当 AI 让执行变得廉价，我们究竟需要什么样的人？

TL;DR

执行成本下降，并不自动解决目标选择、价值判断和责任归属 —— 恰恰相反，执行能力越强，错误决策的后果越大。

• Rieseberg 的 Hunger Beats Tenure 真正有意思的不是「初级工程师能超越资深工程师」，而是：当行动的外部障碍减少，个体内部的动机差异就更容易体现在最终成果上。
• 有实验证据提示，AI 可能提高每个人的平均产出质量，却压缩整个群体的思想多样性（Doshi & Hauser, 2024）。每个个体看起来都更高效，社会的探索空间未必因此扩大。
• 四种能力对应四个不同的问题：创造力问「有没有更好的可能性」，独立思考问「它是否可信」，自我驱动问「谁愿意把它变成行动」，责任心问「如何确保结果可信、后果有人承担」。缺任何一环，闭环都不成立。
• 责任不应该脱离权力而存在。 要求员工为 AI 系统的失败负责，却不给他审查、暂停和纠偏的权限，这不是责任机制，是转嫁。
• 最后一条提醒：别把这四种能力变成新的职场道德标准。 不同岗位需要不同的能力结构，而创造力和自我驱动高度依赖环境 —— 一个长期缺少安全感和自主权的人，很难持续表现出它们。

2026 年 10 月 27 日，Anthropic 工程经理 Felix Rieseberg 发表了《Hunger Beats Tenure: Advice for Junior Engineers》[1]。他提到自己已经在团队招聘中取消了传统编程测试 —— 原因不是编程能力不再重要，而是这些测试已经无法有效区分谁能在新的工作环境中创造更大价值。他观察到，一些工作经验相对较少的工程师，借助 AI 工具能够比资深开发者更快完成产品原型，甚至推动原本需要跨部门协作才能完成的项目。

我认为这篇文章背后真正值得讨论的，既不是初级工程师能否超越资深工程师，也不是 AI Coding 会不会取代传统编程。它指向一个更深的问题：当知识越来越容易获取，技术越来越容易使用，想法越来越容易实现时，人与人之间真正的差异究竟来自哪里？

过去几十年，现代教育和企业组织建立了一套相对稳定的人才评价体系 —— 用学历衡量知识积累，用工作年限衡量经验，用岗位等级衡量能力，用任务完成情况衡量绩效。这套体系形成于一个知识获取昂贵、专业技能稀缺、组织协作成本高的时代，而 AI 正在改变它赖以成立的部分经济基础。

我越来越倾向于认为，未来最有价值的人不一定是掌握最多知识、拥有最多经验，或者最擅长使用 AI 工具的人，而是那些真正具备创造力、独立思考、自我驱动和责任心的人。这四种能力过去同样重要，只是在 AI 时代，它们的价值会更加突出。

一、当执行不再是瓶颈，人的价值开始重新排序

工业时代的组织依靠分工提高效率：管理者制定计划，专业人员解决特定问题，执行人员完成标准化任务。知识经济时代提高了专业人员的重要性，但基本逻辑没有根本改变 —— 企业把复杂目标分解成可管理的任务，再通过岗位、流程、预算和绩效体系协调资源。一个工程师只负责某个 API，一个设计师只负责界面，一个运营只负责投放；只要每个人正确执行自己那一块，组织就能运转。

这种模式的核心假设是：专业执行能力是一种稀缺资源，需要通过组织进行配置。 AI 正在削弱这个假设。今天一个有基本技术判断力的人，可以用 AI 完成需求分析、代码编写、界面设计、数据处理、自动化测试，甚至初步的市场研究。

这不意味着企业不再需要专业人员，也不意味着 AI 已经能可靠完成所有复杂任务。真正的变化在于，许多工作的初始执行门槛正在下降 —— 过去需要多人协作才能验证的想法，现在可能由一个人完成初步验证；过去需要几周才能形成的方案，现在可以在更短时间内得到一个可运行的版本。

而当执行成本下降，新的问题随之出现：

• 如果任何人都可以快速生成一份商业计划，谁能提出真正值得解决的问题？
• 如果任何人都可以快速实现一个产品，谁能判断这个产品是否真的有价值？
• 如果任何人都可以生成大量解决方案，谁能识别其中隐含的错误和风险？
• 如果 AI 可以自主执行越来越多的任务，谁应该对最终结果负责？

技术降低了完成任务的部分成本，却没有自动解决目标选择、价值判断和责任归属。甚至恰恰相反 —— 执行能力越强，错误决策所造成的影响也可能越大。 未来的人才竞争不会主要发生在执行速度上，而会集中于问题判断、创造性探索和可信结果的交付。

