上个月和一个做产品的朋友吃饭他刚用 AI 把一份竞品分析从半天压缩到了半小时。按理说应该开心但他反而有点焦虑如果这种熟手技能 AI 都能做我过去几年积累的专业度还剩下什么这个问题让我想起 Notion 产品负责人那场关于 AI 时代能力结构的分享。标题里的问题很适合回答他AI 时代比技能更值钱的是什么我当时的第一反应是这个问题问对了。过去十年我们习惯用“会什么工具”“掌握什么技术栈”“懂什么方法论”来衡量一个人的价值。但 AI 大规模进入工作流之后很多技能正在从稀缺优势变成默认配置。真正拉开差距的不是谁更会调用某一个工具而是谁能把模糊问题变成清晰目标把一次偶然成功变成可复用流程在模型输出明显不合理时还能保持判断。这篇文章不打算复述那场分享的具体观点因为我没有拿到完整原文。我更想从工程实践和个人观察出发把“比技能更值钱”这个问题拆成几个可以马上开始训练的方向。如果你也在用 Notion、AI Agent、AI 编程工具或者正在重新思考自己的职业能力结构这篇内容应该能给你一个相对具体的坐标。1. 技能贬值不是错觉但别把“能力感”也一起否定1.1 为什么过去值钱的技能今天正在变成默认配置过去技能值钱是因为信息和流程存在门槛。你会写 SQL别人不会你就有了数据权限你会配置复杂模型别人不会你就成了关键路径你会写一套漂亮的文案别人不会你就有了内容优势。AI 把这几样东西压缩得很厉害自然语言可以直接转查询文档直接生成初稿代码直接给出实现建议文案初稿更是几秒就能出来。信息差和流程差被抹平之后单纯“会某项技能”的溢价自然下降。不只是技术岗位设计、运营、市场、行政这些岗位里凡是高度依赖“熟练操作某套流程”的任务都开始被 AI 工具吸收。这不是个别公司的选择而是工具普及后的正常结果。但这里有一个反直觉的点技能贬值不是 AI 太强导致的而是技能迭代速度变快了。几年前学一个工具可以用 3 到 5 年现在一个工具的版本更新、配套生态甚至替代品可能半年就换一轮。你把时间全押在某个具体工具上一旦工具升级或者被替代之前的积累就会快速缩水。这种情况在 AI 编程、AI 绘图、AI 写作工具里尤其明显。1.2 正在贬值和没有贬值的技能差别在哪里我在不同项目里观察到一个规律容易被替代的技能通常是“输入明确、规则明确、输出可校验”的技能。比如整理格式、翻译固定文本、写标准周报、写单元测试模板、做基础数据清洗。这类任务有清晰边界AI 很容易学会而且做得越来越稳定。不太容易被替代的反而是一些看起来不那么“硬核”的能力在需求模糊时定义问题在多个方案之间做取舍在资源有限时决定先做什么在 AI 输出错误时发现错误并修正方向。这些能力的共同点是没有标准输入没有唯一正确答案需要结合场景做判断。你说它虚吗确实不好量化。但一旦出现复杂任务决定质量上限的恰恰是这些能力。举一个很具体的例子。同样是让 AI 写产品需求文档新手会把所有功能描述堆上去看起来文档很完整有经验的人会先问这个功能解决谁的问题现在的使用路径是什么成功标准是什么哪些情况不做同一个模型前者的输出是一堆正确但没用的信息后者的输出能直接拿去评审。差别不在模型而在提问者对问题的理解。1.3 一个判断AI 淘汰的不是技能而是“只靠技能”的生存方式所以我的判断是AI 淘汰的不是技能而是“只靠技能”的生存方式。如果一个人的价值全部建立在“我会操作某个特定工具”上那确实会越来越难。但如果把技能理解成“解决问题的一种手段”那 AI 反而给了你一个杠杆过去你只能自己处理一部分任务现在可以借助 AI 把边界推得更远。这里想提醒一点别因为技能贬值就彻底否定学习新技能。问题是很多人的学习方式还停留在“记操作步骤”的阶段学完之后没有建立自己的判断体系。真正值得学的是这个工具适合解决哪类问题、它的输出边界在哪里、怎么验证结果。这比背下一百个快捷键更有长期价值。实际操作中我一般会先问自己如果这个工具明天不能用了我沉淀下来的流程、判断标准、验证方法还剩下多少剩下的部分才是真正属于我的能力。2. 