AI越强，越要“杀死”过去的自己

AI智能体在多数任务中已经能和人类打个平手，甚至做得更好——而且这个比例还在持续攀升。面对这种趋势，高盛的高管抛出了一个不太中听但很实在的建议：别死守着旧技能不放了，得有勇气放手。未来的竞争力，不在于跟AI比谁干得更好，而在于你能否用自己的判断力、直觉和价值观去驾驭AI。只有放下过去的那一套，才有可能拥抱一个全新的职业身份。

最近，一位资深的银&行家抛给我一个问题：“眼看着AI一天比一天强大，我到底该守住工作中哪10%——那些AI永远替代不了、能让我保持优势的东西？”

乍一听，这问题问得挺在理。过去这几年，AI确实从“只会干简单活儿、复杂活儿不行”进化到了“简单活儿干得溜，复杂活儿也挺拿手”的阶段，这意味着它在实际工作中已经相当能打了。

OpenAI搞了个叫GDPval的基准测试，专门比较智能体模型和美国GDP贡献最大的9个行业里、44个职业、1320项任务中的人类表现。结果挺震撼的：基于最先进模型的智能体（以本文撰写时为准），在80%的任务上表现已经不比人类差，甚至更好。而六个月前，这个数字才勉强到50%。往后看，这比例大概率还得涨。

这就给企业和员工都出了道难题：我们职业生涯里辛辛苦苦攒下的那些技能，可能很快就要被AI智能体接手了。未来这么不确定，人们自然会下意识地抓住自己最熟悉、最信赖的东西不放。毕竟，经验和专长就是我们往上爬的资本，一想到它们可能一夜之间就没了价值，确实挺吓人的。

当然，并非所有行业都会以同样的速度或节奏被碘伏。但如果你恰好属于GDPval报告里标记为“最容易被取代”的职业——比如开发者、律师、物业经理——那适应变化就成了火烧眉毛的事。现在是时候保持好奇和开放的心态了，愿意放弃那些最成功的职业习惯，同时紧紧抓住那些永远不会改变的人性特质：你的直觉、你的判断力、你的价值观。

AI在过去一年取得了长足进步

过去这一年，生成式AI已经从一种类似谷歌搜索的有用工具——能帮你省点时间，但没从根本上改变工作方式——进化成了能模仿人类推理、制定计划并采取行动的技术。把任务直接丢给AI智能体、只需要极少数人工干预，正变得越来越实实在在。比如给一家公司做基本面研究、搭个现金流折现模型、填填表格，或者解决简单的客户咨询。随着智能体在各组织里铺开应用，它们正在实实在在地改变人们的工作方式。

在企业环境里，这些智能体能通过跟人类的互动，以及内部评估基准的反馈，不断自我改进。举个例子，一个研究分析智能体可以学会哪些信息源最靠谱、如何在全局背景下权衡它们、如何理解公司内部的各种缩写和行话，最关键的是，当信息相互矛盾时，它能像经验丰富的员工那样，自主做出微观决策。

这种演变，要求人类用户来一次思维模式的转变。你得信任这些智能体，有选择地学会什么时候放手，从操作者变成监督者。说到底，这需要深刻反思自己的习惯。

所以，我给那位银&行家的建议是：放弃那种“每一步都要自己亲手把控”的冲动，比如连PPT里的每一行字都得自己敲。现在，他的任务是专注于给智能体下达清晰的指令，让它们更有效地朝着目标运作，同时确保适当的控制措施得到系统性和一致性的应用——只有这样，他才能放心地让智能体替他干活。从个人贡献者，转变为监督者和指导者。

这就是那全新的100%。

为什么你应该关注判断力

换个角度来看“该保留哪些技能以求生存”这个问题：想象一下，一位经验丰富的骑手去学开汽车。他骑马学到的技能，能保留10%用来开车吗？恐怕一项都用不上。那要成为一名好司机，需要100%掌握的技能又是什么呢？是反应速度和直觉。

银&行家们习惯从客户那儿收到一大堆问题——通常还都是特别复杂的那种。比如：“最近宣布的关税怎么影响我投资组合里的公司？我该怎么对冲风险？”要给出有意义的答案，需要收集信息、验证信息、制定策略，然后跟客户讨论。这一整套下来，通常要花几个小时甚至几天——用交易结算的行话来说，就是T+1或T+2。

