找到10%高价值的工作，但是在AI时代，对于data scientist来说，高价值的工作是什么呢？我觉得我之前很多的高价值的工作现在都没有价值了，而且留不下来，而且别人不会觉得是我做的。

数据科学里很多工作之所以过去值钱，是因为它降低了信息成本：写 SQL、跑模型、做报表、出洞察，本质都是把信息整理出来给人做决定。AI 把这类认知工作的边际成本压到接近零，所以这些动作本身不再稀缺⁠1。判断一份工作还有没有价值，可以问一句：这份产出完成后，下游会做出什么不同的决定或行动？如果答案只是“又多了一份报告”，那它很可能已经是 fake work——组织用进度、报告、会议这些看得见的动作替代了真实价值⁠2。你感觉“留不下来、别人不觉得是你做的”，一部分原因就在这里：交付物可以按时完成，最初的问题却可能原封不动，责任在一次次交接中被翻译成了更容易验收的东西⁠2。

立正给数据科学家的具体方向是：不要停在“分析、建模、报表、实验”这个中间层，而是主动往更接近模型、也更接近结果的位置移动，AI engineer、AI PM、conductor、builder 这些名字不重要⁠3。这类人的价值不在亲手写多少代码或搭多少 dashboard，而在四件事：把模糊的业务问题翻译成 AI 能消费的 context；设计 eval、反馈回路和标准；编排模型、工具、数据和流程让系统跑起来；判断什么该自动化、什么该人工接管⁠3。这解释了为什么“别人不觉得是你做的”：如果价值体现在一段具体执行上，它天然容易被替代、被归到流程里；如果体现在“设计整个系统如何把结果做出来”，归属就更难被抹掉。

如果暂时改不了组织，可以先闭合一个小循环：做出改动，让真实用户使用，观察发生了什么，再改一次——练的不是多做一个项目，而是从判断一路负责到结果⁠2。对数据科学家来说，这可能意味着挑一个你判断真正重要的问题，自己跟到有人真的用了、行为变了为止，而不是停在交付一份分析。这样做的意义是检验你的判断：如果结果变好了，说明你选的问题和做法是对的，这份价值也更难被说成是别人的。反过来，如果做完没有任何下游决定改变，那它大概率还是 fake work，值得考虑停掉或交给 AI⁠2。