1. 先说结论AI打工人面对的不是失业而是循环重演1.1 从一次团队周会说起上个月部门周会组里一个做手动画测试的姑娘分享工作进展她说现在一半时间在写测试用例另一半时间在写让AI帮我生成测试用例的提示词。她自嘲说自己从测试执行者变成了测试策略师。旁边的实习生追问那以后还要我们这些测试工程师干嘛她愣了一下回了句要的是能把需求说清楚、能把边界画明白的人。这个场景我最近见过太多次了。不管是做AI编程的、做AI产品经理的、搞AI agent开发的还是传统行业里开始用AI生成PLC代码的工程师几乎所有人都在经历同一种心理波动先用上AI觉得真香然后突然焦虑——我的岗位会不会被AI连锅端再然后又在日常工作的细枝末节里发现AI其实还没有那么神它需要人盯着、需要人兜底、更需要人告诉它该干嘛。所谓AI打工人我理解不只是一个网络热词它描述的就是这种既拥抱又不安的真实状态。而拓竹岗位这个说法我觉得更适合用来形容AI长出来的那批新角色——它不是简单的新增岗位更像竹子一样从原有的行业土壤里破土而出根还扎在旧土壤里但节节拔高长成了新物种。1.2 拓竹岗位到底该怎么理解我第一次看到拓竹这两个字脑海里冒出来的画面是竹笋顶开石头那种劲头。后来跟一个做AI产品化的朋友聊他说他更愿意把拓竹拆成两层拓是开拓、拓荒竹是节节生长、中空有节。中空意味着留白、意味着谦逊有节意味着边界、意味着规则。这恰恰是AI时代新岗位的核心气质——既要有开拓新领域的能力又要对技术边界和伦理边界有清醒认知。基于我这些年在AI一线的观察所谓拓竹岗位是指那些由AI技术直接催生、并且需要人机协作能力才能胜任的岗位。它不是一个岗位而是一族岗位。比如提示词工程师不是会聊天而是能把模糊业务需求翻译成模型能理解的结构化指令AI产品经理不只会画原型要懂模型能力边界、数据回流、效果评估甚至要懂怎么设计人在回路的决策点AI测试工程师核心不是重复执行用例而是设计测试策略、训练AI去执行、再审查AI给的结果AI agent开发者重点不在调用接口而在于任务分解、工具调用编排、异常兜底和护栏机制AI infra工程师盯的是模型部署、推理优化、数据管道、成本控制这些地基活。这些岗位有一个共同点它们都站在旧行业问题和AI新能力的交界处。做得好的人往往不是技术最强的而是最能把业务语言翻译成AI语言、再把AI结果翻译回业务语言的人。1.3 千年循环的规律不是失业而是范式转移为什么标题里要用千年循环这个词因为我翻了跨越几千年的劳动形态演变发现每次技术代际跃迁人类都会重复一遍同样的故事短期错位、中期重构、长期新均衡。短期来看旧的岗位确实会减少。长期来看这些岗位并不会消失而是被重新定义——旧岗位里的重复性部分被替代但判断、决策、创新、沟通、责任背书这些人类特有的部分被保留甚至放大。问题是中间这段错位期往往需要一代人来消化而我们现在就正好处在这样一段错位期里。想要在错位期里不被甩下车最怕的不是别的是站在原地焦虑却不动手。所以后面几节我会把过去三次循环的规律拆开看再把AI重塑岗位的进度条捋清楚最后落在一套普通人能直接抄的破局框架上。提示这篇文章不是劝你躺平等AI来替代也不是吹捧AI万能无脑冲而是把真实进度、真实岗位、真实做法掰开揉碎了讲给你听。2. 三次历史循环复盘岗位消失其实是在换皮2.1 第一次循环从游猎采集到被土地锁住一万多年前人类的祖先靠采集野果、打猎为生。那时候没有职业这个概念所有人的任务高度一致找到食物活下来。这个模式下一个孩子从小学会的是识别植物、追踪猎物、制作工具技能来自口口相传和亲身试错技能失效的周期非常短——迁徙一次可能就要重新适应。农业革命改变了这一切。人可以定居了土地成了最核心的生产资料于是出现了第一批真正意义上的职业农民、陶匠、编织匠、祭司、工匠。以前靠运气和体力生存后来变成靠规律和节气生存以前每个人都是全能猎手后来每个人只要负责一个环节。现在回看这个过程采集者并没有全部饿死而是变成了农民猎人没有消失而是成了少数人的休闲活动。绝大部分人进入了一种新的、更可预期的工作方式。这一轮循环里真正被淘汰的并不是人而是运气型生存的模式真正增长的是可规划、可协作的新分工模式。2.2 第二次循环工业革命把手艺拆成了工序18世纪珍妮纺纱机出现的时候英国的手工纺纱工大量失业。当时也有类似今天的AI焦虑——工人砸机器、议会辩论要不要限制新机器。但后面发生的事大家都知道了棉纺织业的整体用工量不但没有减少反而因为产量暴涨、成本下降带动了整个产业链的扩张。关键变化发生在岗位结构上。以前一个手工匠人从头到尾做一件完整的产品技能是整体的、独占的工业革命之后产品被拆解成几十道工序每个工人只负责其中一道。于是产线工人、质检员、车间主管、设备维护工程师、工业设计师这些新岗位应运而生。手艺人没有消失但只靠一手绝活走天下的生存方式被瓦解了。这一轮的淘汰逻辑是对整件交付能力的淘汰增长的是对分工协作、流程管理的需求。一个只会做整件但不愿意被拆解进流程的人在工厂时代确实很难受。但一个愿意把自己的一技之长放进行业链条里的人反而获得了更大的市场。2.3 第三次循环Excel淘汰了账房先生但长出了数据分析师再近一点计算机和信息革命。打字员、账房先生、传统排字工这些岗位被大规模压缩。