在AI时代，怎样做AI赋能的工作，而不是被AI取代的工作？

白领工作的核心价值在于降低信息成本，而报告、分析、代码、会议纪要这类动作正被AI以接近零的成本完成⁠4。所以“做AI赋能的工作”如果只是会用工具、会写prompt、把既有流程跑得更快，它仍然落在被压缩的那一侧——AI擅长的是已被广泛表达、被反复验证的共识内容，非共识判断反而难以稳定输出⁠3。

真正拉开差距的是能不能close loop：AI能完成80%–90%，但最后5%–10%需要人判断结果好坏、给反馈、修正并负责，而这需要领域深度，否则你不知道两个答案哪个更好、错在哪里⁠2。另一条线是良质判断：写不再是核心，品鉴和定义“什么是好”才是，因为AI能比你更好地遵循标准，但判断标准是否仍然有效只有人能感受⁠5。

一个可迁移的方向：不要停在中间层岗位的“分析、建模、报表、实验”上，而是主动往更接近模型、也更接近结果的位置走——把模糊业务问题翻译成AI能消费的context、设计评估与反馈回路、编排模型工具数据流程、判断什么该自动化什么该人工接管⁠7。关键不是头衔，而是你负责的是设计系统还是维护流程。

同时要留意两个约束。其一，个人效率提升可能被组织瓶颈吃掉：激励按时间付薪、流程按旧节奏排队，都会让AI的提速落不到业务结果上⁠10。其二，把AI当思考伙伴而非执行工具，前提是积累足够密度的context（你的价值判断、历史决策、取舍逻辑），这需要从真实工作记录里持续提炼⁠12。所以“不被取代”不是一次性选对赛道，而是持续把判断和结果之间的距离缩短⁠1。