未來3年，AI一定無法取代什麼人？

最近和不同行業的朋友聊天，最後話題都集中在一點： 

AI來了，以後該怎麼辦？

相信你肯定也有過這樣的焦慮，擔心AI會取代自己的工作，甚至現在許多公司都把用deepseek寫進員工KPI里，不會用AI的人全部裁掉。 

但我的觀點是，大家沒必要驚慌，AI的出現與其說是一個警告，不如說是一個提醒。 

AI更像是一個篩選器，一個分水嶺，一個略帶強製性的個人能力升級插件。它肯定會替代掉一部分人，這是大勢所趨，但也會賦能另一部分人，讓他們本身的價值被更加放大。

那AI會替代掉什麼人呢？

不會深度思考的人，只有初級思維只能做初級工作的人，只會動手不會動腦的人。

比如只會寫文案，只會咬文嚼字，但不懂得文案背後的思考邏輯，所針對的目標人群，以及要傳遞的關鍵信息。 

再比如，只會蒐集整理數據，但不會篩選清洗數據，不會對數據下判斷，不會對數據的異常變化有深入挖掘和洞察的人。 

現在我已經明顯感覺到過去那些初級崗位的工作，勞動密集型行業的工作，很容易被AI所取代。 

但是那些需要深度思考，需要從無到有創造，需要抽絲剝繭找到原因的事情，AI做不了，但它能加速幫你完成這些工作。 

所以乘風起勢，而不是被風颳跑，思考力依然是人類至關重要的武器。 

那麼想要用好AI，我們要著重培養哪些技能？以下3點，大家笑納： 

第一，會總結事物的底層規則。

任何一個領域，一個行業，只有把它的底層規則摸透的人才有資格吃到紅利，後來的人只能喝湯，再後來的人連骨頭渣都沒有。 

這個道理在AI來了以後，會更加明顯。 

什麼叫底層規則呢？ 

就是支撐這個生意業務不斷髮展的基礎，少了它這個模式鏈條上的一切機會都不成立。

職場上也是如此。我不止一次提到過，人的成長路徑是依據外部規則的變化而不斷升級的。 

從剛入職時一個項目的規則，到一個團隊的規則，再到一家公司的規則，最後到一個行業的規則，每一次規則的變化就是一次思想的升維。 

當你換了一個規則領域，舊的思想要馬上更換和適應新的框架。 

比如很多人做一個項目的時候非常厲害，一個人頂八個人，但陞遷到團隊領導的時候卻帶不動人，因為單打獨鬥時候的規則和帶領團隊的規則是截然不同的。 

然而到了行業層面，規則又變了。「帶領」這個詞的意義變得更豐富，從過去帶領一大幫人，變成了帶領整合一大幫資源。 

這個「資源」可以是產業鏈條上的公司，組織，工作室，或者自由職業者，甚至還可以是IP，商標，生產線，人脈網絡等等。 

思維的迭代伴隨規則的迭代，這就是深度思考。學習規則，參透規則，利用規則，最後改變規則。 

這就要求，你要不斷總結出你這個領域的SOP，即標準作業流程。 

而這每一個SOP就是一個規則，AI可以把這些規則結構化，可視化，落地應用化，把它從你的大腦里複製到你的電腦里。 

比如，你是做市場分析的，過去搜索分析市場數據，你需要3個人的團隊，花費1個月時間去完成。 

但現在你只用總結出一套做市場分析的標準作業流程。 

前期，中期，後期分別需要做什麼工作，具備什麼能力，需要什麼信息的輸入，得出什麼樣的結論，以及結論質量好壞的評判標準。 

然後用AI工作流搭建好這個「生產線」，接著不斷喂給它數據，一個小時就能搞掂。 

這就是利用好底層規則之後的降本增效。 

越早洞察到底層規則的人，就越早能培養出自己的萬能AI助手，真正解放雙手，釋放大腦。 

第二，萬事萬物都會拆解。

小時候看科幻片，特別喜歡一個段落： 

一個機器人看到眼前的一架鋼琴，馬上展開掃瞄分析。這架鋼琴的材質、年份、生產地、售價、曾經的主人等一系列信息全部羅列在屏幕上。 

這就是拆解。而 人類也應該學會這個技能， 因為這會讓你看問題變得 非常全面有條理。 

如果帶著拆解的意識去看待世界，你會發現萬事皆可拆。 

一個項目，你能拆解成背景，需求，解決方案，資源搭配和時間規劃； 