比技能更值钱的不是天赋是三件可训练的事2.1 问题定义力先学会把题目出对先说一个最常见的场景。有人拿到 AI 工具后输入“帮我写一份市场分析”然后等着输出。这个指令太宽泛模型只能给出一堆正确的废话。问题不在模型在于提问者没有定义清楚这份分析给谁看决策点是什么需要回答哪几个问题可用的数据有哪些输出长度和形式是什么问题定义力就是先把“题目”出对。绝大多数 AI 输出不理想不是模型不够聪明而是任务本身没有边界。你问得越清楚AI 的价值越能发挥。这个能力完全可以通过刻意训练提升每次写提示词之前先花两分钟写下任务背景、目标读者、关键约束和验收标准。比如“帮我写一份市场分析”应该改成“我们是一款面向中小团队的协作工具下个月要决定是否进入教育行业。请你基于我提供的三份行业数据分析教育行业的客户规模、已有竞品、采购特点和主要风险输出的格式是一页摘要、三个关键结论、两个需要进一步验证的问题”。对比一下后者得到的答案质量会完全不同。问题定义力为什么在 AI 时代更值钱因为 AI 是一个“执行力很强但不会自动理解场景”的助手。你给它的目标越准确它跑偏的概率越低。反过来如果连你自己都说不清要什么工具只会帮你把模糊放大。2.2 流程拆解力把偶然成功变成可复制的方法我见过很多团队用 AI 很兴奋第一次跑通一个任务后立刻想批量复制。结果第二次换了数据源就失败第三次换了模型就变样。问题出在他们把一次成功当成了方法没有拆解成功背后依赖的输入、环境和参数。流程拆解力就是把一个任务拆成输入、处理、输出、验证四个环节并且明确每个环节的依赖。比如用 AI 做内容摘要你要拆清楚输入是什么格式长度限制多少是否需要去除敏感信息摘要要给谁看是否要求保留特定术语输出是结构化列表还是自然段落这些看起来琐碎但决定了流程能不能复用。我比较喜欢把这件事类比成做饭。菜谱是方法食材是输入火候是环境出锅品尝是验证。第一次照着菜谱做成功了不代表你掌握了这道菜。你必须知道哪种食材可以用替换、哪种调味料决定了风味的七成、什么时候需要调整火力才算真的会做。AI 工作流也是一样模型是锅提示词是菜谱数据源是食材验证标准是试菜环节。AI 时代能把偶然成功固化成标准化流程的人会比只会在单个任务里碰运气的人值钱得多。因为前者可以复制和放大后者永远只是单点突破。2.3 结果判断力在 AI 给出的答案里保持怀疑AI 生成内容最大的问题不是“不够快”而是“看起来太确定”。它会用流畅的语言把错误的推理包装成可信结论也就是大家常说的 AI 幻觉。我在实际使用里发现经验越少的人越容易全盘接受输出反而是有领域经验的人会先做交叉验证。结果判断力包括三件事一是知道哪些环节容易出错二是知道用什么方式验证三是在结果不合理时有勇气推翻重来。具体操作可以是让 AI 给出结论时同时给出依据来源关键数据用另一条路线交叉验证高风险判断保留人工复核每次输出都记录当时的模型版本和参数方便回溯。这里有一个很容易被忽略的点AI 输出的“流畅度”和“正确度”没有必然关系。一段文字写得非常通顺不代表里面的数字是对的一个方案描述得非常完整不代表它符合你的业务约束。很多时候AI 只是在以很有说服力的方式把可能性讲成了确定性。2.4 一个简易判断框架80%自动化之后人的 20% 在哪里如果你不知道往哪个方向训练可以先用这个框架做一次自我盘点。假设你当前最常做的一类任务AI 已经能完成 80%剩下 20% 是什么如果剩下的是“判断这个结果是否符合真实业务场景”那你要加强领域知识和场景理解如果剩下的是“把一个模糊需求变成清晰指令”那你要加强问题定义和提示词设计如果剩下的是“让多个工具和多人协作顺畅跑起来”那你要加强流程设计和项目管理如果剩下的是“对高风险结果负责”那你要练习风险判断和沟通表达。这个判断框架的好处是它不否定 AI 的能力也不自我安慰而是直接指向你接下来最该补的那块短板。它比单纯焦虑“我是不是要被替代”更有用因为你能把焦虑转化成行动项。3. 用 Notion 和 AI 搭一套真正属于你的个人工作流3.1 为什么先从 Notion 开始而不是囤十个 AI 工具很多人在 AI 时代的第一反应是装一堆工具今天试一个写作助手明天试一个图表工具后天再试一个会议记录助手。