二、创造力：重要的不是产生更多想法，而是发现不同的可能性

AI 最容易制造的一种错觉，是让人误以为自己拥有了无限创造力。输入一个问题，模型生成十种方案；输入一个商业方向，模型设计几十种产品；输入一个技术需求，模型给出多套架构。但想法的数量不等于创造力。

2024 年，Anil Doshi 和 Oliver Hauser 在《Science Advances》发表了一项关于生成式 AI 与创造力的实验研究 [2]。研究发现，AI 辅助能提高参与者创作的短篇故事的质量和创造性评价，对原本创造性表现较弱的参与者提升尤其明显；但与此同时，AI 辅助生成的故事在整体上变得更加相似。

这项实验针对的是特定创作任务，不能直接推导出 AI 会降低所有领域的创新能力。不过它揭示了一个值得警惕的现象：AI 可能提高每个人的平均产出质量，却不一定增加整个群体的思想多样性。

如果所有人都依赖相似的模型、相似的数据和相似的提示方式，最终产生的方案就可能越来越趋同 —— 企业采用相似的增长策略，创业公司选择相似的产品方向，创作者使用相似的表达方式。每个个体看上去都更高效，但整个社会的探索空间未必因此扩大。

真正重要的创造力，不是比 AI 多生成几个想法，而是有能力突破现有问题的定义方式。当用户抱怨某个软件操作复杂时，常见思路是减少步骤、优化界面或增加自动化；但有创造力的人可能会问另一个问题：用户为什么需要执行这项操作？能否从根本上消除这项任务？

前者是在既定问题中寻找更优解，后者是在重新定义问题本身。 人类的创造力不只来自知识重组，还来自生活经历、社会观察、价值偏好，以及对现实矛盾的感知。AI 可以帮我们探索大量可能性，但一个人为什么会对某个问题感兴趣、为什么认为某种现状不合理、为什么愿意挑战习以为常的规则，这些仍然与人的主体性密切相关。

三、独立思考：当答案唾手可得，质疑答案的能力更重要

如果说创造力决定我们能看到多少种可能性，那么独立思考决定我们能否从中形成自己的判断。

过去获取知识需要阅读、检索、计算和反复研究，获取答案本身就是一种劳动。如今 AI 能在很短时间内给出一套结构完整、语言流畅、逻辑上看似合理的解释 —— 这降低了认知工作的成本，但也带来新的风险：我们可能逐渐习惯接受一个已经组织好的答案，而不再主动构建自己的理解。尤其当 AI 的表达越来越自然、推理过程越来越完整时，人们更容易把语言上的连贯性误认为事实上的正确性。

2025 年，Microsoft Research 等研究人员在 CHI 会议发表了一项研究，调查了 319 名知识工作者使用生成式 AI 时的批判性思维情况 [3]。研究发现：在调查样本中，对 AI 越有信心，与较少投入批判性思维存在关联；而对自身完成任务的能力更有信心，则与更多批判性思维活动存在关联。

这是一项基于自我报告的研究，不能简单理解为 AI 必然使人丧失独立思考能力。但它提醒我们，AI 的便利性可能改变人们参与思考的方式。

独立思考不是刻意与主流观点对立，更不是拒绝使用 AI。真正的独立思考，是有能力在外部信息和自身判断之间建立必要的距离。 面对一个看似合理的结论，能够继续追问：

• 这个结论建立在什么假设之上？
• 哪些事实支持它？是否存在相反证据？
• 它在什么条件下会失效？
• 如果这个结论是错的，代价由谁承担？

一个具有独立思考能力的人，不会因为 AI 给出了答案就认为问题已经解决 —— 他会把 AI 的回答视为可供检验的假设，而不是天然可靠的结论。

更重要的是，独立思考不仅表现为质疑外部观点，也表现为愿意修正自己的观点。如果一个人只是坚持立场、无论出现什么证据都不改变判断，那不是独立思考，而是认知上的封闭。真正的独立思考，既需要不盲从权威的勇气，也需要接受证据、承认错误的能力。

未来能够快速获取答案的人会越来越多，但能够判断答案是否可信的人，依然稀缺。

四、自我驱动：AI 放大的是行动意愿，而不只是技术能力

自我驱动可能是未来人才体系中最容易被低估的一种能力。

传统组织往往通过外部机制驱动个体行动 —— 管理者制定目标、分配任务、规定交付时间，最后根据完成情况考核。在这样的环境里，一个人即使缺乏主动性，也可以依靠明确的任务安排持续工作。但当 AI 可以承担大量具体执行任务时，仅仅等待指令的人，其竞争优势会不断缩小 —— 因为 AI 同样可以接收明确指令，并且能持续、快速地执行许多标准化工作。

