以大语言模型驱动的AI已经不再仅仅是新闻舆论中的谈资，而是正在成为工作中的生产力工具。盖洛普4月13日公布的调查显示，美国半数劳动者已在工作中使用AI，约三成受访者每天或每周频繁使用AI工具；约三分之二的员工表示，人工智能对个人生产力和效率产生了“极大”或“一定程度”的积极影响。渗透最深的是软件开发——GitHub的代码公开提交量中，来自Claude Code和Codex等AI工具的比例正在肉眼可见地攀升。就我个人使用AI的体验，无论是辅助翻译学术专著还是清洗数据，尤其是将大样本的文本数据清洗为结构化的标准数据库，AI都体现出极为强悍的效率——以前往往需要多位初级研究助理花数周手工完成的工作，现在的耗时以小时计。至于阅读海量文献、寻章摘句，更是AI的拿手好戏，只要花费足够多的token，AI便会不知疲倦地给出符合各种要求的结果。有律师对我说，他现在给当事人提供的法律服务与此前相比，在质量上已不可同日而语。这些曾经定义白领入门级岗位的工作，正在被AI以分钟级的速度完成，在极大地改善工作效率的同时，也对初级岗位的从业者及未来的潜在新员工构成了不容忽视的挑战。
更为直观的事实是，上述变化不是媒体的夸张报道，它们已经反映在真金白银的收入数字上：OpenAI的年化收入已达约250亿美元，而Anthropic从2025年初的10亿美元起步，到今年4月已突破300亿——Salesforce花了二十年才走完的路，Anthropic用了不到三年。眼下讨论的问题已经不再是AI“能不能”改变工作方式，而是它正在以多快的速度改变，以及谁在这个过程中受益、谁被甩在后面。
那么，是不是“会用AI”就可以摘到这一波红利呢？以下是我个人基于切身经验的一些看法。我观察到一个越来越清晰的规律：同样的工具交给不同的人，产出差距可以是数量级的。这个差距不来自技术门槛，而来自使用者自身的认知结构和语言能力。仅从技术门槛来讲，尽管我至今对Python等编程语言一无所知，但这已经不妨碍我使用各种代理式AI工具，用自然语言描述需求，由AI调用不同的模型来自动编程，实现我的目标。
戈尔丁的竞赛：微小的起跑线差异，巨大的后果
2016年前后，我观察到一个现象：赢家通吃的效应开始从企业向个人渗透，从娱乐、体育等行业向更多行业蔓延。因能力差异而导致的收入差距越来越大，职场上的超级明星获得了不成比例的回报，不同行业间的收入差距也在逐渐拉大。赢家通吃使得些微优势就可以左右巨大的回报分配，并产生了一个副产品：起跑线优势。因此我们看到，由于技术进步，知识资本的价值急剧上升，成为社会分层的主要动力——一方面，知识含量不足的工作岗位工资增长停滞，与知识含量高的岗位之间的收入差距越来越大；另一方面，由于网络外部性和社会外部性，仅有极少数从业者能站到赢家的位置，而他们与其他人的实际知识差异并不大——极小的能力差距就可以造就极大的回报差异。
这是一个历史规律。2023年的诺贝尔经济学奖得主克劳迪亚•戈尔丁与劳伦斯•卡茨在合著的《教育和技术的竞赛》中刻画了一个事实：每一轮重大技术变革到来时，都会显著拉大人与人之间的生产率差距，进而形成巨大的收入差异。二十世纪初电气化和流水线生产的普及如此，计算机革命的早期阶段如此。这种差异往往直到教育体系做出充分调整以后，再经过一段时间才能慢慢弥合。拉开差距的往往不是巨大的能力鸿沟，而是看似微小的差异——经过新技术的杠杆放大，最终投射为收入和生产率的巨大分化。这种微小的差异，可能是受教育年限相近但学校质量有别，也可能来自所处社会网络的竞争差异。
AI正在重演这个剧本，而且放大倍数可能前所未有。近一年来，不断有研究报告和AI企业的负责人发出警告，称大多数白领岗位正受到AI的威胁，可能约有一半左右的入门级白领岗位将被AI取代。这些预测也许偏于激进——一方面，一项新技术在消灭就业的同时也会创造就业；另一方面，劳动力本身也具备适应能力，会调整自己的技能。但无论如何，AI对专业工作的渗透速度，远超多数人的预期。在这个快速渗透的过程中，戈尔丁框架的核心洞察变得格外重要：决定谁受益、谁被碾过去的，不是你是否拥有AI，而是你能不能有效地使用它。而就我个人经验而言，“有效使用”的门槛远比表面看起来要高得多。
框架与审美决定了输出的质量
什么叫“有效使用”？不妨先问一个更基本的问题：所谓的专家是什么？专家不是某个头衔，而是指在一个领域中积累了足够多的结构化经验，以至于面对新问题时，能迅速识别其类型、调用相应的分析框架、预判可能的陷阱。使用者脑子里有分析框架，给AI的指令就天然带有结构，产出质量因此更高。
