我有两个朋友，一个做美工，一个做数据科学家。
做美工的那位当初学设计是因为审美。她喜欢那种把一种模糊的情绪落到画面上的感觉，喜欢研究颜色怎么配、光怎么打、构图怎么让一张广告在两秒内抓住人的眼神。她选这个职业是因为这些东西让她兴奋。结果入职之后她的日常变成了什么呢？老板丢过来一个标好尺寸的 brief，她打开 Photoshop 按照既定风格把素材抠出来、排进去、导三个尺寸的切图。重复半年之后，她说自己像一台慢速的 Photoshop 脚本。
那位做数据科学家的朋友也一样。她当初选这条路是因为觉得数据可以直接决定商业判断，这件事重要。结果入职之后她 80% 的时间在写 SQL，剩下的时间在 debug 别人写的 SQL。一年之后她已经对写 SQL 很熟练了，但当初想做的事情，通过数据看懂业务、帮公司做出更好的判断，并没有比入职时做得更多。她成了一个更快的 SQL 机器。
AI 让我感到触动的一个地方，是它正好可以接走这些她们从来就不想做的事。SQL 交给 AI 写，她专心去想这个数据背后反映的业务到底是什么问题。Photoshop 的切图和排版交给 AI 做，她专心去想用户在这个场景里的情绪是什么、怎么设计一种氛围去感染他。AI 在做的事情，是让她们能回到当初让她们兴奋的那一部分工作。
这个观察背后不只是”AI 提效率”这么简单。它涉及工业化分工怎么扭曲了职业形态、以及 AI 怎么把它扭回来。
先说清楚一件事。我没有说机械劳动没有价值，也没有说所有机械活都应该被消灭。任何一份职业的日常都由两种东西组成。一种是机械的部分，需要按规则和流程执行、对结果的好坏没有太多决定权、熟练之后主要靠手速。另一种是判断的部分，需要理解上下文、做取舍、在信息不全的情况下下结论、结果的好坏很大程度上取决于这里做得怎么样。每份职业都是这两种的混合，只是混合比例不同。
一个 staff 级别的工程师写代码，大部分时间花在理解业务、设计接口、权衡 tradeoff 上，真正敲键盘的机械部分占比很小。一个外科住院医生值班，大部分时间花在缝合、打结、病历录入上，判断部分暂时占比不高，但这份工作里判断的权重会随着年资迅速上升。一个流水线装配工人的工作几乎全是机械部分。这是三份非常不同的工作，处在 spectrum 的不同位置上。
让人享受自己职业的、让人成长的、让人创造价值的，几乎全部来自判断那一端。机械那一端有时候承载判断（后面会讲到），有时候纯粹是成本。但无论哪种情况，让一份工作成为它自己的，是判断那一部分。
问题在于，工业化分工在过去一百年里持续把大部分职业的日常往机械那一端推。推力的来源是机械部分好管理。判断难以定义 KPI，机械容易。判断难以招人，机械容易。判断的产出难以验收，机械的产出只要数个数就行。公司作为一种组织形态有强烈的动机把工作拆解成可以标准化的任务，把每一个岗位变成流水线上的一环。这种拆解对公司的管理成本有利，对从业者本人的日常体验则是灾难。原本 50% 判断 50% 机械的工作，拆解之后可能变成 80% 机械 20% 判断。我前面两个朋友的状态就是这种拆解的结果。
AI 在这里做的事情，是让机械和判断的比例可以被重新调回来。一个数据科学家如果以前 80% 的时间写 SQL，现在 AI 可以把这部分压到 20%，那剩下的 60% 就可以花回判断上。这和”AI 提效率”是两件事。效率提升意味着同样的时间做更多 SQL，比例调整意味着同样的时间做回判断。对从业者的感受，差别巨大。
前面的论述对已入行的从业者比较直观：工作被工业化分工扭曲了，AI 把它扭回来。但同样的机制对应届生和初级从业者意味着什么，需要单独说一下，因为围绕这一点有一个很流行的反对观点。
反对观点大致是这样：AI 接走了底层的机械活，应届生和初级从业者就没有了成长的机会，因为这些看起来机械的工作是他们积累经验的必经之路。写 SQL 写得多了，才知道什么样的数据容易脏、什么样的查询容易误伤、什么样的指标经不起 drill down。搓 Photoshop 搓得多了，才知道不同场景下色彩的工程约束在哪里、印刷和屏幕的差异怎么处理、切图在各种分辨率下会出什么问题。这些都是 senior 判断力的基础，AI 把这些机械劳动接走，初级从业者就失去了通往 senior 的路径。
这个反对意见在表面上听起来有道理，也关联着一个真实的社会问题——年轻人的上升通道。但如果仔细看初级从业者到底是怎么成长的，它的前提并不成立。
