**别再说你的工作太复杂了：留给办公室人的转型时间，已经不多了**

最近，我在聊天里说了一句很不客气的话：

“很多人当牛马当了一辈子，有了 AI，也只会让 AI 教他怎么当牛马。”

这句话来自我在工作中反复遇到的一种挫败感。

我向一些人介绍 Codex，告诉他们可以把工作交给 agent 去完成。他们经常非常理直气壮地回答：“我的工作特别复杂，AI 干不了。”

没有认真尝试，没有提供必要的资料，没有说明最终要得到什么结果，甚至没有弄清楚它能使用什么工具，就已经下了结论。

你解释一种做法，他说自己的业务特殊；你提出一个具体方案，他又搬出另一个从未告诉你的条件。讨论到最后，和在网上遇到一个根本不准备讲理的喷子，没有太大区别。对方始终在维护“我的工作不可能被它完成”这个结论。

我越来越没有耐心参与这种讨论了。因为这件事关系到他们接下来还能靠什么谋生。

我这里说的“文字处理工作”，范围非常广。

会计整理凭证、核对账目，销售维护客资、准备方案，法务阅读合同、比较条款，客服整理问题、查找规则、起草回复，运营汇总数据、编制报告——只要工作主要发生在电脑里，源信息能够被数字化，最后交付的也是电脑里的成果，都属于我讨论的范围。

这里的“文字”，接近大语言模型里 language 的广义概念：文字、数字、表格、规则、代码，以及它们表达的关系。

这些内容可以被读取、比较、计算、转换和重新组合。你每天亲手完成的许多操作，都发生在这个范围之内。

黄仁勋在 2024 年 2 月的世界政府峰会上，有一段非常鲜明的表述：

> “the programming language is human: everybody in the world is now a programmer”

“编程语言就是人类语言：现在，世界上的每个人都成了程序员。”[原文：NVIDIA 官方报道](https://blogs.nvidia.com/blog/world-governments-summit/)

这句话描绘的方向，是普通人可以用自然语言指挥计算机完成工作。它也让我更加确信：一个人的生产能力，越来越取决于他能否清楚地表达意图。

与此同时，很多人仍然把“我每天有很多步骤要做”当成“我的工作无法被自动化”的证据。

忙碌并不能证明技术复杂度。

开发一套真正投入使用的业务系统，需要处理需求、数据结构、业务规则、接口、权限、异常、测试、部署，以及上线后的实际运行问题。它必须在真实环境里工作，不能只是在文档里看起来合理。

连复杂的商用软件、商用网站，agent 都已经能够完成从编码、测试到部署上线的整条工作链。这类系统可能涉及几十万、甚至更多行代码，要让大量模块、业务逻辑、数据、接口、权限和异常处理相互配合，最后在真实环境中稳定运行。面对已经能交付这类成果的 agent，再听到有人坚持说：“我这个办公室工作太复杂，Codex 做不了”，我实在很难接受。

在我看来，单论执行层面的工作量和复杂度，完整商用系统工程远比办公室里所有其它非编程岗位的文案处理工作复杂百倍，甚至不止。把这些日常办公室任务算作它的百分之一，我都觉得已经很客气了。这是我对量级差距的判断，但我追问的问题非常具体：

你究竟能不能说清楚，你的工作复杂在哪里？

是资料拿不到？规则没有确定？几个来源互相矛盾？需要一个尚未作出的业务决定？还是成果必须由有资格、有权限的人签字负责？

这些都可以讨论，而且必须讨论。

一句笼统的“我的工作很复杂”，却把所有问题都藏起来了。它既没有帮助 agent 完成任务，也没有证明 agent 无法完成任务。

专业判断的难度、出错后果的严重程度，以及操作步骤的繁琐程度，需要分别看待。

一份合同可能涉及巨大的责任，一笔账目可能影响重要决策。这恰恰要求有人判断目标是否合理、依据是否可靠、结果是否合格。它并不能自动证明，阅读、整理、比对、计算、起草这些执行环节，都必须继续由人逐项完成。

我真正想强调的变化，是人的工作位置必须改变。

**让 AI 当牛马，不要让 AI 教你当一个比以前更能干的牛马。**

现在很多人的 AI 应用方式，是向 chatbot 请教一件事情应该怎么做，拿到步骤以后，再自己打开软件，一步一步操作。

他们学习更复杂的公式、更熟练的操作、更高效的流程，然后继续亲手完成工作。

对于把电脑端工作交给 agent 这个目标，这种用法从一开始就站错了位置。人依然承担全部执行，AI 只是帮助这个执行者提高熟练程度。执行者更能干了，工作却仍然绑在这个人身上。

