2026你觉得什么工作会被AI取代？
自从 AI 能帮我写公众号和 X 长文，Codex 甚至可以直接生成封面图后，我发一篇文章只需要十分钟。
但效率提高之后，我反而越来越不敢自己动笔了。
前几天，我想完全不借助 AI 写一篇文章。光是构思，我就拖了一个星期。打开空白页面时，我甚至不知道第一句话应该从哪里开始。那一刻我开始怀疑：究竟是我本来就不擅长写作，还是长期把表达交给 AI 以后，我已经失去了写作的能力？
这个问题，是从今年五月底开始困扰我的。
当时我去大理参加了一场为期七天的黑客松。七天里，我看到很多人用 AI 写代码、做产品、生成内容。过去需要一个团队完成的事情，现在一个人几天就能做出原型。AI 带来的效率提升如此直接，以至于所有人兴奋之余，都隐约在问同一个问题：
如果越来越多的工作都能交给 AI，人还应该保留什么能力？
我最初以为，答案是找到一种 AI 永远做不了的工作。后来我发现，这个问题可能从一开始就问错了。
我没有只停留在想象里。我开始用 Claude、Codex 和“龙虾”辅助优化自己的电商网站，还做了一个能够帮我分析个股的工具。AI 的发展速度和执行能力让我非常惊讶。
今年七月，上海几乎被AI活动包围。
七月初是上海国际具身智能产业博览会，随后是人工智能实验室的多赛道黑客松。到了 7 月 17 日，世界人工智能大会 WAIC 在世博、张江和西岸同时开场。仅 WAIC 就安排了 140 多场论坛，1100 多家企业带来 3000 多件展品。
一张官方售价 168 元的单日票，被炒到上千元。AI 展会门票，突然有了演唱会门票的行情。
这届 WAIC 又赶上国产模型密集更新。小米在 4 月发布 MiMo V2.5，DeepSeek 随后推出 V4 预览版，到了 7 月，Kimi K3 又来了。模型的编程和 Agent 能力越来越强，但我在现场感受到的，不只是兴奋，还有一种“茫然”。
大家在订阅模型时也更谨慎了。因为你刚为一个模型付费，下一个更强或更便宜的模型可能很快就会出现。
不过我没有急着追着模型换。我慢慢意识到，模型当然重要，但对普通人和企业来说，更难的问题是怎么把它放进真实工作里，解决一个具体的问题。这恰恰需要人的能力。
“AI 没有这种能力”，不是安慰自己的理由
我原本也以为，问题可以从能力清单上得到答案。
只要找到一种 AI 没有、而人类拥有的能力，人似乎就安全了。
但走进这样的展会以后，这种安慰很快就会失效。
过去几年，人们不断为人类寻找最后一道防线。
先是创造力，然后是共情，再是身体经验、长期记忆、复杂推理和工具使用。每当模型跨过一条线，我们便向后退一步，再宣布下一项能力不可替代。
问题不在于这些说法今天就错了，而在于我们总拿 AI 现在还不会的东西安慰自己。
可 AI 每进步一次，这张清单就要划掉一项。我们站着的这块“安全区”，也就跟着小一点。
BBC 在 2026 年 7 月的一篇分析里，提供了一个更具体的时间尺度。三年前，大语言模型主要只能稳定完成需要人类几秒或几分钟的任务；如今，一些模型已经能够完成需要人类约一小时的复杂软件任务，包括排查加密货币合约问题，以及开发、优化模型。
能力扩张已经开始反映在就业数据中。BBC 转述的一项斯坦福大学分析显示，ChatGPT 普及以后，美国 22 至 25 岁人群的就业率受到约 2.7% 的冲击；在金融、软件和创意产业等 AI 暴露程度较高的领域，冲击达到 12.8%。这个结论仍有争议，其他经济学家认为利率等因素也可能解释部分变化，因此它不能单独证明 AI 导致了岗位减少。
但它至少指出了一个值得警惕的顺序：最先承压的往往不是最资深的判断者，而是负责完成边界清晰、可被验收的入门级任务的人。
这也解释了为什么讨论“职业是否消失”容易失焦。AI 不需要一次取代整个职业。它只需要先拿走其中标准化程度最高的任务，就足以改变企业是否继续招聘新人、年轻人如何获得经验，以及一条职业路径还能否正常形成。
当然，公司也不会因为 AI 能做，就马上把人全换掉。BBC 的报道提到，2026 年不少企业用了大量词元，账单高得吓人，有些公司甚至开始限制员工使用。在某些任务里，AI 算下来可能比真人还贵。
但模型还会继续降价，公司也会慢慢学会怎么用。所以，今天列一张“哪些职业绝对安全”的名单，可能过几个月就过期了。
AI 当然会取代一部分工作。更准确地说，它会先压低那些可以被描述、复制并批量执行的脑力劳动价格。
总结、改写、整理资料、生成标准方案、编写通用代码、制作训练计划，这些事情未必完全消失，但客户不会继续为一个“合格而无署名的答案”支付过去的价格。
