人工智能时代，真正被重写的，是我们的工作方式

人工智能时代，真正被重写的，是我们的工作方式

——一个开发者的六点观察

AI（Artificial Intelligence，人工智能）在变，但真正被改变的，其实是我们如何工作、如何负责，以及如何与人协作。 结合自己做开发的体会，我想从六个层面聊聊这种变化。这不是一份“AI 使用技巧”，而是一套更底层、并且已经发生在我们身上的转变。

01｜责任是甩不掉的

核心判断：工作可以交给 AI，但理解不能交出去。

AI 能帮你写代码、补测试、分析故障，但它不会替你承担后果。

只要是你批准上线的，不管中间有多少环节由 AI 完成，最终承担责任的仍然是你。

因此，在把任务交给 AI 之前，你至少要对以下几件事心中有数：

• 整体系统结构是什么；
• 关键业务链路如何运转；
• 数据从哪里来，又流向哪里；
• 哪些环节最可能出问题；
• 出现问题后如何止损、回滚和恢复。

像支付、权限、安全、数据迁移等高风险模块，必须进行人工深度审查，并提前准备完整的测试、监控和回滚方案。

重复性高、风险可控的代码，可以适度交给 AI；但一旦涉及资金、安全、合规或者核心数据，最终判断权必须留在人手中。

还有一个容易被忽略的问题：AI 会扩大你的能力圈，但组织对你的授权不会自动扩大。

前端工程师借助 AI 修改后端代码，开发人员借助 AI 介入产品方案，或者使用 AI 分析原本不属于自己职责范围的数据——这些事情在技术上可能做得到，但不代表组织已经完成授权。

一旦出现问题，也很难再用“这不归我负责”来划清边界。

所以，在能力边界向外扩张之前，最好先明确：

• 授权范围是什么；
• 验收标准是什么；
• 谁拥有最终决策权；
• 谁对结果承担责任。

能力可以扩，责任必须厘清；介入越深，责任通常也就越重。

02｜模型能力，决定了你的上限

核心判断：大模型划定能力的上限，而你对模型的认知，决定了你能多接近这个上限。

AI 工具不断变化，但真正决定一件事能够做到什么程度的，仍然是底层模型本身。

每一代模型升级，都可能重新定义我们的工作方式。

早期的模型主要用于文本补全和简单问答；后来逐渐具备复杂推理、长上下文、多模态理解和工具调用能力；再往后，它开始能够以智能体的方式拆解任务、调用工具、检查结果并持续执行。

过去需要人工拆成很多步骤的工作，现在可能通过一段完整的任务描述就能完成。过去必须由人提前提供的信息，在获得相应工具权限后，模型也可以主动检索和核验。

这意味着，我们不能把 AI 当成一款“学会一次，就可以稳定使用很多年”的传统软件。

需要持续关注的，不只是模型跑分和产品宣传，而是以下这些更实际的问题：

• 它现在真正擅长什么；
• 哪些任务可以放心交给它；
• 哪些任务只能让它提供辅助；
• 哪些场景仍然容易出错或产生幻觉；
• 上下文、推理和工具调用是否稳定；
• 成本、速度和隐私是否符合工作要求；
• 原有工作流程是否需要因此重新设计。

模型升级以后，很多过去总结出来的使用技巧也会迅速过时。

以前需要花大量精力设计复杂提示词，现在更重要的是把背景、目标、约束条件和验收标准讲清楚；以前强调单轮提问，现在的重点逐渐变成上下文管理、任务编排和多智能体协作。

不要把 AI 理解成一个固定工具。模型能力在不断移动，而你的工作方法也必须随之更新。

03｜工具不在多，而在于形成自己的体系

核心判断：工具的价值不在数量，而在于能否形成一套稳定、可替换、可演进的工作体系。

随着模型能力提升，围绕 AI 构建的工具也在快速增加。

代码、搜索、写作、数据分析、知识管理、流程自动化……工具越来越多，但把它们全部体验一遍，通常不会真正提高工作质量。

更重要的是，根据自己的工作场景，建立一套相对稳定的工具链。

对于软件开发工作，可以围绕以下高频场景来组织：

• 需求理解与方案设计；
• 代码生成与代码重构；
• 代码审查与自动化测试；
• 技术调研与文档编写；
• 故障排查与日志分析；
• 项目沟通与知识沉淀；
• 重复性流程的自动化。

