周末跟一个CFO聊完，她说：现在写文章的专家不能信了。
“以前你能写一篇有深度的文章，大家就默认你是专家。现在有了AI，稍微有点知识的人，就能生成引经据典的万字长文。 只有面对面聊，才能看出谁是真有料的。 ”
她说这是最大的感悟： 听专家当面聊，才是最有效的筛选方法。
这句话精准地戳中了一个正在发生的现实—— AI正在无限增发”深度文章”这种货币，“文本深度”作为专业度信号的机制，正在加速失效。
我把这个现象叫作： 知识的通货膨胀。
01. 知识的通货膨胀
AI最擅长的事，就是知识的搬运与重组。
一篇行业分析报告，边际生产成本趋近于零。这意味着 单向的图文输出正在以肉眼可见的速度贬值。
如果你还在试图用”文本的完美度”和”信息的全面性”证明自己——那就好比纺织机发明之后，还在用手工织布的平整度彰显手艺。
前几天我看到一组数据：某AI写作工具的用户，过去三个月生成了超过500万篇”深度分析文章”，其中实际阅读超过100人的，不到3%。
供应端在爆炸，需求端的注意力没怎么涨。 这就是通胀的标准定义——货币超发，单位货币的购买力下降。换成内容世界：文章超发，单篇文章的信任价值下降。
有个做投资的朋友跟我说，他现在收到”深度研报”第一反应不是”谁写的”，而是”是不是AI写的”。他已经养成了一个习惯： 直接问对方”这个结论你怎么推出来的”，而不是看对方写了多少字。
筛选机制，正在从”看文本”转向”看人”。
知识通胀率：500万篇/季度。能读到100人以上的，不到3%。
02. 抄袭悖论：做引擎，不是做尾气
这就引出了另一个问题。
很多有真本事的人不敢写了。理由很实在：我花心血总结的经验，发出去24小时内就会变成AI的训练语料，或者被伪专家拿去洗稿。昨天还是我的独家判断，明天就成了ChatGPT里的常识。
这种感觉我太懂了，但我想提供一个不一样的视角：
被AI抓取和被别人抄袭的，永远只是专家们认知的”尾气”。
抄袭者依赖模式识别——专家写什么，他抄什么。但有料的人之所以有料，不是因为他知道什么，而是 当环境变了，他能推演出什么新东西。
举个例子。去年某传统制造企业要做AI转型，市面上七八家供应商的方案全看了一遍，发现长得几乎一模一样——都是”部署大模型+搭建知识库+定制Agent”三件套。
抄来抄去的当然长一样。但这家企业真正的痛点根本不在技术端，在数据端——生产数据分散在十几个互不兼容的老系统里，连打通都做不到。
一个真正懂行的专家，不会先推荐模型，他会说： 先把数据治理干了，再谈AI。 这句话AI写不出来，因为AI只会基于”最佳实践”给出”标准答案”。真实场景里根本没有”标准”这回事。
所以我的结论是：真有料 不要害怕被抄袭，要把被抄袭当成免费的杠杆。
伪专家用他们的渠道分发的思想是表层，只需要做一件事——保持高频的认知迭代，让他们永远在后面吃灰。
引擎和尾气的区别，不在于谁跑得快，而在于谁能在路况突变的时候，第一个找到新方向。
03. 终极护城河：FDE的价值
好，前面说了这么多，到底什么才是AI时代真正的专业壁垒？
我的答案是： FDE（Front Deployment Engineer）——前置部署工程师落地能力。
你可能会说，这不就是”实干家”换了个说法吗？
不完全是。FDE的核心不是”能干活”，而是 能在信息不完备、环境不理想、各方利益冲突的”泥沼”里，把事办成。
三个维度，AI模仿不了：
1️⃣ 直面脏数据与边缘场景
AI假设的世界是干净的。训练数据都是清洗、标注、格式化过的。但真实的业务现场呢？字段对不上、数据缺了一大块、系统接口文档是五年前写的。
伪专家遇到这些会束手无策。FDE能立刻挽起袖子，手撕底层数据，把混乱的现实强行塞进能用的框架。
