大概两周前我在一个技术社群里被问到一句话“AI一来我们搞IT的到底还值几个钱”当时群里瞬间刷了几百条消息有人焦虑得睡不着有人嗤之以鼻也有人默默转行做了AI应用开发。我索性拉了四位聊得来的老朋友组了个线上圆桌把这个问题摊开聊了三个多小时。这四位背景差异很大一位在头部云厂商做架构师天天跟算力和模型部署打交道一位在制造业企业带了十几年IT团队管过机房、搞过ERP、现在被老板逼着看AI一位从传统后端转行做了AI应用创业专攻企业级智能体落地还有一位是自由职业的技术博主靠AI编程工具一个人接外包活得相当滋润。我们聊完之后有个共同的判断——AI没有拿走IT人的位置它只是把“位置”这两个字的意思改了。如果你正在纠结要不要学AI、要不要转型、或者已经转了一半但心里没底这篇文章值得你花十分钟看完。我把那场对话的核心观点、争议、还有我们各自踩过的坑整理成了下面的内容全部是可以直接拿去用的思路和实操建议。1. 开场定调AI不是洪水猛兽而是一次岗位重构四位的老本行其实都能归结到“用技术解决问题”但面对AI的态度一开始并不一致。老李做过十几年的传统运维他上来第一句话就是“我团队里已经有俩初级运维被我调去做数据标注了不是我想裁人是很多日常脚本的活AI能干人闲着就得安排别的。”做AI创业的阿哲则更激进“别谈什么共存现在就是抢跑期谁先把AI工程化落地谁就吃红利。”吵了半小时之后大家慢慢收敛到了一个共识——AI对IT行业的影响不是“替代”而是“分层”。底层的重复性编码、基础运维脚本、标准接口联调这类工作确实会被工具压缩得很厉害但顶层的需求拆解、架构设计、成本控制、业务判断等能力反而会因为AI普及而变得更值钱。中间层则是分化最大的区域越早把AI工具链吃透的人越容易挤进上层。这种分层用阿哲的话说就是“以前我们按技术栈分岗位以后是按你能调用多少AI能力来分人。”一个只会写SQL的报表工程师和一个能用自然语言精准指挥大模型产出SQL、再验证数据口径、再自动生成看板的报表工程师在老板眼里完全是两种人。差别不在SQL本身而在谁更会定义问题、拆解问题和验证结果。所以我给所有来问我的IT同行一个建议先别急着焦虑也别急着跟风学一堆模型原理。先画一张图把你手头所有工作列出来标上“重复度”和“业务判断含量”两个维度。重复度高、判断含量低的马上研究怎么用AI替代判断含量高的思考怎么用AI增强。这张图画完你在AI时代的坐标基本就出来了。1.1 四位大咖的背景与立场差异这场对话之所以有价值正是因为四个人代表的立场完全不同几乎覆盖了IT行业大部分人的处境。老李传统IT负责人视角。技术栈停留在Java、数据库、Linux、网络团队七八个人负责企业内部所有信息系统的建设和维护。他关心的是稳定、可控、合规AI能不能解决他手里积压了三年没还的技术债以及老板最近总问他的“AI能不能给公司省点钱”。阿哲AI应用创业者视角。后端出身后来转做AI应用带十几个人给企业做知识库、智能客服、业务自动化的智能体。他关心的是怎么把模型能力变成客户买单的产品以及在模型推理成本居高不下的情况下怎么让项目不亏钱。韩冰云厂商架构师视角。日常接触大量客户帮企业设计AI基础设施从GPU规划到模型推理优化都做。他看过的AI落地项目比大多数人多也见过大量失败的案例所以他聊技术选型时特别冷静总爱问一句“你确定这个问题需要上大模型吗”徐野独立开发者视角。一个人接外包、做产品用AI编程工具把原本三个月的开发周期压缩到三周。他几乎没有团队协作成本一个人就是一支队伍。他不太关心组织转型这种事更关心怎么用AI把自己的交付能力放大十倍。