真正拉开差距的，可能不是“会不会用 AI”，而是你能不能让 AI 成为自己的能力杠杆
最近我越来越觉得，AI 对职场最大的影响，可能不是“取代多少工作”。
而是：
它正在把人与人之间原本就存在的差距，越拉越大。
以前一个能力不错的人和一个普通员工之间，可能差 30%。
现在情况开始有点不一样。
一个很懂业务、会定义问题、知道什么该交给 AI、什么必须自己判断的人，可以同时开几个 Agent：
一个查资料。
一个写方案。
一个改代码。
一个分析数据。
另一个顺便帮他吐槽前三个。
半天之后，别人还在准备第一版，他可能已经迭代到第五版。
而另一种人虽然公司也给了 ChatGPT、豆包、Claude、Copilot，
每天最常使用的还是：
“帮我把这段话润色一下。”
当然也没有错。
只是当大家手上的工具越来越一样时，
差距反而可能更大。
这就是最近越来越多人开始讨论的：
K型人才分化
这里的“K型”并不是一个已经严格标准化的人才测评模型，更像借用了“K型经济”的比喻。
一条线继续向右上。
另一条线向右下。
而中间那群“差不多的人”，开始越来越难待在原来的位置。
很有意思的是，招聘市场已经开始出现这种迹象
PwC 在 2026 年发布的全球 AI 就业研究，分析超过 10 亿条招聘信息，发现 AI 正在形成一种明显的“双轨人才市场”。
一类岗位因为 AI 成为专业人士的 force multiplier——能力放大器，人的判断、领导、创造与专业经验反而变得更加值钱。
另一类工作则因为 AI 降低了完成任务所需的专业门槛，岗位本身更容易被标准化和替代。
PwC 的数据甚至显示，需要特定 AI 技能的岗位增长速度明显高于整体招聘市场，而相关岗位的平均薪资溢价已经达到 62%。(PwC)
中国市场也出现类似迹象。
一项使用 800 多万条前程无忧招聘信息进行的 2026 年研究发现，虽然明确要求 AI 技能的岗位仍然只占一部分，但这些岗位在控制其他条件之后，招聘薪资平均仍有大约 17% 的溢价；而且越接近 AI 系统集成、开发与部署，溢价越明显。(社會科學研究網絡)
所以至少目前看来：
AI 技能不是“简历上多写一个关键词”而已。
市场真的开始为某些能力买单。
但我觉得，如果只把K型人才理解成“会AI”和“不会AI”，还是太简单了
因为很快大家都会“会 AI”。
就像今天你问：
“你会不会用 Excel？”
已经没有什么区分度。
未来你问：
“你会不会用 AI？”
大概也差不多。
真正的问题会变成：
你拿 AI 来干什么？
有人拿来生成一封邮件。
有人拿来处理一整段工作流程。
有人让一个 Agent 写报告。
有人同时让五个 Agent 工作，然后自己负责：
定义问题。
拆任务。
判断结果。
整合资源。
决定下一步。
这两个人理论上都可以说：
“我会用 AI。”
但实际上已经是两种完全不同的工作能力。
字节跳动最近对“优秀人才”的定义，我觉得很有代表性
2026 年 8 月，字节跳动 CEO 梁汝波在全员会上被员工问到：
AI 时代，什么样的人才算优秀？
他的回答不是：
“Prompt 写得好。”
也不是：
“必须会 Coding。”
而是强调：
发现价值、定义问题、协调资源、创造价值，并且在整个过程中充分利用 AI。
他还提出一个很有意思的角色：
Organizer——组织者。
他认为，从 AI 的发展阶段来看，相对更晚被 AI 实现的，是这种组织资源、判断方向、让事情最终发生的能力。(澎湃新聞)
我很喜欢这个定义。
因为它解释了为什么有些人用了 AI 以后突然变得非常强。
不是因为 AI 替他写得特别快。
而是因为：
他原本就知道应该做什么，现在突然多了一支不用睡觉的队伍。
这就麻烦了。
AI最先放大的，其实是“本来就知道自己在干什么的人”
假设两个主管都拿到五个 AI Agent。
第一个主管知道：
客户真正的问题是什么。
这个项目最大的风险在哪里。
哪些数据可信。
哪些东西必须验证。
哪个任务可以交给 AI。
什么时候应该停下来自己判断。
那五个 Agent 对他来说，就是五个助理。
第二个主管的问题是：
他自己也不知道问题在哪里。
于是：
Agent A 给了一个方案。
Agent B 给另一个。
Agent C 说两个都可以。
Agent D 产了一份 38 页分析报告。
Agent E 很贴心地帮他总结成 12 页。
最后主管看着屏幕：
“要不……再找一个 AI 帮我判断一下？”
这就是我之前一直在讲的一个问题：
AI 的 Context Window 越来越大，但人的没有。
所以高阶的 AI 能力不是：
能同时开多少个 Agent。
而是：
你有没有能力管理这些 Agent 产生的 Context。
一天开十个 Agent 不一定叫十倍生产力。
也有可能只是：
十倍未读消息。