2️⃣ 极简主义——只为解决问题负责
AI喜欢堆砌最流行的技术词汇。你让它写方案，它恨不得Transformer、RAG、Agent编排全塞进去。
FDE恰恰相反。FDE只问一个问题： 这事用什么方法最快跑通？
宁愿用最朴素的脚本加几个API调用，也不搞过度架构。每一层多余的封装，都是系统脆弱性的来源。
3️⃣ 解决物理摩擦
商业方案的落地从来不只是技术问题。更多时候是 利益分配问题、组织协同问题、人的情绪问题。
我见过一个案例：某公司上了全套AI系统，三个月后没人用。不是系统不好，是业务部门觉得”这玩意儿是来取代我的”，天然抵触。
真正的FDE怎么做？他拿了一个快速跑通的Demo，直接到业务部门的周会上演示——不是展示技术多牛，而是 展示这个系统能帮他们少加多少班。
一个Demo，比十份方案文档管用得多。
文本是廉价的，执行才是昂贵的。
真正的专家，文章只是诱饵。卖的不是那几千字，而是”把文章里吹过的牛，在现实泥沼中落地”的能力。
04. 给大家的筛选清单
回到开头那个CFO的问题：当文章不再可信，你该怎么选对人？
我整理了三道筛子，可以直接拿来用：
📋 筛选AI专家的三道筛子
□ 聊判断，不聊知识
问他："你遇到过什么意外？"
□ 看他怎么看待自己的方案
主动劝你有选择用的，才是真懂的
□ 要案例，不要承诺
让他讲踩过的坑，不是PPT1️⃣ 聊判断，不聊知识
知识AI有，而且比人全。面试的时候，如果对方只是在复述你也能搜到的行业常识，pass。
真正的问题是： “这个项目你遇到过什么意外？你当时怎么判断的？”
一个在泥潭里打过滚的人，会脱口而出具体的场景和决策逻辑，而不是”最佳实践”的套话。细节骗不了人——真实的踩坑经验，AI编不出来，没干过的人也编不出来。
2️⃣ 看他怎么看待自己的方案
FDE精神的专家，面对你的问题不会上来就推方案。他会先问你的业务现状、数据状况、团队能力。甚至会劝你别用某个方案——因为他知道哪些地方才是真正的坑。
反过来，一上来就画大蓝图、堆技术名词、承诺”全面AI转型”的，大概率是拿着AI生成的方案在糊弄你。
方案越完美，越可疑。 真实世界的方案永远是取舍和妥协。
3️⃣ 要案例，不要承诺
不要听他说”能做”，要看他 做过了什么。
不是PPT里的案例，是：你之前踩过什么坑？怎么填的？现在还在不在？
一个真正做过落地的专家，聊一个小时你就能感受到那种”手上有泥”的质感。他会主动跟你讨论失败场景，而不是只展示成功案例。
05. 写在最后
知识通胀的时代，筛选专家的方式也在通胀。
以前看文章就能判断的，现在要见面聊。以前看履历就能信的，现在要看他怎么处理意外。以前听方案就能拍板的，现在要追问”你做过吗”。
听起来门槛更高了。但换个角度想—— 这对真正的专家反而是好消息。
因为 AI把水货的入场券印成了传单 ，真正有料的人，反而更容易被看见。你只需要多花一点时间，用那三道筛子过一遍，就能筛掉90%的噪音。
宣传文章是门票，但入场之后， 真正决定一个人值不值得信任的，是他解决问题的能力。
而一个专家的不可计算性，就是他在AI时代最硬的通货。
你能买到AI工具，但你买不到那个说”这里不对，应该这么干”的人。
如果你也在选AI厂商，把这篇文章转给你的团队——三道筛子，帮你们省掉至少一轮无效沟通。
📎 参考来源：
- 某AI写作工具平台公开数据（2026年Q2）
- 个人咨询案例（客户信息已脱敏）
- 与某企业CFO的交流记录
⚠️ 本文所引用的案例和数据均已脱敏处理。
06. 原文来源
原文发表于微信公众号“中老年叨叨”（2026年6月29日 08:05）。查看微信公众号原文。