最后发现每个工具都会一点但没有任何一个形成工作流。我更建议先从 Notion 开始因为它解决的不是单点功能而是知识的组织问题。Notion 的核心价值是结构化和可复用。你可以把项目、文档、数据库、复盘记录放在同一个空间里让 AI 的输出有地方沉淀让沉淀的内容可以再次成为 AI 的输入。这一步听起来简单但很多人恰恰跳过了。他们让 AI 在聊天窗口里生成了一堆内容关掉窗口就什么都没剩下。Notion 这类工具更像一个“记忆层”把 AI 从“与你对话”变成“与你共建”。另外不要一开始就想着买一堆付费工具。先用 Notion 建立骨架把任务类型、输入材料、输出格式都确定下来再决定哪些环节需要专门工具。很多时候你会发现把流程设计好了通用工具已经能解决大部分问题。3.2 最小可用结构三个数据库跑通需求、实验和复盘如果你想长期使用 Notion AI不需要一开始设计复杂系统三个数据库足够。数据库核心用途建议字段需求库 / 任务库记录要解决的问题任务标题、背景 / 目标、关键约束、优先级、状态、负责人实验库 / 过程库记录 AI 辅助产出的过程和版本输入材料、用的模型 / 工具、提示词、输出结果、验证方式、问题记录复盘库 / 知识库沉淀可复用经验和结论场景、方法 / 结论、适用边界、下一步动作、关联链接这三个库可以理解为需求库告诉你“做什么”实验库告诉你“怎么做的”复盘库告诉你“下次怎么做”。大多数人的问题是只有聊天记录没有过程记录只有收藏夹没有复盘库。一开始不用把字段设计得太完美。先按最小的三字段版本跑起来任务名、输入材料、输出结果。跑两周之后再根据你的实际使用习惯增加状态、优先级、验证方式、关联链接这些字段。结构是在使用中长出来的不是一开始设计出来的。3.3 AI 辅助填充数据更适合工程实践的操作方式有了数据库结构之后如何让 AI 参与进来不是让 AI 自动写满所有字段而是让它先帮你完成“从原始材料到结构化草稿”这一层。下面是一个比较通用的提示词结构你可以按实际场景调整你是一名产品研究助手。下面是一段原始材料 {输入文本} 请提取并输出 Markdown 列表 1. 核心诉求 2. 现有方案的长处 3. 关键缺口 4. 如果要改进优先验证的三件事 要求 - 不要添加原文没有的信息 - 如果材料里没有提到就写“未提及” - 输出保持简洁不要展开长篇分析。然后把输出粘贴到 Notion 的对应数据库里再进行人工修改。这里有一个关键原则AI 负责初稿人负责判断和归位。不要跳过人的一步否则你只是在生成内容而不是在积累知识。为什么强调“粘贴到数据库”因为只有经过结构化的信息将来才能被检索、被关联、被复用。聊天窗口里的对话是流动性的数据库里的记录是可积累的。你是在为自己的判断力建索引。3.4 这套流程最容易踩的三个坑只讲方法不讲坑等于没讲。这套工作流最容易出现三个问题第一个坑是“收藏即完成”。看到好文章、好案例就扔进 Notion但从不做提炼。结果知识库变成了垃圾场需要的时候根本找不到。解决办法是给每条内容加一个“为什么值得存”字段存完之后用三句话说清楚它解决了什么问题。第二个坑是“为 AI 而 AI”。明明一句话能确认的事非要让 AI 生成一段报告。使用 AI 前要先判断这个任务是否有重复性、是否有结构化需求、是否值得建立模板。如果没有直接用简单方式处理反而更高效。第三个坑是“只存不验”。AI 输出中的事实错误容易被忽略尤其当它被漂亮地放进文档之后。对关键数据、引用来源、重要结论至少要留一个验证步骤。如果涉及高风险决策不能因为“AI 是这么说的”就交付。请记住Notion 数据库里长满内容不等于你拥有了知识。只有那些经过筛选、验证、归位的内容才会在下次做判断时真正帮到你。4. AI Agent、AI 编程和新的协作分工4.1 从聊天机器人到 Agent工具正在从“回答问题”变成“完成目标”上一代的 AI 工作流是你问一句、它答一句本质上还是搜索引擎的增强版。