格和交付团队，他本人就像接口，换一个人也能跑。大厂工牌最容易制造错觉。你在平台里能约到总监、调动设计、申请预算，离职后才发现大家回你消息，很多时候是在回那块工牌。
判断的价值往往出现在信息不完整时。模型可以给出十套方案，老板需要有人在周五下午六点选一套，并承担周一失败后的解释成本。经验丰富的人贵在知道哪些数据不能信、哪类客户嘴上说要实际不会买、哪个风险概率低却足以毁掉项目。
最后是责任。AI生成一份合同草稿很快，谁确认条款符合当地法律？模型做出招聘筛选，谁检查偏见和合规？自动化给客户退款，谁决定异常订单能否放行？企业愿意为“有人签字”付钱，因为责任无法靠一句“模型是这么说的”卸掉。
当一份工作的主要价值集中在工具操作，个人会越来越像软件许可证的附件。当价值落在客户结果、跨部门协调、行业判断和责任承担上，AI反而让他能管更大的盘子。
29岁运营后来怎么把工资拿回来
回到开头的合成案例。他失业第二个月没有继续投“AI内容运营”，而是去找六家做本地企业服务的小公司，提出一项很窄的服务：用30天帮销售团队把旧客户重新激活。基础费5000元，约到有效商机后按结果再收费。
他先接了一家做企业培训的公司。老板给了他过去两年沉睡的1860条线索，里面有重复号码、无效公司和已经离职的联系人。他用AI做清洗、客户分类、历史对话摘要和触达文案，人工逐条检查高价值客户，再让销售按优先级联系。
30天后，团队触达612人，得到87个有效回复，约出23场沟通，成交4单，总合同额18.6万元。公司付给他5000元基础费和1.86万元结果费。他做的AI工作比以前少了，赚到的钱却第一次和结果挂上钩。
第二个客户没有成功。那是一家卖财税课程的公司，线索质量很差，产品退款率也高。他做完两周发现，再漂亮的触达文案也救不了产品，主动按合同退掉一半基础费。这次失败反而帮他补上了筛选条款：项目开始前先抽样100条线索，回复率低于某个值就不接；历史成交和退款数据拒绝提供，也不接。
半年后，他手上稳定合作四家公司，月收入在3万到5万之间波动，没有原来的五险一金，也要自己找客户。生活并没有一夜逆袭，但他的报价方式发生了根本变化。过去他出售“我会用六个模型”，现在出售“我帮你从旧线索里找回收入”。老板可以质疑他的工具，却很难无视回款。
这条路也有代价。他必须理解销售、数据授权和隐私，必须和客户一起面对结果，还要接受收入波动。可只要他积累的案例、流程和客户关系留在自己手里，下一单就不会从零开始。
一个很强的反例：纯工具专家依然能赚大钱
文章写到这里，容易滑向另一个极端，好像学工具毫无意义。这不符合事实。顶级模型工程师、安全研究员、芯片人才、自动化架构师，依然可能拿到极高薪酬。他们对工具的理解足够深，能修改工具、建设工具、解决别人解决不了的技术问题。
区别在深度和稀缺性。会调用API的人很多，能让一个高并发系统在合规、成本、延迟和准确率之间稳定运行的人很少；会生成图片的人很多，能建立品牌一致的生产体系、处理版权风险并提升广告转化的人很少。前者使用产品，后者参与决定产品能不能进入真实业务。
还有一些岗位暂时很难量化结果。基础研究、品牌建设、组织文化、长期人才培养，都可能几年后才见效。如果老板只看当月收入，会砍掉很多重要工作。把所有人都绑在短期KPI上，同样会毁掉公司。
所以本文的边界很明确：工具熟练度有价值，只是保质期越来越短；结果导向很重要，也不能缩成只看当月销售。你要判断自己的工作位于哪一层。能深入技术稀缺区，就把深度做到别人三年追不上；身处应用层，就尽快把工具接到业务结果；做长期工作，就建立阶段证据，证明方向、质量和风险在改善。
最怕的是卡在中间：技术深度不够，业务结果不认，嘴上全是未来趋势，手里只有一堆生成文件。
未来岗位会按“责任半径”发工资
微软2025年工作趋势指数调查了31个国家的3.1万名知识工作者。82%的领导者认为，2025年是重新思考战略和运营的关键一年；81%预计未来12至18个月将在公司中较广泛地整合智能体。这个比例当然包含管理者的乐观预期，不代表计划都会落地，但预算方向已经很明显。
世界经济论坛《2025未来就业报告》则估计，到2030年，现有岗位中约22%会受到结构变化影响，可能创造1.7亿个岗位，同时替代9200万个岗位，净增7800万个。另一个更容易被忽略的数据是，雇主预计39%的核心技能会发生变化，63%的雇主把技能缺口视为转型的主要障碍。
岗位不会整齐地排队消失。更常见的场面是，一个人带着多个智能体，接管过去三五个人的工作。原来只负责写文案的人，要开始负责选题、分发、转化和复盘；原来只写代码的人，要理解需求、部署、监控和业务后果；原来只做报表的人，要解释数据、提出动作并跟踪结果。
工资很可能越来越取决于你的“责任半径”：你能独立处理多大问题，能协调多少资源，能承担多严重的后果，能把一个模糊目标推进到什么程度。AI扩大一个人的执行半径，也会暴露那些只会等待清晰指令的人。
