16名资深开源开发者，246个真实任务，随机分配用不用AI。用了2025年初那批工具的人，完成时间增加了19%。但事后自评，他们觉得自己快了20%。

感觉和事实，正好相反。

众旗这份《技能溢价的重估》讲的就是这个落差：AI的效率红利，一半看你干的是什么活，一半看你怎么用。工资没跟着动，原因就在落差里。

从"能做"到"加薪"，中间有五道门

讨论AI与就业，几乎都停在第一道门：技术上能不能做。国际劳工组织的测算是，全球约四分之一劳动者处在某种生成式AI暴露的职业里，真正高暴露的只占3.3%。

第二道门是企业有没有买。四国近6000名高管，约70%说在积极用AI，80%以上说过去三年没看到生产率或就业影响。

第三道门是员工有没有真用起来。66家企业、7137名知识工作者，六个月随机实验：每周写邮件少了约2小时，非工作时间也减少，但任务的数量和构成没变。省下来的时间，去了更碎的地方。

第四道门是净不净。复核、返工、集成、治理、下游堵单，都会把省下的时间吃回去。一家企业802名开发者、19.6万个代码提交：人均月提交从21.2涨到44.3，翻倍；审查负荷也翻倍。生成快了，卡在审。

第五道门才是工资。丹麦约2.5万名劳动者、7000个工作场所，把企业AI投入和雇主—雇员行政数据接起来做双重差分：采用率确实上去了，新任务也创造了，但两年内平均工资和工时没有显著变化，置信区间排除了超过1%的效应。

五道门，每一道都可能关着。"AI会替代X%岗位"这类预测，测的都是第一道门；钱卡在第四道。

被商品化的不是知识，是"脱离情境的答案"

报告重估了十类传统高价值技能，贬值方向一致：通用检索、常规报告、标准化数据分析、基础编程、通用翻译、模板设计、标准合同、基础咨询、初级研究、常规客服。共同点是目标清晰、上下文可编码、评价标准稳定、错误成本可控。

专业知识要保住溢价，得满足三条里至少一条：知识难以写成文字；输出必须有人签字担责；能决定什么问题值得问、什么时候停。

波士顿咨询让758名顾问做实验，边界很清楚：模型能力范围之内，AI组更多更快更好；一旦超出边界，正确率反而低了19个百分点。

专家正在分三层：答案型，价值来自知识库存，受压；责任型，价值来自高风险验证和签字，溢价稳；系统型，把领域知识、AI、数据、流程拼成一套可复制的系统，杠杆最大。

一句话：AI时代最贵的能力，是知道模型在哪一刻开始胡说。

AI先缩小差距，再放大差距

5172名客服坐席、约300万次对话的现场研究：用上AI之后，每小时成功解决的问题数平均提高15%，低经验的那部分人提高约30%。两个月的AI辅助经验，抵得上过去六个月的上手。

好消息是：执行能力的差距被压平了。

但到智能体阶段会反过来。会上传上下文、会拆目标、会从错误里恢复、会调度多个工具的人，能接住的问题范围会变大。约40万次会话的记录显示，专家给出的背景更长、委托出去的范围更大、出错后爬出来的能力更强。

先平等，后分化。曲线是J型的。

真正的减值在职业入口

被AI拿走的那些门槛任务，恰恰是练手的材料：检索、初稿、调试、跟客户沟通。这些活干过才有样本形成判断，全删掉，新人手里就空了。

世界银行基于约2.85亿条美国职位广告：高替代潜力职业的招聘广告相对下降，无需经验、无需高学历的入门岗更弱。斯坦福基于高频工资记录的研究，也给出22到25岁人群在高暴露职业里就业相对下降的信号。

这是唯一一笔当期省钱、五年后还债的账。五年后你会发现，缺的不是人，是能签字的人。

药方不是留着低价值的活，是重造学习系统：让新人审AI的输出、比备选方案、处理异常、旁听高风险决策，把带人的容量写进管理者考核。

最后

技能溢价没有消失，只是换了计价对象：从"你懂什么"，换成"你敢为哪个结果签字"。

一句实话：一个岗位如果全部价值就是把已知的东西整理成合格的样子，它正在变成基础设施。要练的是另外三件事——信息不全时做判断，出错时担责任，把一个人的方法变成一群人的方法。

本文基于众旗《2026技能溢价的重估：AI时代真正稀缺能力的定价机制研究报告》撰写，详细内容请查阅原文。