人才范式革命：从“技能积累”到“模型调用”
当写作、编程、翻译、分析、设计中的越来越多环节可以通过模型完成，个人第一次能够在尚未掌握全部执行技能时，组织出过去需要多个专业人员才能交付的成果。
本文提供三个完整语言版本
过去，一个人提高职业价值的典型方式，是花时间学习知识，在实践中积累经验，再把逐渐稀缺的能力出售给组织或市场。学历证明学习投入，履历证明经验积累，职称与职位证明组织认可。这条“学习—积累—变现”的路径，塑造了现代教育、职业分工和个人奋斗叙事。生成式人工智能正在改变这条路径的经济基础。
01旧范式的五个前提条件
传统人才路径的有效性，建立在几个长期成立的条件上。首先，知识和技能主要附着在人身上。其次，技能的有效期足够长。再次，经验通常与产出质量正相关。第四，多种能力的组合需要组织。第五，能力证明与实际能力之间存在可接受的对应关系。生成式AI逐一改变了这些条件。部分知识能力可以通过接口获得；操作性技能的更新速度加快；优秀人员的部分工作方法能够经由模型向更多人扩散；跨专业协作中的一些任务可以由一个人组织完成。
02从“知道如何做”到“能获得结果”
变化最明显的，是“知道如何完成”与“能够获得完成结果”之间的距离缩短了。过去，不会写程序的人很难制作软件原型；如今，他可以先描述需求，再借助模型构建可运行版本。不过，原型能够运行，并不意味着他已经理解系统安全、维护成本和用户需求。执行门槛下降了，判断门槛仍然存在。一个人可以先借助模型开展小规模实践，从客户反馈中识别知识缺口，再针对性学习，随后改进产品。学习开始更多地嵌入交付过程，职业成长也更像持续循环。
03重新定价：什么能力变得更值钱？
但“调用模型”不会自动成为新的财富密码。人人都能获得的能力，很难长期支撑超额回报。模型越普及，真正需要回答的问题越具体：谁发现值得解决的问题，谁提供模型缺失的现实信息，谁判断输出是否可靠，谁让成果被客户采用，谁承担失败后果，又由谁获得最终收益？知识依然重要，但知识与收入之间的连接方式发生了变化；经验依然重要，但重复执行形成的熟练，与能够识别异常的判断，需要重新定价。
04OPC：一人公司的人才新范式
这里的AI员工，是带有任务、权限、记忆与交付标准的执行角色。检索、分析、编辑、审查可以并行，最终负责的人保持目标与价值排序的一致性。组织能力因而有机会超过个人亲手执行的总量。协调成本却不会自动消失。上下文不一致、任务重复、交接遗漏，以及多个角色一起相信错误，都需要治理。一人公司的规模上限，取决于它能以多低的人工负担维护可靠性。
人才竞争正在从个人能够执行多少任务，转向个人能够组织多大规模的可靠成果。学习不再是一次性投入，而是嵌入交付过程的持续循环。模型可以调用能力，但不能调用问题发现、现实判断和责任承担。当执行成本趋近于零，定义问题和验证结果的能力，就成为最稀缺的人才价值。
这是一个持续更新的公开记录。重要修订会保留日期并说明原因。