过去公司养得起很多“中间翻译层”：老板说一句方向，经理拆给主管，主管整理成文档，员工再做成PPT。每层都在传递信息，也都在收工资。智能体最擅长整理、转写、归纳和跟进，这些层级会受到直接挤压。留下的人需要做更难的部分：发现冲突、拒绝错误目标、说服利益相关者、在不确定中下决定。
这听起来累，因为责任确实比操作累。按钮点错可以重来，判断错了会亏钱、丢客户、伤信誉。市场愿意多付的钱，恰好来自这份难受。
给普通人的90天升级方案
别再收藏第47套提示词。拿90天把一个“AI技能”改造成能收费、能验证、能复用的结果单元。预算不用很高，工具订阅和必要测试控制在1000元以内，重点是你愿不愿意碰业务真问题。
先画一张任务账单
用一周记录自己每天做的所有任务，每项写四列：投入时间、输出物、谁验收、错了损失多少。随后标记三类任务：规则清楚且重复的，尽快自动化；需要行业判断的，整理决策依据；直接影响收入、成本和风险的，主动争取负责。
判断标准很简单。一周后，如果你80%的时间都在复制、整理、改格式、追进度，你的岗位已经站在降价区。先别慌，也别辞职，目标是每月把20%的时间挪到客户、数据、流程和结果上。
选一个离钱近的小问题
不要写“用AI赋能公司”，这句话没有验收方式。把问题缩到30天能看见变化：减少客服首次响应时间、找回沉睡客户、降低退货原因分析耗时、缩短销售报价周期、提高招聘简历初筛一致性。
为它写一张项目卡：原始数据是多少，目标是多少，数据从哪里来，谁确认，失败最多损失什么。第一次项目尽量只处理非敏感数据，必要时用脱敏样本。涉及客户资料、医疗、金融和人事信息，要先确认权限和合规，别为了展示技术把公司送进风险里。
让AI承担执行，你承担验收
设计工作流时，明确哪些步骤允许自动通过，哪些必须人工复核。模型生成的引用、数字、合同条款和客户承诺，一律保留核验。每次错误记入日志，分类为数据问题、提示问题、权限问题或判断问题。
跑四周后看三个指标：总耗时是否下降30%以上，错误率有没有升高，业务结果是否改善。只省时间却增加返工，属于把成本从白天挪到晚上；只产出更多内容却没有更多成交，属于制造库存。
把成果写成可核验案例
案例只写五段：原来怎样、做了什么、花了多少、结果怎样、哪里失败。不要用“效率暴涨”“客户一致好评”。写“原来每周14小时，改造后6.5小时；四周出现3次分类错误，人工复核拦下2次，1次导致客户回访延迟半天”。难看的数据会增加可信度，因为真实项目从来不会全绿。
取得公司或客户许可后再公开。无法公开名称，可以脱敏，但别虚构大厂背书。90天内至少做出两个案例，其中一个最好包含失败和修正。面试时你带的就不再是一页工具清单，而是两笔业务账。
改写自己的报价方式
求职时少说“我会Midjourney、Claude、智能体”，多说“我能负责哪一个指标，我过去把它从多少做到多少，需要哪些资源”。做自由职业也一样，基础服务费覆盖投入，再把一部分费用和可控结果挂钩。
别轻易承诺你控制不了的营收。产品、品牌、销售、季节都会影响结果。选择你能影响的中间指标，例如有效线索数、交付周期、合格率、响应时长。合同写清数据口径和客户配合义务，免得最后互相扯皮。
每30天做一次“可替代测试”
假设老板明天把你的工具账户交给一个工资低40%的人，他多久能完成你80%的工作？两周以内，你就处在危险区；需要三个月理解流程，你有一点缓冲；必须取得客户信任、跨部门授权并承担重大判断，你的护城河更厚。
这个测试不是让你自恋。把你独有的东西逐条列出来：客户关系、失败数据库、行业规则、决策记录、可复用流程、第三方信任。没有就去建，有但全锁在公司系统里，就想办法在合规范围内形成自己的方法和公开作品。
还有一个更难听的问题
AI不会平均地奖赏所有努力。它会先让强者放大产出，也会让普通执行变得更便宜。一个懂客户、懂行业、敢做决定的人，有AI以后能带更少的人做更大的生意；一个只等任务的人，有AI以后会收到更多任务，还要面对更低的议价。
不少人已经感觉到了。白天的产量翻倍，下班时间没有提前；公司省了成本，工资没有同步上涨；岗位描述多了五项AI要求，薪资区间反而收窄。抱怨当然有道理，可市场不会因为你学工具很辛苦，就按学习时长定价。
你需要争的也不是“AI能不能替代我”这场空架。任何岗位都包含不同任务，有些很快被替，有些长期保留。真正要算的是：当便宜的那部分被拿走，你还剩多少能直接改变结果的东西。
世界经济论坛的数据里，17000万个新岗位听起来很鼓舞，9200万个被替代岗位也很吓人。对一个具体的人来说，净增7800万没有直接意义。新岗位可能在另一个国家、另一个行业，需要另一套技能；消失的岗位却可能就在你工位旁边。
所以最后留一个选择题。
未来三年，你愿意继续做那个最快交文件的人，赌公司一直需要更多文件；还是愿意接下一个会被追责的结果，接受更大的压力，也把定价权往自己手里挪一点？
