越优秀的人，越容易把工作做成 AI 接不住的样子

你好，我是曹犟，欢迎关注我的公众号。

之前的一篇文章你以为全公司都在用 AI，其实只有研发在用发出来之后，收到了一些留言。其中有一条特别长，也给我很多启发。一位网名叫“裂化渣油（老徐）”的读者，顺着我那篇文章的思路又往下推演了一层，把“为什么偏偏是研发”这件事背后的机制讲得更清楚。我读完并且跟他通过留言回复交流了两轮之后，觉得不如专门写一篇，把他的观点和我自己的一些补充放在一起讲清楚。在此对老徐先表示感谢。

那一篇我给的解释，着重在“收益归谁”这一点：研发用 AI 省下的时间，可以立刻变成今天多交付的功能，好处归工程师个人，团队也有增量，所以这个岗位自下而上就动起来了。而很多其他岗位，好处既不落到员工头上，也变不成管理者的新业绩，两头都没有足够动力。但老徐提醒我，这一点说清楚“为什么研发愿意动而其他岗位不愿意”这样一个意愿问题，还没有说清“为什么研发这么容易动起来”。

一、研发的日常工作，本来就易于“为 AI 拆解”

那么，我们就先说研发为什么容易动起来。

一个可能容易被忽略的事实是，研发这份工作，本身就是在不停地做拆分：把一个大系统拆成一个个更小、更标准的模块，让每个模块“高内聚、低耦合”（也就是模块内部的逻辑尽量收在一起，模块之间的依赖尽量少），就是每个工程师每天都在做的事。对于“一个完整的系统是怎么被组织起来的”，工程师通常有一种职业本能。

而这种职业本能，恰好契合了现在 AI 的能力和使用方式。

AI 有一个很现实的短板：它缺少常识，任务一复杂、上下文一多，出错概率就会明显上升。但如果你能把一件事拆成颗粒度足够小、自由度足够低、还带着明确验收标准的步骤，AI 就能相对稳定地承接每一步。即使它某一步做错了，你也能比较快地看出来，并且当场纠正回滚，把错误局限在一个较小的特定范围之内。

研发还有一个其他岗位普遍不具备的优势，就是验收几乎是即时的。自由度越低，越容易被验收。工程师做完设计、写完一段代码之后，单元测试、持续集成、code review 这套全世界所有工程师团队都在用的机制，马上就能告诉他结果对不对。人写的代码如此，AI 写出来的也一样：好不好当场见分晓。

但很多岗位不是这样：他们的工作自由度很高，一个运营活动、一份市场方案做得好不好，可能要等一个季度才能看得出来，中间还夹着渠道、大盘、时机等一堆变量，很难说清到底是谁的贡献。反馈越快、越容易归因，AI 就越好用；反馈越慢、越难归因，AI 就越不好用。在这一点上，研发恰好处在一个比较有利的位置。

所以研发用 AI 快，我个人觉得，不只是因为工程师懂技术、离 AI 近、有意愿，更深的原因是，研发工作的组织方式天然已经被拆解过一遍。工程师不需要为了用 AI 而专门改变自己的工作流程，因为他每天产出的东西，本来就是一个个能够拆解出来交给 AI、又能验收的模块。换句话说，研发是少数几个“结构上已经为 AI 做好准备”的岗位。

二、所有工作都是一条流水线，只是颗粒度和自由度不同

顺着老徐的思路再抽象一层，会得到一个更普遍的判断：本质上，任何岗位的工作，都可以看成一条流水线。区别只在于，这条流水线上每个步骤的“颗粒度”有多细、“自由度”有多大。

成熟的研发工作流，拆出来的流水线颗粒度很细，自由度也很低，每一步该干什么、干成什么样，都是清楚的。这样的流水线，AI 最容易承接。

而很多产品、运营、市场这类岗位，则情况正相反。它们的工作流水线，步骤颗粒度往往很粗，自由度也很高，一个环节里到底怎么做、做到什么程度，很大程度上依赖那个具体的人临场判断。这样的步骤，AI 目前很难稳定承接。

与此同时，老徐给出了一个我觉得很有价值的观察：这类岗位里越强的个体，越倾向于把自己负责的步骤，做得颗粒度更粗、自由度更高。

因为这恰恰是他“不可替代”的价值来源。一件事越是说不清、拆不开、只有他能搞定，他在组织里就越有安全感，也越有议价空间。而这和 AI 的要求正好相反：强个体要的却是模糊、整体、不可拆解，AI 要的是标准化、可拆解、可验收。某种意义上，产品、运营、市场里越优秀的高手，越是在亲手把自己的工作，做成 AI 最承接不了的样子。

三、所以指望他自己动手，是反人性的

这也让我重新理解了那一篇讲的“收益归谁”。

我之前的观点是，这些岗位不动，是因为提效省下的好处，既不归员工、也不归管理者。现在看，这只是讲了第一层。更深的一层是：对一个强个体来说，把自己的工作流标准化、可 AI 化，不只是“没好处”，还会影响他的核心价值来源。你让他把那些只有他能搞定的环节拆开、写清楚、交给 AI，某种意义上，是让他亲手拆掉自己的护城河。

从这个角度看，指望这些人自发地把自己的工作，变成一条 AI 能接管的流水线，其实是反人性的。这不怪任何人，换做是我，大概也会这么做。

那什么时候他才愿意？老徐给了一个答案：除非这个人有了更大的 scope（职责范围），大到他现在的精力已经顾不过来，他才有动力把手里这一段的价值，重新分配到流程里，让 AI 承接自己原来做的一部分，好腾出手去做更高价值的事。