1990年代很多单位开始普及Excel和财务软件算盘成了收藏品算盘打得再溜也抵不过一个复制粘贴。那时候同样有35岁危机的焦虑——不会用电脑的老会计确实很难继续走。但接下来发生的事同样似曾相识因为数据可以被低成本地采集、存储和处理企业的数据分析需求爆炸式增长数据分析师、商业智能工程师、数据产品经理、内容运营这些岗位全部冒了出来。以前会计的工作是把账算平后来会计的一部分工作变成了把数据解读出价值。技能值钱的点从计算能力迁移到了解读能力和决策支撑能力。电脑没有消灭会计这个职业电脑消灭的是只会按计算器的那部分职能。这轮循环的规律是重复性脑力被替代但基于数据的解释与决策越来越值钱。2.4 三次循环的共同特征一张表看懂规律把三轮循环放一起对比特征非常清晰循环被替代的典型能力新出现的典型岗位核心变化农业化靠运气和体力的采集能力农民、工匠、祭司从搜索食物变为种植食物工业化整体化的手工技艺产线工人、工程师、质检员从做整件变为做工序信息化重复性的计算与文书数据分析师、运营、运维从重复劳动变为数据决策AI化当前重复性的模式识别与内容生成提示词工程师、AI产品经理、AI Agent开发者从人做执行变为人做定义与校验注意看最后一行的AI化就是我们现在身处的第四次循环。前三轮循环每一次都有人喊天要塌了结果天没塌只是天花板变高了。被替代的从来不是人而是某个具体的能力模块。真正值得关注的不是AI会不会抢饭碗而是饭碗的形态变了你手里的技能是不是还是紧俏的那张牌。这个规律放在今天仍然成立循环的内容在变循环的底层逻辑始终没变。3. 第四次循环的现场AI重塑岗位的真实进度条3.1 开发者和测试的AI化不是选修课是必修课先说我最有体感的开发者群体。以AI编程为例现在借助AI辅助工具写代码已经不是新鲜事了GitHub Copilot这类工具的普及度极高。但我观察到一个很有意思的现象老手用AI提效非常明显因为老手看得懂AI给的建议能判断什么时候该采纳、什么时候该推翻而新人反而容易把AI给的代码原样粘上去出问题了也定位不出来最后得出AI写的代码不行的结论。问题不在AI在于人有没有判断力。所以AI编程到底提效多少我的实测下来对熟悉业务的老手提效40%以上是保守数字。但深层变化不在于写代码的速度而在于开发者的工作重心开始从写转向审——审架构、审美、审安全、审性能。再看测试领域热词里出现了AI测试工程师AI自动挖掘漏洞这类词说明测试岗的AI化其实比很多人想象中更早。我见过一个同行把过去的测试用例整理成结构化样本让AI自动生成边界条件测试然后再把AI的执行结果和人工设计的结果做交叉比对。他告诉我用例覆盖度比以前人工手写的时候高了三倍但更值钱的是他能把省下来的时间拿来设计更复杂的测试策略——比如多服务间的链路压测、异常注入。这部分的核心结论是写代码和写用例这件事情本身正在被自动化但定义要写什么、判断写得好不好这件事反而变得更重要了。3.2 产品、运营、设计等非技术岗位的渗透速度很多人觉得AI对非技术岗位的影响要慢一些。实际情况恰恰相反产品、运营、设计这些岗位因为日常任务天然包含大量文档整理、文案生成、素材搜集反而是最容易被AI重构的。比如产品经理的工作流里竞品分析、用户访谈纪要、PRD初稿这三件事以前要占掉一周里差不多两天现在用AI辅助处理压缩到半天不是梦。我甚至见过一个做智能硬件产品经理的朋友把过去三年的用户反馈整理成数据集让AI按功能模块聚类几分钟就找到了三个之前没人注意到的痛点其中一个直接成了新版本的核心卖点。但这里有个陷阱很多运营和产品人用AI用的是零散的一键生成而不是把它嵌入到自己的工作流里。结果就是AI产出的内容千篇一律、没有业务上下文用两天就丢掉了。真正的提效是让AI承担你工作中的中间态——比如你脑子里有想法让AI快速出个粗糙版本然后你来改方向而不是让AI凭空产出最终成品。非技术岗的真实变化是决策被前置了以前做PPT、写文档的时间被压缩之后你的价值就取决于你能不能在信息不全的时候提出更高质量的问题能不能判断AI给的素材里哪些能用、哪些是幻觉。说白了还是定义问题和判断结果的能力。3.3 传统行业的渗透PLC代码生成是一个标志性样本在所有热搜词里AI PLC代码生成这个组合词最让我兴奋。PLC可编程逻辑控制器是工业控制领域的核心设备传统上写PLC程序的是工控工程师他们既要懂电气原理又要懂工艺逻辑还要会特定厂商的开发环境。这个领域非常垂直圈子不大但一旦AI进来改变是结构性的。我听一个做产线自动化改造的朋友说过一个案例一位在车间干了二十年的老工程师不懂什么大模型但把AI生成的PLC逻辑代码拿过来之后三分钟就能看出哪段IO映射不对哪里漏了设备互锁逻辑。反过来一个刚毕业的程序员能熟练使用AI生成PLC代码但因为完全不懂车间工艺生成出来的逻辑在仿真环境里跑得通一到真实产线就出事故。这事特别说明问题AI能替代的是代码生成这个动作但替代不了懂现场工艺这个底层知识。所以传统行业里真正吃到AI红利的不是最懂AI的年轻人而是那些懂行业愿意用AI的老师傅。AI给了他们一个放大器让多年的隐性经验直接变现。PLC只是其中一个切面。制造业里还有大量类似的场景产品图纸的参数化生成、质检报告自动判读、排产调度优化。