K型分化最值得担心的，反而可能是年轻人
这一点已经开始有一些比较严肃的数据。
Stanford Digital Economy Lab 使用覆盖数百万美国员工的 ADP 工资数据发现：
整体就业市场目前并没有出现“大规模被 AI 消灭”的证据。
但是一个非常明显的例外是：
22—25 岁、处于高度 AI 暴露职业中的年轻员工。
截至 2026 年 6 月，这群人的就业水平，相比如果他们跟低 AI 暴露职业的同龄人保持相同趋势，大约低了 19%。
而且影响主要来自：
企业少招新人。
而不是把已经工作的资深员工大规模裁掉。(Stanford Digital Economy Lab)
这其实很好理解。
以前一个新人进公司：
先整理资料。
写第一版报告。
做会议纪要。
改 PPT。
写简单代码。
帮资深同事做分析。
犯错。
被骂。
再做一次。
慢慢长成一个专业人士。
问题是：
这些工作刚好都是 AI 最先吃掉的。
于是企业会产生一个非常合理的想法：
“这个事情资深员工 + AI 不就做完了吗？”
短期看：
非常有效率。
长期看却有个尴尬的问题：
那五年以后，资深员工从哪里来？
以前“菜鸟”是在那些看起来没什么技术含量的工作里练出来的。
现在练功房先被 AI 拆掉了。
所以未来年轻人面对的一个残酷变化是：公司越来越希望你“一进来就像一个比较资深的人”
PwC 2026 的数据也看到了类似现象。
在 AI 暴露程度高的初级岗位里，招聘要求出现了明显的 seniorisation——初级岗位高级化：
企业更早要求年轻员工拥有过去通常属于资深人员的能力，例如：
判断。
领导。
沟通。
创造力。
面对复杂情境的处理能力。(PwC)
翻成招聘现场的人话就是：
以前：
“没经验没关系，我们可以培养。”
现在：
“没经验没关系，但是最好会独立判断、跨部门沟通、使用 AI、管理 Agent，顺便有一点商业 sense。”
应届生：
“那我这个‘应届’主要体现在哪里？”
（笑）
所以K型上端真正稀缺的，不一定是技术高手
这也是我觉得很多企业容易误解的地方。
当然，AI 工程师、算法专家、模型研究员会非常值钱。
但对绝大多数企业员工来说，未来真正拉开差距的可能是另外一组能力。
我会把它们总结成五个。
第一，定义问题
AI 很会回答问题。
未来更贵的是：
知道什么问题值得回答。
一句错误的问题，配上全世界最强的大模型，
通常只会得到：
一个写得非常漂亮的错误方向。
第二，判断结果
AI 可以一天生成 20 个方案。
以前我们的困难是：
没有方案。
未来的问题可能变成：
方案太多，谁来判断？
所以 Domain Knowledge 不会因为 AI 消失。
恰恰相反。
当生成变便宜之后，
判断开始变贵。
第三，组织AI
以后工作能力可能越来越不像：
“我能做多少事情？”
而是：
“我能组织多少人 + Agent，一起把事情做成？”
这就是 Organizer。
也是我觉得未来管理能力最有意思的变化。
第四，跨领域连接
AI 让一个人的执行边界快速扩大。
HR 可以写程序。
PM 可以做数据分析。
工程师可以自己做产品原型。
业务可以生成营销素材。
这意味着过去靠“这是另一个部门的专业”建立起来的边界，会越来越薄。
所以真正有价值的人，往往不是：
什么都会一点。
而是：
能把不同专业拼成一个可以工作的系统。
第五，承担结果
这是我认为最重要的一点。
AI 可以建议。
可以生成。
可以执行。
甚至以后可以自己调用工具。
但组织最终还是需要有人回答：
“所以我们到底要不要这么做？”
这个人承担的是：
Outcome。
未来可能最值钱的，不是 Task Owner。
而是：
Outcome Owner。
那K型下面的人，就一定是“不努力的人”吗？
我倒不这么认为。
这是讨论 K 型人才时最容易掉进去的陷阱：
最后变成一句很鸡汤的话：
“会用 AI 的人淘汰不会用 AI 的人。”
我觉得没这么简单。
很多处在 K 型下端的人，可能过去表现一直很好。
只是他的价值长期建立在：
快速执行。
熟悉流程。
信息整理。
标准分析。
按照规则完成工作。
这些以前都是很重要的职业能力。
只是 AI 对这些工作的边际成本降得特别快。
所以不是这个人突然变差了。
而是：
市场衡量“什么值钱”的标准发生了变化。
这其实更值得企业 HR 注意。
因为你不能只告诉员工：
“大家要拥抱 AI 哦。”
然后买 300 个账号。
发一场两个小时培训。
培训结束填写满意度：
4.8 分。
宣布：
AI 人才转型完成。
这大概只完成了：
账号采购。
企业真正要做的，是帮助员工从K型的分叉点往上走
我觉得人才发展接下来最大的变化，就是不能再只教：
“这个 AI 工具怎么操作。”
今天教 ChatGPT。
明天 Claude 更新。
后天 Agent 出来。
再过半年界面又全变。
追这个永远追不完。
真正应该训练的是：
如何定义任务。
如何拆解复杂问题。
如何判断 AI 输出。
如何验证信息。
如何把 AI 放进真实工作流程。
如何同时协调人和 Agent。
以及最重要的：
在 AI 做了越来越多事情之后，人到底应该留下什么判断。
世界经济论坛的《Future of Jobs Report 2025》其实给出了类似信号：AI 与大数据是增长最快的技能，但同时上升的还有分析思维、创造性思维、韧性与灵活性、好奇心与终身学习、领导力与社会影响等能力。(World Economic Forum)
所以未来并不是：
技术能力 vs. 人类能力。
而更像：
技术能力 × 人类判断。
少掉任何一边，都很难待在 K 的上半段。
这也会改变我们过去熟悉的人才模型
以前我们很喜欢谈：
T 型人才。
一竖：
专业深度。
一横：
跨领域广度。
以后我觉得还需要再加一层。
你不只是自己有没有知识。
而是：
你能不能把 AI、Agent、系统和其他人的能力组织起来。
过去一个优秀员工可能是：
自己做得特别好。
未来一个优秀员工越来越可能是：
自己不一定亲手做最多，但能让一个人完成过去一个小团队才能完成的事情。
这也就是为什么人才市场会开始出现 K 型分化。
AI 放大的不是“工具使用次数”。
它放大的是：
人的判断、经验和组织能力。
但这也带来一个我最近特别在意的问题
如果未来资深专家 + AI 越来越强，
新人又越来越少，
那么：
未来的专家怎么长出来？
这是 K 型人才市场最大的长期风险。
一个公司当然可以用 AI 把今天的新人 HC 砍掉。
财务报表也会很好看。
但是五年之后，
需要一个真正懂业务、可以判断 AI 错没错的人时，
你会突然发现：
公司里有很多 AI。
但是没人经历过真正困难的项目。
这也是为什么我最近一直强调：
Experience。
未来人才培养不能只给员工：
Knowledge。
还必须刻意创造：
Experience。
情境演练。
复杂任务。
真实问题。
决策机会。
承担结果。
犯错之后修正。
因为 AI 可以快速补知识。
但一个人真正的判断力，仍然需要大量：
Context → Action → Reaction → Outcome
才能形成。
AI时代，企业可能不是少培养人，而是要更刻意地培养人
以前新人有大量“低价值工作”可以自然练级。
未来这些工作慢慢被 Agent 做掉以后，
企业反而需要主动设计：
练级副本。
（笑）
不能期待年轻人：
第一天没有经验。
第二天 AI 把初级工作做完。
第三天突然：
“恭喜，你已经具备战略判断能力。”
这个版本升级速度，
连游戏公司都不敢这么设计。
所以未来 Learning & Development 很可能越来越重要。
只是它不再只是：
上课。
看视频。
考试。
而是：
Simulation + Practice + Feedback + Reflection。
这也是我为什么越来越关注情境学习、AI 模拟与 Experience Engineering。
所以我怎么看“K型人才”？
我不认为世界最后会简单分成：
会 AI 的人
和
不会 AI 的人。
真正的分叉可能是：
一边的人开始从：
执行任务的人
变成：
定义任务、组织资源、判断结果的人。
AI 不断放大他的能力。
于是这条线继续往右上走。
另一边的人仍然主要依靠：
完成标准化任务
创造价值。
而这些任务的价格不断被 AI 压低。
于是另一条线逐渐往右下。
这才是我理解的：
K型人才分化。
最后，真正危险的可能不是AI淘汰你
因为这句话其实太戏剧化。
大部分人不会某天早上打开邮箱：
“您好，由于 GPT-8 上线，您今天开始不用来了。”
现实更可能安静得多。
公司原本需要五个人。
以后只补两个。
以前一个新人有三年时间成长。
以后第一年就要求你能独立判断。
以前做到 80 分已经很好。
现在隔壁那个会调度五个 Agent 的同事，
一天做完你三天的工作。
没有人宣布：
“AI 淘汰了你。”
你只是慢慢发现：
同样一个岗位，人与人的产值差距越来越大。
这才是 K 型分化真正值得关注的地方。
所以未来最重要的问题可能不再是：
“我要不要学 AI？”
而是：
“当 AI 可以做越来越多事情之后，我究竟准备把自己升级成什么样的人？”
如果答案仍然只是：
“一个做事情更快的人。”
那可能还不够。
因为 AI 本身已经非常快。
真正稀缺的，越来越可能是那个：
知道该做什么、为什么要做，能够组织人和 AI 一起做，并且愿意对最后结果负责的人。
或者用字节最近那个我觉得很贴切的词：
Organizer。
未来一个人最有价值的能力，
也许不是：
“我能干多少活。”
而是：
“我能让多少正确的事情发生。” (澎湃新聞)
这两句话，
看起来只差一点。
但可能刚好就是那个：
K 的分叉点。