执行成本趋近于零：重塑AI时代人才价值的锚点

PwC《2026 全球 AI 就业晴雨表》提供了一组引人深思的数据：AI技能的工资溢价已从2024年的25%跃升至2026年的62%，这无疑表明市场对AI能力的认可度与回报在显著提升。然而，报告同时指出，预计到2025年，比利时地区“AI用户类”岗位将下降5.7%，“AI开发者类”岗位更是大幅下降26.4%。与此形成鲜明对比的是，全球AI专家招聘的增速高达整体招聘的约8倍。这组数据看似矛盾，实则揭示了当前人才市场的一个深层结构性变化。

这种看似自相矛盾的现象，其核心在于：高价值的并非AI技能本身，而是技能背后那种日益稀缺的复合能力。传统人才观念往往将“会用某个工具”视为核心竞争力，基于“技能存量”来衡量价值。然而，随着AI技术普及，特定工具操作的门槛大幅降低，其作为“入场券”的价值正在迅速贬值。真正的价值沉淀，在于跨工具的宏观判断力、对结果负责的担当，而非对单一工具的纯熟掌握。这预示着，人才的价值锚点正在发生根本性迁移。

要探讨人才概念的“革命”，我们首先需要明确判断标准。借用库恩对科学范式革命的定义，真正的革命并非只是将旧事物做得更好，而在于彻底改变“什么才是问题、什么才是好答案”的根本标准。将其映射到人才领域，核心在于审视两个关键维度：人才价值的计量单位（unit of account）是否发生了转变？以及人才成立的条件（warrant）是否发生了根本性变化？只有这两个维度都发生质的飞跃，才能称之为“革命”，而非简单的“深化”。

如果变化仅仅停留在“利用AI工具，更快更好地完成既有技能任务或岗位职责”，那么人才价值的计量单位仍是个人拥有的“技能存量”及其“单位时间产出”，其成立条件依然依赖于“学历、经验、资历”等传统认证——这仅是效率的“深化”。真正的革命性转变在于，价值计量单位从“我拥有什么技能、能产出多少”迁移至“我能以多高的可靠性，将一个目标转化为可被验证的结果，并为此承担责任”；同时，成立条件也从“资历认证”转向“结果可验证性”与“责任可归属性”。

过去数十年，我们对人才的认知建立在五项不言自明的核心假设之上：人才即“存量技能”（如贝克尔的人力资本理论）；被封装在“岗位任务包”中（从斯密分工到现代HR体系）；通过“经验积累”实现增值（如阿罗的“干中学”理论）；由“学历资历”进行认证（如斯宾塞的信号理论），并最终“被组织占有”（如麦肯锡的“人才战争”论）。然而，AI技术的崛起正在以前所未有的速度，逐条动摇这些根深蒂固的假设。

首先，执行技能正被迅速公共化。GitHub Copilot的随机对照实验显示，实验组完成任务速度比对照组快55.8%，且编程经验越少者受益越大。Noy与Zhang在《Science》杂志的研究中，453名专业人士使用ChatGPT后，职业写作耗时下降40%、质量提升18%，能力较弱者提升更显著。Brynjolfsson等对5,172名客服的实地研究进一步证实，AI助手使人均每小时解决问题数增加15%，其中最低技能组提升36%，而最高技能者几乎零增益。这些数据表明，AI正将基础执行能力转化为普惠的公共资源。

其次，经验不再自动等同于杠杆，真正的核心能力转变为“知道自己在哪里会错”。METR的实验发现，16名资深开源开发者在使用AI时，反而多花了19%的时间，而他们主观感知却仍是提速20%。这揭示了经验若未经AI校准，反而可能成为过度信任的来源。Dell'Acqua等在波士顿咨询的实验中，GPT-4使顾问在AI能力范围内任务上效率提升、质量提高，但对AI能力边界之外的任务，使用AI的顾问答对率反而低了19个百分点。这强调了“锯齿前沿”效应，即人才价值的核心在于判断任务是否落在AI擅长区，从而决定是否以及如何利用AI。

再者，验证与担责正成为新的瓶颈，而人才再生产的管道亦面临断裂。前述客服研究中，能力最强的员工在采纳AI建议后，对话质量反而略有下降，这凸显了个人判断与责任的不可替代性。稀缺性已从“获取与执行”转向“验证与担责”。更令人担忧的是，斯坦福数字经济实验室发现，22-25岁年轻人在AI高暴露职业中的就业水平比反事实低19%，主要通过减少招聘实现。亚特兰大联储将入门岗位视为“工人积累未来生产力所需人力资本的课程”，自动化这些岗位无疑是在切断未来高级人才的供给。同时，PwC 2026报告指出，AI高暴露的入门岗位对“领导力、战略思维”的需求是低暴露岗位的7倍，对“同理心、创造、判断”等人类密集型技能的需求是2.5倍，雇主对学历的强调也在下降，转而重视适应性、技术流畅度与问题解决能力。