这些领域进度可能没有互联网那么快但一旦个体验到甜头扩散速度会非常惊人。3.4 冷静判断哪些岗位真的会被压缩哪些是焦虑溢出讲完现场说点冷水。所有岗位都会受AI影响但影响方式完全不同别一刀切。受冲击最大的是那些流程高度标准化、结果可校验、错误容忍度低的岗位比如初级数据录入、初级客服、初级文案批量生产。这类岗位的工作成果很容易被AI生成而且有明确的评价标准模型做起来又快又便宜。短期看这些岗位的存量确实会被压缩。受冲击中等的是需要行业上下文、需要多方沟通、需要责任背书的岗位比如HR的初筛、财务的应收应付、项目经理的进度跟踪。AI能做一部分但很难独立完成因为里面涉及大量模糊判断和人际信任。这类岗位会变成AI Copilot模式——人负责兜底和决策AI负责干活。影响相对较小的是需要高度创造性、深度人际信任、复杂环境决策的岗位比如战略规划、复杂谈判、顶尖创意、疑难杂症诊断。但注意我说的是影响小不是影响为零。即便在这类岗位里AI也会改变工作方式比如以前一个战略顾问要花一周做的行业研究现在可能半天就够多出来的时间会花在更高质量的访谈和洞察上。所以别问我的岗位会不会被取代要问我的岗位里哪部分工作会被AI重新定义我还剩什么不可替代的东西。4. 拓竹岗位到底是什么AI催生的新角色解剖4.1 提示词工程师与AI产品经理定义问题比执行任务更贵先聊提示词工程师。很多人对这个岗位有误解以为是会写咒语的人。实际上真正的提示词工程师做的核心工作是需求拆解与约束表达。举个例子业务方说帮我生成一份Q3季度汇报PPT。小白提示词工程师会直接把这句需求丢给AI结果得到一份通用得不能再通用的模板。而成熟的提示词工程师会先拆解汇报给谁听决策层关注的指标是哪些业务背景和数据口径是什么希望强化哪几个信息点风险点怎么呈现把这些问题一个个问清楚再把它转化为包含角色设定、背景上下文、输出格式、评估标准的完整指令。同一份需求AI产出的结果质量天差地别差别就在指令设计。再说AI产品经理。传统产品经理的核心是通过功能设计满足用户需求AI产品经理还得加三件事第一知道模型能力边界能判断哪个需求可以用AI解决、哪个需求用规则引擎更靠谱第二设计数据回流闭环让每次用户交互都变成改善模型效果的样本第三定义可评估的质量指标不能让模型效果成了玄学。这两类岗位的共性是价值重心从做出来变成了想清楚——定义问题、约束范围、设计评估标准这些工作远比执行任务更值钱。4.2 AI agent开发与AI infra工程师新地基的施工队AI agent是最近热度极高的话题。热词里出现大量ai agentai 模型部署ai infra说明它已经从概念走向工程实践。但很多人对Agent有误解以为是一个能自动完成任务的机器人。实际上一个工程化的Agent系统核心是四件事其一任务分解。用户说帮我调研一下竞品Agent要把它拆成确定调研目标、列出竞品清单、搜索公开资料、筛选信息来源、整理结构化对比、输出报告草稿。每一步都要设计。其二工具调用。Agent得知道什么时候该调搜索引擎、什么时候该读文档、什么时候该执行代码、什么时候该问用户澄清。工具编排得不好Agent就会在错误的路径上浪费大量时间和Token。其三记忆与管理。跑完一个任务之后哪些信息要保留到下一个任务用户的偏好如何沉淀这不是技术难题但设计不好整个Agent就会显得又蠢又健忘。其四护栏机制。Agent执行过程中如果出现了和预期不符的中间结果系统能不能及时刹车、回退、或者转人工这直接决定了Agent能不能在生产环境里跑。我踩过的坑是最初把Agent做得过于自由结果它在一次自动调研里自己编了一个不存在的竞品数据来源幸好有审查环节拦下来了。从那以后所有Agent产的中间结果必须带来源引用。配合Agent的是AI infra工程师。这个岗位解决的是模型推理要快、成本要尽量低、服务要稳。看起来技术含量高其实核心思路和各行业的基础设施建设是一样的——把地基打好让上层业务随便盖楼。热词里出现ai infra不是偶然是Agent应用变多之后的必然。4.3 新岗位的能力模型通才专才的杂交优势把拓竹岗位集体解剖一遍会总结出一套共通的能力模型。我在面试和带人的过程中发现符合下面四个特征的人在新岗位上手的速度明显更快第一人机协作设计能力。能不能把一个任务拆成人做和AI做的部分拆完之后交接点在哪里人对什么负责、AI对什么负责这些问题想不清楚用AI就容易失控或低效。第二跨域知识迁移能力。很多拓竹岗位都要求懂AI懂业务懂组织单一技能不够用了。一个能做数据清洗的AI测试工程师、一个懂市场营销的AI产品经理、一个懂车间工艺的AI应用工程师价值是普通单一技能从业者的数倍。第三基于数据做判断的能力。AI时代直觉依然重要但直觉要用数据来校准。能看懂数据的分布、能理解准确率和召回率的业务含义、能区分相关性和因果性这些越来越成为基础生存技能。第四持续学习与快速试错能力。AI这个领域的技术迭代是以月为单位的三个月前的最佳实践可能已经过时。学习能力比存量知识更重要。