现在的 AI Agent 已经开始尝试“完成目标”你给它一个目标、一些工具和资源约束它可以自己拆解任务、调用接口、检查结果、迭代修正。这个变化对个人和团队的分工影响很大。过去我们需要把工作拆到很细才能交给不同的人或工具执行。现在 Agent 能承担一部分拆解和执行人反而要更关注“目标是否正确”和“最终结果是否可接受”。换句话说指令设计、任务边界、验收标准正在成为新的核心技能。你可以从一个小场景开始实验让 Agent 定时汇总某个领域的资料并按固定格式输出到 Notion 数据库。只要跑通一次你就会理解这个过程和普通聊天的差别。你会发现真正决定 Agent 价值的不是你给它多少算力而是你给它的目标和约束是否足够明确。4.2 对开发者写代码这件事没有消失但重心变了AI 编程工具比如 Cursor 这类编辑器已经让“从零写一个函数”变得很便宜。很多开发者一开始担心被替代实际用过之后会发现写代码这个动作减少了一些但代码审查、架构设计、调试定位、边界处理的工作量反而更明显了。原因很简单AI 生成代码的速度快但它不一定理解你项目的上下文、历史决策和隐含约束。你需要更严格地 review需要设计更清晰的接口和目录结构需要在 AI 跑偏时及时纠正。这时候比“会写某门语言”更值钱的是你对系统边界和用户体验的理解。一个常见的现象是新手拿到 AI 生成的代码看到能跑就觉得完成了有经验的工程师会继续追问这段代码在异常输入下会怎样并发高的时候会不会出问题依赖的第三方库有没有变化以后别人维护时能不能看懂这些追问恰恰是 AI 暂时不具备的责任意识。4.3 对产品和运营需求定义与验收标准反而更重要AI 时代有一个很有意思的现象以前产品和开发的矛盾是“沟通成本高”现在产品可以直接用 AI 生成原型、撰写说明、生成测试用例。但这也带来了新的问题如果需求本身是模糊的AI 会非常高效地把模糊放大产出一堆看似完整但方向错误的交付物。所以对产品经理和运营来说最重要的不是学会写提示词而是把需求定义和验收标准写得足够清楚。一个可验收的需求至少要包括用户是谁、解决什么问题、成功标准是什么、边界和异常情况怎么处理。这些能力过去也很重要但在 AI 让“执行”变便宜之后它们会成为更少人具备的稀缺能力。我不太建议产品经理把大量时间花在学“更高级的提示词”上。提示词只是外壳需求分析和场景理解才是内核。你把需求讲清楚自然知道怎么写提示词你讲不清楚再高明的提示词也救不了。4.4 自研、API、本地部署怎么选一条务实判断链现在很多团队会纠结一个问题AI 能力要不要自己部署我的建议是先按下面这条判断链走不要被技术潮流推着走。如果只是内部效率工具数据不敏感优先用成熟的商业产品或 API先用最低成本跑通流程。如果涉及客户数据或公司机密优先考虑合规的私有化方案但一定要先确认你的团队有模型部署和运维能力。如果业务需要高度定制、低延迟、离线运行再考虑本地部署。本地部署不是把模型下载下来就行还要考虑显存、推理框架、监控、模型版本升级和故障恢复。如果业务量不大不要一开始就买大量算力。很多 AI 产品以 credits 或按量计费不同平台的计算口径差异很大扩容前一定要先估算单次调用成本和峰值并发。场景建议方案前置条件个人效率 / 内部辅助商业产品 API明确使用边界控制敏感数据中大型企业数据合规私有化 API 或本地部署有运维、监控、升级机制高定制、低延迟、离线本地部署 量化优化有 GPU 资源和模型调优经验业务量不确定先按量付费试点评估 credits 计费口径和峰值成本这不是一个技术高低的问题而是一个成本与风险的判断题。很多人一上来就想自己部署一个“完全可控”的模型结果模型跑起来了后续的版本更新、数据标注、效果评测、服务稳定性全都没有人负责。最后这个项目就成了新的维护负担。5. 三个月完成一次能力升级从会用 AI 到用好 AI5.1 第一步选一个主线场景先跑通端到端不要同时攻十个场景。选一个你每周都会做、且重复度较高的任务比如写周报、做竞品调研、维护项目文档、整理客户反馈。