这四个人凑在一起恰好对应了IT行业里的四种典型角色企业内部的执行者、外部的服务者、基础设施的构建者、以及单人作战的超级个体。对话的过程中几乎每次他们都会因为立场不同产生争论但结果反而是越吵越清楚。1.2 为什么“找位置”比“学技术”更重要聊天过程中有那么一刻阿哲突然问了一句“你们有没有想过AI这几年迭代这么快今天学的东西明年可能就过时了那我们学技术到底图什么”这个问题问完四个人都沉默了一会儿。后来是徐野打破了沉默“我大学四年学的Java框架早忘了大半但我会查文档、会看报错、知道去哪里找答案这些底层能力从来没变过。AI时代也一样算法和工具会换来换去但定义问题的能力、抽象建模的能力、判断结果好坏的能力是永恒的。”这就是“找位置”的核心逻辑。大多数人焦虑的根源在于试图跟AI比“谁更会写代码”。这条路天然走不通因为模型的知识量和个人学习速度压根不是一个量级。但反过来AI不知道你的业务痛点是什么不懂你的组织里谁说了算不知道合规红线在哪里这些恰恰是IT人的护城河。你仔细想想任何一次技术浪潮起来的时候真正的受益者从来不是最早学会新工具的那批人而是把新工具嵌入到具体业务场景里的人。早年移动互联网刚起来的时候Java和iOS技术再牛也牛不过那些把APP做成爆款产品的人。今天的AI也是一样拿着大模型API谁都会调但能把模型、数据、业务流程、用户体验串成闭环的才是真正值钱的人。2. 正面交锋AI会不会取代IT人的核心技能聊到AI对IT岗位的影响时大家其实分成两派。老李觉得有些岗位确实会被压缩但整体影响没那么快徐野则持完全相反的观点他说自己现在接的很多外包项目以前需要一个前端、一个后端、一个测试再干一个月现在他一个人加AI工具两周交付客户还觉得效率高、质量稳。阿哲补了一句“你们没注意到一个更残酷的事实吗AI时代岗位不是变少而是很多传统岗位在‘隐形’消失。”他举了个例子以前企业要做报表需要数据开发写脚本、报表工程师配模板、运维人员调度任务现在一个会写自然语言的数据助手就能完成大半。不是某一天突然裁员而是明年招人的时候这三个坑只补一个。这会韩冰反而提出了反对意见“我跟你们说云厂商那边接到的真实情况是AI落地卡点根本不在技术在企业根本不知道要做什么。”他见过太多客户GPU买了几百张模型也跑起来了结果做出来的智能客服连他们自己的销售都不想用因为业务流程没梳理清楚模型再强也白搭。争论到这儿大家其实已经聊明白了AI替代的不是“IT人”这个群体而是“不接触业务、只闷头写代码”的旧式工作方式。那些每天花大量时间做CRUD接口、写重复脚本、处理临时需求的IT人如果不赶紧往业务侧挪一挪确实是风险最大的一批。反过来那些能看懂业务、懂得拆解问题、能跟其他部门把需求聊透的技术人手里的筹码反而更多了。2.1 程序员基础编码岗位的真实冲击这一节老李的发言特别实在。他说他团队里有个小伙子应届生进公司半年主要工作是写报表查询和接口封装。春节前他用一个AI编程工具试了一下原来需要一天写完的接口AI加上人工修改一个上午就搞完了。老李当时心里咯噔一下“我养他是让他干这个的结果AI干得比他快我该怎么办”这不是他一个人的困惑。过去一年我身边有大量类似的例子初级Java、前端、测试岗位受到的影响最明显不是因为AI完美而是因为这些岗位的大量工作确实是“模式化”的。AI写一个增删改查接口或者生成一套标准后台管理页面质量已经非常可靠人工只需要做代码审查和边角处理。但我们也要看清另一面AI写的代码一样会出bug而且一旦业务复杂起来AI很容易一本正经地“胡说八道”。