4.4 一张表看懂传统岗位与拓竹岗位的差异对比维度传统岗位代表拓竹岗位代表典型任务执行既定流程按SOP交付定义人机协作流程设计输入输出规范核心能力熟能生巧、流程熟练跨域迁移、快速学习、判断校验输出物代码、文档、测试报告、方案提示词方案、Agent设计、评估体系、数据回路价值来源单位时间内的产出量杠杆率与决策质量工作方式人操作软件/工具人定义规则AI执行人审核兜底你看到的核心差异是价值来源那行。传统岗位里你产出越多越值钱拓竹岗位里你的价值取决于你定义的系统能不能替别人放大产出以及你做的关键决策准不准。这个转变对很多人来说是心理上的坎但迈过去之后就顺了。5. 千年循环的破局密码一套可执行的应对框架5.1 第一步用AI工具链重构你手头最重复的那件事破局不必从宏大叙事开始从一个具体动作开始就好。我建议你接下来两周只做一件事找出来你每周重复次数最多的三件事然后把它们一项项用AI工具重做一遍。具体的操作路径是这样的记录把这三件事的过程写下来包括输入什么、你做了什么处理、输出什么拆解区分这三件事里哪些环节是模式识别内容生成哪些是判断决策沟通试验把模式识别内容生成的部分交给AI保留判断决策沟通的部分自己做记录数据对比AI辅助前后的时间和质量用数据说话而不是凭感觉迭代把AI产出的结果再喂回给AI做第二轮优化形成生成—审查—反馈—再生成的回路。以我自己为例以前每周要花两小时写周报、整理项目风险、归纳待办现在我用AI先做初稿我只需要花二十分钟修改风险描述是否准确这件事。省下来的时间我拿来读模型评估相关的资料。量不大但方向对。这步的意义不在于省了那一两个小时而在于让你建立对AI能力的手感——你知道它擅长什么、不擅长什么、什么时候会编造内容、什么时候需要你校正。这种手感是后续一切操作的基础。5.2 第二步找到人机协作的高杠杆点有了手感之后第二步是找高杠杆点。什么叫高杠杆点就是你投入一小时能撬动十小时甚至一百小时产出的关键位置。一般来说高杠杆点有这么几个特征你做一次很多人受益比如团队级的模板、SOP、自动化脚本你投入的是定义和框架别人执行的是填充和重复比如一份精确的提示词模板可以被团队复用你做的是决策和校验AI做的是规模化的执行比如让AI批量初筛用户反馈你做最终归类判断。具体到个人怎么找我有一套小方法每个周日晚上花半小时把本周做的事情列出来给每件事打两个分数——重复出现概率和对业务结果影响程度两个分数都高的事情就是你的高杠杆点。下个星期用AI去优化那一两件事其他事动都不要动。我见过很多人的误区是想把工作流里所有环节都AI化结果哪哪都没做好还把自己搞得很累。正确的节奏是一次只优化一个点跑顺了、跑稳了再动下一个。5.3 第三步用行业know-how建护城河前面专门提过PLC老师的例子这里想再往深说一层。AI有一个天然短板它掌握的是普遍性知识而行业里的隐性知识恰恰是它学不到、也没办法从公开数据里学到的。什么叫隐性知识比如在一个制造企业里同样的PLC报警代码A车间和B车间代表的故障原因可能完全不同因为产线布局和工艺路径不一样再比如一个用户反馈太卡了在不同产品里可能代表加载慢操作流程太长闪退三种完全不同的意思。这些依赖具体场景的know-howAI是无法凭空生成的。它必须要有人喂给它、告诉它、帮你验证。所以每一个在传统行业里待了三年以上的人其实手里都握着一张AI替代不了的底牌——你对业务上下文的理解。问题是你之前没意识到这张牌的价值也没有主动把它结构化。怎么把这个隐形的know-how变成生产力我建议你把工作里那些只可意会不可言传的判断规则写下来。比如什么情况下用户说没问题其实是有问题什么情况下方案A优于方案B把这些规则变成提示词的一部分让AI在生成内容时带上你的行业视角。这个东西一旦沉淀下来就是你的个人资产也是你在团队里无法被替代的原因。5.4 第四步保持跨域迁移的能力最后一步也是最难坚持的一步保持跨域迁移的学习节奏。AI时代变化太快任何一个单一技能都有半衰期。我给自己定的规矩是每12个月学习一个和当前领域相关但不同领域的新工具或新概念。比如前年我系统学了数据分析去年研究了模型评估的指标体系今年在啃Agent的工作流设计。为什么要跨而不是往深里钻因为拓竹岗位需要的是T型人才——横线是认知广度竖线是专业深度。光有深度没有广度你看不到其他岗位怎么用AI可能做着做着就被一个跨界方案降维打击光有广度没有深度你在哪儿都是个半吊子。实际操作上不用每个都学得很深学到能判断它适不适合你的业务场景这个程度就够了。比如你不用成为数据分析专家但你要知道什么数据能分析、什么样的结论是可靠的、什么时候该找数据分析师协作。学完之后把它和你现有领域连起来想一遍这个能力能不能用来解决我手上的问题能在哪个环节插进去大多数时候你会发现跨领域带来的异花授粉效应比在同领域死磕更容易出成果。我自己的体会是踩过几次坑之后最大的变化不是工具用得有多熟而是心态彻底放松了。以前看到新工具出来会慌担心自己是不是又落伍了现在会习惯性地去拆它解决了什么问题它替代的是哪部分能力我可以怎么借它把手上事情做得更好这么一转念焦虑就成了行动力。最后再分享一个小技巧在团队里做第一个把AI用进日常流程的人哪怕是特别不起眼的场景收益也不仅仅是效率的提升更是你在一群人里快速建立起的这人跟得上时代的信任感。这个信任感才是AI时代最值钱的隐形成本。 AI时代岗位变迁：千年循环里的拓竹岗位与破局密码