这根本没有理解 agent 意味着什么。

你想完成一件事，并不需要先学会这件事的具体做法，再把自己学会的步骤逐项交给 agent。

你需要理解的是：做这件事的根本目的是什么，哪些要求必须满足，哪些地方可以妥协，哪些地方值得进一步打磨，以及最终要得到一个什么样的结果。

至于用什么工具、怎样操作、分成几步、遇到问题怎样修正，应当由 agent 去解决。

必要的信息缺在哪里，也可以让它主动查找、梳理和追问。你需要理解源信息对结果的影响，并帮助它获得必要的信息和访问条件，但不必先独自完成全部资料整理，更不必把自己训练成这项工作的熟练操作员。

比尔·盖茨早在 2023 年 11 月讨论 agent 时，就写过：

> “You’ll just tell your agent what you want.”

“你只需要告诉你的 agent，你想要什么。”[原文：Bill Gates《AI is about to completely change how you use computers》](https://www.gatesnotes.com/meet-bill/tech-thinking/reader/ai_agents)

这句话所在的段落，讨论的是未来创建应用和服务的方式：人表达需求，agent 承担代码、设计及发布等工作。这是他当时对未来的设想。

这个方向与我的观点非常接近。人需要学会把目标交给执行者，让执行者自行解决实现过程。

以支付系统调用风控引擎为例。

你根本不需要知道风控引擎里几百个参数分别是什么、应该怎样配置。你甚至不需要见过它的界面。

你需要凭借对业务的常识性理解，说清楚当前大致存在什么风险，希望控制什么问题，以及能够接受什么样的取舍。

例如，对某类风险希望更严格一些，但正常交易被误拦的代价也必须考虑；某些环节可以增加检查，某些体验则需要尽量保持顺畅。

接通必要的业务资料、执行工具和结果反馈以后，就可以让 agent 去研究规则、完成配置、组织测试，再根据实际执行结果校准配置。

有没有漏拦？有没有误拦？配置是否在实际支付流程中生效？业务影响是否符合原先的目标？

这些反馈应当进入 agent 的下一轮判断，让它继续调整、验证和打磨。整个过程围绕目标形成持续的执行与校准。

人不需要先阅读几百页操作手册，学会所有参数，再每天亲手调来调去。人需要在目标发生变化、取舍需要决定、结果偏离要求时，清楚地表达判断。

具体执行和大量技术细节，应当逐步交给 agent 承担。

这才是我说的能力转型。

过去，一个人的能力常常体现为：这件事我会做，那套软件我熟悉，这个流程我操作得比别人快。

现在，更重要的能力是：我看得见这件事为什么值得做，知道什么结果真正有用，也能判断哪些地方可以接受、哪些地方还需要改进。

Sam Altman 在 2025 年的《Three Observations》中写道：

> “Correctly deciding what to do and figuring out how to navigate an ever-changing world will have huge value;”

“正确决定要做什么，并弄清如何在不断变化的世界中前进，将具有巨大的价值。”[原文：Sam Altman 个人博客](https://blog.samaltman.com/three-observations)

我对这句话的理解是：执行能力越来越容易获得，决定应该做什么、为什么做、做到什么程度的能力，就会变得更加重要。

很多人的困难恰恰在这里。

他们熟悉自己执行的流程，却说不清楚流程最终服务于什么目标；他们坚持某个步骤必须由人完成，却解释不了这个步骤为什么存在；他们能够交出一份符合旧模板的材料，却不知道这份材料究竟有没有解决问题。

