01. 康波归位之后，普通人如何保住自己的工作价格
上一篇👉逆康波的那一轮：或许是人类最后的高薪堆人：说了一下我对AI与康波周期回归的关系。那么对于我们普通人当下最焦虑的问题————职业发展，我们该如何面对。
我的个人感觉是：不要问”我的职业会不会消失”，应该问”我这份工时现在喂给谁、还有没有人愿意为它付溢价”。同一份工时，在逆康波时代被当成那台还没造出来的机器，可售卖工时和产出越多，人越值钱；康波一归位，它就被重新定价回”任务颗粒度 + 结果责任”。
AI SaaS ToB 行业产品老兵，创业者，欢迎关注并理性讨论。
AI 对就业市场最隐蔽的影响，可能不是某个职位突然消失，而是同一个职位里，越来越多的任务不再需要由人来完成。
斯坦福数字经济实验室基于 ADP 行政数据的研究发现，在 AI 高暴露职业中，22 至 25 岁劳动者的相对就业下降了 16%；从 2022 年底到 2025 年 9 月，这一群体在相关职业中的就业下降约 6%，而资深员工同期增长 6% 到 9%[1]。
这组数字不能证明 AI 已经消灭白领，也不能证明所有劳动力市场都会先裁人、后降薪。它只说明了一件更具体的事：在一部分职业里，企业已经开始减少新增的初级岗位，而不是立刻大幅调整在职员工的工资[1]。
这也解释了为什么许多人明明还拿着原来的工资，却已经感到不安。工资单记录的是过去的议价结果，招聘市场反映的则是企业对未来产能的判断。前者暂时没有变化，不代表后者没有转向。
如果把康波理解为生产要素不断被重新定价的过程，那么问题就不是“我的职业会不会消失”，而是：我的工时现在喂给谁？企业还愿不愿意为它支付溢价？
这也是康波归位之后，每个普通人的钱都躲不开的事：工资收入&积蓄/投资。
先聊一下—普通人的工时，也就是你这份工资的价格，该怎么守。它是这面镜子的上半块；后续有时间我再推导一下投资的应对，聊当机器替掉一部分常规脑力之后，我们的积蓄和钱包该怎么摆。
还是哈耶克那套老话：知识散在无数人手里，价格只是这些人各自判断汇合后的一个结果。所以没人能替你证明”这个岗位三年后还值多少”——答案不在任何一个人的脑子里，而在成千上万个还在做岗位决策的人那里。与其猜那个结果，不如看清决定结果的那股力：
02. 看任务，不要看职位
过去的工业革命先替代体力。纺纱、收割、装配、采煤，这些工作可以被拆成确定动作，再交给机器重复执行。互联网则走了一段反方向的路：它扩大了信息处理、协作和交易的需求，却没有同时提供一台足够好用的脑力机器。
于是，过去二十年科技行业形成了一套心照不宣的估值公式：融资，扩张，招人，再融资。投资人肯掏钱，是因为创业团队画得出增长故事；增长故事又必须靠实打实的交付去兑现。可一个人的产出有上限，一天也只有那么多时间，想在一年里把交付量放大十倍，最直接的办法就是堆人头，再配上 996 去榨工时[2][3]。
这一段，人没有被机器挤到边缘，反而暂时被当成了那台还没有造出来的机器。白领的高薪里，当然有专业能力，但有一部分来自工时差：企业急着扩张，机器又接不住脑力，只好堆人买工时，或用更高的价格买更高效率的人的工时（跟花大价钱买性能更好的机器一模一样）。
现在AI开始接脑力活动：理解、生成和部分基础推理；不论当下LLM的能力到了什么阶段，但有一件事是已经有了早期证据的—— 部分脑力任务”用工时的边际成本”，正在下降 。这里面的 “部分” 就是职位里最容易标准化的那第一截————年轻人的入门台阶————对应的可售卖人类工时，先被这台真机器接走了。
所以判断自己站没站在被替代的一侧，我们把自己的工作拆成几类。
- 第一类，是确定性信息的搬运与格式重塑：
整理纪要、清洗数据、套用模板写代码、把固定格式的文字重新表达。这类任务的输入和输出都比较清楚，最容易被模型吸收。
- 第二类，是既有流程里的局部优化：常规 Bug 修复、初级数据分析、标准合同起草、基础功能测试。
它比信息搬运复杂一些，却仍然可以被拆成一组步骤。模型未必马上取代整份工作，但可能扩大一个资深员工的覆盖范围，企业于是减少新增初级岗位。
- 第三类，是跨情境综合。