1. 先说结论AI打工人面对的不是失业而是循环重演1.1 从一次团队周会说起上个月部门周会组里一个做手动画测试的姑娘分享工作进展她说现在一半时间在写测试用例另一半时间在写让AI帮我生成测试用例的提示词。她自嘲说自己从测试执行者变成了测试策略师。旁边的实习生追问那以后还要我们这些测试工程师干嘛她愣了一下回了句要的是能把需求说清楚、能把边界画明白的人。这个场景我最近见过太多次了。不管是做AI编程的、做AI产品经理的、搞AI agent开发的还是传统行业里开始用AI生成PLC代码的工程师几乎所有人都在经历同一种心理波动先用上AI觉得真香然后突然焦虑——我的岗位会不会被AI连锅端再然后又在日常工作的细枝末节里发现AI其实还没有那么神它需要人盯着、需要人兜底、更需要人告诉它该干嘛。所谓AI打工人我理解不只是一个网络热词它描述的就是这种既拥抱又不安的真实状态。而拓竹岗位这个说法我觉得更适合用来形容AI长出来的那批新角色——它不是简单的新增岗位更像竹子一样从原有的行业土壤里破土而出根还扎在旧土壤里但节节拔高长成了新物种。1.2 拓竹岗位到底该怎么理解我第一次看到拓竹这两个字脑海里冒出来的画面是竹笋顶开石头那种劲头。后来跟一个做AI产品化的朋友聊他说他更愿意把拓竹拆成两层拓是开拓、拓荒竹是节节生长、中空有节。中空意味着留白、意味着谦逊有节意味着边界、意味着规则。这恰恰是AI时代新岗位的核心气质——既要有开拓新领域的能力又要对技术边界和伦理边界有清醒认知。基于我这些年在AI一线的观察所谓拓竹岗位是指那些由AI技术直接催生、并且需要人机协作能力才能胜任的岗位。它不是一个岗位而是一族岗位。比如提示词工程师不是会聊天而是能把模糊业务需求翻译成模型能理解的结构化指令AI产品经理不只会画原型要懂模型能力边界、数据回流、效果评估甚至要懂怎么设计人在回路的决策点AI测试工程师核心不是重复执行用例而是设计测试策略、训练AI去执行、再审查AI给的结果AI agent开发者重点不在调用接口而在于任务分解、工具调用编排、异常兜底和护栏机制AI infra工程师盯的是模型部署、推理优化、数据管道、成本控制这些地基活。这些岗位有一个共同点它们都站在旧行业问题和AI新能力的交界处。做得好的人往往不是技术最强的而是最能把业务语言翻译成AI语言、再把AI结果翻译回业务语言的人。1.3 千年循环的规律不是失业而是范式转移为什么标题里要用千年循环这个词因为我翻了跨越几千年的劳动形态演变发现每次技术代际跃迁人类都会重复一遍同样的故事短期错位、中期重构、长期新均衡。短期来看旧的岗位确实会减少。长期来看这些岗位并不会消失而是被重新定义——旧岗位里的重复性部分被替代但判断、决策、创新、沟通、责任背书这些人类特有的部分被保留甚至放大。问题是中间这段错位期往往需要一代人来消化而我们现在就正好处在这样一段错位期里。想要在错位期里不被甩下车最怕的不是别的是站在原地焦虑却不动手。所以后面几节我会把过去三次循环的规律拆开看再把AI重塑岗位的进度条捋清楚最后落在一套普通人能直接抄的破局框架上。提示这篇文章不是劝你躺平等AI来替代也不是吹捧AI万能无脑冲而是把真实进度、真实岗位、真实做法掰开揉碎了讲给你听。2. 三次历史循环复盘岗位消失其实是在换皮2.1 第一次循环从游猎采集到被土地锁住一万多年前人类的祖先靠采集野果、打猎为生。那时候没有职业这个概念所有人的任务高度一致找到食物活下来。这个模式下一个孩子从小学会的是识别植物、追踪猎物、制作工具技能来自口口相传和亲身试错技能失效的周期非常短——迁徙一次可能就要重新适应。农业革命改变了这一切。人可以定居了土地成了最核心的生产资料于是出现了第一批真正意义上的职业农民、陶匠、编织匠、祭司、工匠。以前靠运气和体力生存后来变成靠规律和节气生存以前每个人都是全能猎手后来每个人只要负责一个环节。现在回看这个过程采集者并没有全部饿死而是变成了农民猎人没有消失而是成了少数人的休闲活动。绝大部分人进入了一种新的、更可预期的工作方式。这一轮循环里真正被淘汰的并不是人而是运气型生存的模式真正增长的是可规划、可协作的新分工模式。2.2 第二次循环工业革命把手艺拆成了工序18世纪珍妮纺纱机出现的时候英国的手工纺纱工大量失业。当时也有类似今天的AI焦虑——工人砸机器、议会辩论要不要限制新机器。但后面发生的事大家都知道了棉纺织业的整体用工量不但没有减少反而因为产量暴涨、成本下降带动了整个产业链的扩张。关键变化发生在岗位结构上。以前一个手工匠人从头到尾做一件完整的产品技能是整体的、独占的工业革命之后产品被拆解成几十道工序每个工人只负责其中一道。于是产线工人、质检员、车间主管、设备维护工程师、工业设计师这些新岗位应运而生。手艺人没有消失但只靠一手绝活走天下的生存方式被瓦解了。这一轮的淘汰逻辑是对整件交付能力的淘汰增长的是对分工协作、流程管理的需求。一个只会做整件但不愿意被拆解进流程的人在工厂时代确实很难受。但一个愿意把自己的一技之长放进行业链条里的人反而获得了更大的市场。2.3 第三次循环Excel淘汰了账房先生但长出了数据分析师再近一点计算机和信息革命。