于是，问题不再是“哪个职业安全”。
程序员、写作者、咨询顾问和健身教练，都不会因为职位名称而自动获得护城河。同一个职业里，有人只是在执行一套可描述的步骤，有人却在决定什么值得做、如何验证，以及失败之后怎么办。
AI 首先改变的不是职业，而是价值在工作流程中的位置。
AI 可以写“我相信”，但不必因此失去什么
今天的 AI 已经可以写出非常坚定的“我相信”。
它可以生成十种政治立场，为彼此矛盾的观点提供完整论据；也可以模仿一个反叛者，说出与主流共识不同的话。
如果所谓独特观点只是选择一种少见的表达，那么它同样可以被批量生成。
但观点不只有文本形态。
在现实世界中，一个人说“我相信”，往往意味着他准备依据这个判断采取行动。他可能投入时间和金钱，得罪客户或朋友，改变职业方向，甚至让自己的信誉与判断绑定。
AI 可以生成一句信念，却不必因为这句信念而失去客户、朋友、金钱或身份。
AI 能生成观点，却不能替你做决定；能模拟非共识，却不必承担非共识失败的代价。
我这里说的“主体”，其实没那么玄。
简单讲，就是事情没有标准答案时，你还是得自己选；选完不能甩锅；如果现实证明你错了，你也得认，然后改。
比如要不要辞职做一个产品，AI 可以帮你算市场、列风险、写商业计划，但最后辞不辞是你的决定。钱是你投的，时间是你花的，做砸了也是你承担。
我也不想说人类永远不会被替代。AI 以后当然可能发现异常、提出假设，甚至自己做实验。
我只想说，在我们眼下的工作和生意里，答案可以由 AI 生成，但“到底要做什么”“出了问题算谁的”，最后还是要落到一个具体的人身上。
伽利略测试：AI 会不会跟着大多数人一起犯错？
最近马斯克提出了一个关于 AI 的“伽利略测试”。它想问的不是 AI 能不能故意唱反调，而是：当大多数资料都在重复一个错误答案时，AI 能不能根据证据发现大家可能错了？
“伽利略”这个名字来自一个经典故事。
过去很多人相信地球是宇宙中心，太阳和其他星球都围着地球转。伽利略没有因为多数人都这么说就直接接受，而是通过观察和证据，支持了与当时主流认知不同的判断。
放到 AI 身上，问题就变成：
如果 AI 读到的一万篇文章都说 A 是对的，但真实证据指向 B，它会继续复述 A，还是能发现大家可能都错了？
比如，网上绝大多数文章都说某种经营方法有效，但一家公司的真实数据却显示，使用这种方法以后客户流失得更快。
普通 AI 可能根据网上的大量内容，继续推荐这套方法。
真正通过“伽利略测试”的 AI，则应该注意到真实数据与主流观点之间的冲突，然后说：
虽然多数资料都推荐这种方法，但这家公司的实际数据并不支持它，我们需要重新检查原来的假设。
说白了，这个测试就看一件事：AI 是数人头，还是看证据？
大家都说 A，不代表 A 就是真的。新证据来了，它能不能停下来重新想一遍，而不是继续把网上最多的答案复述给你？
就算 AI 真能做到这一步，也只是发现了“大家可能错了”。要不要按照这个发现去行动，是另一回事。
AI 可以帮你找反例、算数据、挑出漏洞。可要不要押钱、改产品、得罪人，仍然得有人拍板。
所以，非共识不是在网上发一句“你们都错了”。
真正难的是：你发现哪里不对，愿意继续查，查到一定程度以后敢行动。做对了不一定有人鼓掌，做错了却要自己买单。
AI 很容易生成一个少数派观点。难的是有人真的拿它去碰现实。
而在商业里，已经有一种工作越来越像这件事。
FDE：当实现越来越便宜，定义问题反而越来越贵
这两年，AI 圈最抢手的人，一批在训练模型，一批在做 AI 产品。
到了 2026 年，另一个岗位突然冲了出来：FDE。
它的全称是 Forward Deployed Engineer，这里沿用范冰书中的译法，叫“前置部署工程师”。说实话，听完这个名字，还是不知道它到底干嘛。
FDE 是这条变化最现实的案例。
这个岗位的兴起乍看有些反常。
AI 写代码的能力越来越强，按理说，最先被压价的就应该是软件工程。但企业反而开始争抢一种需要工程师直接进入客户现场的角色。
原因是，模型已经不再是最稀缺的部分。真正稀缺的是：有人能把模型放进一个混乱的真实业务里，并让它产生可以衡量的结果。
假设一家企业说：“我们需要一个 AI 客服。”
如果把客户说出的需求直接当成问题，团队很快就可以做出一个聊天机器人。模型可以选择，界面可以生成，知识库也能搭建。几周以后，一个看起来完整的 Demo 就能出现在汇报会上。
但它可能从一开始就解决错了问题。
