第 3 章新方程式：从知识稀缺到知识通胀

当答案人人都买得起，值钱的就只剩两样东西：问对的问题，和挑对答案的眼光。

上一章结尾，我们停在一个问题上：当「会做」变得越来越廉价，整个社会衡量专业人士的那把尺子，正在被悄悄换掉。这把新尺子量的是什么？

这一章就是来回答它的。先交代一句它在全书中的位置：第一部「重置」到这里收官——第 1 章说清了你为什么必须上场，第 2 章说清了该用什么姿势上场，这一章说清你练的每一分功，最终按什么计价。它同时是全书一条贯穿线的起点：判断力（judgment）这条线在这一章立靶，到第 9 章开刃，到第 15 章收顶，你会反复遇见它。

我先把这一章的核心判断抛出来，然后用整章去论证它：专业，不再等于「你知道什么」乘以「你能做什么」；它等于你能判断什么、你的品味如何、你能定义什么问题。

论证从一个正在用饭碗投票的行业开始。2026 年初，汤森路透那份《AI 在专业服务业》的年度报告里有组数字，值得你盯三秒：企业法务部门里，团队已经在用生成式 AI 的比例，一年内从 23% 涨到 47%；律所那一栏，从 28% 涨到 41%。都是接近翻倍。而业界普遍的估算是，常规法律任务里有相当大一部分可以被自动化——检索判例、起草合同、审阅文档，这些活 AI 已经干得又快又便宜。

如果你身边有律师朋友，你大概率听过类似的转述：所里的合伙人开始用 AI 过第一遍尽调文档，过去三个初级律师熬一周的活，现在一个人两天收工；年轻律师私下嘀咕的不再是案源，而是「我入行先干的那几年苦活，好像正在消失」。

为什么偏偏挑律师开刀？因为这个职业几乎是「知识稀缺」这个旧方程式最纯粹的化身。一个律师为什么值钱？因为他脑子里装着你没有的东西。法学院苦读数年，司法考试千军万马过独木桥，执业之后再花十年，把判例、条文和无数个深夜的文档揉进直觉。客户付的每一小时律师费，本质上是在为「知道」付费：你不知道这个条款有坑，他知道；你不知道该引哪个判例，他知道。整个行业按小时计费的传统，就建立在「知道的人少、查起来慢」这两块地基上。

所以当 AI 开始批量供应「知道」，最先感到地面晃动的，恰恰是这群最靠「知道」吃饭的人。

一、知识通胀的机制

先把「通胀」这个词说清楚，因为它不是修辞，是机制——这个比喻在本章要承重，后面每一节都会在它上面搭东西。

货币为什么会通胀？因为印钞的成本远低于钱所代表的价值，一旦超发，每一张钞票的购买力就被稀释。知识正在经历一模一样的事。过去知识贵，贵在生产成本：一个靠谱的法律意见背后，是十几年的训练加几十个小时的检索；一份像样的行业分析背后，是一个团队几周的工作。现在，生产一份「看起来八十分」的知识产品，边际成本趋近于零。你提一个问题，三秒钟之内，答案印出来了，要多少有多少。

这不是抽象推演，是已经发生的价格变动。让我们对一笔账：一份过去要价几万块、交付周期两周的行业研究报告，现在一个下午就能生成出八成形似的版本；过去律所按小时计费的合同初审，AI 工具几分钟出结果，收费改成了按份计、按月包。当一样东西的供给突然放大一千倍，它的价格不需要任何人开会决定，自己就会跌下来。

这里要先纠正一个流行的误读：「知识都通胀了，那学习还有什么用」。这个推论听上去顺理成章，但它混淆了两件事。知识没有变得没用，它变得不稀缺了——通胀稀释的是价格，不是用处。这两件事的区别，决定了你接下来怎么自处：前一种理解让人躺平，后一种理解逼人搬家。

旧方程式里，专业大致等于两个变量的乘积：你知道什么，乘以你能做什么。学历、证书、年限，都是对第一个变量的认证；作品、项目经历，是对第二个变量的证明。麻烦在于，这两个变量正在同时贬值：「知道」被大模型批发，「会做」被 Agent 接管，你引以为傲的两项资产，账面价值都在缩水。

感受一下缩水的速度：十年前，「懂一门小语种」是简历上的硬通货，机器翻译把它变成了爱好；五年前，「会写代码」是跨行业的金字招牌，如今一句话能生成应用；去年还值钱的「会调提示词」，今年已经是各家工具的出厂设置。贬值不是会不会发生的问题，是轮到谁的问题。