打字员、账房先生、传统排字工这些岗位被大规模压缩。1990年代很多单位开始普及Excel和财务软件算盘成了收藏品算盘打得再溜也抵不过一个复制粘贴。那时候同样有35岁危机的焦虑——不会用电脑的老会计确实很难继续走。但接下来发生的事同样似曾相识因为数据可以被低成本地采集、存储和处理企业的数据分析需求爆炸式增长数据分析师、商业智能工程师、数据产品经理、内容运营这些岗位全部冒了出来。以前会计的工作是把账算平后来会计的一部分工作变成了把数据解读出价值。技能值钱的点从计算能力迁移到了解读能力和决策支撑能力。电脑没有消灭会计这个职业电脑消灭的是只会按计算器的那部分职能。这轮循环的规律是重复性脑力被替代但基于数据的解释与决策越来越值钱。2.4 三次循环的共同特征一张表看懂规律把三轮循环放一起对比特征非常清晰循环被替代的典型能力新出现的典型岗位核心变化农业化靠运气和体力的采集能力农民、工匠、祭司从搜索食物变为种植食物工业化整体化的手工技艺产线工人、工程师、质检员从做整件变为做工序信息化重复性的计算与文书数据分析师、运营、运维从重复劳动变为数据决策AI化当前重复性的模式识别与内容生成提示词工程师、AI产品经理、AI Agent开发者从人做执行变为人做定义与校验注意看最后一行的AI化就是我们现在身处的第四次循环。前三轮循环每一次都有人喊天要塌了结果天没塌只是天花板变高了。被替代的从来不是人而是某个具体的能力模块。真正值得关注的不是AI会不会抢饭碗而是饭碗的形态变了你手里的技能是不是还是紧俏的那张牌。这个规律放在今天仍然成立循环的内容在变循环的底层逻辑始终没变。3. 第四次循环的现场AI重塑岗位的真实进度条3.1 开发者和测试的AI化不是选修课是必修课先说我最有体感的开发者群体。以AI编程为例现在借助AI辅助工具写代码已经不是新鲜事了GitHub Copilot这类工具的普及度极高。但我观察到一个很有意思的现象老手用AI提效非常明显因为老手看得懂AI给的建议能判断什么时候该采纳、什么时候该推翻而新人反而容易把AI给的代码原样粘上去出问题了也定位不出来最后得出AI写的代码不行的结论。问题不在AI在于人有没有判断力。所以AI编程到底提效多少我的实测下来对熟悉业务的老手提效40%以上是保守数字。但深层变化不在于写代码的速度而在于开发者的工作重心开始从写转向审——审架构、审美、审安全、审性能。再看测试领域热词里出现了AI测试工程师AI自动挖掘漏洞这类词说明测试岗的AI化其实比很多人想象中更早。我见过一个同行把过去的测试用例整理成结构化样本让AI自动生成边界条件测试然后再把AI的执行结果和人工设计的结果做交叉比对。他告诉我用例覆盖度比以前人工手写的时候高了三倍但更值钱的是他能把省下来的时间拿来设计更复杂的测试策略——比如多服务间的链路压测、异常注入。这部分的核心结论是写代码和写用例这件事情本身正在被自动化但定义要写什么、判断写得好不好这件事反而变得更重要了。3.2 产品、运营、设计等非技术岗位的渗透速度很多人觉得AI对非技术岗位的影响要慢一些。实际情况恰恰相反产品、运营、设计这些岗位因为日常任务天然包含大量文档整理、文案生成、素材搜集反而是最容易被AI重构的。比如产品经理的工作流里竞品分析、用户访谈纪要、PRD初稿这三件事以前要占掉一周里差不多两天现在用AI辅助处理压缩到半天不是梦。我甚至见过一个做智能硬件产品经理的朋友把过去三年的用户反馈整理成数据集让AI按功能模块聚类几分钟就找到了三个之前没人注意到的痛点其中一个直接成了新版本的核心卖点。但这里有个陷阱很多运营和产品人用AI用的是零散的一键生成而不是把它嵌入到自己的工作流里。结果就是AI产出的内容千篇一律、没有业务上下文用两天就丢掉了。真正的提效是让AI承担你工作中的中间态——比如你脑子里有想法让AI快速出个粗糙版本然后你来改方向而不是让AI凭空产出最终成品。非技术岗的真实变化是决策被前置了以前做PPT、写文档的时间被压缩之后你的价值就取决于你能不能在信息不全的时候提出更高质量的问题能不能判断AI给的素材里哪些能用、哪些是幻觉。说白了还是定义问题和判断结果的能力。3.3 传统行业的渗透PLC代码生成是一个标志性样本在所有热搜词里AI PLC代码生成这个组合词最让我兴奋。PLC可编程逻辑控制器是工业控制领域的核心设备传统上写PLC程序的是工控工程师他们既要懂电气原理又要懂工艺逻辑还要会特定厂商的开发环境。这个领域非常垂直圈子不大但一旦AI进来改变是结构性的。我听一个做产线自动化改造的朋友说过一个案例一位在车间干了二十年的老工程师不懂什么大模型但把AI生成的PLC逻辑代码拿过来之后三分钟就能看出哪段IO映射不对哪里漏了设备互锁逻辑。反过来一个刚毕业的程序员能熟练使用AI生成PLC代码但因为完全不懂车间工艺生成出来的逻辑在仿真环境里跑得通一到真实产线就出事故。这事特别说明问题AI能替代的是代码生成这个动作但替代不了懂现场工艺这个底层知识。所以传统行业里真正吃到AI红利的不是最懂AI的年轻人而是那些懂行业愿意用AI的老师傅。AI给了他们一个放大器让多年的隐性经验直接变现。PLC只是其中一个切面。