客服最耗时间的也许不是回答问题，而是在 Shopify、微信、Excel 和内部系统之间反复查询订单；真正影响客户体验的，也许不是回复速度，而是异常订单无法及时被识别；企业需要的也许不是面向客户的机器人，而是一个可以读取订单、生成建议并把特殊情况转给人工的内部助手。
代码没有写错，需求也按时交付，结果却没有价值。
这正是 FDE 与普通交付团队的区别。
他不会坐在总部，根据一份经过层层转述的需求文档开始开发。他要进入业务现场，看员工实际打开哪些系统，在哪些表格之间复制数据，绕过哪些官方流程，在哪个环节停顿，以及真正相信哪一份数据。
范冰在《前置部署工程师》里讲了一个很实用的判断方法。
先别急着问“能不能做”，先问三件事。
到底是谁每天被这个问题折磨？“提升客服效率”太空了。“客服主管每周要花三个小时，从四个系统里汇总异常工单”，这才是一个能动手的问题。
解决以后能省多少钱、少犯多少错，或者多赚多少？总得先定一个能看结果的标准，不然 Demo 再漂亮也没法判断有没有用。
最后，客户现在的条件到底能不能做。很多公司嘴上说数据都在系统里，进去一看，最靠谱的那份数据可能在一个老员工的私人 Excel 里。所谓标准流程，也可能根本没人按它走。
这些东西坐在会议室里问 AI，是问不出来的。
AI 可以帮助 FDE 读取数据、生成代码、连接接口和快速搭建原型，却不会自动知道哪个问题最贵、最频繁、最值得优先解决。因为“值得”不是一个纯粹的技术属性，它来自具体企业的目标、限制和代价。
更重要的是，FDE 的工作不能在 Demo 完成时结束。
方案必须进入真实环境，使用真实数据，由真实员工操作，再用业务指标判断它是否有效。如果没人愿意使用，如果数据连接错误，如果客服效率没有提升，团队必须继续修改，或者承认最初的判断错了。
FDE 的价值因此不只是“更会使用 AI”，而是完成一条 AI 无法单独完成的责任链：
进入现场，发现问题，作出判断，把判断变成工具，再让真实结果检验判断。
AI 让“怎么实现”越来越便宜，却让“解决什么、如何证明有效、失败由谁负责”变得更加昂贵。
这不是技术行业的特殊现象。
客户买的不是训练表，而是有人看见偏差
同样的变化也发生在健身行业。
如果一名教练出售的只是标准饮食菜单和训练计划，那么 AI 会迅速压低这项服务的价格。用户输入年龄、体重和目标，几秒钟就能得到一份看起来专业而完整的计划。
但一个真实客户连续三次没有完成训练，原因可能完全不同。
可能是计划强度不合理，可能是长期睡眠不足，可能是他害怕走进健身房，也可能是工作和家庭关系让计划根本没有执行空间。
重新生成一张更漂亮的训练表，无法自动判断是哪一种原因。
好教练真正值钱的地方，是他看的是你这个人，不是那张表。
你今天动作变形了，他能看到；你连续几次没来，他会去问原因；发现问题不在训练，而在睡眠、工作或者家庭，他就得把原来的计划改掉。
所以，不是“健身教练不会被 AI 取代”。一张通用训练表，本来就很容易被 AI 取代。
难替代的是那个长期看着你、知道你为什么做不到、还能不断帮你调整的人。
FDE 面对的是公司，教练面对的是个人，但做的事情很像：客户嘴上说想要什么，不一定就是真问题。你得走进去看看，他到底卡在哪里。
写作也是一样。AI 已经能把文章写通顺了。那写作者剩下的价值，就不是再交一篇“没毛病”的文章，而是写出自己真的看见过什么、相信什么，以及为什么愿意为这个判断署名。
真正的风险，是人主动放弃主体性
面对 AI，我们最容易问：“我的职位会不会消失？”
但职位只是分工名称，不是护城河。
更值得追问的是：
- 我是否敢在信息不完整时作出判断？
- 我是否愿意让自己的时间、金钱或信誉与判断绑定？
- 当现实与判断冲突时，我是否愿意修正自己？
AI 到来以后，真正危险的不只是机器获得更多能力。
它也可能让人逐渐习惯不再判断。
当 AI 能替我们总结资料、生成方案、提出十个选项时，我们很容易把自己的工作退化成从答案中挑选一个。久而久之，我们依然坐在决策的位置上，却已经把发现问题、确定目标和解释结果的责任悄悄交了出去。
WAIC 展馆里最不缺的就是答案。
每个屏幕都在生成，每个展台都在演示，每家公司都声称自己能让某件事更快。
但离开展馆以后，我们仍然要自己决定：什么值得做，什么值得相信，什么值得押上自己的名字。
AI 可以替你生成十条道路。
它不能替你承担选择其中一条之后的人生。
写到这里，我好像终于知道了开头那个问题的答案。
我需要保留的，可能不是一种 AI 永远学不会的能力，而是发现问题、作出判断，并且愿意为结果负责的习惯。
至少这一次，我没有让 AI 替我写完。
评论
发表评论