当 AI 让一切「经验」贬值，什么才是稀缺品？

开场：一个来自 OpenAI CFO 的提问，把「经验」送上了审判席

9 月 11 日，华尔街见闻连续转述了 OpenAI CFO Sarah Friar 的一个判断：当 AI 让一切「经验」贬值，什么才是企业的稀缺品？个人版的问题更直接——你的经验，还值钱吗？

这个说法在社群里传得很开，因为它戳中的不是抽象焦虑，而是每天都在发生的具体场景：干了八年的程序员发现新人用 AI 三天写出了他要写一周的模块；干了十年的文案发现初稿不用自己起了；做了十几年数据分析的老手，看着实习生用自然语言直接出图表。评论区里最高频的句式是「那我这些年白干了？」——这个问题值不值得恐慌，正是本期要拆的。

这些曾经靠年限堆出来的壁垒，正在对话框里以秒为单位被拆掉。但拆掉的东西和恐慌以为被拆掉的东西，其实不是同一样。

拾闻：OpenAI 的 CFO 亲自说「经验贬值」，你的第一反应是认同还是警惕？

永亮：先警惕，再认同。警惕是因为说这话的人有动机——为 AI 替代人工的用工方向铺路；认同是因为去掉立场，这个判断本身站得住。但「经验」这个词被用得太笼统了，笼统到差点把真正值钱的东西一起埋掉。

拾闻：那咱们就聊透：经验到底哪部分在贬值、哪部分没有、企业以后为什么买单、以及一个普通人现在该往哪使劲。

Q1：「经验贬值」这个命题，本身成立吗？

永亮：命题成立，但贬值的不是 AI 出现才开始贬值的那部分。

我 Java 出身，做了十七年技术。这十七年里攒下的操作型经验，本来就不停在过期：我职业早期引以为傲的 Struts 配置技巧、手写 SQL 调优的套路、对 EJB 容器的理解——这些当年能换涨薪的东西，一半以上已经进了博物馆。中间这些年，框架从 SSH 换到 Spring 全家桶，再换到微服务和云原生，每一次换血都宣告一批「经验」作废。AI 没有发明经验的贬值，它只是给这个已经运转了二十年的进程踩了一脚油门，而且踩得很猛。

怎么判断自己的经验是不是在被贬值？我总结了一个土办法：凡是能写成 SOP、写成 checklist、能培训新人三个月上手的部分，都在贬值通道里。因为这部分的本质是「模式匹配」——见过足够多的案例，就知道下一步怎么做。而模式匹配恰好是模型最擅长的事，它见过的案例比你多几个数量级。

真正要警惕的是表述的偷换：「经验贬值」被说成了「年限贬值」。企业如果把这句话理解成「老员工没用了」，那是误读——贬值的是可编码、可复用的操作套路，不是判断力和责任感。这两样东西从未写在简历的技能栏里，也从没进入过保质期。把它们和过期的操作技巧一起打包扔掉，是这轮焦虑里最贵的错误。

Q2：那真正没贬值、甚至在涨价的，是什么？

永亮：是判断「这个方案能不能落地」的嗅觉，和系统出事时站出来的那一下。

先说判断嗅觉。听到需求的第一分钟，你就知道坑在哪——这家客户的预算根本撑不住这个架构、那个团队接不住这套流程、这个功能上线了也没人用。这种直觉是几百次失败项目攒出来的，它不是知识，更像嗅觉，不经过逻辑推导，直接给结论。AI 能给你十个方案，每个看起来都结构完整、论证充分，选哪个、哪个有隐性成本、哪个会在三个月后爆雷，这个环节目前还得是人。而且越复杂的组织环境，这个嗅觉越值钱，因为坑往往不是技术坑，是人和流程的坑。

再说背锅的能力。听着像玩笑，其实是认真的。系统凌晨出故障的时候，谁能判断影响面、拍板回滚、向老板和客服把话讲清楚？模型可以给建议，列出一二三四五个选项，但它不能为这个决定负责。责任是无法外包的稀缺品——只要商业世界还需要有人签字、需要有人半夜被电话叫醒，这句话就成立。我招人时有个偏门标准：遇到过线上大事故并且处理过的人，优先级排很靠前。因为这种人的价值不在不出事，在出事的时候能把损失摁住。

这两样东西有个共同点：它们都不是「学」出来的，是「趟」出来的。模型可以从语料里学习知识，但没法替你把坑趟一遍。

Q3：反方观点怎么回应——给模型足够上下文和评测手段，判断力不也只是时间问题？

永亮：是时间问题，但「时间问题」恰恰是重点——因为把隐性知识显性化这件事本身，还得人干，而且在可见的窗口期里，干这件事的人就是稀缺品。

举我行业的例子。AI 给出一份医疗信息化方案，技术上挑不出毛病：架构合理、组件成熟、性能指标都达标。但它不知道这家医院的 HIS 系统是十年前哪家供应商做的、数据字典乱成什么样、信息科主任和副院长在推进同一件事但口径不一致、院长真正想要的是评级还是控费。这些上下文在文档里查不到，在人的脑子里。模型要吃掉这层判断，先得有人把这些隐性知识全部显性化、整理成它能消化的形式喂给它——而做这件事的，还是人。