当执行工作越来越多地被 agent 承担时，这些问题会直接暴露出来。

离开亲手操作，你还能为结果贡献什么？

还有一种能力，我觉得被严重低估了：你是否广博地了解，工作成果可以以什么形态存在。

同一个问题，可以交付成一篇报告、一张表格、一个可查询的知识库、一个交互页面、一段自动执行的程序，或者一套持续运行的业务系统。

如果你只见过文档和表格，就会不断要求 agent 替你生产更多文档和表格。你可能根本想不到，真正需要的成果，是一套每天自动更新、发现异常就提醒你的流程。

你不需要知道这套流程具体怎么编写，但你至少需要能够想象它，理解它为什么有用，并说清楚它应该呈现什么信息、触发什么反馈、达到什么标准。

交付形式会反过来改变工作的组织方式。

这也是我对“一人公司”的理解：如果一家公司从设计之初，就让 agent 承担大量执行工作，它完全可能绕过许多传统的岗位分工和人员协调环节。

过去要安排给不同人的资料收集、整理、分析、制作和检查，可以在同一个目标之下，由 agent 调用工具、推进步骤、处理反馈。

在这种组织里，用来分派任务、催进度和转发信息的人类协调工作，需求可能大幅减少。现实中的关系、授权与责任仍然需要处理，但并不是每一项交付都需要先组建一支人类团队。

一个人甚至可以不擅长传统意义上的人员组织，只要他能够清楚地看见目标，理解关键取舍，知道成果可能长成什么样，并明确表达意图、判断交付质量，就可能驱动过去需要多人协作才能完成的工作。

Sam Altman 在《The Gentle Singularity》中，对个人产能的变化也作过这样的判断：

> “the ability for one person to get much more done in 2030 than they could in 2020 will be a striking change”

“一个人在 2030 年能够完成比自己在 2020 年多得多的工作，将是一项显著变化。”[原文：Sam Altman 个人博客](https://blog.samaltman.com/the-gentle-singularity)

这段话谈的是个人产能的扩大。沿着这个方向，我认为，企业将有机会重新设计需要多少人、需要什么样的人，以及哪些工作可以直接交给 agent。

这也意味着，初级通用办公室能力，以及大量依赖熟练操作的中级专业能力，可能迅速失去过去的稀缺性。

会写邮件、做表格、整理材料、套用模板，曾经足以支撑一个岗位。熟悉某套规则，能够按惯例完成一类专业文件，曾经足以获得更高的薪水。

当这些执行工作越来越容易被 agent 承担时，组织就会重新计算：完成同样的交付，究竟还需要多少人？

经验仍然可能有价值，但价值需要体现在判断里。你能否发现任务的根本目的被理解错了？能否识别一个看似完整、实际无法使用的结果？能否决定哪些条件必须满足，哪些可以取舍？

仅仅重复“我做这个很多年了”，很难回答这些问题。

所以，我想给所有以广义文字处理为主要工作的办公室人一个明确警告：

**留给你改变能力结构的时间，可能已经不多了。**

这种紧迫感，已经有人表达得比我更明确。

Anthropic 联合创始人 Dario Amodei 在 2026 年 1 月的《The Adolescence of Technology》中，重申了他此前的预测：

> “AI could displace half of all entry-level white collar jobs in the next 1–5 years”

“AI 可能在接下来一至五年内，取代一半的入门级白领岗位。”[原文：Dario Amodei《The Adolescence of Technology》](https://darioamodei.com/essay/the-adolescence-of-technology)

他还讨论了一个值得办公室人认真思考的问题：金融、咨询、法律等岗位，专业知识虽然不同，入门级工作所依赖的一般认知能力却有相似之处。如果这些领域同时受到冲击，换一个相近职业，未必就能避开变化。

他也承认企业采用新技术需要时间。但紧接着，他写道：

> “But diffusion effects merely buy us time.”

“但技术扩散的滞后，只是在为我们争取时间。”[同篇原文](https://darioamodei.com/essay/the-adolescence-of-technology)

这句话很适合送给那些因为自己公司暂时没有变化，就认为自己可以继续原样工作的人。

我的判断是，未来一两年，仍然无法从熟练执行转向目标定义、取舍判断和成果验收的人，会陆续感受到现实的压力。这个时间判断比 Amodei 提出的范围更紧迫，是我自己的判断。

变化不会在所有行业、所有公司同时发生。但你可能先发现，新岗位变少了，原来需要几个人的工作交给一个人就够了，自己花几天完成的成果，别人已经能在更短时间内交出来。

淘汰未必从一张辞退通知开始。它也可能从你的工作越来越不值钱开始。

市场不会因为你觉得自己的业务特殊，就停止比较交付速度、质量和成本。公司也不会因为你每天很辛苦，就永远为那些已经可以被更高效完成的步骤付费。

你现在就可以拿一项真实工作来检验自己：我能否把根本目的说清楚？能否判断哪些要求必须坚持、哪些地方可以妥协？能否想象更合适的交付形式？能否根据实际结果指出下一步应该怎样改进？

如果这些问题回答不了，就应该尽快补上。

因为当你又一次理直气壮地说“我的工作太复杂，AI 干不了”的时候，很可能已经有人把目标交给 agent，让它执行、验证、调整，最后拿到了你还在亲手操作的那份成果。