AI的6个月等于现实3年，这可能是资深专家最后的“结构性优势”窗口

神译局·2026年03月28日 08:00

AI 对任何东西都不理解

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：AI抹平的是执行力，拉开的是判断力。当生产变得廉价，老兵深积的“判断阈值”才是真正的复利护城河。文章来自编译。

AI 引发了两种反应：经验丰富的老手感觉自己的优势正在丧失，而新手则认为优势已不复存在。两者都错了，但原因并非如你所想。

我属于第二阵营。我今年 20 岁，主修计算机科学和数学，从 2021 年左右就开始利用 AI 工具进行开发。按理说，我应该告诉你经验已经过时，未来属于那些会写提示词（Prompt）的人。但我没法这么说，因为我目睹了截然相反的情况。

在过去的一年里，我曾与初次接触这些工具的资深专业人士共事，也观察过像我这样伴随 AI 成长的人。结果并非如头条新闻预测的那样——即新手会实现反超。事实上，那些真正拥抱 AI 的老兵正以一种难以仅靠技术熟练度来复制的方式脱颖而出。我不想用“一切都好，经验就是全部”这种陈词滥调来敷衍你，因为那是虚伪的。现实远比这更加复杂。

真正改变的与从未改变的

改变的是生产速度。曾经需要专业知识和数小时执行的任务，现在即便从未涉足过的人也能在几分钟内达成。我亲眼目睹了法律合同、财务模型、营销文案、代码和研究摘要的初稿，如何在几乎没有人工引导的情况下由 AI 生成。在几乎任何领域，产出“及格线”水平内容的门槛已经彻底崩塌。

这是现实，而且至关重要。如果你的价值主张是“我能做出这个东西而你不能”，那么你麻烦大了，因为那道护城河已经消失了。

但很多人将“还行”的结果与真正“优秀”的产出混为一谈，简单来说，这就是达成 80% 与达成 100% 的区别。而在大多数专业上下文下，“及格”反而更危险，正是因为它看起来已经“足够好”到可以拿来用了。

让我印象深刻的一个例子是：一位采购员生成了一份看起来很详尽的供应商对比表。它标准明确、表格整洁且评分合理。但一位拥有 15 年经验的采购总监只扫了三十秒，就指出其中两家“供应商”其实是同一家母公司的子公司，这一发现彻底改变了整个风险评估。AI 对此一无所知，也不可能知道，因为这个信息出现在总监对 2019 年某次并购的记忆里，而非采购员能获取的任何文档中。

这个例子并不能说明 AI 失效，而是展示了专业能力的本质：通过成千上万次需要承担真实后果的决策所积累的模式识别能力。

瓶颈已经转移，而大多数人尚未察觉

几十年来，专业工作的瓶颈在于制作——无论是撰写简报、建立模型、编写代码，还是其他专业技能。产出更快、质量更高的人享有溢价。

但现在，AI 几乎在一夜之间消除了这个瓶颈。生产变得廉价、快速，且任何订阅了服务的人都能触及。那么问题来了：现在的瓶颈是什么？

新的瓶颈在于评估。当任何人都可以在以前产出一份方案的时间内生成一百个选项时，稀缺的技能就变成了：判断哪两三个方案真正值得跟进，并能识别什么是好的，什么是错的，以及什么是完全不靠谱的。

这种技能又叫做判断力。而判断力是无法靠提示词获得的。它是通过多年观察什么行得通、什么会失败，以及最关键的“为什么”而建立起来的。只有在必须承担后果的成千上万次决策中沉淀下来的经验，才能教会你这一点。

今天的 AI 可以生成，但它无法像专业工作所要求的那样，带着对上下文和利害关系的清醒认知，可靠且有效地评估自己的产出。这正是你现在的工作。如果你擅长此道，你的价值就会显著提升，因为你的判断力现在是以 AI 生成的速度在运转，而非人工制作的速度。

真正领先的谁

分水岭不在于年龄，也不是技术能力（毕竟你可能并不在 Anthropic、Google、OpenAI 或 Grok 这些顶尖 AI 公司工作）。关键在于你是否有值得被“倍增”的东西。

AI 是一个乘数，而乘数的作用取决于输入量。这意味着如果你能为这些工具带去深厚的行业知识、强大的判断力和清晰的思维，产出将是颠覆性的。反之亦然——如果你只提供含糊的指令且没有能力评估反馈，你得到的只是大规模、听起来很自信的垃圾。

这就是为什么“AI 将取代专家”的说法本末倒置了。AI 将生产能力商品化，从而使评估生产的能力成为差异化所在。不管他们是否意识到这一点，评估正是专家在做的事。如果你不信，看看我们是如何衡量 AI 是否优秀的——基准测试（Benchmarks），即衡量模型性能的标准测试。整个领域都在通过测试 AI 能否在特定任务上匹配人类专家的判断，来对其进行评估。