徐野在对话里分享了他的经验“我让AI写代码从来不指望它一次写对。我把它当成一个反应极快但需要校验的实习生写完代码我自己review业务逻辑复杂的地方还得靠我手动补。”他最后总结了一句AI让编程的“下限”变高了但“上限”依然牢牢握在真正理解系统的人手里。所以对于还在一线写代码的同学我的建议特别务实趁早把AI编程工具用起来把它变成你日常的默认工作方式。这不仅是效率问题更是你重新定义自身价值的机会。如果一个程序员所有的代码都让AI写了那他的价值体现在哪里体现在他能发现AI代码里的设计缺陷能判断什么时候不应该用AI写能在AI反复给不出答案的时候另辟蹊径。2.2 测试、运维、网工等传统岗位的生态变化测试岗可能是第一个感到寒意的群体。以前一个功能要写几十条测试用例现在让AI读需求文档然后自动生成用例效率和覆盖率都比手工高。老李甚至说他已经要求团队的新项目必须用AI辅助生成测试用例人工专注在边界条件和异常路径的补漏上。运维的处境更有意思。老一套的服务器巡检、日志分析、告警处理确实正在被AI接管。但只要跟基础设施沾过边的人都知道生产环境出故障时归根结底还是需要人做决策是先重启还是先回滚告警是误报还是真有问题跨团队协同时谁来背锅这些充满“判断”和“责任”的场景AI短时间内根本接不了。韩冰在聊到这个点时补了一句“AI能帮你把MTTR从两小时降到二十分钟但最后那二十分钟的应急决策还是得有个能拍板的人在。”网络工程师的生态变化更隐蔽。传统网络设备的配置、排障正在被自动化工具蚕食但云网络架构、混合云组网、安全组策略设计这类工作反而需求更大了因为它们不再是敲命令而是设计规则。说白了从“敲键盘的执行者”变成“定规则的架构师”这是所有基础设施类岗位的共同出路。我给这类岗位的朋友一个可落地的转型思路别去跟AI比谁会看日志而是去学两件事。第一把你运维、测试、排障的隐性经验结构化做成可以让AI调用的规则库和提示词第二往左移动从“出了故障再解决”变成“在设计和开发阶段就预防故障”这种提前介入的能力是AI暂时替代不了的。2.3 替代的不是岗位而是不会使用AI的人这句总结是韩冰在争论快结束时说的后来我们把它写成了文章的标题。他说得特别透彻“你们老在问AI取代不取代人其实应该换个问法——两个能力一样的人一个会熟练使用AI放大自己一个不会老板开除谁”答案不用想。阿哲接着补了一个他创业时的真实观察“我们公司招AI应用开发要求里明确写了必须熟练使用AI编程工具。不是我们不给人学习时间而是AI工具已经成了基本生产力就像你不会用版本控制一样还谈什么协作文档。”所以本质上AI时代的竞争关系已经变了。以前的竞争是你和同事比谁技术好现在的竞争是你与“自己加AI”的组合效率再与“同事加AI”的组合效率比。谁能把自己的智能化水平提得更高谁就拥有更强的溢价空间。如果你觉得AI工具不好用大概率不是工具的问题而是你还没有找到正确使用它的姿势。打个比方AI工具像一个超级实习生你跟它合作的方式决定了最终产出。你把需求说得模棱两可它就还你一份模棱两可的代码你把上下文、约束条件、验收标准说清楚它就能成为你的加速器。这恰恰需要你有深厚的专业积累才能做到——你越懂越会用AI越会用AI你的专业价值就越被放大。3. 机会地图AI时代IT人的新位置到底在哪聊完了焦虑我们四个人花了大量时间讨论“机会”。这也是整场对话里信息密度最高的部分。我把四位提到的机会点归纳成了三大类AI原生应用开发、AI基础设施与模型工程、以及“AI行业”的复合型岗位。