定下来之后把完整流程列出来输入是什么中间经过哪些步骤最终输出是什么谁在用这个输出。目标只有一个用 AI 跑通端到端流程。这次跑通不用完美重点是把路径走一遍确认每一步的输入输出都清楚。这一步能帮你建立基本信心也能让你看到哪些环节最耗时、最容易出错、最值得优化。比如你的主线场景是“每周竞品动态汇总”那流程可能是收集链接和截图输入到 AI生成摘要人工补充判断最后发到项目群。第一周先跑完这个过程记录下用了多久、卡在哪里。5.2 第二步建立输入、过程、输出的三层检查表跑通之后不要急着扩大规模。先建一个检查表避免环境变化导致流程失效。这里的关键是区分“可控”和“不可控”。按这个顺序排查问题先看现象是报错、卡住、无输出、输出质量差还是速度慢再看输入格式、编码、文件路径、上下文长度、是否包含敏感信息。再看环境和权限依赖版本、账号权限、网络端口、磁盘空间、模型版本。再看参数批量数、并发数、超时时间、输出长度、温度或随机性参数。最后看工具边界是不是这个工具本身不支持当前场景或者模型 / API 版本已经变化。这个排查链路听起来像运维标准但对个人使用同样重要。很多人的 AI 工作流“今天能用明天不能用”就是没有建立这个检查习惯。一旦遇到问题不要急着重新生成先把上面五层过一遍大部分问题都能定位到具体环节。5.3 第三步把零散经验沉淀成自己的最小框架到这一步你已经积累了若干次成功案例和失败记录。不要继续停留在零散感受把它们整理成一个最小框架。比如任务类什么类型的任务适合先用 AI 写初稿输入类这种任务需要准备哪些材料才能得到稳定输出验证类哪些字段或结论必须人工复核迭代类当输出不理想时优先调输入、换示例、改提示词还是换模型一个框架不用复杂能指导你下一次实践就可以了。它的价值不在于完整在于可复用、可迭代。你每跑完一次任务就往框架里补充一条新发现三个月后自然会形成属于你自己的方法论。我自己的经验是这种框架最怕追求完美。如果你等到把所有细节都想清楚再开始就永远无法开始。先写一个 70 分版本用真实验证去修正它比闭门设计一个 100 分版本靠谱得多。5.4 第四步每周复盘识别哪些能力在增值建议每周留出半小时做复盘不需要写长篇总结回答三个问题就行这周哪些任务被 AI 明显提速了哪些环节仍然必须由人来判断我下周应该把精力放在学工具上还是放在理解业务场景上这个复盘的意义是防止两个极端一是完全沉迷于工具技巧忘记业务本身二是完全拒绝工具继续用旧方式做重复工作。你会发现随着 AI 使用频率提高真正增值的能力不是“会某个模型”而是“知道某个问题该怎么定义、方案该怎么验证、结果该怎么负责”。如果你发现自己连续几周都在学新工具但业务成果没有变化那大概率是方向偏了。反过来如果你始终不用工具只靠加班堆产出那也需要回头看看流程里的哪个环节可以交给 AI。5.5 适用边界这套路能帮谁帮不了谁最后必须把边界说清楚。这条路更适合知识型工作场景比如产品经理、运营、设计师、工程师、内容创作者、研究分析人员。如果你从事的是需要真实世界操作的高风险岗位比如外科手术、结构验收、危化品处理、法律最终签署AI 只能作为辅助不能改变责任主体。它也不适合那些只想要“速成秘籍”的人。AI 工具可以让你在半天内学会某个单点操作但不能让你在三个月内自动拥有判断力。判断力来自持续实践、复盘和承担责任。这部分没有捷径。如果你能接受这不算快的节奏愿意用一个具体场景持续打磨这套方法是有效的。它能帮你从“到处试工具”切换到“围绕一个问题建立系统”这本身就是 AI 时代最稀缺的工作方式之一。关于“AI 时代比技能更值钱的是什么”我的答案已经很清楚不是某个工具技能也不是某种天赋而是问题定义、流程拆解和结果判断这三件事。它们不会因为你换了模型就失效也不会因为工具升级就贬值。与其焦虑地追逐下一个 AI 热点不如现在就挑一个任务用 Notion 搭好结构让 AI 帮你跑通一遍流程然后把它变成你的方法。工具迭代会继续但这个从“做任务”到“建系统”的过程才是 AI 时代不太容易贬值的能力。