那稀缺去哪儿了？没有消失，只是搬家了。

汤森路透研究院在讨论法律行业时，说过一句很省字的话：AI 给你答案，而判断，是决定哪个答案重要、接下来该怎么做。同一拨讨论里还有一句更扎心的：考过司法考试，不等于会执业。大模型早就能在司法考试里拿到不错的分数了，但没有客户会请一个考试机器当辩护人。因为执业要的东西考试不考——读懂当事人没说出口的顾虑；在两个都合法的方案里，挑那个十年后不后悔的；以及出了事，把自己的名字签在责任栏里。

判断、品味、担责。注意最后这一个，你在上一章见过它：主厨可以让后厨炒菜，但菜端上桌，署的是主厨的名字。

到这里，开头抛出的核心判断可以正式立住了：专业，不再等于你知道什么、你能做什么，而等于你能判断什么、你的品味如何、你能定义什么问题。这一章先把这个论点立稳，至于判断力和品味具体怎么练，第 15 章有它们的主场。

二、被拆掉的练功房

如果故事到这里为止，结论无非是「去练判断力」。但律师行业暴露出一个更深的麻烦，值得单独拿一节出来讲：通胀不只稀释存量知识的价格，它还在拆判断力的生产线。

回到那组数字：最容易被自动化的三件事，检索、起草、文档审查。现在换个角度问一句——过去，年轻律师的判断力是从哪儿长出来的？

答案恰恰是这三件事。

没有人天生会判断。一个新人律师是在判例堆里泡了几百个小时之后，才慢慢知道哪类案子法官会怎么看；是亲手起草了上百份合同之后，才对「哪个条款会咬人」长出条件反射；是逐页审过几万页文档之后，才有了那种扫一眼就觉得「这里不对劲」的直觉。这些活枯燥、廉价、不体面，但它们是练功房。判断力从来不是课堂上教会的，是在大量低级重复里被磨出来的。

现在，练功房被拆了。AI 把检索、起草、审查整层端走，效率确实高了，可顺带也把新人通往判断力的那条楼梯抽掉了。这就像后厨：学徒削三年土豆皮，看起来是压榨，可刀感就是那三年里长出来的。如今土豆皮有机器削了，学徒第一天就得上灶——火候谁教？

别以为这只是律师的麻烦。设计行业里，新人靠改几百张落地页长出版式感，如今初稿是 AI 出的；写作这一行，编辑的眼力是从改烂稿里磨出来的，如今烂稿很少见了——AI 的初稿总是体面的，体面得让你看不出毛病在哪。每个知识行业的楼梯，都在被同一双手抽走。

这件事对整个行业是个断层问题，得靠行业自己重建梯子。但对你个人，它是一个具体的警告，而且这个警告值得先有个名字：工龄幻觉——以为年头还在走，功力就还在自动涨。过去你确实可以指望「熬几年自然就懂了」，因为那几年里你被迫干了海量的基础活；现在基础活没了，年头照走，功力却不再随之发放。让我们算一笔账：同样过五年，一个人攒下的是五年的工龄，另一个人攒下的是五年的判断力——到第六年，市场只为后者付钱。

差别在哪？在你怎么对待 AI 交回来的东西。

同样是让 AI 起草一份方案，有人扫一眼没大错就转发出去，有人逐段问自己：这里为什么这么写？换成另一种写法会怎样？如果是我从零写，我会漏掉哪块？前者把 AI 当替身，省下的时间用来多干几票同样的活；后者把 AI 当陪练，每一次验收都是一场小型对抗赛。一年之后，两个人的工时记录看起来差不多，内功差了一个段位。

还有一个笨办法，亲测有效：定期挑一件你已经完全交给 AI 的活，关掉它，自己从零干一遍。就像飞行员再依赖自动驾驶，也要定期手动起降。你不是要抢回这件活，你是要确认自己还判断得动它——验收者一旦失去亲手做的记忆，验收就会退化成走过场。

练功房没了，你得随身带一个。

三、三个区的新地图

新尺子立起来之后，整张职业地图被重新划区。粗看是三块。要提醒的是，这三块不是并列的三选一，它们之间有明确的走势关系：一块在贬值，一块在保值，一块在升值。

第一块，危险区，贬值的资产：纯执行。写没有观点的文档、搬运数据表格、维护流程和进度，所有「接到指令、产出交付物」的活都在这里。这个区域的麻烦不在于你干得不好，在于你干得再好，也是在和一个不睡觉、不要工资、每三个月升一级的对手比执行。上一章说过，执行的成本正在趋近于零——零成本的东西，市场不付钱。更麻烦的是，这个区域里的人往往最忙。忙是一种镇静剂，它让你觉得自己被需要，掩盖了所做之事正在贬值的事实。

