关越40岁，从一个传统公司，跳槽去了科技大厂。他现在是个人力资源总监。这个决定很大胆。但是他不是盲目跟风。他早在2023年就开始自费报班学AI。而且还要求自己的团队，在处理文档的时候就要用上AI。
到了新公司，他才发现AI已经无处不在。公司的OA系统、办公文档、招聘面试，每个环节都有AI。员工可以免费用各种好的大模型。这让他大开眼界。
招聘是他工作的一部分。AI在招聘里用得很多。比如一场面试刚结束，AI马上就会生成一份分析报告。报告会评估候选人的专业能力。这个报告对他很有用，能提供不少参考。
但是，关越也发现了问题。AI只能判断专业性。它看不懂人性。面试的时候，候选人的语气、神态、性格，这些东西AI是读不出来的。他觉得，这些软性的东西，目前还得靠人的经验判断。
关越说，在大厂里，专业能力强是基础。但是沟通和协同能力更重要。他说大部分人，专业能力只能发挥出四五成。剩下的全靠沟通和协同。而这恰好是AI的盲区。
现在面试还有个新情况。有些候选人会用AI来作弊。所以关越面试的时候，要仔细观察对方的眼神。他要看候选人是不是在偷瞄屏幕上的AI提示。为了防止作弊，他的策略也变了。他会尽量少问开放性的问题。他会直接问和个人相关的真实业务经历。因为这些细节，AI是编不出来的。
我问他，AI会不会大规模替代人？他有个观点。他说这取决于老板对工作细节的要求有多高。如果老板喜欢那种手工打磨的、很精细的东西，那就还需要大量的人。但是，如果老板把效率和成本放在第一位，他就会主动降低对精细度的要求。这样一来，员工就会被逼着自己去用AI解决问题。
但是，在同一栋办公楼里，前媒体人冯薇的感受完全不同。
冯薇文笔很好。她刚入职就接了个任务。要求5天内写出几十个优秀员工的故事。要是搁以前，这任务能让她崩溃。但她很快发现，领导要的稿子，和媒体的要求不一样。稿子主要是为了传递企业价值观，有固定的套路和模板。而且领导喜欢用一些夸张的渲染和金句。
这恰好是AI擅长的。她把收集来的素材，都喂给大模型。AI很快就生成了符合领导审美的文章。
任务完成得快了，冯薇却没有早下班。她的工作量反而更重了。以前可能是几个人一起干的活，现在全都压在她一个人身上。甚至，本来是设计师做海报的活，现在也变成了她用AI来提想法、做样品。
最让她难受的，是一种被工具化的感觉。她说：“很多时候，我觉得自己变成了老板的AI。老板说一句话，我转身就输入给大模型。老板给了反馈，我再用AI去调整。来回调试AI的工作量，其实也不小。感觉自己更像个机器了。”
这种疲惫，不只是身体上的。更是一种心里的累。
在大厂，AI确实能帮你干重复的活，也能弥补你的短板。但是，它也把所有人的生存门槛抬高了。当基本的技能，大家都能用工具完成时，你还能靠什么？可能只剩下那些最老的东西：对人性的观察，对新事物的好奇，以及一个能独立思考的脑子。
崩就崩吧，一位中年女性和AI死磕的这一年
夏宁的故事，是另一个样子。她没有大厂背景。她中年，女性，辞了职，从一线城市搬回了老家。她把未来的赌注，全押在了AI上。她不是技术出身。但她觉得，“大家都是一个脑袋，人家能学，我也能摸一索。”
她第一次尝试并不顺利。她试过用AI工具做原创短视频。但很快就发现，市面上的通用工具，满足不了专业级的要求。而且，她也没有对接市场的资源。这次失败后，她做了两个决定。第一，做东西要紧贴市场需求。第二，要尽可能往底层技术去钻研。
后来，她接到了一个真实的订单。客户要求用AI，把市面上的爆款服装，拆解成可以二次创作的模板布料。为了实现这个功能，她开始专心研究一个叫ComfyUI的开源平台。
这个平台功能强大，可以自定义工作流程，能做到很精准的控制。但是，它对新手不友好。当时，没有适合她电脑显卡的现成安装包。她必须自己去Github下载源码，然后自己搭建底层的运行环境。
一个做市场的人，就这么硬生生把自己逼成了一个程序员。身边几乎没人支持她。有人说“你犯得着吗？”。也有人说“写代码是年轻人的事，你这么大年纪干嘛去干这个”。她身边没有懂技术的人可以请教。AI成了她唯一的老师和战友。
搭建的过程很曲折。系统经常会报错。有好几次，她按照AI给的建议改错了代码，系统直接就崩溃了。在最初的难过和挫败感之后，她决定推倒重来。她说：“崩就崩吧，哪里出了问题，就解决哪里的问题。”
在这个过程中，她不去寻求别人的认同。因为她自己清楚，这些技术问题是必须要解决的。她说：“底层架构搭得扎实，上面的应用才能跑得顺、跑得好。现在快餐文化太严重了，大家都想吃现成的，不愿意去扎根技术。”
几个月下来，她最大的变化是“胆子变大了”。她敢直接去修改源码。她不只是照着AI的指令去改代码。她甚至能自己找出源码里的bug，然后在AI的帮助下修改好。再后来，她学会了用Python写代码。当她终于搭建好自己满意的架构时，她跟朋友分享自己的喜悦，她说：“现在底层如果出了问题，我大概能判断出是怎么回事了。”
当朋友表示自己也想学，但又担心学了赚不到钱时，夏宁觉得这是两种思维的碰撞。她说：“如果我一开始就盯着能不能赚钱，那我到现在什么都干不成。重点是，你能不能沉下心，去解决那个让你撞墙都想搞定的问题。”
现在的夏宁，工作时间比上班的时候还长。她没有周末，经常从早晨不知不觉就干到深夜11点。她的项目已经进入了测试阶段。各种调试很复杂，很烧脑，她更要沉下心来。她和AI之间，也建立了一种很特别的关系。她说，有时候能干到“冒火”，但就是停不下来。
对于“AI取代人类”这个话题，夏宁这一年的感受是：你既是在跟AI学习，其实AI也是在跟你学习。她说：“机器并没有那么聪明。它只能取代一部分通用的需求。面对专业的要求，必须是你告诉它应该怎么干。最终，一切还是要回归到人的本质。”
“我没用-过AI，但愿意探索”，她赌赢了
靳思澄的故事，很有冲劲。春节前，她用AI给一家知名机构做了一支视频宣传片。片子传播很广。这是她做视频快10年来，第一次大规模地使用AI。整个项目从零开始到交付，花了3个月。
这个机会是她自己争取来的。她听说了这个项目，就直接找到甲方自我推荐。她说：“我还没大规模用过AI，但是我很有兴趣，愿意和你们一起探索。”为了拿下这个项目，她甚至自己降低了报价。甲方被她的诚意打动，决定赌一把。她进入了候选名单，用了一个月的时间，疯狂试用了国内外的各种主流AI视频工具，生成了指定的镜头。她做的小样得到了认可，最终拿下了这个订单。
在项目进行中，AI技术的迭代速度，让她受到了冲击。她前脚刚积累的经验、制定好的流程，后脚就被新出的模型给推翻了。
举个例子。刚开始制作的时候，她用的Nano Banana生图工具不支持4K画质。这意味着她要额外花功夫，去做七八千张图片的高清化处理。但是没过多久，Pro版就上线了，直接支持4K。那些高清化处理的步骤，一下子就全部省掉了。她说：“一个新模型，就能推翻你之前所有的实验！”
项目成功交付后，她总结出了自己的核心方法。她说：“别报班，一定要紧跟着最新的模型。模型迭代太快了，你在班里学的东西，新模型一出来就全没用了。多刷小红书、抖音和一些视频模型集合网站，比上任何课都管用。”
快速上手试验也很关键。这是她的工作流程：
- 图片生成：她去年11月试验发现，Nano Banana Pro生图效果最好。
- 视频生成：她当时首选VEO3.1。但是这个工具有缺点，锐化过度，而且成本高。所以需要搭配即梦这个工具一起用。
- 镜头弥补：她还采用海螺AI来弥补运镜方面的短板。
她的提示词经验，也是在实际操作中掌握的。一开始，她也像很多人一样，只给一句简单的指令，让模型自己生成。结果发现效果完全不可控。后来，她写的提示词精细到了这种程度：“景深如何、背景的建筑是什么样的、花草如何布局、人物从左往右走、手指天空时是什么表情和动作”。
靳思澄觉得，视频行业到了一个转折点。过去实拍不了的科幻场景，或者需要花很多时间建模才能实现的动画，现在都能通过AI来搞定。
虽然市面上有“AI会替代视频制作人”的说法。但靳思cen澄觉得，创作的功底，和通过大量看片积累起来的判断力，是AI替代不了的。她说，导演才是最适合用AI来制作片子的人。她近10年的剪辑和导演思维，为她打下了基础。她能创作，能判断一个镜头好不好，也知道应该往哪个方向去调整。她说：“在‘生成什么’这件事上，有积累的人更知道从哪里开始。”
她说：“站在现在这个时间点，我是兴奋的。可以去探索几年前连想都不敢想的事情。别想太多，动手去做就行了。能成功的，还是那些真的想做的人。”
裸辞后，他用AI搭了个炒股系统，“目前没亏”
罗征在科技大厂工作了10多年。最近他裸辞了。他所在的大厂业务在转型，他感觉自己被边缘化了。他纠结了一段时间，最后决定离开。他说，“要在好的年纪，做点自己真正想做的事”。
很多人觉得他应该赶紧找工作。但是罗征想得很清楚。他说：“面对AI的浪潮，如果不沉下心来学习，就算找到了新工作，也可能在几年内被淘汰。”他决定一边学习，一边找方向。
他订阅了ChatGPT，开始每天和它“聊天”，用它来做各种东西。几周之后，他搭出了一个炒股系统。
他说：“AI最擅长的是数学和逻辑，所以炒股天然就适合它。”罗征发现，市面上的大模型普遍缺乏长期记忆能力。但他找到了一个巧妙的方法。他利用ChatGPT的“Project”功能，解决了这个问题。
这是他的操作步骤：
- 建立记忆：他把自己的投资风格、从社交媒体上搜集并和AI一起优化的选股指标、以及AI推演出的股票涨跌计算公式，全部放进“Project”里。这样，系统就有了他的专属记忆。
- 获取数据：为了让系统能获取实时数据，他在AI的指导下，找到了一个开源社区的数据API接口。这样就能随时更新股市数据。
- 日常运行：他让系统每天推荐20只股票，然后进行每天和每周的复盘。
这一步步的工作，都是他用严密的逻辑，和AI互动，逼着AI给出的方案。他说这是一种高强度的脑力劳动。有一段时间，他睡眠并不好。因为和AI互动得太晚了。他说：“看起来是AI在处理，其实每件事你自己都要去过一遍。每天都信息过载，要同时处理很多事情。”
目前，他根据系统推荐的股票，进行小规模的投资。他说，“表现很稳健，没有亏钱。”他想验证的是，“一个普通人，到底能不能靠AI，搭出一套可以实际运行的系统。”
除了炒股，他还用纯自然语言，也就是说话的方式，让AI帮他搭了一个培训创业项目的框架。他大学学过编程，但已经十几年没有实际开发过了。他完全是靠和AI对话，让AI来写代码、选择平台。
他说：“你会发现ChatGPT知道市面上每个产品的优缺点，能帮你做选择。”比如，AI建议罗征，把培训内容和规则，放在飞书的多维表格里。因为“这是一个低成本、容易上手的数据库”。同时，AI建议他把项目运行在阿里云上。因为域名申请、函数计算和对象存储“放在那里的体验更好”。就这样，罗征几乎零成本地，搭起了一个跨平台的技术架构。
罗征把和AI的合作，比作是“老员工带新同事”。他说，你把业务要求交代得越清楚，它产出的水平就越高。这可不是一个简单的工作。
他总结出了一套自己的方法，叫“80%原理”。就是集中精力，先把市面上最先进、最成熟的AI技术玩透。而且，绝对不能纸上谈兵，要在实际操作中，摸索AI的能力边界。
他也有一个判断。他说：“真正愿意钻研AI的人，本来就是学习欲望很强的人。AI不会自动去唤醒那些不想学习的人。在短期内，AI会加剧人与人之间的鸿沟，而不是让所有人都受益。”
他是个搬数据的职场新人，但他不想一直搬下去
刘景然是个00后。他大数据专科毕业，在一家研究机构做了三年数据处理。
他每天的工作，就是提取数据、整理表格、核对字段、进行基础的数据分析。就是个“数据搬运工”。他上学时学的那些复杂的处理逻辑和工具，很少能用得上。
转折发生在公司人员优化之后。他身边的工位越来越空。但是，各个部门抛来的数据需求却越来越多。有同事提议，干脆做一套自动化的数据提取系统。刘景然一下子陷入了矛盾。他很想摆脱这种重复的劳动。但是，他又担心，一旦实现了自动化，自己还能不能保住这份“搬砖”的工作？
这是AI时代一个很典型的问题：那个能解放你的工具，也可能随时会让你失业。
一位前辈的话点醒了他。前辈说：“AI淘汰的是重复劳动者，你要做的是驾驭AI的人。”刘景然下定决心，要利用AI，在岗位上实现转型。
他身边的程序员朋友，开始流行用Cursor。个人版一年需要1000多元。在确定这个工具能为自己创造价值之前，他不想盲目花钱。他先尝试在腾讯元宝里，用大白话描述需求来生成代码，再把代码复制到编程软件里运行。但是，频繁地切换软件，效率提升有限，也打击了他的积极性。
直到他遇到了一个免费的AI编程工具Trae。他有Python的基础，所以直接就能上手。过去需要写几十行代码才能完成的数据提取工作，现在只要对着AI描述需求，AI就能自动生成脚本，还能调试Bug。他开始主动去探索更复杂的应用场景，还把常用的代码整理成了自己的“个人操作手册”。
他还把这个工具分享给了自己编程零基础的朋友小安。小安是个文科博士，斗志昂扬，想用AI开发一款科研软件。结果折腾了两天，只弄出来一个花架子界面。他很生气，说“AI编程是垃圾”。身边一位用Cursor很久的朋友一语道破：“AI不是万能的。它只是一个聪明的执行者。你得先自己懂逻辑，能自己调试，它才能帮你干活。”
最近，各种新的AI工具不断涌现。刘景然很清楚，技术迭代的速度，远远超过个人学习的节奏。今天赖以立足的工具，只是延缓了自己被替代的时间，并没有建立起不可替代的优势。是应该在一个垂直领域深耕，成为复合型的数据人才？还是横向拓展自己的能力，去适配更多的岗位？他还在寻找答案。
这一圈聊下来，我看到了一个去掉了滤镜的AI世界。这里没有一键生成。我们都被迫跳出了自己的舒适区，去理解代码，去构建系统，去和算法打交道。AI不是来伺候我们的，它是来筛选我们的。它把所有人的基线都拉得很高。或许，它也给那些愿意不断前进的人，留了一扇以前从未有过的门。
