把国际组织和学界的研究翻了一遍，我找到了普通人真正的机会在哪里本文你会看到
① 岗位为什么不消失，但工资会重新定价
② 真正该攒的「一项深度 + 四种能力」
③ 副业正确的起步顺序（不是先做产品）
④ 为什么「人人靠 AI 翻身」是幻觉
⑤ 一份照着做就行的 30 天 + 90 天清单
前几天有个朋友问我：现在开始学 AI 还来得及吗？要不要先报个课，把提示词系统地过一遍？为了回答他，我把手边能翻到的报告都翻了一遍：国际劳工组织（ILO）的全球就业暴露指数、国际货币基金组织（IMF）的替代框架、世界经济论坛（WEF）的未来就业报告、经合组织（OECD）的技能需求研究，还有美国国家经济研究局（NBER）的工作论文，以及《科学》（Science）杂志、《美国国家科学院院刊》（PNAS）上那几个大样本实验。看完之后，有个结论让我有点意外——大家都在讨论「怎么用 AI」，但真正决定你收入上限的，是另一个问题。作为打工人，我们习惯用「职业」来想 AI 的冲击：会计会不会失业？翻译会不会失业国际劳工组织 2025 年的估计是：全球大约四分之一的就业，处在某种程度的生成式 AI 暴露梯度里；暴露程度高的那一档，差不多占全球就业的 3.3%。文员的暴露最高，但金融分析、网页开发、程序设计、投资顾问这些高度数字化的专业岗位，暴露也在往上走。国际劳工组织的关键判断，不是「每四个人里就有一个要失业」
而是——多数职业发生的是任务转型，不是岗位消失。
同一份工作里，资料检索、写初稿、做摘要、录入、格式转换这类任务会迅速变便宜；而需求澄清、现场操作、复杂协商、最终审核、责任承担，还是得人来。暴露也不等于替代。国际货币基金组织的框架要求同时看两件事：AI 到底能不能做这个任务，以及这个任务是否仍然需要人类监督、社会信任和制度责任。高暴露又低互补的模板化数字任务，压力确实很大；但高暴露、高互补的岗位，反而可能先吃到生产率和工资的红利。📊 美国国家经济研究局与《经济学季刊》（QJE）的客服实地研究：5,179 名客服，AI 助手让他们每小时解决问题的数量平均提高约 14%；新手和低技能者提高约 34%，而资深人员收益很小。📊 《科学》杂志上的写作实验：453 名专业人士，ChatGPT 让平均完成时间下降 40%、质量提高 18%。注意，这是短期特定任务实验，不能外推成整份工作的生产率。📊 丹麦的行政记录研究：在 ChatGPT 发布两年后，没有发现平均收入和工时超过 2% 的变化。第三份数据特别值得琢磨：任务变快，不会自动变成工资上涨。所以对普通人来说，机会不是「会用提示词」，而是这条链：单位时间产出提高 × 输出有人愿意付费 × 质量可验证 × 你有客户或分发渠道
那具体该往身上装什么？我的结论是一个 T 型组合：先在一个方向上打深，再横向补四个能力。1. 领域深度与问题定义。先在一个真实领域里知道什么叫「好结果」。没有领域基准，你根本看不出模型的幻觉、遗漏和语境错误。所以优先从你已经熟悉的岗位、行业、爱好、客户群出发，而不是从零去追一个「AI 职业」。2. 判断、核验与责任。建立证据分级、来源交叉核验、估算、找反例、查隐私和版权的习惯。AI 可以起草，但关键事实、重要建议和最终签字，必须由人负责。3. AI 素养。注意，它不是背提示词。它是理解模型能做什么、不能做什么，怎么给上下文、怎么要求来源、怎么让它暴露不确定性、怎么设计人工复核，以及什么时候干脆不该用 AI。4. 沟通协作与客户能力。把模糊需求翻译成验收标准、采访用户、解释取舍、推动跨部门协作。世界经济论坛的大型雇主调查说得很清楚：AI 和大数据素养增长很快，但分析思维、创造力、韧性、领导力和协作，依然是核心。5. 数据与轻量自动化。表格、基础 SQL（数据库查询语言）、数据清洗、API（应用程序接口）或无代码工作流——把重复任务做成「输入—处理—检查—输出」的小系统。经合组织 2024 年的研究发现，高 AI 暴露的职业，依然大量需要管理、业务、项目、财务、认知、社交和数字技能。一句话：一项能变现的领域深度 × AI 素养 + 核验判断 + 沟通协作 + 数据自动化。很多人一上来就想做个 App。数据不太支持这个顺序。美国小企业管理局（SBA）基于人口普查局的数据显示，员工少于 250 人的小企业，AI 使用率曾在半年左右从 6.3% 涨到 8.8%——听起来挺快，但依然远未普及。这意味着两件事：有服务窗口，同时很多组织还被流程、人才、数据和预算卡着。1 先用 AI 强化你原来的职业：调研、销售材料、客服知识库、数据整理、内容初稿。2 再为一个细分的客户群做产品化服务：固定范围、固定价格、固定验收标准。4 只有当需求、复购和流程都被验证之后，才考虑做垂直的小软件。适合普通人的切口其实很土：门店客服知识库、销售跟进整理、行业资料核验、内部 SOP（标准作业流程）、合规的多语言内容、本地服务的获客和排程。护城河不是模型，是行业判断、直接的客户关系、可信的案例、专有流程，以及持续运营。四、反方证据：为什么「人人靠 AI 翻身」可能是错的写到这儿，我得把另一面也摊开。