这三个方向对应的人群和入局门槛完全不同朋友们可以对照自己的情况选。先说结论阿哲的一句话很适合当这里的开场——“AI时代的头等舱不在模型层在应用层不在算力上在场景里。”他跟我们算了笔账模型层拼的是人才密度和资金实力普通人挤进去就是炮灰应用层拼的是对行业痛点的理解这恰恰是长期泡在业务一线的IT人最大的优势。但要警惕的是机会地图不等于人人都能吃到肉。韩冰提醒道“你们看到的AI Agent很热闹真正跑到生产环境、稳定运行半年以上的项目并不像媒体说的那么多。很多企业连数据都没洗干净就急着上RAG最后做出来的知识库效果还不如传统搜索。”这告诉我们机会是存在的但入局的时候一定要想清楚自己的资源禀赋到底匹配哪一块。3.1 AI应用开发与智能体Agent工程化聊到AI应用开发阿哲的话匣子彻底打开了。他的公司主业就是用大模型API给企业做定制化的智能应用过去一年交付了几十个项目踩过的坑可以写一本书。他给了一个判断方向的方法“凡是涉及‘企业内部知识问答、文档处理、业务流程自动化’的诉求基本都是AI应用开发的菜但这菜怎么做里面的差别大了。”他说最怕遇到客户一上来就要“上个AI机器人”。这种需求一旦定义不清后面全是泥潭。真正靠谱的AI应用项目第一步不是选模型而是梳理知识来源和业务流程。比如做一个合同审查助手你得先搞清楚合同从哪来、审哪些条款、不同部门的红线是什么、输出格式长什么样、人工复核的节点在哪里。这些搞清楚之后用不用大模型反而是一个简单的选择题。阿哲还重点分享了Agent工程化的经验。他提到一个误区很多人把Agent当成一套酷炫的自动规划工具恨不得让AI自己搞定全部流程。但实际落地时宁可把流程拆细一点让每个Agent只负责一小段、并且每一段都有人工确认或规则兜底。“一个全自动却偶尔出错的Agent和一个半自动但稳定可控的Agent客户一定选后者。”这句话我觉得值得所有想搞AI应用的人贴在电脑上。技术上阿哲建议初学者从RAG检索增强生成入手而不是直接上微调。因为大部分企业问题不是“模型不懂”而是“模型不知道企业内部的知识”RAG正好解决这个问题。他给出的路线是先掌握Prompt Engineering然后把RAG跑通再用LangGraph或Coze这类工具做多步骤的Agent流程最后再考虑微调。这个路径对后端起家的程序员来说大概三到六个月就能入门。3.2 AI基础设施、模型部署与推理优化韩冰的视角给这场对话补了另一个非常重要的拼图。他说“很多人一窝蜂去做AI应用但别忘了所有应用跑在基础设施上。谁把推理成本打下来谁把响应速度提上去谁把GPU利用率拉高谁就能吃到AI时代最稳定的红利。”这个判断很有说服力。过去一年韩冰团队接到的核心需求变了不再是怎么训练出一个新模型而是怎么把一个模型高效地部署到生产环境里。这需要的技能包括容器化和Kubernetes的精通、模型推理框架的选择vLLM、TensorRT-LLM这些、GPU显存的管理、分布式推理的架构设计、以及基于成本模型的弹性伸缩策略。听着高大上内核其实是传统后端和运维技术的延伸。韩冰说他自己团队里最能打的成员不是研究算法的而是K8s玩得特别溜的人。因为模型部署本质上就是把一个超大依赖的程序稳定地跑起来这跟部署一个高并发Web服务没有本质区别只是资源需求更夸张。所以如果你有比较扎实的服务器、容器、网络底子往AI Infra方向转是相当顺滑的。韩冰给了三个学习优先级第一吃透Docker和Kubernetes第二理解GPU的基本概念和显存模型第三把vLLM这类推理框架用熟。