第二块，机会区，保值的资产：你未必做最终判断，但你手里有 Agent 干活离不开的东西。具体说是三样：数据、权限、可信度。拥有独家行业数据的人，AI 再聪明也得找他喂料；管着系统权限和安全边界的人，Agent 每一次伸手都要经过他点头；还有一种最容易被忽视的——可信度。一个 AI 问诊系统的结论再漂亮，也需要一位资深医生签字，它才能进医院；一份 AI 起草的合同再严谨，也需要一个执业律师背书，客户才敢签。机器可以生产答案，但暂时没法生产「我担保」。如果你一时够不到判断力的高地，先占住一个 Agent 绕不开的路口，是完全成立的策略。而且这三样东西有个共同点：它们都长在真实世界里。模型在数据中心里再怎么进化，也长不出你的客户关系、你的行业数据和你签字的资格。

第三块，安全区，升值的资产：判断力、品味、定义问题。决定该不该做的人，看一眼就知道好坏的人，能把一团乱麻翻译成一个清晰命题的人。本章开头说的那条贯穿线，靶子就立在这里：第 9 章会拿「真问题与伪需求」给它开刃，第 15 章为它收顶。这里先只说一个事实：越往这里走，人才越稀缺，价格越高。

怎么知道自己站在哪个区？有个不太舒服的自查办法：翻开你上周的工作记录，数一数里面有几条是「做完了什么」，有几条是「决定了什么」。如果满篇都是前者，一条后者都找不出来，你大概率站在危险区——不管你的职级听起来有多稳。

好消息是，这张地图上的位置不是户籍，是站位。站位可以挪，而且每天的每个选择都在挪它。挪法也不神秘。一个写惯了周报的运营，开始在周报末尾附上自己的判断和建议，半年后老板找她开会的次数多了，让她填表的次数少了；一个只管切图的设计师，开始在每次交付时多问一句「这个页面要解决的问题是什么」，一年后他参与的是定义，不是执行。没有谁一夜之间跳进安全区，都是一次会议、一份文档地往那边蹭。

四、更好的搓板，还是洗衣机

说到挪站位，最常见的一种努力方式，恰恰是无效的。这种病也该有个名字：搓板式勤奋——用最新的工具，加固最旧的问题。

很多人对 AI 冲击的第一反应是：那我赶紧学，用 AI 把手头的活干得更快。文档写得更快、表格做得更快、稿子出得更快。听起来很上进，但方向错了——这是在发明一块更好的搓板。

搓板的历史上不是没有创新：木头的换成竹的，竹的换成带波纹的金属板，每一代都「更好用」。然后洗衣机来了，所有搓板一起进了博物馆。洗衣机赢，不是因为它搓得比谁都快，而是它重新定义了问题：人们要的从来不是「搓得更快」，是「不用搓」。同一个道理的另一个版本你也听过：用户嘴上要的是更快的马车，福特给的是汽车。

放到职业上，这个对照非常具体。危险区里的人想的是「怎么用 AI 把文档写得更快」，安全区里的人想的是「这份文档到底解决什么问题，它还需要存在吗」。一个律师可以问「怎么更快地审合同」，也可以退一步问：客户买的真的是合同吗？还是「别出事」这三个字？如果是后者，那值钱的产品也许不是一份份文书，而是一套持续盯着客户业务的风险预警服务——合同审查只是它的一个零件。

我自己撞上过这道分水岭。前些年我在企业服务公司做产品，最初接到的指令几乎都是「把这个审批流做快一点」。做得多了才想明白，真正的跃迁从来不发生在「更快」里。我们没有去优化那条七步审批流，而是回头追问它存在的理由，结果发现其中五步只是为了防一个三年前犯过的错。砍掉之后，剩下两步根本不需要优化。那次经历给我留下一句可以复用的判断：定义问题比解决问题省力得多，也值钱得多。

两种问法，用的是同一个 AI，站的是地图上两个区。改良搓板的人，把 AI 当放大器，放大的还是旧问题；发明洗衣机的人，把 AI 当地基，在上面盖新房子。安全区写着的「定义问题」四个字，落到实操就是这个动作：在所有人忙着把旧事做快的时候，退后一步，问一句「这件事本身还成立吗」。

五、会用、会协作、会定义

把上面这些收拢一下，可以排成一道三层的台阶。这是给所有知识工作者的能力坐标，我以产品经理的版本讲，你换成自己的职业，结构不变。先说清三层之间的关系：它们不是并列的选项，是逐级抬高的地基——下一层决定你能不能上桌，上一层决定你值多少钱。