有人会说，那评测手段成熟了，模型自己就能验证方案好坏。问题是评测只能覆盖被定义出来的指标，而隐性约束恰恰不在指标里——「副院长和主任口径不一致」怎么写进评测？「院长要的是评级」怎么写进单元测试？

所以我的回答是：判断力确实终将被部分压缩进模型，但这个压缩过程每一步都需要人肉搬运工。未来稀缺的不是「判断力」这个抽象词，而是「能把隐性上下文喂给 AI 的人」。稀缺的从「有经验的人」变成了「会带 AI 的人」——这个转变比「经验贬值」四个字重要得多，因为它指明了人该往哪使劲。

Q4：如果稀缺品变了，企业花钱的逻辑跟着变——变在哪？

永亮：溢价从「资历」转移到三样东西：私有数据、业务翻译能力、问责机制。

过去企业为资历付溢价，因为资历≈经验≈少踩坑。经验本身便宜了，钱会流向三个新标的。

一是高质量的私有数据。这是模型替代不了的护城河——模型吃的是公开语料，你的交易记录、工艺参数、客户历史、服务工单，它都没见过。谁的私有数据又多又干净，谁的 AI 落地就快一截。所以我给企业做咨询时第一条建议都是：别急着上模型，先盘点数据资产。

二是能把业务问题翻译成 AI 任务的人。业务方说「提升留存」，这是需求不是任务；任务是「对近 90 天沉默用户做分群、预测流失概率、生成三档召回话术并设计 A/B 测试」。中间这道翻译，现在没几个人干得好——它要求既懂业务话术又懂模型能力边界，我招人时最看重这个，宁愿放掉一个纯技术强的。

三是对结果的问责机制。AI 参与度越高，产出越像样，组织里「签字负责的人」越关键。审计、复核、签字链这些听起来官僚的环节，会因为 AI 而变得更重要而不是更不重要。反过来，纯执行层岗位会被持续压缩——初级代码岗、初稿文案、基础数据处理，这些位置的数量和单价都在往下走。这不是我的预测，是 OpenAI CFO 这种身份的人说这话时已经在暗示的用工方向。

Q5：一个工作五年、技能正在被模型覆盖的工程师，现在最该投资什么？

永亮：停止往「更熟练」的方向卷，往「更难被描述」的方向走。

具体三条。第一，把价值建在具体情况上：你所在的行业、你接触过的客户、你处理过的那些没写进教科书的烂摊子。模型擅长的是有标准答案、有海量语料的领域；具体情况是你的防波堤。同样写代码，懂医院业务流程的工程师和不懂的，在 AI 时代的价格差距会拉大而不是缩小。

第二，每周拿真实问题去遛 AI，但别抄答案，要复盘它为什么错。建个文档，记下它这次哪里想当然了、哪里漏了约束、哪个建议如果照做会出事。它错的地方，就是人的价值还剩多少的刻度。这个习惯坚持半年，你会比周围人更早看清自己的护城河在哪，而且攒下的这份「AI 踩坑档案」，本身就会成为你的私有数据资产。

第三，练表达。未来人和人的竞争，很大程度是「谁能把问题讲清楚」的竞争——把模糊的业务诉求讲成 AI 能执行的指令、把技术的可行性讲成老板能懂的决策依据。表达是隐性知识的出口，这个出口越宽，你喂给 AI 的上下文质量越高，你的杠杆就越大。

尾声

拾闻：最后，用一句话总结这期？

永亮：每次技术浪潮喊「某某要贬值」的时候，最后真正贬值的往往只是门槛——门变矮了，屋里反而更挤，想站稳，还是得有点别人搬不走的东西。

拾闻：这句话，送给大家。下期见。

---

【技术纵深】为什么模型吃不掉「隐性知识」：从上下文工程的角度拆

这期反复说「隐性上下文」，给技术读者拆一下为什么这是模型的结构性短板，而不是暂时的不够努力。

先看模型的输入本质。 大模型的全部输入是一段 token 序列。所谓「给模型足够的上下文」，在实践中意味着：有人把脑子里的判断整理成文字、检索成文档、塞进上下文窗口。这个「整理—检索—塞进」的流程，就是现在整个行业在做的上下文工程（context engineering）。它恰恰证明了我的观点：隐性知识每被用上一次，都得先经过一次人工的显性化。工具在进化，从手动粘贴到 RAG 到 agent 自动检索，但「源头的知识从人脑里来」这一步没有变过。

再看检索为什么救不了场。 RAG 的假设是「知识已经被写成文档、且能被 embedding 相似度找到」。组织里最有价值的判断恰恰是没写下来的：为什么上次选了 B 方案而不选 A、哪个客户口头承诺过什么事、哪段代码是上一任留下的雷。 embedding 捕获的是语义相似，不是因果和利害——而这些才是判断的原材料。

最后看 agent 记忆的实际水位。 现在的 agent 长期记忆方案（会话总结、向量记忆、技能文件）能记住「发生了什么」，但很难记住「为什么当时这么决定」。决策的语境——当时的约束、权衡、风险偏好——几乎无法被压缩存储。这也是为什么我见过的大多数企业 AI 落地项目，瓶颈从来不在模型能力，而在没人愿意花时间做知识的显性化整理。

一句话：模型吃知识的胃口是无限的，但喂饭的勺子一直在人手里。这就是「会带 AI 的人」稀缺的工程层面解释。