执行变得几乎免费之后：人才的新定义

先看两组放在一起会让人不安的数据。

PwC《2026 全球 AI 就业晴雨表》显示：AI 技能的工资溢价已经升到 **62%**（2024 年还只有 25%，2025 年为 56%）——"会用 AI"确实值钱了。【已查证】可同一份报告又显示，2025 年比利时"AI 用户类"岗位下降 **5.7%**，"AI 开发者类"岗位下降 **26.4%**，而全球 AI 专家招聘的增速是整体招聘的约 **8 倍**。【已查证】

这看起来自相矛盾：如果 AI 技能这么值钱，为什么相关岗位还在减少？

答案是——**值钱的已经不是技能本身，而是技能背后那种更稀缺的东西**。而我们绝大多数的人才观念，仍然停留在"技能存量"的旧地基上。"会用某个工具"既是入场券，又在快速贬值；真正沉淀下来的，是跨工具的判断力，而不是对单一工具的熟练度。【推断】

这篇文章要谈的就是：当"执行"的边际成本趋近于零，**人才的价值锚点正在从"存量技能"迁移到"目标定义 + 工具驾驭 + 验证担责"。**

必须先立一把尺子，否则一切都只是"深化"而不是"革命"。

库恩意义上的范式革命，不是把旧事做得更好，而是更换"什么算问题、什么算好答案"的标准。套到"人才"上，我们只需要问两件事：**人才价值的计量单位（unit of account）有没有变？成立条件（warrant）有没有变？**

如果变化只是"用 AI 把同一份技能做得更快、把同一个岗位干得更好"，计量单位仍是**人所拥有的技能存量与单位时间产出**，成立条件仍是**学历、经验、资历的认证**——那只是**深化**。只有当价值单位从"我拥有什么技能、单位时间产出多少"，迁移到"**我能以多高的可靠性，把一个目标转化为可被验证的结果，并为此负责**"；成立条件从"资历认证"迁移到"**结果可验证 + 责任可归属**"，这才是**革命**。【推断】

按这把尺子，我们去看证据。

过去的人才观建立在五条不证自明的假设上：人才是**存量技能**（贝克尔人力资本理论）；装在**岗位任务包**里（斯密分工到现代 HR）；靠**经验积累**增值（阿罗 1962 年"干中学"）；由**学历资历**认证（斯宾塞信号理论）；被**组织占有**（麦肯锡 1997 年"人才战争"）。【已查证·经典文献】

AI 正在逐条动摇它们。

**第一，执行技能被公共化。** GitHub Copilot 随机对照实验中，实验组完成任务比对照组快 **55.8%**，且编程经验越少的人受益越大。【已查证】Noy 与 Zhang 在《Science》的预注册实验里，让 453 名受过大学教育的专业人士做职业写作，用 ChatGPT 的组耗时下降 **40%**、质量上升 **18%**，能力较弱者获益最大。【已查证】Brynjolfsson 等对 **5,172 名客服**的实地研究更直接：AI 助手使人均每小时解决问题数 **+15%**，最低技能五分位 **+36%**，而最高技能者几乎零增益、对话质量还略有下降；新员工两个月就达到未用 AI 者六个月的熟练水平。【已查证】

**第二，经验不等于杠杆。** METR 的随机对照实验招募 16 名资深开源开发者、完成 246 个真实 issue：允许使用 AI 时，他们反而**多花了 19% 的时间**；开发者事前预计 AI 能提速 24%，事后仍认为提速了 20%——**感知与现实方向相反**。【已查证】经验必须经过重新校准，才能转化为 AI 杠杆；否则熟练度反而变成过度信任的来源。

**第三，真正的核心能力变成"知道自己在哪里会错"。** Dell'Acqua 等在波士顿咨询做的预注册实验涉及 **758 名顾问**：在 AI 能力范围内的任务上，用 GPT-4 的顾问多完成 12.2% 的任务、快 25.1%、质量高 40% 以上，且**低于平均能力者提升 43%、高于平均者仅 17%**；但对一项刻意选在 AI 能力**边界之外**的任务，用 AI 的顾问答对率反而**低了 19 个百分点**。【已查证】这就是所谓的"锯齿前沿"——你只有大量使用 AI，才知道哪边是哪边。人才价值的新核心，是**把任务放到前沿正确一侧的判断力**。【推断】