客户为什么不愿意续约，工厂为什么总在同一个地方出错，一个项目为什么明明完成了却没有产生价值，这些问题不能只靠生成一段漂亮文字解决。它们需要上下文、取舍和对例外的判断。
- 第四类，是进入真实世界。
设备调试、医疗照护、供应链协调、复杂销售、组织管理和合规审查，都可以被 AI 增强，却很难只靠一个窗口完成。它们的价值来自现场、信任、协作，以及对后果负责。
个人真正要做的，是把自己的工作拆开，然后看收入主要来自哪一类。如果收入主要来自前两类，售卖工时的议价能力面临的压力可能更早出现；如果收入主要来自后两类，AI 仍会改变工作方式，但替代链条更长，短期内更可能先改变生产率。
你的工作能不能被写成一份足够清楚的操作手册？如果新人不需要理解现场，只要照着步骤完成，机器就有机会从局部进入；如果工作必须不断回答“这次为什么不一样”，人的价值还没有被完全格式化。
03. 最先变薄的，是新人的第一块台阶
AI 对就业市场最隐蔽的重构，不是立刻砸碎资深员工的饭碗，而是让新人更难进入职业阶梯。
过去的学徒机制（另一篇文章里也有谈到👉AI把作业写完了，学徒怎么办）依赖一种交换：新人提供相对便宜的初级执行工时，企业为新人的低效率买单，让他们接触真实客户、真实项目和真实错误。新人先做资料整理、基础代码、报表核对和流程执行，再慢慢学会判断。
这个交换之所以能够成立，是因为初级任务足够多，而且暂时没有更便宜的替代者。企业把新人当作成本，也把他们当作未来的人才储备。
现在，基础任务的边际成本开始下降。资深员工配备 AI 工具，可以更快生成初稿、排查错误和完成基础测试。企业当然仍然需要新人，但新增一个新人之前，会多问一句：这部分工作是否已经可以由现有团队和工具消化？
这就产生了一个很难绕开的悖论：所有人都告诉新人，不要停留在执行层，要去做问题定义和业务判断；可问题定义和业务判断，又往往只能从大量初级执行中长出来。新人失去的不是一份工作，而是积累真实经验的入口。
这也是 Stanford 研究值得重视的地方。它发现，AI 高暴露职业中，22 至 25 岁劳动者的就业下降更明显，而资深员工相对稳定；研究者提出的一种可能解释是，年轻人更常提供书本化、可编码的知识，资深员工则积累了更多不容易被完整数字化的经验[1]。
这只是可能机制，不是已经被证明的铁律。但它至少提供了一条可操作的判断：你的经验里，有多少是搬不进提示词、知识库和标准流程的？
学历因此很难再单独构成完整的议价能力。学历证明一个人完成过一套训练，却不一定证明他能在机器参与之后创造额外价值。未来招聘更可能追问：你能不能把工具放进真实流程？能不能识别模型的错误？能不能把抽象建议变成组织动作？出了问题，谁来负责？
传统大厂的学徒制并没有完全消失，但它正在承受压力。年轻人需要把经验获取从“等待组织分配任务”，改成“自己跑通小型闭环”。这不等于每个人都要辞职创业，而是要尽早接触真实客户、真实成本、真实交付和真实反馈。
做一个很小的工具，替一家小店改造一条流程，帮一个具体客户解决一次重复问题，或者把一个失败项目完整复盘下来，都比单纯在标准流程里累积更多工时，更接近真实经验。
规模可以很小，但必须有结果、有反馈，也有失败的可能。新人需要留下的，不是一份更像标准答案的简历，而是几项能够证明自己面对过真实问题、并把它解决过的证据。
04. 真正的稀缺，是无法被“蒸馏”的默会知识和结果责任
工具使用本身，是会极速普及的。凡是能被写成标准提示词、塞进知识库的显性经验，越来越容易被复制——你用得上，别人也很快用得上，它不构成护城河，只构成入场券。
真正难复制的是无法被蒸馏的技能：
- 第一种，默会知识。客户在谈判桌上突然放慢语速——是价格不满意，还是内部没达成共识？老产线出现一丝不明显的异响——问题在设备、原料还是操作习惯？团队连续攻坚后士气掉了下来——该继续加压，还是先停下来修复协作？这些判断几乎写不进数据库，却决定项目最后成不成。斯坦福研究把这列为一种可能的机制：年轻员工相对更多提供书本化、可编码的知识，资深员工攒下的是不会被完整数字化的经验，所以 AI 更容易替代前者、增强后者[1]。这是一种可能性，且不论是不是对的，至少当下它给出了一条可操作的判断： 你的经验里，有多少是搬不进提示词的？