做到这三点你就已经跑赢市面上大多数自称“AI工程师”的人了。3.3 AI产品经理、AI测试与AI安全合规岗聊到新岗位时老李提到了一个他正在头疼的事情“老板让我牵头搞AI产品但我发现团队里没人懂怎么定义AI产品的需求。以前写PRD写清楚功能就行现在还要写清楚数据来源、模型边界、成本预算、误判率目标这哪是普通PM能干的事”这就是AI产品经理的价值。在传统IT时代产品经理可以不懂技术但在AI时代不懂模型基本逻辑的产品经理根本没法跟研发沟通。你得知道什么时候该用大模型什么时候用规则引擎就够了你得理解“幻觉”是什么并且知道怎么通过提示词、RAG和人工审核来规避它。这种岗位现在极度稀缺因为市场上具备“业务理解技术理解”双重能力的人太少了。AI测试也是被很多人忽略的蓝海。传统测试测的是确定性的输入输出AI应用测的是概率分布。同一个问题问十次答案十次不一样怎么判断是对是错怎么评估模型的准确率和召回到什么水平才允许上线怎么构造测试集来覆盖企业真实场景的边角这些全是新问题旧方法解决不了。AI安全和合规的岗位同样值得关注。企业用AI处理客户数据、生成合同、辅助风控就涉及数据安全、内容合规、模型审计等一堆新课题。这个方向对经验的要求高但你如果有安全合规底子再补充一点AI相关知识会非常抢手。4. 经验干货转型AI路线的实操建议与避坑清单第二场对话聊转型路线时大家的建议比第一场更接地气基本每条都是踩过坑之后才总结出来的。我把关键词归纳为“先用起来、再做深、最后才谈原理”。这里特别提醒一句不要一上来就啃深度学习教材、学数学推导那跟学开车先学发动机原理一样低效。正确的姿势是先让AI成为你的生产力工具再在工作中倒逼自己补知识。徐野是这方面的典型。他现在每天的日常工作状态就是打开一个AI编程工具把自己的想法用自然语言描述出来配合一些示例代码让AI生成大部分基础代码。他调侃说“我以前写代码是按小时计的现在是按提示词计的。但提示词写得清不清楚决定了后面的返工量。”这句话其实点到了一个核心AI时代“说得清楚”本身就变成了一项硬技能。三位给读者推荐的起步路径高度一致从“AI辅助个人提效”到“AI改造具体业务场景”再到“AI应用工程化”。前两个阶段几乎可以在工作中自然完成不需要辞职也不需要脱产。等到第三个阶段再决定要不要跳槽或者自己接项目。顺序反了很容易学了一半就失去信心。4.1 按照不同经验水平选路线的建议初级开发者和应届生不要焦虑“AI替代初级”而要想“AI让我能做中级甚至高级的活”。学习路线上优先掌握AI编程工具和Prompt工程主动用AI做需求分析和代码生成把省下来的时间用来读代码、学架构、看业务。这个阶段的核心是“借力”让AI帮你跳过大量低水平的积累期。中级工程师3-8年这是最容易产生危机感的群体但也是转型条件最好的一批人。已经有项目经验和技术深度重点是选一个具体行业或场景把AI能力嵌入进去。比如做电商系统的研究AI客服和个性化推荐做ERP的研究AI文档合同审核。建议给自己半年时间在现有岗位上找一个AI改造的试点项目这东西比任何证书都值钱。资深专家和技术管理者你们的优势是组织经验和业务判断力转型重点不是去学技术细节而是做AI落地的“翻译官”。要学会把老板和业务部门的模糊痛点翻译成AI项目能执行的技术需求学会评估AI项目的ROI、识别哪些场景适合先跑、哪些场景应该缓一缓。这类人市场上奇缺因为既懂技术又懂管理还懂AI边界的人是真的不好找。4.2 AI编程与Agent落地中的五个常见误区误区一AI写的代码不用审查。