这其实跟我之前那篇文章结尾的判断可以连起来看：真正的办法，是给这样的超级个体一件端到端、效果可验证的事，让他往上走一层，把价值转移到更高的位置上。他的价值一旦上移，才有动力、也才舍得，把下面这一段标准化，交给流程和 AI。

这一点我们在做 Omni-Growth 的时候，其实也已经意识到了。如果你的产品只是蒸馏投手、替代投手，你不可能指望投手发自内心的配合，只能靠老板的强推。但是，如果你的产品能够给投手创造真的价值，例如能够让他管理更多的预算、有更好的业绩，那么，他就有可能从中找到自己的收益。

回过头来看，我们之前把神策分析卖给客户时，在客户的研发团队和分析师团队面前也会说：“我们的系统只是把那些繁琐的、没有价值的重复工作帮你替代了，解放你的时间，让你去做更有价值的事情”，这背后其实也是同一套用来打消客户抵触和反对的逻辑。

四、这一幕，数字化和数据科学时代已经演过一遍

写到这里我想多说几句，因为老徐提到的另一点，正好跟我自己做了十几年的领域有关联。

他说，以前数字化、数据科学这套东西，推进到一定程度就走不动了，其实也是同一个原因。

我个人对此非常有共鸣。做数据这些年，我见过太多这样的场景：一件事，只要其中可量化、能被提炼成优化方法的步骤一多，个人在里面的价值就会被稀释。而当一个人察觉到这一点时，他几乎必然会开始抵触，最常见的一句话就是“数据不能说明一切”。这句话本身没错，但很多时候，它也是一种下意识的自我防御，对个人价值的自我保护。

举个我最熟悉的例子。这些年很多公司上 BI、上数据中台，报表很多人都能出，仪表盘也做得很漂亮，但真正把一堆指标翻译成“这个月到底该怎么办”的那一步，往往还是集中在少数几个最懂业务的人手里。这一步最难标准化，也最不容易被工具替代，而这几个人，通常也没有多大动力，把自己脑子里的判断写成一条条清楚的规则。于是数据平台越铺越大，真正的决策却依然高度依赖那几个人，一年一年，一个一个项目做下来，最后依然卡在同一个位置。

反过来说，当一件事实在无法被数据量化并优化时，企业也就没有太多办法，在跟个人的博弈中处于劣势，只能寄希望于“这个人的产出，对得起我付他的成本”，于是继续花更多的钱，去挖更强的人。

如果大家对直播这个行业有了解，知道目前直播公司与公司王牌主播之间的关系，对我上面这个描述就有更具体的认识了。

从这个角度看，数字化时代遇到的这个问题，跟今天 AI 时代遇到的阻力，几乎是同一类。数字化时代想用“数据和流程”去标准化的地方，和今天 AI 想接管的地方，高度重合，碰到的也是同一堵墙：人不愿意把自己的判断过程拆开。所以某种意义上，AI 这一波遇到的并不是新问题，而是一个老问题的升级版。

五、从手工作坊到工厂，方向也许是必然的

那这堵墙，最终会被推倒吗？

老徐给了一个我很喜欢的类比。他说，如果超级个体能够对整个业务做逐步清晰的拆解，再加上约束工程（给 AI 划定清楚的边界和规则，让它只在该发挥的地方发挥）和 AI 能力的补足，也许真的可以重塑整个工作流程和组织形态，完成一次类似从手工纺织到工厂的转变。而从工厂自动化的历史看，这种转变，本来就是随着工具能力不断变强、人力成本不断变高，逐步发生的。

对这个判断，我个人是认同大方向的，但想稍微做一个补充。

方向上，我觉得大概率是必然的。但节奏上，恐怕没那么快，中间会阻塞在两个很现实的约束上。

一个是人的意愿，也就是前面讲的，强个体不会主动把自己拆开，这需要通过更大的 scope、一步步把他的价值往上移来解决，急不得。另一个是 AI 自己的上限。人可以在一件事里慢慢积累“常识”和手感，而 AI 一旦上下文复杂度上来，犯错率就会显著上升。所以一个组织真要重构的时候，架构怎么设计、关键决策怎么定、内核细节怎么把控，这些高复杂度的位置，短期内还得靠人来兜底；AI 更适合去承接那些已经被拆得很干净、很确定的步骤。

所以在我看来，AI 时代组织真正的内核课题，不是“用 AI 把人换掉”，而是怎么让人专注在上层的复杂度上，让 AI 专注在被拆解好的确定性步骤上；AI 和人各就各位，相互配合。这件事想清楚了，从手工作坊到工厂的那一步，才有可能真正走下去。

这篇文章基本是顺着老徐的留言展开的，很多最有启发的判断都来自老徐，我只是做了一些整理和延伸，再次谢谢他。

如果你愿意，也不妨回到自己的岗位想一个问题：你每天的工作，能不能被拆成一条 AI 接得住的流水线？如果不能，是它真的拆不开，还是我们下意识地不太愿意把它拆开？欢迎在评论区聊聊。

本文作者曹犟正在和团队打造 Omni-Growth Agent，目标是用 AI 帮中国公司把海外营销做得更稳、更可控。目前主要服务两类需求：一类是把投放全托管给我们，按增长结果付费；另一类是给现有投手配一个 7×24 盯盘和诊断的 AI Copilot。