综合以上线索，新范式下人才的操作性定义可归结为一个关键的乘法公式：**人才价值 = 目标定义能力 × 工具/agent 驾驭能力 × 验证能力 × 担责能力，并且作用在正确的任务上。** 这是一个乘法而非加法关系。这意味着，无论个体在目标定义上多么卓越，如果缺乏有效的工具驾驭能力，其设想便是空中楼阁；若能驾驭工具却无法对结果进行可靠验证，其产出则可能只是幻觉的放大器；而即便能验证，若不承担相应责任，其价值也难以在市场中被有效定价。公式中任何一项为零，都将导致整体人才价值的崩塌。

基于此，人才的“资产”与“定价”逻辑正在发生根本性转变。个人可携带的核心资产不再仅仅是脑中的“技能存量”，而是由**“判断与品味”**、**“私有验证语料/评测集/定制工作流”**以及**“编排协议”**所构成的独特组合。这些新资产因其与具体领域、特定客户需求及过往失败经验的深度绑定，极难被标准化模型所复制，成为个人独特价值的护城河。相应地，人才的定价模式也从传统的“按技能存量/工时”计费，转向**“按可验证结果与杠杆效应”**来定价，个体的边际价值取决于其将AI能力转化为可验证商业成果的实际**转化率**，而非单纯的个人产出速度。

组织形态与雇佣关系亦随之演变。在AI时代，人才不再仅仅是组织中“岗位的填充物”，而是演变为**“目标的定义者、人机混合系统的编排者，以及最终责任的承担者”**。雇佣关系的核心正在从“购买时间和技能”转向“购买结果和判断力”。这种转变促使人才的市场形态从传统的全职雇佣（employment）向更灵活的合同制（contracting）乃至独立创业（entrepreneurship）扩散。Stripe等平台观察到并公开主张“独立创业正处于历史最高水平”，这与一人公司（OPC）的理念高度契合：个人的有效工作跨度不再受限于“我能亲自执行多少”，而是扩展到“我能定义、编排并验证多少成果”。

对于个人而言，当务之急是停止囤积那些易逝、易被公共化的具体操作技能，转而投入精力积累那些难以被复制的、独有的资产。这意味着将每一次工作实践沉淀为自己的私有评测集、失败案例库以及关于关键判断的详尽记录。刻意练习一种元认知能力，即“如何将任务准确地放置在AI能力的锯齿前沿正确一侧”。更重要的是，要主动系统性地追踪自己在哪些决策环节容易出现错误，而非仅仅关注AI所展现出的强大能力，从而建立起真正的“反脆弱”能力。

对组织而言，核心挑战在于重新设计未来的“入门课程”。如果传统的入门级岗位正逐渐消失，那么组织必须找到新的途径来弥补“干中学”这一关键经验积累过程的缺失。这包括将AI所节省下来的执行时间，重新投资于新人关于判断力、验证能力以及系统性思维的训练，而非简单地切断人才培养的链条。同时，组织的绩效评估与薪酬体系也需进行变革，逐步从传统的“工时/技能矩阵”转向以“可验证结果”和“判断质量”为核心的评估标准，以适应人才价值的新锚点。

对于研究者与创业者来说，当前正是一个捕捉“验证税”所蕴含巨大机遇的时期。在一个生成成本几乎为零的世界里，谁能为特定的人机协作场景提供最可信赖的验证、评测和责任归属机制，谁就掌握了新范式的瓶颈环节。这为创新者开辟了广阔天地，包括开发前沿的“目标定义工具”、设计高效的“人机编排协议”，以及构建能够持续优化AI输出的“私有验证语料”与评估系统。这些领域尚未被充分开发，蕴藏着巨大的商业价值与社会效益。

这场由AI驱动的人才革命虽未最终完成，但其影响已然越过了“定义必须改写”的临界点。真正的分水岭并非围绕“AI是否会取代人类”这一能力层面的讨论，而是更深层次的拷问：当执行的边际成本趋近于零时，人类的价值锚点是否会从单纯的执行能力，彻底迁移到更高级的定义、判断、验证与担责等核心能力之上。这关乎我们如何理解并衡量人类在智能时代不可替代的价值所在。

在这个新范式下，技能并非消失，而是其存在形态发生了根本性变化。它从一种“被购买的稀缺存量”，转化成为可被随时调用的“公共资本”。因此，真正的稀缺性也随之转移，第一次如此清晰地聚焦在目标的设定、判断的洞察、结果的验证以及最终责任的承担之上。人才的新定义不再是你知道什么，而是你能够对什么结果负责，这成为了衡量个体价值的终极标尺。