- 第二种，对结果负责。模型能生成方案、代码、报告，但不会自动成为合同里的责任主体。系统出了问题，总要有人解释决策、承担损失、接受追责。市场愿意为高级劳动付溢价，很多时候不是因为他写得快，而是因为他在信息不完整时敢做取舍，并且对后果负责。
所以职业护城河是两者叠起来的：
- 一、具体行业的上下文——你知道客户、流程、设备、监管和利益关系怎么运转；
- 二、把 AI 放进这套上下文的能力——知道什么时候用它、怎么验证、何时拒绝、怎么把结果交给组织执行。
单会通用工具的人，优势抹平得很快；但只懂专业、不会调工具的人，效率又落后。值钱的是组合： 专业经验 + 工具杠杆 + 结果责任 。
05. 用投资的思维
即便每个人都努力向问题定义者、业务负责人和复合型人才进化，企业也不可能需要同等数量的决策者。生产率提高之后，某些白领岗位的总需求减少，完全可能与个人能力变强同时发生。
因此，职业策略不能只停留在技能升级，也要延伸到个人资产负债表。
一个人最大的资产，其实不是房产或账户里的股票，而是未来几十年的劳动收入。可是这份收入的风险，几乎全押在一个雇主、一个行业、甚至一个业务周期上。这跟重仓一只股票没有本质区别，甚至更糟：股票你还能拆仓，工作你没法把一份薪资切成五份投给五家公司。
如果你在互联网、软件、商业分析这类高暴露岗位，工资本身就和 AI 采用速度绑在一起了。技术繁荣时，它跟着涨；资本开支开始消化、公司缩招，它又跟着跌。底层逻辑很简单： 你把全部风险，集中在一份工资上。
这并不说我们要辞职或转行，而是说要像做股票那样，给这份集中持仓做两件事。
-
第一件，管好资产负债表。降低刚性支出、减少高杠杆、保留一点流动性——这不是消极避险，是给自己买选择权。当工作价格往下走的时候，最危险的其实不是收入变少，而是你没有时间拒绝不合理的条件，只能接受翻倍的工作量、缩水的奖金、无限延长的工时。流动性留的时间不够固定，它该跟你的房贷、抚养责任、转型成本去匹配。核心只有一个问题： 如果收入中断，我能不能在不被迫割肉长期资产的前提下，完成下一次职业选择？
-
第二件，有意识培养不可被蒸馏的隐性技能。专业咨询、本地化服务、垂直小工具、行业内容，都行。目的只有一个：别让”单一雇主的工资”成为你唯一的一注。
06. 康波不是一张发财时间表，它更像一台重新分配稀缺性的机器。
康波归位之后，普通人真正面对的不是“要不要学 AI”，而是自己的价格将由什么决定。过去，企业高价购买人的时间；以后，时间本身会越来越充足，价格会转向上下文、判断、信任和结果责任。
技术无法替你决定命运，但它会不断重置价格。普通人保住价格的路径，不是把自己训练成一台更耐用的工时机器，而是成为能够定义问题、调用工具、进入现场并为结果负责的人。
康波不会因为你拥有一张漂亮文凭就停止重定价。它只会继续追问：当机器接走了标准答案之后，你还能为哪一种结果负责？
07. 参考资料
[1] Stanford Digital Economy Lab，Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence，2025-11-13，https://digitaleconomy.stanford.edu/app/uploads/2025/12/CanariesintheCoalMine_Nov25.pdf
[2] Reuters，Alibaba founder defends overtime work culture as ‘huge blessing’，2019-04-12，https://www.reuters.com/article/technology/alibaba-founder-defends-overtime-work-culture-as-huge-blessing-idUSKCN1RO1BC/
[3] 逆康波的那一轮：或许是人类最后的高薪堆人逆康波的那一轮：或许是人类最后的高薪堆人，2026-09-13
08. 原文来源
原文发表于微信公众号“中老年叨叨”（2026年9月15日 08:01）。查看微信公众号原文。