人与 AI 的重要区别之一，将体现为人能否主动发现需要采取行动的理由。自我驱动的人不会只问自己应该完成什么任务，他还会思考为什么要完成它、它是否真的重要、有没有更值得投入精力的事情。

举个具体例子：一个产品工程师被要求开发某项功能。执行导向的人会首先考虑如何按时完成需求；自我驱动的人可能会先研究用户为什么需要这项功能、是否存在更简单的解决方案、以及当前需求是否偏离了真正的商业目标。前者的价值主要体现在完成任务，后者的价值则可能延伸到发现问题、改善决策和创造机会。

心理学中的自我决定理论（Self-Determination Theory）对此提供了一个有价值的解释。Deci 和 Ryan 提出，自主性、胜任感和关系需要是理解人类内在动机的重要因素 [4] —— 当一个人能够认同自己的行动目标、感受到能力成长、并与他人建立有意义的联系时，更容易形成持续而自主的行动动机。

所以自我驱动并不等同于工作狂，也不是要求所有人无限加班。它意味着一个人能够理解自己为什么行动，并在缺少外部监督时，依然愿意主动推进有意义的目标。

这种能力在 AI 时代尤其重要，因为技术缩短了从想法到行动的距离。 过去一个人可能拥有很多想法，却受限于技术、资金或团队资源无法验证；如今一部分限制正在减弱。当行动的外部障碍减少，个体内部的动机差异就更容易体现在最终成果上。

同样拥有 AI 工具，有人用它完成领导分配的任务，有人则会主动发现一个长期被忽视的问题、构建解决方案、并推动它进入真实使用场景。两者的技术资源可能相似，创造的价值却可能完全不同。从这个意义上讲，AI 不只是生产力工具，也是人类行动意愿的放大器。

不过，自我驱动还应当包含选择不行动的能力。主动性不意味着每个想法都必须立即实现 —— 真正成熟的自我驱动，也包括克制、排序和放弃。能够识别什么值得做、以及什么不值得做，本身就是一种稀缺能力。

五、责任心：当 AI 能够完成任务，谁来承担结果？

在这四种能力中，责任心可能是最容易被忽视、却又最关键的一项。

AI 可以生成代码、分析市场、起草合同、制定策略，也可以自动执行越来越复杂的工作流程。但一个系统完成了任务，并不意味着它已经承担了责任。

假设一个 AI Agent 自动生成交易策略、调用交易接口并提交订单。如果系统由于错误的风险判断造成重大损失，我们不能仅仅用「这是 AI 生成的」来解释问题。我们仍然需要回答：谁决定部署这个系统？谁制定了它的权限？谁验证过它的安全性？谁有权暂停它？谁应当承担监控、纠错和事故处置义务？

这些问题说明，技术执行能力与责任承担机制是两回事。 AI 可以提高行动能力，但未必能够自动建立有效的责任制度 —— 而随着 AI 系统获得更高的自主性，责任边界反而需要更加清晰。

这里的责任心，并不是简单地要求一个人态度认真、努力工作，或者在出问题时主动认错。真正的责任心，是在采取行动之前考虑后果，在执行过程中识别风险，并在结果出现之后愿意持续跟进、验证和纠正。

一个负责任的工程师，不会因为代码通过了 AI 自动生成的测试，就认为系统已经足够安全；一个负责任的产品经理，不会因为功能成功上线，就忽视真实用户是否获得价值；一个负责任的管理者，也不会因为团队完成了绩效指标，就忽视这些指标背后可能产生的长期问题。

更重要的是，责任不应该脱离权力而存在。 如果员工无权审查 AI 的决策、无权暂停危险流程、无权改变错误的目标，却需要独自承担系统失败的后果，这不是合理的责任机制，而是转嫁。真正的责任制要求决策权限、风险控制能力和问责范围相互匹配 —— 责任心不仅是一种个人品质，也需要组织制度提供支持。

未来真正值得信任的人，并不是那些永远不会犯错的人，而是那些能够主动发现错误、对风险保持敏感，并愿意推动问题得到解决的人。当 AI 让一个人的执行能力成倍扩展时，这种责任意识的重要性也会随之提高。

六、四种能力构成一个闭环，缺任何一环都不成立

这四种能力分别回答四个不同的问题：

它们共同构成从发现问题到创造价值的完整过程：发现问题，形成判断，主动执行，验证结果，再根据现实反馈修正认知。 AI 可以深度参与这个过程，但人仍然需要为目标、关键判断和授权范围内的结果承担责任。

