AI时代比技能更值钱的是什么？三个可训练的核心能力

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。

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。

1. 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。
2. 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。
3. 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。
4. 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。

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 AI

5.1 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：

1. 先看现象：是报错、卡住、无输出、输出质量差，还是速度慢？
2. 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。
3. 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。
4. 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。
5. 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。