每个场景保留一个主工具和一个备选工具，通常就已经足够。

关键不是知道多少工具的名字，而是清楚每个工具：

• 适合解决什么问题；
• 不适合处理什么任务；
• 在什么节点需要人工检查；
• 出现异常时如何切换或降级。

评估一个工具，也不能只看它的生成效果。还需要同时考虑数据安全、系统集成能力、稳定性、可控性、迁移成本和长期维护成本。

成熟的使用方式，不是“我认识很多 AI 工具”，而是当一个工作场景出现时，你能够迅速判断：

1. 应该调用哪套工具；
2. 应该按照什么流程推进；
3. 哪些环节可以自动执行；
4. 哪些节点必须人工介入；
5. 最终如何完成稳定交付。

工具并不是越多越好。工具过多会带来切换成本、信息碎片化和流程混乱。

理想状态，是保留少量高频、稳定且彼此衔接的工作流，并在模型能力变化时，及时替换其中的某个组件。

04｜我们需要一点“哲学”，来约束对 AI 的信任

核心判断：真正需要管理的，不只是 AI 的能力，还有我们对 AI 的信任方式。

AI 不只是一个效率工具，它也在迫使我们重新思考一些更根本的问题：

• 什么是知识；
• 我们凭什么相信一个结论；
• 一个判断产生后果时，谁来负责。

要回答这些问题，至少需要从三个层面理解 AI：

• 本体论关心的是：它究竟是什么；
• 认识论关心的是：我们为什么相信它；
• 伦理学关心的是：后果应该由谁承担。

我们把 AI 看成纯粹的工具、语言模拟系统、知识接口，还是具有一定自主行动能力的系统，会直接影响我们如何使用它，以及愿意给它多大的权限。

这些问题看似抽象，实际上会直接影响每天的工作决策。

例如：

• AI 给出一个技术结论时，我们应该把它当成答案，还是一个等待验证的假设；
• 当 AI 可以自主调用工具、修改代码时，应该给它多大的操作权限；
• 当 AI 的判断与资深员工的经验发生冲突时，应该通过什么机制进行裁决；
• 当 AI 的输出影响客户、资金或者业务决策时，责任链条应该如何设计。

思考这些问题，不是为了给 AI 披上一层学术外衣，而是为了建立清晰的信任边界和控制边界。

不理解 AI 的人，容易因为不确定而一味拒绝；只看到 AI 强大之处的人，又容易陷入盲目信任。

哲学式的冷静，是把“它能不能做”与“我们该不该让它做”区分开来。

05｜执行变便宜了，“对齐”却更贵了

核心判断：AI 降低了实现成本，却提高了团队定义问题和形成共识的成本。

AI 越强，做出代码、方案和原型的成本就越低。

但人和人之间的沟通、理解与协调，并不会因此自动变得简单，反而可能更加复杂。

因为 AI 可以快速生成大量代码、方案和备选路径，产出越多，团队越需要反复回答以下问题：

• 我们究竟要解决什么问题；
• 当前最重要的目标是什么；
• 哪些约束绝对不能被突破；
• 达到什么标准才算真正完成；
• 多个方案之间依据什么进行取舍；
• 出现意见分歧时，最终由谁决策；
• 风险和结果由谁承担。

过去执行成本较高，这些沟通问题常常被掩盖，因为团队没有足够资源同时尝试多个方向。

现在，AI 把实现成本压低了，真正的瓶颈反而从“做不出来”，转向“大家没有对齐到底要做什么”。

这也意味着，未来重要的不只是会不会向 AI 提问，还包括能不能向同事、管理者、客户和跨部门伙伴把事情讲清楚。

越来越稀缺的能力包括：

• 把复杂的技术语言翻译成业务语言；
• 把模糊的需求转化为可执行任务；
• 把不同人的意见提炼成明确决策；
• 把风险、约束和验收标准提前说清楚。

会向 AI 把话说清楚，是使用工具的能力；能向人把话说清楚，才是推动组织前进的能力。

公司终究由人组成。目标、利益、信任与合作，也都发生在人与人之间。

06｜通用执行越来越廉价，业务理解越来越昂贵

核心判断：AI 能快速生成“理论上正确”的答案，却未必能生成“在具体环境中真正跑得通”的答案。

AI 越通用，标准化执行的成本就越低。

写一段常规代码、生成一份通用方案、整理一批行业资料，这类工作的成本会持续下降。

但 AI 并不会天然理解一家公司的具体业务。

它很难自动知道：

• 客户为什么愿意付费；
• 公司依靠什么方式盈利；
• 不同部门之间如何协作；
• 老系统为什么被设计成现在这样；
• 哪些规则来自监管要求；
• 哪些看起来低效的流程，其实是在兜底风险。

它可以迅速给出一个“理论上正确”的答案，却未必能够给出一个“在当前组织、系统和业务环境中真正跑得通”的答案。

正因为如此，业务理解会变得越来越重要。

无论过去离业务近不近，未来都需要主动理解：

• 公司的核心客户是谁；
• 产品解决了什么真实问题；
• 收入和成本分别来自哪里；
• 当前业务最大的瓶颈是什么；
• 哪些指标真正影响经营结果；
• 业务未来可能向什么方向发展；
• 自己的技术方案如何进入实际业务闭环。

对于工程师来说，工作方式也会逐渐从“接收需求，然后完成开发”，转向“与业务共同定义问题”。

以前，我们主要关心：

这个功能应该怎么实现？

未来，还需要继续追问：

• 为什么要做这个功能；
• 谁会真正使用它；
• 它能够改善什么指标；
• 是否存在成本更低的解决方案；
• 上线后如何验证实际效果；
• 如果没有达到预期，下一步如何调整。

AI 可以帮助你实现一个方案，但它无法替你判断这个方案是否值得实现。

真正稳定的职业竞争力，最终是技术能力、业务理解、判断力与责任担当共同形成的综合能力。

结语｜AI 放大能力，也放大责任

这六个层面，共同构成了一套关于如何在 AI 时代工作的底层逻辑：

• 责任边界决定什么可以交出去，以及最终由谁承担后果；
• 模型认知决定你能否接近技术能力的上限；
• 工具体系决定模型能力能否稳定进入日常工作；
• 哲学思考决定你如何理解、信任和约束 AI；
• 沟通对齐决定个人能力能否转化为团队能力；
• 业务理解决定所有产出能否创造真实价值。

在 AI 时代，纯粹的执行能力会越来越不稀缺。

代码、内容和方案都变得越来越容易生成。真正稀缺的，将是：

• 定义正确问题的能力；
• 判断结果好坏的能力；
• 理解复杂业务的能力；
• 协调不同角色和利益的能力；
• 对最终结果承担责任的能力。

所以我越来越觉得，AI 放大的不只是人的能力，同时也放大了人的责任。

它降低了执行的门槛，却提高了判断、沟通和业务理解的门槛。