一場演講，你能拆解成開場，中段和結尾。中段里又能拆解成不同的主題，轉場以及互動環節； 

一款APP程序，你能拆解成前端和後端，前端又可以拆解成不同的頁面，後端可以拆解成不同的模塊； 

如果你願意，隨便拿起手上的一個東西，面對的一個困難，正在做的一件事情，都可以練習拆解。 

拆解的好處，就是將問題由表及里進行分類，然後各個擊破。

就像手握手術刀的外科醫生，面對病灶要精準處理。既不能傷及無辜，也要一擊必中。 

很多時候我們面對問題不知所措，就是因為沒有拆解的思維。 

問題的不同部位往往糾結摻和在一起，變成一團亂麻。 

而拆解就是把亂麻理順，把大腦清空。掌握這種方法，你的思考效率能提升好幾個數量級。 

就像我們面對AI一臉茫然，不知道該問AI什麼問題，才能得到想要的答案，就是因為我們不會拆解。 

你如果問AI： 

怎麼提高工作績效？ 

最後只會得到不痛不癢的套路解答，和網上那些雞湯文並無二致，對你沒有任何參考價值。 

但你如果問AI： 

我是一個在一線大廠工作5年的程序員，今年6月就進行述職報告（背景），針對過去一年的工作績效提出改善計劃，尤其是在編程開發的進度上要提升工作效率（目標），我該如何製定一份目標清晰，可執行性強的績效提升計劃（行動）？ 

這樣再去試試，馬上就不一樣了。 

對AI提問，千萬不要陷入知識詛咒的陷阱，你以為AI都知道的事情，實際上你不告訴它，它根本不懂你要什麼。 

所以如何正確地和AI交流？ 

你不能只有籠統的一句話，而是要把信息進行拆解，按照邏輯進行結構化表達，而不是情緒化表達。 

最後，會做調試，擅長調試。

一個人會不會用AI，很大程度上就是看這個人會不會調試，有沒有迭代優化的思維，而不是亂問一通。 

因為AI出來的東西一開始並不那麼精準，而你需要通過調試來訓練它懂你，知道你的想法，慢慢接近你想要的答案。 

而想要做好這一點，就要用到控制變量法。 

什麼意思？ 

從一個模糊問題開始，不斷迭代，每一次只改變其中一個元素，然後根據出來的效果進行反復追問，這樣你才能得到最終想要的答案。

控制變量，就是每次只改變一個變量，然後觀測結果，直到每一個小的結果都讓你滿意，最後組合成一個大結果。 

比如你想要AI寫一篇文章，出來的東西你並不喜歡，但具體不滿意的點有好多個，文章結構，文章標題，文章舉的例子，文章每個段落的小結，你都覺得要調整。 

這時如果一股腦全修改，每次AI都要重新思考，重新產出，出來完全一篇新的文章，這時大概率你又會有新的不滿意的點，無休無止。 

那該怎麼辦？ 

不要一上來就調試所有地方，而是一個個分別來調試。 

文章標題不滿意，單獨拎出來進行調整，具體哪裡不滿意，是語氣不行，痛點沒有前置，情緒感不夠？ 

文章結構不滿意，那就是文章大綱出了問題，所以就重新擬定大綱，換個行文結構。 

文筆風格不滿意，那就喂給AI幾個你覺得不錯的文風，依然是原來這篇文章，讓它換個方式來寫。 

如此調試，AI才能知道你對每個部分分別的偏好都是什麼，它才會記錄在「大腦」里，長此以往才會更加瞭解你。 

最後總結一下，什麼叫AI思維？ 

AI思維並不是你真的相信AI可以代替大腦，而是AI可以代替大量由人腦發出來的人工指令。只有這樣你才會積極去嘗試，去使用，而不是當一個甩手掌櫃，什麼都不幹就能躺平。

因此一定要具備深度思考的能力，這就要求我們會挖掘工作的底層規則，能夠拆解所有的步驟，對每個步驟進行精準微調，如此才能用好AI.

這個過程前期肯定是痛苦繁瑣的，甚至比你過去人工工作還要來得耗時耗精力。 

可一旦你深入干進去了，基建設施搭好了，後面就是乘風起浪，無往不利。 

最後，祝大家早日成為AI的駕馭者，而不是被AI駕馭. 

本文來自微信公眾號 「張良計」（ID：zhang_liangj），作者：張良計，36氪經授權發佈。