我的观察是这样。一个初级数据科学家如果一天花 8 小时在写 SQL，真正让她成长的是最后拿到结果那 1-2 小时里，她盯着一个数字说”这个数不对”的那些瞬间，而不是前面那 6 小时敲键盘、查语法、debug 括号对齐。为什么这个 DAU 比上周高了 30%？为什么这个转化率在 iOS 上是 Android 的两倍？为什么这个 cohort 的留存曲线在第七天有一个奇怪的断点？这些追问是判断力的来源。追问本身和她是不是亲手写的 SQL 没有关系。只要她看得懂这个 query 在干什么、能判断数据是怎么来的、能在结果可疑的时候追回数据源去 debug，她就可以积累这份判断力。
换一种说法，判断力的积累和手工执行是可以分开的。她需要暴露在真实的业务混乱中——脏数据、对不上的口径、违反直觉的结果、别扭的业务定义。前者是判断力的真正载体，后者只是过去几十年工业化分工的一个副产品。
这个观点可以用几个类比来检验。飞行员的判断力来自反复在真实飞行情境下做决策，而不是自己造飞机或自己加油。主厨的判断力来自反复在真实出餐压力下处理火候、味道、节奏，而不是自己杀鸡拔毛择菜。律师的判断力来自反复在真实案件里分析法律关系、评估风险、设计策略，而不是自己打印合同和装订卷宗。这些职业都有底层的机械活，但底层机械活对判断力养成的贡献极低。初级飞行员需要的是飞够足够小时数、见过足够多的天气和场景，这跟绕机检查做得多熟练没什么关系。
数据科学家和美工是类似的情况。SQL 和 Photoshop 是工具层的体力活，它们的价值在于承载了判断的上下文。只要初级从业者能够理解这些工具在解决什么问题、能在结果出问题时追回去，判断力的积累路径就是通的。
这里可以更进一步。工业化分工下的初级岗位，是在用大量无效的机械劳动稀释少量真正有价值的判断机会。一个初级数据科学家一天 8 小时里只有 1-2 小时在做判断训练，剩下 6-7 小时做对她的成长几乎没有贡献的手工活。如果 AI 可以把那 6-7 小时接走，理论上她可以一天 8 小时都花在判断训练上。一个用 AI 作为执行层的初级从业者，成长速度可以比用人工执行层的初级从业者快几倍。前提是她真的把时间花在追问结果、理解业务、和数据搏斗上，而不是把省下来的时间拿去刷短视频。
所以”AI 堵死应届生上升通道”这个说法把因果搞反了。AI 让那些跟判断力无关的机械岗位消失了，但消失的本来就是对初级从业者成长没有独立价值的那部分。公司曾经因为人力便宜而让应届生做这些，但这不意味着这些岗位对应届生本身是好的。那只是廉价劳动力的一种使用方式。
把两件事放在一起看，其实是同一件事的两个面。对已入行的人，AI 把被工业化分工挤掉的判断时间还回来，让他们重新做当初吸引他们进这行的那部分工作。对初级从业者，AI 让他们直接从判断训练开始积累，跳过前辈被工具异化的那几年。前者是回到本源，后者是不用再绕弯。机制完全一样，差别只是生命周期位置不同。
前面的主张对所有职业都成立吗？答案是否定的。有一类职业，它的底层机械活本身承载着判断力积累的全部路径。把机械活接走，判断力就无从积累。
外科医生是最清楚的例子。一个住院医生缝合伤口、打结、做最基础的切开和缝合，这些看起来很机械的操作里，承载着对组织硬度的感知、对血管位置的判断、对患者身体差异的适应。这些手感用眼睛看不来，必须自己的手做过几千次、几万次才能具备。AI 可以辅助诊断、可以帮忙看片子、可以做术前规划，但手感这件事 AI 接不走，因为它的学习通道就在手本身。木工同理，厨师同理，钢琴家同理。
所以区分的标准其实很简单：底层机械活的价值主要来自手感或身体经验积累的，AI 不能接；底层机械活的价值来自它服务的认知目的，而这个目的有别的路径可以达到的，AI 可以接。美工、数据科学家、程序员、律师、大部分白领工作属于后者，外科、木工、厨师属于前者。AI 对白领的冲击更大，原因是白领的职业异化更深，有更多扭曲可以被修正。
我最开始说我有两个朋友，一个做美工，一个做数据科学家。她们当初选这些职业是因为里面有让她们兴奋的东西，入职之后日常变成了被当作机器使用。这是工业化分工对几乎所有白领职业做过的同一件事，而非她们个人的问题。AI 在做的事情，是把这个扭曲扭回来一点，让她们的工作重新接近当初让她们选择这份工作的那个样子。
对已经入行的人，AI 让他们重新找回当初选这份职业的理由。对正在入行的人，AI 让他们可以直接从判断力开始积累，跳过被工具异化的那几年。两种情况对应到具体的人身上，都是更好的状态。