徐野特别强调AI生成代码的质量波动非常大尤其是业务逻辑和异常处理的边缘场景。他每次让AI写完代码都会仔细review特别是数据库事务、权限校验、并发处理这些容易出问题的环节。把AI当成“资深实习生”提交代码时自己必须是最后的把关人。误区二提示词写得越长越好。很多人以为Prompt越长越清楚结果写出一篇小作文交给AI输出反而一团糟。阿哲的经验是好的提示词核心是有清晰的目标、明确的约束、必要的背景和具体的输出格式废话少一点效果反而好。如果一份提示词自己都懒得重读AI大概率也理解不了。误区三Agent能直接代替整个流程。我见过不少团队耗时几个月做个全自动Agent最后折在了一个很简单的环节某一个分支流程的判断出错导致后续整个链路跟着崩。更稳的做法是把一个大流程拆成几个小的自动化节点节点和节点之间留出人工确认的余地宁可慢一点也不能断掉。误区四忽略推理成本。韩冰说他见过最夸张的案例某公司做智能客服没有做成本预估上线后一个月大模型调用费比三个客服的工资还高项目直接被叫停。做AI应用一定要时刻关注token消耗能用小模型解决的就不用大模型能在本地跑的就别调云端API长期来看成本差距是数量级的。误区五指望AI工具解决数据质量问题。这是四位的一致观点。RAG系统的效果天花板不是模型而是数据。数据没洗干净、切分策略不对、元数据缺失模型再强也白搭。在做任何AI应用之前先把你的数据资产盘一遍这个工程量的占比远远超出大多数人的想象。4.3 适合IT人的AI学习资源清单与避坑心得聊到学习资源时徐野说了一句大实话“B站的免费教程已经够多了你缺的不是资源是坚持。”这话糙理不糙。我根据大家的推荐整理了一条适合IT人自学的路径。入门阶段先关注提示词工程推荐OpenAI和Anthropic的官方文档把里面的示例过一遍。这个阶段不需要花钱报课官方文档就是最好的教材。国内一些大模型厂商的开放平台也有了不少文档和案例可以先从哪里开始。动手阶段选择Coze、Dify这类低代码Agent平台尝试搭建几个实际场景的应用比如企业知识问答机器人、合同审查助手、日报自动化生成工具。别追求复杂先跑通一个端到端闭环。进阶阶段如果你想走技术路线直接学LangChain和LangGraph这类开发框架配合FastAPI写一些真正的应用后端。这个阶段需要对Python比较熟然后去吃透RAG的整个链路文档解析、切分、向量化、召回、重排、生成。深入阶段对模型部署和Infra感兴趣的朋友重点跟一下vLLM、Ollama、Docker和Kubernetes相关的教程留意社区里关于GPU部署和推理优化的文章这是未来三到五年会持续缺人的方向。选资源的时候我的建议是“官网优先、开源项目优先、实战教程优先”尽量远离那些动不动就卖几千块的录播课。AI技术迭代太快纸质书和录播课到你手上的时候已经过时了。最好的学习方式是认准一个应用场景自己动手做一个项目出来。做项目的过程中遇到什么问题就查什么资料学到的知识才是真正长在你身上的。5. 组织视角IT团队负责人怎么带人应对AI冲击第三场聊天的话题更偏管理老李和李冰分享了不少带团队的心得我觉得这些内容对任何带团队的IT负责人都有参考价值。老李说他决定做两件事第一是逼所有团队成员必须使用AI工具哪怕只是用AI写周报、整理邮件也先把习惯养起来第二是主动跟老板申请了一个AI试点项目用一个最痛、最容易出成绩的场景切入先证明团队能做成再谈下一步投入。这个思路相当务实AI落地最大的阻力不是技术而是组织内部对“新东西”的本能排斥用一个小胜利打破僵局往往比喊一百句口号有效。