这也意味着，我们不该简单地把 AI 时代的人才划分为「会用 AI」和「不会用 AI」。更值得关注的差异是：有人把 AI 当作提高任务完成速度的工具，有人把它当作扩展认知、探索未知和创造新价值的工具，还有人会进一步思考，如何让这些能力在可靠的制度中持续发挥作用。 第三种人的长期价值最值得关注。

七、企业需要重新思考什么是优秀员工

如果上述判断成立，传统组织的人才评价体系也需要改变。

过去企业倾向于奖励稳定执行、专业经验、流程熟练度和可预测性。这些能力依然重要，特别是在安全关键系统、金融基础设施和复杂工程环境中。但如果企业只重视这些指标，可能会错过另一类更重要的人才：那些善于发现问题、挑战不合理假设、主动寻找机会，并愿意对结果负责的人。

问题在于，许多组织的言行并不一致 —— 招聘时强调创新精神，管理时却奖励服从；希望员工主动思考，却要求所有重要决策层层审批；鼓励提出新想法，却缺少低成本试验机制；要求员工对结果负责，却没有给予相匹配的决策权。最后，真正有主动性的人可能因为反复遭遇组织阻力而失去动力。

1991 年，组织理论学者 James March 在《Exploration and Exploitation in Organizational Learning》中讨论了组织探索与利用之间的张力 [5]：组织需要利用现有知识提高效率，也需要探索新的可能性，以避免长期陷入既有经验的限制。这一张力在 AI 时代可能变得更加突出 —— 因为 AI 大幅提高了既有知识的复用和执行效率，但组织是否愿意尝试新方向，依然受文化、权力结构和激励机制影响。

2026 年 Microsoft Work Trend Index 的研究也指出，在其调查与分析框架中，组织文化、管理者支持和人才制度等因素，与员工报告的 AI 使用收益存在很强的关联 [6]。这些是相关性结果，不能直接解读为因果关系，但它至少提醒我们：AI 的生产力价值并不完全由个人能力决定，组织环境同样重要。

• 一个鼓励独立思考的组织，应该允许员工提出不同意见。
• 一个重视创造力的组织，应该为新想法提供有限而真实的实验空间。
• 一个希望员工自我驱动的组织，应该给予明确的目标与适当的自主权，而不是只提供越来越详细的任务清单。
• 一个强调责任心的组织，必须建立清晰的权限、验证和问责机制。

未来的优秀企业，可能不再是拥有最多员工、制定最多流程或部署最多 AI Agent 的企业，而是能否让真正有判断力和行动意愿的人获得足够空间去创造价值，同时让组织承担应当承担的治理责任。

八、教育：从培养回答问题的人，转向培养提出问题的人

这场变化不仅发生在企业，也会影响教育。

长期以来，现代教育的重要任务之一是让学生掌握既有知识，并能按照标准化方法解决问题。这种模式培养了大量专业人才，也为现代社会的技术进步奠定了基础。但当 AI 能够快速解释知识、生成代码、完成计算和组织答案时，我们必须重新思考教育应该如何定义人的能力：

• 如果一个学生可以通过 AI 迅速完成作业，却无法解释为什么选择这种解决方案，那么他真正掌握了什么？
• 如果一个人能够使用 AI 构建应用，却无法判断程序的安全性、可靠性和长期维护成本，这种能力应该如何评价？
• 如果一个人拥有大量知识，却从未主动发现问题、提出假设或开展独立实践，那么知识是否真正转化成了创造价值的能力？

未来教育不能只停留在知识传授和技能训练，还需要系统地培养好奇心、批判性思维、创造性实践、自主学习和责任意识。

但这不意味着基础知识不再重要 —— 恰恰相反。 没有基础知识，独立思考容易变成缺乏依据的主观判断；没有专业训练，创造力也可能停留在缺少现实约束的想象中。问题不在于是否学习知识，而在于学习知识的最终目的是什么：知识不应该只用于通过考试或完成任务，还应该帮助一个人理解世界、形成判断、解决问题，并持续修正自己的认知。

未来的教育应当让学生经历更多完整的探索过程 —— 从现实中发现问题，建立假设，尝试解决方案，接受外部反馈，识别错误，最终为自己的工作负责。AI 可以成为这一过程中的研究助手、编程工具、讨论伙伴和实验基础设施，但教育的目标不应当是训练学生越来越依赖 AI 给出的答案，而应当是让学生在拥有强大工具之后，依然保持独立判断和主动创造的能力。