制造业里还有大量类似的场景产品图纸的参数化生成、质检报告自动判读、排产调度优化。这些领域进度可能没有互联网那么快但一旦个体验到甜头扩散速度会非常惊人。3.4 冷静判断哪些岗位真的会被压缩哪些是焦虑溢出讲完现场说点冷水。所有岗位都会受AI影响但影响方式完全不同别一刀切。受冲击最大的是那些流程高度标准化、结果可校验、错误容忍度低的岗位比如初级数据录入、初级客服、初级文案批量生产。这类岗位的工作成果很容易被AI生成而且有明确的评价标准模型做起来又快又便宜。短期看这些岗位的存量确实会被压缩。受冲击中等的是需要行业上下文、需要多方沟通、需要责任背书的岗位比如HR的初筛、财务的应收应付、项目经理的进度跟踪。AI能做一部分但很难独立完成因为里面涉及大量模糊判断和人际信任。这类岗位会变成AI Copilot模式——人负责兜底和决策AI负责干活。影响相对较小的是需要高度创造性、深度人际信任、复杂环境决策的岗位比如战略规划、复杂谈判、顶尖创意、疑难杂症诊断。但注意我说的是影响小不是影响为零。即便在这类岗位里AI也会改变工作方式比如以前一个战略顾问要花一周做的行业研究现在可能半天就够多出来的时间会花在更高质量的访谈和洞察上。所以别问我的岗位会不会被取代要问我的岗位里哪部分工作会被AI重新定义我还剩什么不可替代的东西。4. 拓竹岗位到底是什么AI催生的新角色解剖4.1 提示词工程师与AI产品经理定义问题比执行任务更贵先聊提示词工程师。很多人对这个岗位有误解以为是会写咒语的人。实际上真正的提示词工程师做的核心工作是需求拆解与约束表达。举个例子业务方说帮我生成一份Q3季度汇报PPT。小白提示词工程师会直接把这句需求丢给AI结果得到一份通用得不能再通用的模板。而成熟的提示词工程师会先拆解汇报给谁听决策层关注的指标是哪些业务背景和数据口径是什么希望强化哪几个信息点风险点怎么呈现把这些问题一个个问清楚再把它转化为包含角色设定、背景上下文、输出格式、评估标准的完整指令。同一份需求AI产出的结果质量天差地别差别就在指令设计。再说AI产品经理。传统产品经理的核心是通过功能设计满足用户需求AI产品经理还得加三件事第一知道模型能力边界能判断哪个需求可以用AI解决、哪个需求用规则引擎更靠谱第二设计数据回流闭环让每次用户交互都变成改善模型效果的样本第三定义可评估的质量指标不能让模型效果成了玄学。这两类岗位的共性是价值重心从做出来变成了想清楚——定义问题、约束范围、设计评估标准这些工作远比执行任务更值钱。4.2 AI agent开发与AI infra工程师新地基的施工队AI agent是最近热度极高的话题。热词里出现大量ai agentai 模型部署ai infra说明它已经从概念走向工程实践。但很多人对Agent有误解以为是一个能自动完成任务的机器人。实际上一个工程化的Agent系统核心是四件事其一任务分解。用户说帮我调研一下竞品Agent要把它拆成确定调研目标、列出竞品清单、搜索公开资料、筛选信息来源、整理结构化对比、输出报告草稿。每一步都要设计。其二工具调用。Agent得知道什么时候该调搜索引擎、什么时候该读文档、什么时候该执行代码、什么时候该问用户澄清。工具编排得不好Agent就会在错误的路径上浪费大量时间和Token。其三记忆与管理。跑完一个任务之后哪些信息要保留到下一个任务用户的偏好如何沉淀这不是技术难题但设计不好整个Agent就会显得又蠢又健忘。其四护栏机制。Agent执行过程中如果出现了和预期不符的中间结果系统能不能及时刹车、回退、或者转人工这直接决定了Agent能不能在生产环境里跑。我踩过的坑是最初把Agent做得过于自由结果它在一次自动调研里自己编了一个不存在的竞品数据来源幸好有审查环节拦下来了。从那以后所有Agent产的中间结果必须带来源引用。配合Agent的是AI infra工程师。这个岗位解决的是模型推理要快、成本要尽量低、服务要稳。看起来技术含量高其实核心思路和各行业的基础设施建设是一样的——把地基打好让上层业务随便盖楼。热词里出现ai infra不是偶然是Agent应用变多之后的必然。4.3 新岗位的能力模型通才专才的杂交优势把拓竹岗位集体解剖一遍会总结出一套共通的能力模型。我在面试和带人的过程中发现符合下面四个特征的人在新岗位上手的速度明显更快第一人机协作设计能力。能不能把一个任务拆成人做和AI做的部分拆完之后交接点在哪里人对什么负责、AI对什么负责这些问题想不清楚用AI就容易失控或低效。第二跨域知识迁移能力。很多拓竹岗位都要求懂AI懂业务懂组织单一技能不够用了。一个能做数据清洗的AI测试工程师、一个懂市场营销的AI产品经理、一个懂车间工艺的AI应用工程师价值是普通单一技能从业者的数倍。第三基于数据做判断的能力。AI时代直觉依然重要但直觉要用数据来校准。能看懂数据的分布、能理解准确率和召回率的业务含义、能区分相关性和因果性这些越来越成为基础生存技能。第四持续学习与快速试错能力。AI这个领域的技术迭代是以月为单位的三个月前的最佳实践可能已经过时。学习能力比存量知识更重要。