但在未来，随着智能体在后台默默工作，我们或许能在T-1时刻——甚至在客户开口提问之前——就把答案准备好。想象一下，一位银&行家早上收到一封简报邮件：这是昨晚发生的关键事件，它们可能怎么影响以下客户，这里有一些现成的策略和讨论要点。

银&行家在这里的价值，就是去评估这些建议、运用自己的判断力、跟团队和智能体一起讨论，最后在客户主动找上门之前，先给客户打个电话。就像一位经验丰富的司机，在恶劣天气下充分利用牵引力控制和辅助制动系统，稳稳当当地跑山路一样。

实践应用中的情况

眼下的新挑战，不光是优化，更是重新思考我们的角色和整个公司。别只是重新学点新技能，要重新构想技能本身，并建立全新的习惯。把“智能体+人类”的混合劳动力视为新常态，然后围绕这个假设，重新搭建你的公司架构。

舍弃旧习惯这事儿，不是自然而然就能发生的。它需要强有力的领导，需要自上而下的推动，让每个人对变革负责。

从过往经验来看，这是所有任务里最难啃的骨头。你是在推动一场根本性的改变——一种蜕变。用AI来简化旧的流程、做更多同样的事情并做得更快，确实能带来暂时的喘息，但从长远看，最终一定会严重偏离目标。说到底，这种规模的变革管理，要求最高层的领导者真心实意地投入一场深度变革——不彻底改变工作方式，根本不可能实现。如果你希望开发者改掉旧习惯，那就要求他们的生产力提高三倍，而不是20%。如果你不想应聘者靠着AI在面试里作弊，那就布置一些高难度、只有精通AI才能完成的任务。比如：在三小时内，搞出一个可运行的Excel克隆版。

如果你想简化从采购到付款的流程，目标应该是把人工干预点减少90%，而不是20%。哪怕最后只完成了一半，你也知道你的团队至少经历过一次彻底的重新思考，而不只是修修补补。

如果连“什么是好的表现”都没搞清楚，那无论是人还是AI，都不知道该往哪个方向使劲。所以，我们必须高度重视评估和基准测试。

大多数公司习惯把任务拆成一系列按部就班的动作，然后编写成标准操作程序，再在这些程序之上建立控制措施。但在现实生活中，组织流程和决策更像“垃圾桶模型”——有点混乱、有点偶然，还有点非线性。

在高盛，当我们将AI应用到既定的全公司流程（比如客户开户）时，我们的第一步就是先明确“什么是好的表现”——借鉴流程质量指标和经验丰富的操作员的决策——然后建立一套评估体系，把智能体AI的输出跟期望的结果做对比。

通过建立适当的反馈循环，AI会自我改进，直到它的输出符合你的预期目标。这就像你告诉地图App：“用最快的路线把我带到目的地，避开桥梁”，而不是啰嗦地告诉它“左转几次、右转几次”，然后在行程结束后再给个反馈。这就是从按部就班、僵化的规则驱动，转向基于结果的智能体系统——这个系统可以在人工监督下，自主做出无数个小决策。

智能体没有上下文，就没法正常运转。它们会退化成一堆聊天机器人。数据是上下文的命脉——是你组织的真实情况，也是人类和自主运行程序的地图。没有这个真实情况，就不可能有明确的方向。

根据我的经验，AI转型必须紧随数据转型之后，而不是反过来。在很多公司，数据是分散的，映射到多个互不相干的本体（想象一下图书馆的书，有的按作者排，有的按主题排，有的按ISBN号排，全都随机混在同一个书架上），这些数据不仅重复，还陈旧。AI最典型的毛病就是“输入垃圾，输出垃圾”——而且它还能让这些垃圾看起来挺像那么回事儿。

所以，领导者可能最好先忍一忍（这在当今可是个非常不受欢迎的想法），等自己的数据井井有条了，再大规模上AI项目。这可能需要好几个月甚至好几年，而数据的准备情况，恰恰是确定AI转型优先用例的最佳判断依据。

这在改变习惯方面意味着什么？

抵制直接采信AI输出的冲动。去检查它的来源、监督和验证它的输出——如果你到现在还只依赖自己摸索出来的成果，那现在就得学会这么干。一个由智能体驱动的未来，要求每个人都变成某种意义上的管理者。

说到底，就是这么回事。改变自己，比改变世界更难。

有勇气放下我们信赖的旧习惯，去拥抱一个全新的、完整的职业身份，并从中茁壮成长——这恐怕是当今每一位从业者面临的最大挑战之一。