L1，会用 AI。能熟练操作各类模型和 Agent 工具，让它替你完成基础生产。这一层有用，但请认清它的性质：它是门票，不是竞争力。门票的特点是人人买得到——今天会用 AI 给你带来的优势，和二十年前「会用 Office」一样，会在几年内从加分项变成默认项，最后变成不值一提。

L2，会与 AI 协作。这一层开始拉开差距，它与 L1 的区别在于：L1 是你会操作工具，L2 是你对模型有手感。手感的意思是，知道它哪里强哪里弱，容得下它初版输出的不完美，能用几轮精准的追问把一个六十分的草稿收敛到九十分。这一层难在反直觉：大多数人对 AI 的耐心，还不如对一个实习生。实习生交上来六十分的东西，你会改、会教、会再给一次机会；AI 交上来六十分，很多人直接关掉窗口，宣布「不好用」。会协作的人懂得，那六十分不是终点，是谈判的开局。说白了，这一层是把上一章那套「拆解、分派、验收」的老板功夫真正练熟，本书整个第二部讲的就是它。

L3，会定义问题。站在最顶层，回答「这件事该不该做」。它与 L2 的区别是：L2 在把答案收敛得更好，L3 在审这个问题配不配拥有答案。AI 可以给你一百个方向的执行方案，但挑出哪两三个方向值得做、其余九十七个为什么要砍掉，这个判断没人能替你下。L1 的人才市场上已经开始拥挤，L2 的人还算抢手，L3 的人始终是稀缺品——而且 AI 越强，这种稀缺越贵，因为它放大的正是顶层那个决定的杠杆。

用一个会议室里的场景区分三层：老板抛出一个想法，L1 的人回去把它喂给 AI，拿到什么交什么；L2 的人会先把想法拆成几块，跟 AI 来回过招，交回来一份能直接用的东西；L3 的人在会上就举手了：「这个想法要解决的问题，真的存在吗？」前两层在回答问题，第三层在审问题本身。

注意一个容易踩的坑：这三层不是「学完 L1 升 L2」的关卡制。你可以今天就开始练 L3 的提问，同时补 L1 的操作。真正危险的是在 L1 待出舒适感，以为工具越用越熟就是成长。熟练从来不等于稀缺。

六、协作记录写成的新简历

尺子换了，量人的方式自然跟着换。最先有体感的地方，是招聘。

过去筛人的三件套，你很熟：学历、年限、项目经历。这三样东西认证的都是旧方程式——学历证明你「知道」，年限和项目证明你「做过」。而现在，一些跑得快的团队，简历翻到第二页会问出一组过去闻所未闻的问题：你订阅了哪些 AI 工具？你一个月烧多少 Token？拿一个你最近用 AI 完成的任务，把完整过程讲给我听。

我自己这两年参与招聘时，最有效的一道题就是最后这种：现场给候选人一个真实的小任务，看他怎么和 AI 一起把它干完。十分钟之内，什么都藏不住——他是把 AI 当搜索框，还是当下属；他的第一句指令里有没有交代背景和验收标准；拿到不满意的输出，他是放弃、将就，还是三言两语把它掰回正轨。这十分钟透露的信息，比简历上十年的项目清单都多。

所谓「使用深度」，量的就是这些细节：你有没有沉淀下来的指令模板，有没有自己搭过哪怕最简单的自动化流程，有没有让 AI 替你跑过一件你不在场的事。这些问题的答案伪装不了——深度是时间堆出来的，临时抱佛脚的人一开口就露馅。

当然，得提防把新指标用歪。Token 消耗量本身不是本事，刷量毫无意义；它是个代理指标（proxy metric），背后真正被衡量的是你与 AI 协作的深度和密度。就像健身房的打卡记录不等于身材，但一个全年零打卡的人，大概率练不出什么来。一个月 Token 用量约等于零的「资深专家」，他的「资深」正在以肉眼可见的速度过期。

这件事给你的行动信号很直白：从今天起，你和 AI 的协作记录，就是你正在书写的简历。它不在任何一张纸上，但下一个真正懂行的雇主或客户，一定会想办法看到它。

七、专业的关节在重新长

把镜头再拉近一层。说「专业被重新定义」容易流于口号，它具体改写到什么程度？我们团队曾经把产品经理这个职业拆成十个能力维度，一项项对照「AI 之前」和「AI 之后」，拼出一张完整的对照表。这里不铺开整张表，挑几个关节给你看，变化的幅度就清楚了。