韩冰补充了另一个关键点团队转型一定要“因人而异”不能搞一刀切。他建议把团队分为三类一类是对AI有热情、愿意折腾的人给他们资源和权限让他们做先行者一类是观望型的人定一个底线要求比如必须掌握AI工具的日常使用还有一类是极度抗拒且学习能力偏弱的人及时沟通调整岗位方向不要让他们拖累整个团队的转型节奏。老李还讲了一个踩过的坑“我一开始犯的错是觉得AI转型就是搞技术培训请老师来讲了两天课结果大家听完该干嘛干嘛。后来才明白转型的核心不是培训是改变工作流程。”他会后要求所有项目必须把AI工具嵌入到开发流程里代码评审时多看一眼AI生成部分的审查情况项目复盘时多聊一次AI带来的效率变化。5.1 如何用试点项目撬动团队AI化这个话题阿哲最有发言权因为他的公司就是靠一个又一个的试点项目活下来的。他强调试点项目有四个标准业务痛点足够痛、数据基础相对扎实、项目周期短最好六到八周、效果容易量化。选标准了这四个条件项目就成功了一半。比如制造业企业如果仓库管理因为物料编码不规则导致经常发错货这就是一个特别适合AI的场景把历史数据拿去微调一个编码识别模型或者做一个基于规则的AI辅助核对工具几周就能见效。效果如何量化发货差错率降了多少处理一单的时间缩短了多少都是清清楚楚的数字。试点项目上线之后一定要把功劳张扬出去这是老李的经验“我们做完第一个AI客服试点后我把每个月的拦截量、节省的人力和客户满意度做成一页PPT直接在月度经营会上放给老板看。从那以后老板没再问过‘搞AI有什么用’反而开始主动问‘下一步还能做点什么’。”5.2 团队技能结构该怎么调整老李他们公司的IT团队原来的技能结构大概是开发占七成运维占两成产品测试占一成。经过一年的调整他理想中的结构变成了AI应用开发占三成传统开发占三成数据工程占两成模型Infra占一成产品与测试占一成。这个调整不是一夜之间完成的而是在招聘和内部转岗中逐步实现的。他还给了一个很实用的建议“不要等AI项目来了才想起来招人。先让团队里现有的两三个人开始用AI做事他们成为内部教练再逐步把经验铺开。”内部教练的作用比外部讲师强太多因为他们知道你团队的真实痛点说话大家也愿意听。对于暂时接触不到AI项目的人老李建议他们先做“岗位AI化”运维把监控告警的自动处理用AI重写一遍测试把BUG报告和用例生成用AI重做一遍产品把用户反馈的摘要分析用AI跑起来。岗位AI化的好处是你不需要懂太多模型原理但已经实实在在感受到AI带来的变化这一点对建立信心特别重要。6. 给普通IT人的一些心里话写了这么多就剩这点篇幅聊聊真心话了。那场三个多小时的对话快结束时我问了四位嘉宾一个问题“如果让你给现在的自己送一句话你会说什么”老李说别慌先把手头的事用AI做一遍。阿哲说别追风口追场景场景才是你的护城河。韩冰说别只盯着模型把基础设施搞明白风吹起来的时候你一定在场上。徐野说别怕AI替代你怕也没用赶紧让自己变成最会用AI的那个人。这四句话我觉得基本可以概括AI时代IT人的生存法则。我自己还有个补充这个时代最稀缺的从来不是技术本身而是一个人的判断力。技术会过时框架会淘汰但你判断趋势的敏锐度、拆解问题的深度、推动事情落地的能力这些东西是AI替代不了的也是你任何时候都能安身立命的根本。最后分享一个我从这场对话中学到的最值钱的小技巧做任何事情之前先问自己一句——“如果我用AI来做会和我现在做有什么不同”这句话极小但每天问一遍你进步的节奏会比别人快好几倍。毕竟AI时代拉开差距的往往不是智商而是你有没有比别人更早、更频繁地使用AI这个杠杆。