以普通人都会经历的看病为例。一般患者对医生的病史陈述往往是“我经常头疼”，但有经验的患者会细致地陈述病情：痛的位置、持续时间和频率、是否伴随其他症状、最近生活作息有什么变化。固然，医生会逐项问诊，在一定程度上解决了患者信息输入不全的问题。但即便如此，不同认知水平的患者在治疗依从和最终诊疗效果上仍有显著差异。甚至有一些地区的妇产科医院在建卡时，会将夫妻均为低学历的孕产妇列入高危类别加以特别关注——安排更频繁的问诊、下达更详细更通俗的医嘱。
专家的优势不在于“知道更多信息”——信息检索恰恰是AI最擅长的事——而在于拥有一套问题分解的结构，知道一个复杂问题应该被拆成哪几个子问题、子问题之间的逻辑关系是什么、每个子问题的判断标准是什么。这套结构是在大量实践中内化的，不是读几本教科书就能获得的，更不是AI能替你生成的。AI可以在你的框架内高效执行，但它不能替你建立框架本身。而有无框架，直接决定了输出的质量。
审美是另一个关键变量。这里所说的“审美”不是艺术意义上的审美，而是对专业工作质量的鉴别力——什么是好的分析、深刻的洞察、有效的论证结构、干净的数据、信达雅的译文。这种鉴别力是长期专业训练的产物。AI不会替你建立品味，它只会忠实地执行你的品味——或者暴露你没有品味。同样是研究分析师，一个入行不久的小白问了AI一句“帮我分析一下这家公司”，然后大概率就没有然后了——他既发现不了回答中有价值的线索，也不知道如何进一步追问。相反，一个资深分析师从提问开始就带着明确的目的和判断标准，而追问、甚至否定AI的回答以调整讨论方向与视角，更是依赖于提问者的判断力。在这个意义上，框架和审美其实是同一枚硬币的两面，是经验的一体两面。
不难看出，AI加速了工作产出的效率，但它没有降低对判断力的要求，反而提高了——因为你现在需要在更快的速度下做出更多的判断。更精准的框架和更敏锐的判断力会让产出的质量更好，因为AI作为辅助者能提供远超一般专家个人经验的信息资源。更需要注意的是，大语言模型天然的被动性和迎合使用者的倾向，会放大框架和判断力的水平差异对结果造成的影响——框架越差，AI越不会纠正你，反而会顺着你的偏差越走越远，这和你去图书馆，走向什么书架，就会拿到什么书，是一个道理。
语言能力的放大效应
在学历教育中，语言是最重要的学科——所谓“语数外”，语言占了三分之二的比重，中文更是在中国大陆的教育中拥有独一无二的地位，在中小学的课时安排中遥遥领先。这种教育理念常被不少家长诟病。但笔者个人认为，单论语言的重要性，是怎么强调都不为过的。如果说认知框架决定了你能不能问对问题、问出好问题，那么语言能力决定了你能不能把问题传递清楚，能不能真正让AI成为你的思维伙伴。
向大模型输入指令的精确性直接决定了输出的结果，这曾经引发了一阵教别人怎么写prompt的热潮。但就我个人经验来看，专门去学prompt的收益并不大——真正起作用的是基本的表达能力。例如，我对AI说“这个数据有点问题”和“第三列的2019年数据与统计年鉴原表不一致，怀疑是口径变更导致的，请对比前后年份的指标定义”——前者让AI猜，后者让AI做。后者有可能一次就返回正确结果，而前者折腾五六轮可能都无法得到满意的回答。你和AI之间的交互质量，取决于你用语言组织思维的能力。
比精确描述更重要的是逻辑。 逻辑事关输入的准确性和需求描述的合理性，尤其是在大型任务中——需要调用复杂的AI工作流来应付这些任务的时候，输入内容的逻辑清晰是最基础的要求，直接关系到任务的可拆解性与设计的合理性。所谓逻辑，简言之就是“有理有据”——“理”包括因果关系、前提假设、充分与必要条件的辨析、比较基准的对等、推理链条的完整；“据”则是可靠的证据（这得首先会区分事实与观点）。
逻辑不仅决定输入的质量，也决定了与AI互动的深度。 多数人和AI的交互模式是“我问你答”，得到一个回答就接受了。但高效使用AI的人会追问和挑战：你这个结论的前提假设是什么？如果放松这个假设，结论还成立吗？有没有竞争性解释？支撑当前解释的关键证据是什么？你不是在让AI给你答案，而是在和它进行一场有质量的对话，通过逐步收窄来逼近更可靠的判断。这时候AI就成了自己的“虚拟同行评议”和研究助理，进而提升自身的工作质量与思考深度。
更深层的一点是，语言能力不仅影响表达，在很多时候它就是思考本身。能够用精确的语言描述一个问题的人，往往也是对这个问题想得更透的人。AI时代放大了这种共生关系：语言精度越高、逻辑性越强，AI的执行精度就越高、产出就会更深入；高质量的反馈又反过来帮助你进一步厘清思路，形成正向循环。