反之亦然。拒绝与 AI 接轨的专业能力无法实现倍增。在周围人的产出能力呈指数级增长时，它却停滞不前。所以，如果你是一位因为觉得 AI “危险”而拒绝团队使用的 40 岁项目经理，请三思。优势属于那些将领域知识与 AI 熟练度结合起来的人，而非二选一。两者兼备才是王道。

关于其运作逻辑，你需要了解什么

你不需要变成技术大牛也能从 AI 中获益。尽管如此，我观察到获得最佳效果的人，至少都理解了这项技术的基本逻辑，因为这会改变你写提示词的方式、评估产出的方式，以及思考这些工具“能与不能”的方式。有一个概念将永远改变你的使用习惯：AI 对任何东西都不理解。它只是根据全网的模式预测下一个该出现的文字。

这就是为什么它在任何领域生成的产出看起来都很对。它的格式、语调和结构都会符合你所处领域的惯例，使得它几乎每次都能通过表面检查。

当正确答案依赖于未给出的上下文信息、当惯例不适用于特定情况，或者当决策需要基于经验而非文本的判断力时，它通常会掉链子。注意：这不是需要被修复的缺陷，而是基本架构使然。这意味着人类的角色不会消失，而是从“负责产出”转向“指导生产并核实结果”。在智能体（Agents）最终能帮上忙之前，这第二个角色需要更多的专业知识，而非更少。

如何真正擅长此道

大多数建议说要从简单开始，循序渐进，我认为这是错的。这也是为什么你会看到那么多毫无用处的日历和笔记应用，你通常一次就能搞定它们。我建议从你最难的问题开始。

简单的任务学不到任何东西，因为提示词太简单了。你可能只需 10 个词就能写出一个完整的日历笔记应用。但难题会迫使你为 AI 提供真实的上下文：你试图实现什么、存在哪些约束、你尝试过什么、风险在哪里，以及更多因素。阐述上下文的过程才是真正的技能，且只有在有压力的情况下才能磨练出来。

我喜欢这样一种心智模式，即将 AI 看作一位刚入职的聪明同事：他博学多才，学习速度极快，但对你的具体情况一无所知。你提供的相关上下文越多，产出就越好。永远要记住，没有人比你更了解你具体业务的上下文。

关于迭代：你的第一个提示词产出平平很正常。价值存在于细化过程中。“改为更直接一点。”“你假设了 X，但此处并不适用。”“由于 Y 的原因，第三点是错的。请带着这个限制重新修改。”每一次循环都会让你更接近有用的东西。永远不要指望一蹴而就（除非是极简单的任务），因为“写完即走”会浪费掉 90% 的潜在价值。

关于模型选择：这比人们意识到的更重要。免费版明显落后于前沿水平，我估计至少落后半年甚至一年。显然，公司希望你订阅，这就是为什么效果更好的新模型（其差异巨大）会放在付费墙之后。每月花 20 美元购买 Claude Pro 或 ChatGPT Plus，并确保在设置中选择了最强大的模型，因为应用为了节省算力通常默认使用轻量化模型。我推荐使用 Opus 4.6 或 GPT 5.3。

关于日常练习：如果你每天能拿出 15 到 20 分钟，用 AI 处理工作中真实遇到的难题，你很快就会脱颖而出。我也曾陷入“消费主义”陷阱，去看 YouTube 教程，听别人怎么用。但别那样做。你需要真正地去“练手”。练习建立直觉。而直觉是偶尔使用 AI 的人与产出被 AI 真正放大的人之间差异的关键。我想你大概不是靠阅读职位描述来精通工作的吧。AI 也是同理。

窗口期

目前，资深专业人士对 AI 的采用程度参差不齐。大多数人要么视而不见，要么只处理一些微不足道、无法为业务带来倍增效应的简单任务。这会造成一条暂时的鸿沟。

AI 熟练度具有复利效应。每一周的实战都会建立起无法通过课程或文章获得的直觉。在 AI 世界里，时间维度是不一样的。AI 领域的 6 个月相当于现实世界的 3 年。这就是为什么半年前开始使用 AI 的人不只是领先了 6 个月，他们已经对这些工具的边界有了“手感”，知道如何为 AI 协作构建问题，以及何时该信任产出、何时该核实。

大约一年内，基础的 AI 能力将成为大多数专业领域的标配。两年内，它将被视为理所当然。早期建立熟练度的人将拥有结构性优势，后来者将难以弥补。

最能从这些工具中获益的专业人士，往往恰恰是那些最可能拖着不用的人。千万不要成为他们。