4.4 一张表看懂传统岗位与拓竹岗位的差异对比维度传统岗位代表拓竹岗位代表典型任务执行既定流程按SOP交付定义人机协作流程设计输入输出规范核心能力熟能生巧、流程熟练跨域迁移、快速学习、判断校验输出物代码、文档、测试报告、方案提示词方案、Agent设计、评估体系、数据回路价值来源单位时间内的产出量杠杆率与决策质量工作方式人操作软件/工具人定义规则AI执行人审核兜底你看到的核心差异是价值来源那行。传统岗位里你产出越多越值钱拓竹岗位里你的价值取决于你定义的系统能不能替别人放大产出以及你做的关键决策准不准。这个转变对很多人来说是心理上的坎但迈过去之后就顺了。5. 千年循环的破局密码一套可执行的应对框架5.1 第一步用AI工具链重构你手头最重复的那件事破局不必从宏大叙事开始从一个具体动作开始就好。我建议你接下来两周只做一件事找出来你每周重复次数最多的三件事然后把它们一项项用AI工具重做一遍。具体的操作路径是这样的记录把这三件事的过程写下来包括输入什么、你做了什么处理、输出什么拆解区分这三件事里哪些环节是模式识别内容生成哪些是判断决策沟通试验把模式识别内容生成的部分交给AI保留判断决策沟通的部分自己做记录数据对比AI辅助前后的时间和质量用数据说话而不是凭感觉迭代把AI产出的结果再喂回给AI做第二轮优化形成生成—审查—反馈—再生成的回路。以我自己为例以前每周要花两小时写周报、整理项目风险、归纳待办现在我用AI先做初稿我只需要花二十分钟修改风险描述是否准确这件事。省下来的时间我拿来读模型评估相关的资料。量不大但方向对。这步的意义不在于省了那一两个小时而在于让你建立对AI能力的手感——你知道它擅长什么、不擅长什么、什么时候会编造内容、什么时候需要你校正。这种手感是后续一切操作的基础。5.2 第二步找到人机协作的高杠杆点有了手感之后第二步是找高杠杆点。什么叫高杠杆点就是你投入一小时能撬动十小时甚至一百小时产出的关键位置。一般来说高杠杆点有这么几个特征你做一次很多人受益比如团队级的模板、SOP、自动化脚本你投入的是定义和框架别人执行的是填充和重复比如一份精确的提示词模板可以被团队复用你做的是决策和校验AI做的是规模化的执行比如让AI批量初筛用户反馈你做最终归类判断。具体到个人怎么找我有一套小方法每个周日晚上花半小时把本周做的事情列出来给每件事打两个分数——重复出现概率和对业务结果影响程度两个分数都高的事情就是你的高杠杆点。下个星期用AI去优化那一两件事其他事动都不要动。我见过很多人的误区是想把工作流里所有环节都AI化结果哪哪都没做好还把自己搞得很累。正确的节奏是一次只优化一个点跑顺了、跑稳了再动下一个。5.3 第三步用行业know-how建护城河前面专门提过PLC老师的例子这里想再往深说一层。AI有一个天然短板它掌握的是普遍性知识而行业里的隐性知识恰恰是它学不到、也没办法从公开数据里学到的。什么叫隐性知识比如在一个制造企业里同样的PLC报警代码A车间和B车间代表的故障原因可能完全不同因为产线布局和工艺路径不一样再比如一个用户反馈太卡了在不同产品里可能代表加载慢操作流程太长闪退三种完全不同的意思。这些依赖具体场景的know-howAI是无法凭空生成的。它必须要有人喂给它、告诉它、帮你验证。所以每一个在传统行业里待了三年以上的人其实手里都握着一张AI替代不了的底牌——你对业务上下文的理解。问题是你之前没意识到这张牌的价值也没有主动把它结构化。怎么把这个隐形的know-how变成生产力我建议你把工作里那些只可意会不可言传的判断规则写下来。比如什么情况下用户说没问题其实是有问题什么情况下方案A优于方案B把这些规则变成提示词的一部分让AI在生成内容时带上你的行业视角。这个东西一旦沉淀下来就是你的个人资产也是你在团队里无法被替代的原因。5.4 第四步保持跨域迁移的能力最后一步也是最难坚持的一步保持跨域迁移的学习节奏。AI时代变化太快任何一个单一技能都有半衰期。我给自己定的规矩是每12个月学习一个和当前领域相关但不同领域的新工具或新概念。比如前年我系统学了数据分析去年研究了模型评估的指标体系今年在啃Agent的工作流设计。为什么要跨而不是往深里钻因为拓竹岗位需要的是T型人才——横线是认知广度竖线是专业深度。光有深度没有广度你看不到其他岗位怎么用AI可能做着做着就被一个跨界方案降维打击光有广度没有深度你在哪儿都是个半吊子。实际操作上不用每个都学得很深学到能判断它适不适合你的业务场景这个程度就够了。比如你不用成为数据分析专家但你要知道什么数据能分析、什么样的结论是可靠的、什么时候该找数据分析师协作。学完之后把它和你现有领域连起来想一遍这个能力能不能用来解决我手上的问题能在哪个环节插进去大多数时候你会发现跨领域带来的异花授粉效应比在同领域死磕更容易出成果。我自己的体会是踩过几次坑之后最大的变化不是工具用得有多熟而是心态彻底放松了。以前看到新工具出来会慌担心自己是不是又落伍了现在会习惯性地去拆它解决了什么问题它替代的是哪部分能力我可以怎么借它把手上事情做得更好这么一转念焦虑就成了行动力。最后再分享一个小技巧在团队里做第一个把AI用进日常流程的人哪怕是特别不起眼的场景收益也不仅仅是效率的提升更是你在一群人里快速建立起的这人跟得上时代的信任感。这个信任感才是AI时代最值钱的隐形成本。