上面这些机会是真的，但下面这七条同样是真的。1. 门槛下降，也会压低价格。如果客户用通用模型几分钟就能复制你的输出，你的利润会一路逼近工具成本。2. 产量不等于需求。一天生成一百篇内容，不代表有人愿意掏钱。客户访谈、渠道和成交，依然是稀缺能力。3. 短期生产率不等于长期收入。收益怎么分配、岗位是否扩张、你有没有议价权，决定了效率能不能变成工资。4. AI 可能削弱学习。《美国国家科学院院刊》（PNAS）上一项近千名高中生的预注册实验发现：没有护栏的 GPT（一种对话式 AI）提高了练习表现，却让撤掉 AI 之后的考试表现变差；带教学护栏的版本，基本消除了这个负面效应。5. 个体杠杆有边界。实验里「个人 + AI」在特定创新任务上能追平无 AI 的双人团队，但这不等于它能替代一家需要资金、牌照、线下履约和多学科责任的公司。6. 平台副业可能只是低价计件。国际劳工组织对平台劳动的研究指出：收入不稳定、保障不足、算法控制，都是真实风险。7. 版权、隐私和监管成本是真实存在的。面向公众提供服务、上传客户资料、克隆声音和肖像、使用受保护素材之前，先核对适用规则。把这些放在一起，你会发现「人人靠 AI 翻身」这句话，省略了太多前提。最后是我认为可以直接上手的部分。每天 45 到 60 分钟就够，目标不是「学完 AI」，而是验证一个真实任务。第 1–3 天，选任务。从你每周至少重复两次的事情里挑一件，写下人工基线：耗时、质量标准、常见错误、敏感数据的边界。第 4–14 天，做 10 次 A/B（对照）测试。比较纯人工、AI 辅助、AI 后人工核验三种做法，每次记录时间、错误、返工和结果质量。要求模型列出假设和不确定性，关键事实用两个权威来源交叉验证，并且建一个错误日志。第 15–21 天，标准化。固定输入字段、检查规则、输出模板和失败时的回退方案，用表格公式或模板干掉一个重复步骤。第 22–30 天，拿真实反馈。让一位同事、客户或目标用户试用，重点问「哪里不可信、哪里不能交付」；再做一次不用 AI 的独立复现，确认自己还能解释核心判断。30 天验收标准：至少 10 个真实样本、质量不低于人工基线、省下来的时间可以重复、关键事实可追溯、离开 AI 仍能完成核心判断。做副业的话，至少向 5 位真实客户报价，争取 1 到 3 个付费试单——点赞和免费用户，不算需求验证。
第 1 个月，验证一个任务。只保留质量不下降且确实省时的流程，其余工具尝试一律停掉。第 2 个月，迁移和加固。把方法搬到一个相邻任务上，建立输入规范、验证清单、隐私规则、失败回退和人工签发点；学一项轻量数据能力（表格高级功能或 SQL 二选一）；每周做一次无 AI 基准测试。第 3 个月，真实交付。面向真实用户完成至少 3 次交付；做副业的话，连续完成 5 到 10 单。记录耗时、错误率、返工率、采纳率、获客成本、毛利和复购；建立两个获客渠道，其中一个是你自己能直接联系到的客户关系；同时准备模型的替代方案，别把自己锁死在单一供应商或平台上。90 天验收标准：2 个可迁移任务、至少 30 个真实样本、3 次真实交付、1 个可复现的自动化、1 次无 AI 考核、1 份有证据的案例。副业只有在出现复购、正毛利和可控获客之后才扩张——不要辞职，不要借债，也不要先做完整产品。
这次机会，比的不是「谁先知道一个新模型」，而是「谁能更快把 AI 变成稳定、可信、有人愿意付钱的工作结果」。一 不和 AI 比生成速度，把位置挪到问题定义、核验、责任和关系上。二 不空学工具，用 30 天验证一个高频任务，用 90 天攒出一个可迁移的案例。三 不赌宏大叙事，用小成本、真实用户、可量化的结果，来决定要不要继续。AI 也许会扩大差距，但差距的来源，大概率不是「会不会写提示词」，而是：你有没有领域积累，能不能验证结果，离客户够不够近，以及——你能不能把一次性的效率提升，变成一套可以重复的系统。你呢？如果每天只剩 45 分钟，你会先拿哪个任务去试？评论区聊聊 👇数据与观点来源：国际劳工组织（ILO）《Generative AI and Jobs: A Refined Global Index of Occupational Exposure》（2025）｜国际货币基金组织（IMF）《Gen-AI: Artificial Intelligence and the Future of Work》（2024）｜世界经济论坛（WEF）《Future of Jobs Report 2025》｜经合组织（OECD）《AI and the changing demand for skills in the labour market》（2024）｜美国国家经济研究局（NBER）与《经济学季刊》（QJE）《Generative AI at Work》｜《科学》（Science，adh2586）｜《美国国家科学院院刊》（PNAS，2422633122）｜NBER w33777、w33641｜美国小企业管理局（SBA）小企业 AI 采纳率分析（2025-09-24）
研报速递
发表评论
发表评论: