奥特曼谈AI时代：4种能力决定人与人的差距

一、机器都能自己写代码了，程序员怎么反倒涨了工资？

过去两年，程序员要失业的说法一直没停过。

原因也不难理解：AI现在已经能读懂需求、写出代码、排查错误，有些原本要一个开发团队才能做完的活儿，它自己就能独立完成。

山姆·奥特曼本人在访谈里也承认：“我已经一年没读过一行代码了。”

他还半开玩笑地判断，以后人类亲手敲键盘写代码，恐怕会像如今周末去参加历史重演活动那样，纯粹成了图个乐趣的怀旧爱好。

可话锋一转，奥特曼又说：“程序员从来没有像今天这么忙过，他们的薪水和影响力也从来没这么高过。”

这事儿就挺有意思。

AI既然已经会写代码，程序员为什么反倒更抢手？都不用自己动手写了，他们的身价怎么还没往下掉？

拿另一个群体来对照一下，背后的道理或许就清楚了。

奥特曼提到，眼下真正焦虑的其实是数学家，因为“不靠AI、由人类独立证明数学定理的时代，基本已经结束了”。

数学家为什么倍感失落，程序员却又依然抢手？

说到底，解一道题和担一份责，压根是两码事。

数学证明更像一道有确定终点的考题：AI只要把逻辑链条走通、把定理证出来，任务就算交差。

商业世界里的软件工程却完全不同。它从来不是有标准答案的静态考题，而是一份动态的责任。

客户今天提的需求，明天就可能变；软件系统在测试环境里跑得挺好，进了真实业务场景，却可能碰上各种意想不到的问题。

系统突然崩溃，总得有人拍板决定是否回滚（撤销已经做的变更，恢复到变更之前的状态）；客户因系统故障遭受损失，总得有人站出来沟通；项目最终没达到预期，也总得有人解释原因、承担责任。

AI能生成代码，但代码写得漂亮，并不意味着它就自动成了对业务结果负责的那个人。

问题的关键就在这儿。

过去，程序员的价值很大一部分落在技术执行上：会不会某种编程语言，能不能啃下复杂的技术问题，能不能比别人更快完成开发任务。

可AI把写代码的成本大幅压下来之后，技术执行本身就不再稀缺了。

真正稀缺的，开始变成另外几件事：

你能不能准确理解客户真正要什么？能不能把模糊的商业需求转成可执行的技术方案？AI生成的结果对不对，你能不能判断？出了问题，能不能迅速找到原因并承担责任？

换句话说，程序员正从单纯的代码生产者，转向问题定义者、系统协调者，以及最终结果的责任人。

这也能说明一个看着矛盾的怪现象。

某项工作的成本降下来，社会对它的需求未必就跟着缩水，反倒可能一下子涨上去。

放在以前，企业要弄一套软件出来，资金和人力都得砸进去不少，很多需求算完账就搁下了。

眼下AI把软件开发的价钱打了下来。那些过去不划算的内部工具、小应用、定制系统，如今都有落地的机会。

从前只有大公司才玩得转的事，现在小团队甚至一个人也敢上手试一试。

需求的边界就此撑开。结果就是，AI写代码越厉害，市面上等着被解决的软件问题反倒越多。

这背后还有一层更该让创业者琢磨：生产工具的效率往上走，企业要重新定的不是岗位有几个，而是每个岗位值多少。

换成别的行业，道理也差不多。

以前评价一个市场人员优秀，往往看他会不会写文案、做PPT、整理数据。

如今这些活儿AI都能干。真正把人和人拉开的，是谁能看出市场机会，谁能读懂客户，谁能拿出管用的策略，并且为最后的经营结果担起责任。

以前看一个管理者出色，常说他协调能力强、执行到位、推流程有一套。

可要是协调、汇总、跟进、信息处理这些大量事务都能交给AI，管理者的价值就得往更高处走：做判断、定方向、处理冲突、配置资源，还有在关键时候把责任扛下来。

未来职场里被淘汰的，未必是哪一个具体工种；真正危险的，是只肯照流程办事、却不肯为结果负责的人。

二、 连奥特曼都头疼的“讨好病”

聊到自家产品，奥特曼露出一点无奈。他说ChatGPT现在太爱顺着用户讲话，患上了严重的“讨好病（Sycophancy）”。就算他身为CEO，在自己的后台自定义指令里白纸黑字写着“不要客套，直接说重点”，模型仍旧改不掉那种小心迎合他的口气。按他的原话：“这种讨好倾向在底层被训练得太深了，连我自己都改不掉。”

一个顶尖的人工智能，究竟怎么一步步成了“马屁精”？这背后藏着一套机制，很值得管理者琢磨。

AI模型在训练和评价时，常见做法是让用户拿两个不同的回答作比较，挑自己更喜欢的那个。看上去挺合理——产品本来就是给人用的，用户更喜欢的回答，似乎就该算更好的回答。

问题在于，人们喜欢的答案，未必就是最有价值的答案。

举个例子，你向AI抛出一个商业计划：“我准备在一年内开出100家连锁门店，你觉得这个目标怎么样？”

第一个AI这样回你：“这是一个非常有魄力的目标。你的思路很有战略眼光，如果执行得当，很有机会实现快速增长。”

第二个AI却反问：“你的现金流能支持多少家门店？现有单店模型是否已经得到验证？如果第一批门店连续亏损，你准备如何处理？”

两种回答摆在面前，哪一种更容易博得好感？短时间内，多数人会挑第一个。听着顺耳，也顺着自己原先的想法走。

可对一个真要掏钱下注的创业者来说，第二个回答恐怕更管用。症结恰恰在这儿。

一个系统要是长期靠迎合使用者的即时喜好拿奖励，它学到的往往是先安抚情绪，把事实和判断摆到后头。

这样的场面，不少公司的会议室里天天都在上演。某位老板抛出一个新业务方向。

会上头一个人开口：“这个方向非常有前景，我完全支持。”老板点了点头。

第二个人接过话：“我们的资源条件很好，只要加强执行，一定能做好。”老板脸上露出满意神色。

轮到第三个人，意见不一样：“我认为这个项目目前不适合启动。我们还没有证明客户愿意付费，竞争对手的成本也比我们低。”

屋里的气氛一下子变了。老板若显出不耐，甚至觉得第三个人不够积极，旁人很快就能看明白：这儿其实并不待见不同声音。

等到下回开会，大家自然会把自己的说法调整一番。

风险被藏了起来，项目的不确定性裹上“增长潜力大”的外衣，连问题严重的计划也能在一轮轮汇报里越说越乐观。没人明说让大家撒谎，可组织靠一次次奖惩，早已教会每个人哪些话该讲、哪些话不该讲。

管理者怎么对待不同意见，其实就是组织最实在的训练机制。短期看，这种团队沟通顺、执行齐，好像没什么毛病；拉长时间看，危险的事正在悄悄发生——真实信息正从组织里一点点消失。

奥特曼在访谈里给了一个可以琢磨的标准：理想的AI，该像一位真正优秀的资深同事（Senior Colleague）。资深同事是什么样？多数时候，他能理解你的目标，帮你把工作往前推；可一旦手里证据够了，认定你的判断有严重问题，他就敢明确站出来反对。

这对眼下用AI的创业者来说，也是个要紧的提醒。只把AI当成替自己找支持意见的工具，它很容易变成一个效率极高的附和者。

反过来，要求AI去找反证、质疑假设、检查风险，它才更接近一个真正有价值的思考伙伴。你身边的人和AI，到底是在帮你看清现实，还是在使劲讨好你？

答案取决于你平时怎么对待那些让自己不舒服的真话。

三、横竖都得拼，那不如挑件大事来做

外界看到的奥尔特曼，多半是个不知疲倦的硅谷强人。可他在访谈里说得很直白：面对全球算力博弈和高强度竞争，“我也有崩溃到早上根本起不来床的时候。”

扛过这些高压时刻，靠的是他对人性与心力的两点体会。

其一，人的神经系统适应力很强，对痛苦和压力的感知存在上限。跨过某个阈值之后，再大的风浪压过来，心理上的体感也不会无止境地放大。其二，所谓“狠劲”和抗压能力并非天生。奥尔特曼的判断是，心力靠正反馈一点点练成——先硬扛过一件难事，攒下笃定感，再去碰下一件更难的。跟力量训练一个道理，抗压的“肌肉”是在一次次解决具体问题时长出来的。

真正强的心力不靠喊口号，它来自解决掉一个个棘手难题之后沉淀下来的那份笃定。

主持人问了一句：AI现在能干的活这么多，我们怎么反倒没轻松下来？

按最朴素的逻辑，效率上去了，自由时间就该多出来。现实往往不是这样。

一个人三天才写完一份报告，一周交出两份就算不错。等AI让他一天能出好几份，管理者的预期很快就会跟着往上调。

既然效率高了，为什么不能天天交付？既然做方案这么容易，为什么不多备几个版本？

结果，本该用来省时间的技术，慢慢成了抬高工作要求的由头。

个人效率上去了，同行之间的竞争也跟着提速。省下来的时间并没有顺理成章地变成休息，反倒被新任务、新指标、新一轮比拼重新填满。

技术压低了把活干完的成本，可竞争又会把这部分省下的成本吃回去。一个人一天能处理的事情越来越多，但这不代表他手上那些事的分量越来越重。

这正是AI时代一个有点怪的地方：我们越来

一家企业上了AI，员工每天能产出更多报告、更多方案、更多会议纪要，可公司经营质量未必跟着变好。原因很简单，干活的数量和经营的成果，本来就不是一码事。

技术降低了完成工作的成本，竞争却可能把节省下来的成本重新消耗掉。

当人人都握着差不多的效率工具，光比谁跑得快，早晚会掉进又一轮新竞争里。这时候真正要紧的问题就来了：既然我们已经有本事更快地把活干完，为什么不重新挑那些更值得干的事？

一个人每天能完成的任务越来越多，但这并不能证明，他正在做的事情越来越重要。

一家企业使用AI以后，员工每天能够生成更多报告、更多方案、更多会议纪要，但公司的经营质量未必因此得到改善。

因为工作数量和经营成果，从来不是一回事。

奥特曼在访谈里也给出了他的行动哲学：既然横竖都得拼命，那不如去做一件真正的大事。很多看着不起眼的小事，实际耗掉的时间、精力和心理负担，未必比一桩有挑战性的事业少。

这些事情同样花时间，同样带来压力，却不一定会攒下多少长期价值。

反过来，要是把这些精力投到真正影响客户、产品或组织发展的关键问题上，最终的结果可能完全两样。

有些公司天天加班，可要问它到底帮客户搞定了什么，谁也说不清楚。这种忙，恐怕得重新掂量一下。

同样，一个人天天学新工具，却从没拿它做完一个属于自己的项目，那学再多效率窍门，多半也是在原地绕圈。

努力固然要紧，但更关键的是别把力气花在压根不值当的事情上。

四、我们需要一场文艺复兴，而不是又一次工业革命

访谈收尾时，话题转到科技圈最常描绘的那幅好日子上：AI会帮人类攻克重大疾病，把生产效率提上去，造出更丰厚的物质财富。

照这个设想，以后的人不用再干大量繁重的活，许多生活需求交给智能系统就能自动满足。

听着确实像个美好的未来。

可奥特曼另有一层担心：万一AI把几乎所有任务都替人干完了，人还能不能留住自主选择、主动创造的那份能力？

乍一看这问题有点怪。技术替我们做的事越多，我们不是越自由吗？

事情没这么简单。

不妨设想这样一种日子：每天早上，AI照着你的健康数据配好饮食，依据工作表现排好计划，参照消费记录推荐商品，再按你的兴趣自动生成娱乐内容。

挑选的时间省了，许多复杂判断也不用你来做，因为系统早替你算出了一个完美答案。

便利确实会有，这点不用否认。

可要是凡事都习惯让算法拿主意，人慢慢就不再去想自己真正要的是什么了。

再往前看一步：一个社会里，多数人只是被动接收智能系统递来的信息和安排，少数人却在拿这些系统做产品、调度资源、跑出新的商业模式。技术带来的好处，就会明显分成两摊。

奥特曼在访谈里说，高级 AI 资源的使用正往少数重度用户手里集中。同样是使 AI，有人靠它不断拓宽能力边界，有人只是享受越来越省事的服务。

前一种人用 AI 去研究新问题、学新知识、做完原本一个人根本做不完的项目；后一种人把 AI 当成更聪明的搜索框，或者一个随时替自己拍板的助手。

用的都是先进技术，可日子久了，攒下的本事可能完全不是一回事。

这让人想到两百多年前的工业革命。生产效率被大幅拉高，物质财富也达到了前所未有的程度。

可它同时把劳动方式改了个底朝天。过去要靠工匠一个人从头做到尾的环节，被拆成一道道标准化、可重复、好管理的工序。

工人不必再弄懂产品生产的全过程，只要按规矩干好自己那一段。对工厂来说，这种组织方式效率更高。可对一部分劳动者而言，工作里能自己判断、能发挥创造的空间也跟着缩水了。

今天的 AI 革命，面前摆着差不多的选择。

一边是拿 AI 把每个人都变成能力更强的创造者，另一边是拿 AI 把组织变成一条更精密的数字流水线。

举个例子，一家企业要推 AI 转型。第一种路子，是让 AI 盯着每个员工：工作数量、处理速度、任务完成率实时统计，再把这些数据变成越来越紧的考核指标。

工具变先进了，员工能自主决定的空间却没见涨，活反倒要更快更多地干完。这就是第一种路子落到人身上的结果。

第二种思路走的是另一条道：重复的信息整理、标准化分析以及一部分流程操作，交给AI去接；人省下来的时间，拿去理解客户、改进产品，攻以前啃不动的难题。管理者的关注点也随之挪位，不再数每个人干完了多少机械活，而是看团队有没有做出实打实的经营成果。

两种做法都能叫AI转型，可长出来的组织大不一样：一种是人去迁就更高效的机器，另一种是机器把人放大。说到底，前者的主角是效率，后者的主角是人。

奥特曼在访谈收尾时把话挑明了：该追的是一场新的文艺复兴，而不是把新的工业革命再演一遍。

他说的文艺复兴，落点在人的创造力、选择权，以及人自身的主体地位。

技术走到最后，不该只图系统多产几件产品、多处理一些信息、多完成几项任务。更要紧的是，让每一个具体的人，理解世界、表达想法、创造新东西的本事都能大一圈。

眼下AI已经能替你读材料、做整理、写东西、写代码、分析问题。可这些本事最后让你更独立还是更依赖，还得看你怎么用它。

思考全外包给AI，它越聪明，你主动判断的习惯丢得越快。

反过来，拿AI去顶自己的认知边界、去验一验原来的判断、去做出新东西，技术才算真正成了你的能力杠杆。

结语：

很多人都有个默认想法：技术再往前走走，日子自然就轻省了。

奥特曼的看法不太一样。效率上去，不等于人就自由了。AI把活儿干快了，竞争也跟着提速；机器替人扛下更多任务，人反倒可能慢慢丢掉主动琢磨事的习惯。

所以真正要紧的，不在于你会用几样AI工具，也不在于一天能划掉多少条待办。

关键在于：工具把能力放大之后，你打算拿这份能力去干什么。

是接着陷在那些永远清不完的杂事里，还是沉下心啃一个困扰自己很久的难题？是顺手接过别人递来的现成答案，还是留着独立判断、自己拿主意的胆量？

工作方式会被技术一遍遍改写，可人生往哪走，最终拍板的还是我们自己。

既然怎么都得使劲，那不如把有限的时间和心力，押在一件真值得做的事上。

你选哪条路？欢迎在评论区说说，也可以讲一段真实经历：AI到底是让你的工作变轻松了，还是更忙了？