先看「问题理解」。过去这项能力叫需求收集：访谈、整理、归纳痛点。现在它的核心动作变成了判断——这一堆问题里，哪些值得被 AI 重构，哪些根本不该碰。工作对象从「需求」退回到更源头的「意图」。收集是体力，取舍是判断，这一格的含金量整个换了血。

再看「定义与原型」。过去这是两步：先写文档定义清楚，再排期做原型。现在你描述一遍意图，系统同时把定义和能跑的原型一起端出来，两步坍缩成一步。那这项能力消失了吗？没有，它变形了：你的活变成校验「我的意图被翻译对了没」。产出的难度降了，鉴别的难度升了。

「数据能力」这一格也很典型。过去看的是日活、转化、留存这些漏斗指标；现在最该盯的指标变成一个更微妙的东西：用户信不信它，要不要回头再校正一遍。幻觉率、命中率都只是成因，信任才是结果。能从数字里读出「信任正在流失」的人，和只会汇报留存率的人，已经不是同一个工种。

还有「决策」这一格。过去的决策方法是排优先级：资源有限，挑最重要的先做。现在试错成本被压到接近零，更聪明的姿势变成保留选择权：少做那种一旦做了就回不了头的单向门决策（one-way door decision），多让几条路径并行跑一段，让结果替你投票。过去的好手善于取舍，未来的好手还得善于不过早取舍。

最后一个关节，原来的表格里根本没有，是新长出来的：监督与责任。过去这部分工作隐藏在团队流程和同事素养里，几乎不被单独计量；现在它成了明晃晃的显性工作量——验证、护栏、检查点，桩桩件件要你亲手布置。委托执行不等于委托责任，主厨的名字躲不掉。

十个维度逐条看下来，你会发现它们其实在重复同一句话：执行的部分交出去了，判断的部分翻倍了。所谓专业被重新定义，不是旧技能换个 AI 皮肤，而是每一项能力的重心，都从「产出」移向了「裁决」。

本章要点清单

知识没有变得没用，它变得不稀缺了。通胀稀释的是价格，不是用处。
新方程式：专业，不等于你知道什么、你能做什么，而等于你能判断什么、你的品味如何、你能定义什么问题。
警惕「工龄幻觉」：基础活没了，年头照走，功力不再自动发放。练功房没了，你得随身带一个。
忙是一种镇静剂。自查办法：翻上周的工作记录，数「做完了什么」和「决定了什么」各有几条。
职业地图三个区：危险区在贬值（纯执行），机会区在保值（数据、权限、可信度），安全区在升值（判断、品味、定义问题）。
警惕「搓板式勤奋」：把旧事做快之前，先退一步问「这件事本身还成立吗」。定义问题比解决问题省力得多，也值钱得多。
三层台阶：会用是门票，会协作拉开差距，会定义问题才稀缺。熟练从来不等于稀缺。
你和 AI 的协作记录，就是你正在书写的简历。
执行的部分交出去了，判断的部分翻倍了。委托执行不等于委托责任。

小结

回到开头那 47%。那些已经把 AI 用起来的法务团队，交给它的正是过去最值钱的活：检索、起草、审查。表面看，这是一个行业在自掘墙脚；换个角度看，这是一次整齐的站位迁移——愿意把「知道」的部分让给机器的人，正在腾出手去经营机器拿不走的部分：当事人的信任、方案之间的取舍、签在责任栏里的名字。真正危险的从来不是用 AI 的律师，是那些把自己活成检索引擎的律师。这句话里的「律师」，可以替换成产品经理、设计师、咨询顾问、写作者，替换成你。

这场搬家不会均匀地发生在每个人身上。同一间办公室里，有人在贬值，有人在升值，用的是同一批工具，差的是站位和姿势。通胀年代最怕的，是拿着旧的资产负债表过日子——你以为自己存着十年的专业积蓄，殊不知其中一大半计价的货币已经换了。这一章的论证线走到头，新方程式可以完整写出来了：知识在通胀，稀缺在搬家，专业的新地址叫判断、品味和定义问题；学历认证的旧尺子退役，协作记录写成的新简历登场。而判断力这条线，这里只是立靶——怎么用它裁掉伪需求，是第 9 章的事；它为什么是最后的护城河，是第 15 章的事。

但是，知道尺子量什么，只是第一步。判断力、品味、定义问题，这些词听起来都对，落到周一早上九点的工位上，你和 AI 之间真实的协作，是从一件小得多的事开始的：把你脑子里那个模糊的想法，说成机器接得住的话。说不清楚，再贵的模型也只能还你一团更体面的模糊。这是带队的第一项手艺，也是整个第二部的起点。下一章，我们从一个熬夜写了八页文档、却被工程师一句话打回原形的故事讲起。