**第四，验证与担责成为新瓶颈。** 当"生成"变便宜，约束就转移到"证明它对"。前述客服研究里，最强的人在采纳 AI 建议后质量反而下降——建议再好，也替代不了本人的判断与责任。【已查证】稀缺性没有消失，它从"获取与执行"搬家到了"验证与担责"。

**第五，人才再生产的管道正在断裂。** 斯坦福数字经济实验室基于 ADP 高频工资数据发现：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%**，有经验者没有同等缺口，差异主要通过**减少招聘**而非裁员实现。【已查证】亚特兰大联储把这一现象接回阿罗：入门岗位"不只是低价值工作，而是工人积累未来生产力所需人力资本的**课程**"；自动化掉它们，企业是在锯断自己未来高级人才的供给管。【已查证】这最危险，却最少被讨论——**不是经验不值钱，而是获得经验的路径正在被关闭。**

与此同时，稀缺资源上移了。PwC 2026 发现：AI 高暴露的入门岗位要求"领导力、战略思维"等传统资深技能的概率是低暴露岗位的 **7 倍**；新增任务依赖同理心、创造、判断等"人类密集型技能"的概率是 **2.5 倍**。【已查证】连雇主的用人标准也在变——对正式学位的强调下降，更看重适应性、技术流畅度与问题解决。【已查证】

把这些线索收拢，新范式的操作性定义只有一个乘法式：

它是相乘，不是相加。会定义目标却不会编排工具，是空想；会驾驭工具却不能验证，是幻觉的放大器；能验证却不担责，价值无法被市场定价。任何一项为零，整体价值崩塌。【推断】

由此展开三层含义：

**资产变了。** 个人可携带的资产不再是"脑中技能存量"，而是**判断与品味 + 私有验证语料/评测集/工作流 + 编排协议**的组合。技能可以被模型复制，但这三样与具体领域、具体客户、具体失败史绑定，最难被公共化。【推断】

**定价变了。** 人才从"按技能存量/工时"定价，转向"**按可验证结果与杠杆**"定价。个体的边际价值 = 把 AI 能力转化为可验证商业结果的**转化率**，而不是个人产出速度。【推断】

**组织形态变了。** 人才从"岗位的填充物"变为"**目标的定义者 + 人机混合系统的编排者 + 责任的承担者**"；雇佣关系从"买时间/技能"转向"买结果/判断"，人才的市场形态从 employment 向 contracting、entrepreneurship 扩散。Stripe 观察到并公开主张"独立创业处于历史最高水平"。【已查证·厂商主张；具体幅度待验证】这与一人公司（OPC）的形态完全同构：**个人的有效工作跨度，从"我能执行多少"扩展到"我能定义并验证多少"。**

**给个人：停止囤积会过期的技能，开始积累不可公共化的资产。** 把每一次工作沉淀成私有的评测集、失败案例库和判断记录；刻意练习"把任务放到锯齿前沿正确一侧"的元认知；主动追踪自己在哪些环节会系统性出错，而不是只记住 AI 有多强。

**给组织：重新设计你的"入门课程"。** 如果入门岗位真的在消失，就必须用别的方式补上"干中学"这一课——把 AI 节省下来的时间，重新投资到新人的判断与验证训练上，而不是直接把管线掐断。同时，绩效与薪酬要逐步从"工时/技能矩阵"转向"可验证结果 + 判断质量"。

**给研究者与创业者：把"验证税"当机会。** 谁能为某个人机协作场景提供可信的验证、评测与担责机制，谁就握住了新范式的瓶颈环节。目标定义工具、编排协议、私有验证语料——这些都是尚未被充分占领的位置。

这场革命尚未完成，但已经越过了"定义必须改写"的临界点。

真正的分水岭，不是"AI 会不会取代人"——那是能力问题；而是"**当执行的边际成本趋近于零，人的价值锚点会不会从执行能力，迁移到定义、判断、验证与担责**"——那是判据问题。

技能没有消失。它从"被购买的稀缺存量"，变成了"可被随时调用的公共资本"。稀缺的东西，第一次如此清晰地停在了目标、判断、验证和责任上。