九、不要把人才标准变成新的道德要求

讨论创造力、自我驱动和责任心时，需要警惕一种倾向：我们很容易把这些能力理解为一种新的职场道德标准，认为优秀的人必须永远主动、永远充满热情、永远持续创新。这种理解是危险的。

并不是所有岗位都需要高度自主的探索，也并不是每个人都必须成为创业者。稳定执行、长期积累、专业审慎和良好的团队协作，仍然是社会正常运转不可缺少的能力。真正的问题是不同的工作需要不同的能力结构： 在高度标准化的工作中，可靠性和一致性可能比创造力更重要；在创业、产品研发和未知问题探索中，创造力与自我驱动的价值更为突出；在涉及生命安全、资金安全和重大社会影响的领域，独立判断与责任机制具有不可替代的重要性。

同时，我们不能忽视个人能力发挥所依赖的环境。一个缺少基本安全感、长期受到不合理考核、没有自主权的员工，很难持续表现出高水平的创造力与自我驱动。要求员工承担责任却不给予权力，只会制造新的不公平。

所以未来组织真正需要解决的问题，不只是如何找到拥有这些能力的人，还包括如何创造一种环境，让这些能力能够得到发展，而不是被消耗。

十、AI 时代，最重要的可能是重新找回人的主体性

回到 Rieseberg 那篇文章。Hunger Beats Tenure 真正吸引我的，不是年轻工程师用 AI 在一个周末完成了原型，也不是传统编程测试是否应该被取消，而是它展示了一种新的可能性：一个人的价值，可能不再那么依赖他积累了多少组织地位、拥有多少资源，或者获得了多少层级的授权。 只要他能够发现真正的问题、形成自己的判断，并借助工具创造可信的成果，就有机会产生超出其职位和资历的影响。

这背后其实是一个关于人的主体性的问题。工业社会强调纪律与分工，知识社会强调专业化与信息处理，而 AI 时代迫使我们重新审视：当越来越多的认知与执行任务能够交给机器时，人应该把自己的时间和能力投入到哪里？

我的答案是，人应该更加重视那些让自己成为行动主体的能力 —— 保持对世界的好奇，而不是只接受别人定义的问题；建立独立判断，而不是把思考完全交给模型或权威；主动探索新的可能性，而不是永远等待任务和指令；对行动结果负责，而不是把错误推给工具、流程或其他人。

技术的发展，理想情况下应该让人拥有更多行动自由，而不是让人更加被动。但这种潜力不会自动实现：

• 如果一个人只是不断使用 AI 完成别人分配的任务，他可能变得更高效，却未必变得更独立。
• 如果一个组织只是用 AI 加速原有流程，它可能降低成本，却未必产生真正的创新。
• 如果整个社会只追求生成速度，而不重视创造力、独立思考和责任机制，我们也可能只是以更高的效率重复已有的想法和错误。

所以我越来越确信，未来最值得培养的不只是能够熟练使用 AI 的人，而是有创造力去发现新的可能性、有独立思考能力去判断是非、有自我驱动能力去推动改变、并且有责任心去承担结果的人。

AI 可以让一个人拥有更强大的执行能力。但一个人最终要用这种能力做什么、为什么值得做，以及愿意为它承担什么责任，才真正决定了技术能够创造多大的价值。 当所有人都逐渐拥有强大的工具时，人与人之间的长期差异，或许会越来越清晰地体现在这些选择上。

未来属于那些不仅能够完成任务，而且能够主动定义有意义的目标、并为结果负责的人。因为真正决定一个人价值的，从来不只是他能够做什么，还有他为什么去做，以及他愿意为自己创造的世界承担什么。

参考资料

[1] Felix Rieseberg (2026), Hunger Beats Tenure: Advice for Junior Engineers。https://felixrieseberg.com/hunger-beats-tenure-advice-for-junior-engineers/

[2] Anil R. Doshi & Oliver P. Hauser (2024), Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content, Science Advances。https://doi.org/10.1126/sciadv.adn5290

[3] Lee et al. (2025), The Impact of Generative AI on Critical Thinking, CHI 2025。https://doi.org/10.1145/3706598.3713778

[4] Edward L. Deci & Richard M. Ryan (2000), The "What" and "Why" of Goal Pursuits, Psychological Inquiry。https://doi.org/10.1207/S15327965PLI1104_01

[5] James G. March (1991), Exploration and Exploitation in Organizational Learning, Organization Science。https://doi.org/10.1287/orsc.2.1.71

[6] Microsoft (2026), Work Trend Index: Agents, Human Agency, and the Opportunity for Every Organization。https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization