最近我越来越觉得身边很多朋友面对AI时的心态很有意思一边用它写周报、做表格、生成PPT省下不少时间一边又在焦虑照这个趋势下去自己手头的活是不是很快就没意义了这种矛盾其实藏着一条很重要的线索——我们大部分人的工作正在被AI偷偷分成两类一类是规则清晰、流程固定、结果可以预判的“确定性工作”另一类是目标模糊、方向不明、需要不断尝试和判断的“不确定性工作”。过去我们默认前者是职业安全感的来源做得越熟练越有底气但AI浪潮一来恰好是这类工作最先被替代。今天这篇文章我想结合我自己在项目里反复踩坑、反复调整的经验聊聊这两类工作哲学的本质区别以及普通人该怎么从“确定性”这条拥挤的赛道逐步转向“不确定性”这个AI最不擅长的领域。这篇文章主要写给三类人正在担心岗位被自动化替代的白领或基础岗位执行者想转型、又不知道从哪下手的人以及带团队、需要重新设计岗位职责的管理者。我会先弄清楚确定性工作为什么突然不香了再对比两类工作的核心差异然后给出一个可以立刻执行的工作盘点方法和迁移路径最后聊聊“确定性与不确定性共存”的平衡心态。我不会用那种“未来已来”的宏大叙事就是实打实地拆解我自己的经历和我看到身边的人正在做的事。1. 为什么“确定性”突然不再是安全区1.1 确定性工作的真面目一套可被复制的流程先说什么是确定性工作。我给它一个很直白的定义输入明确、处理规则明确、输出结果明确而且做对了还是做错了有非常客观的验收标准。比如把A系统的数据按要求格式转成B系统需要的文件比如根据固定模板写一份周报比如在客服问答里对客户说“您的订单已发货预计三天内送达”甚至包括一些初级代码编写——需求已经拆得清清楚楚照着接口文档把字段填进去就行。这类工作在过去几十年里被反复验证过是“好工作”因为它好学、好复制、好考核。公司可以快速培训新人可以量化绩效还可以外包到成本更低的地方。我自己刚入行时做的就是这类事情每天对着一堆Excel表格做数据清洗把脏数据、缺失值、格式不统一的字段一条条地修。当时领导考核我的标准很简单今天处理了多少行数据错误率是多少。这个标准非常明确我也确实靠着熟练度每个月能多拿一点绩效当时觉得这就是靠谱的成长路径。但问题恰恰出在“可复制”三个字上。可复制的意思是一个能力可以由A迁移到B可以由人迁移到系统当然也可以由人迁移到AI。我后来用生成式AI跑了一遍我当年的数据清洗活发现只要把清洗规则描述清楚——比如“缺失值填0、日期统一成YYYY-MM-DD、金额字段去千分位”——它几秒钟就能完成我两天的量而且错误率不比我低。那一刻我意识到确定性工作的价值根基正在松动它曾经因为稀缺而值钱但一旦可以被低成本复制稀缺性就消失了。更隐蔽的是确定性工作会给你一种“我很专业”的错觉。因为你每天都在解决具体问题领导夸你执行力强同事说你靠谱你自己也觉得自己有价值。但你有没有想过如果换一个人或者换一个AI按照同样的操作手册同样能做好那这个价值到底是属于你个人的还是属于这个岗位模板的我自己的体会是当你把所有精力都放在把确定性流程做到极致的时候你其实是在和一种即将被自动化的能力赛跑跑得再快也跑不过算法。1.2 确定性工作的“假安全感”为什么越熟练越危险很多人舍不得放弃确定性工作是因为它能带来即时反馈和成就感。今天解决了十个Bug明天完成了三份报表月底绩效好看这种周期性的正反馈很容易让人上瘾。但问题是反馈越及时、规则越清晰AI就越容易学习你的操作轨迹。它不需要理解你的经验有多丰富只需要统计你面对不同输入时做出的同样决策就能拟合出比人更稳定的行为。我说个直观的例子。以前我在某个项目组里整理会议纪要每次要把录音里七零八散的内容梳理成“决议事项—责任人—截止时间”的结构。一开始我觉得这事挺需要理解力的因为发言经常跑题口音也杂但干了两三个月后我发现自己的处理模式其实非常规律听到“下周”“月底”就标记时间听到“我来负责”“某某跟进”就标责任人听到“需要和XX对齐”就记成风险项。这个规律AI完全可以学。后来我试着用一段提示词让它直接处理录音转写文本它整理出的结构甚至比我更整齐。这个例子不是要否定所有确定性工作而是想说明一个判断标准只要你的经验能够被提炼成规则、被表述出来它就有被自动化的可能。classic的规则引擎可以处理完全确定的流程如今的生成式AI则更进一步连很多“半确定性”的环节都能覆盖——比如写邮件草稿、做竞品摘要、生成代码框架。所以真正危险的不是确定性工作本身而是你把自己的职业价值全部锚定在这类工作上并且没有意识到它正在从“能力壁垒”变成“执行成本”。当然我也不是说你明天就辞职去搞完全不确定性的艺术创作。确定性工作依然有用它是现金流、是训练场、是你进入新领域的跳板。关键是要重新给它定位它不应该继续占据你全部的职业生涯和思考带宽而应该被压缩成你每天日程里的一小段剩下的时间和精力要留给那些AI替代不了的事情。2. 两类工作的核心差异规则执行 vs 目标模糊2.1 从五个特征看一份工作的确定性含量想要判断自己的工作究竟是确定性还是不确定性我总结了一个特别简单的自查表格。不需要多高深的模型就对着自己的工作内容逐条打勾就行。判断维度确定性工作得分高不确定性工作得分高输入信息输入明确字段完整边界清晰输入模糊信息残缺还经常互相矛盾处理规则规则固定可以写成操作手册没有现成规则每一步都要临时设计成功标准唯一或者极少对错分明多个成功标准并存需要权衡取舍反馈周期反馈快做完就能知道结果反馈慢甚至不知道什么时候算完成错误代价错了可以立即被发现和修正错误可能在几个月后才显现且很难归因你可以把所有日常工作列出来逐项打分。得分越高说明这部分工作越接近“确定性”得分越低越接近“不确定性”。我当初给自己盘点时吓一跳我每天真正在做的工作大概有70%都是确定性任务比如填报表、回邮件、按模板做方案、整理会议记录。真正需要我动脑子做判断的只有30%都不到而恰恰是这30%让我觉得自己的工作还有点意思。如果你盘下来发现确定性含量超过80%那就要警惕了。不是说你马上会被裁而是说你的职业抗风险能力正在下降。因为在一个AI可以替代大多数确定性任务的年代你的稀缺性取决于你手上那20%的不确定部分——比如如何定义问题、如何在多个目标之间权衡、如何在不完美的信息下拍板。这些才是你今天要刻意去练的东西。2.2 AI的反差它擅长给答案却不懂什么叫“好问题”为什么AI对确定性工作这么得心应手却对不确定性工作束手无策根本原因在于它的工作方式本质上是概率预测。你给它一堆“输入A得到输出B”的样本它能学到统计规律然后在新输入到来时推测最可能正确的输出。确定性工作恰好完美匹配这个模式历史样本充足、对错反馈清晰、规则稳定。但不确定性工作恰恰相反。首先它没有大量可参考的“正确答案”比如“如何进入一个新市场”这种问题每个行业、每家公司、每个时间段都不一样历史数据里根本没有直接的映射。其次不确定性工作里最关键的部分往往不是“给出答案”而是“定义问题”。客户只说了一句“体验不太好”你要判断到底是登录慢、界面乱还是功能缺失老板说“这个项目要提升影响力”你要拆解出到底是要传播量还是要转化率。这种把模糊意图转译成具体任务的能力AI做得很差因为它没有立场没有对业务后果的承担也不理解什么叫“真正的痛点”。还有一个很容易被忽略的差异——责任感。确定性工作只需要对流程负责做完步骤就算完事不确定性工作需要对结果负责而且结果本身不明确。我以前在公司里做数据报表只要数据对得上就算合格。直到有一次做经营分析我去和业务负责人们对齐指标口径才发现同样一个“销售额”每个人理解都不同。有人要的是订单金额有人要的是实收金额还有人要的是扣除退款后的金额。那一刻我才意识到真正难的不是算数而是定义口径。这种定义工作AI完全没有办法替你做因为它不知道你们团队内部的政治、历史、信任关系。它只能给你几个备选答案而最后的取舍必须由人来承担。所以从确定性转向不确定性本质上是把工作重心从“把已知规则执行好”转向“在未知环境里立规则”。这条路上没有现成的手册但有一条心理准备可以先建立起来允许自己犯错允许自己拿不准允许自己短时间内看不到结果。这些恰恰是过去那些讲求效率的职场规则一直在训练你避开的感受。3. AI的真实边界它能替我们做什么不能替我们做什么3.1 可自动化任务的分类输入、处理、输出、判断既然AI擅长确定性工作那我们不妨主动把工作中“可确定”的部分剥离出去让AI做而不是傻乎乎地和它赛跑。怎么剥离我习惯用“输入—处理—输出—判断”这四个环节来拆。给任何一项任务做这个四层拆解你会很清楚AI的边界在哪里。第一层是输入。如果输入是结构化的比如数据库字段、表格数据、标准问答库那AI非常擅长。如果输入是模糊的比如人际关系里没说出口的潜台词、客户断断续续的语音抱怨AI也能处理一部分但出错率明显提高。我的建议是先从结构化输入开始尝试把AI当作一个“整理者”而不是“理解者”。第二层是处理。这层要看规则是否透明。规则透明比如“如果金额大于一万则标记为高级客户”AI轻松搞定规则需要自己摸索的比如“判断这个客户是否有流失风险”AI可以给出参考但不是最终答案。我见过不少朋友一上来就让AI做客户流失分析结果它给了一堆相关性分析却没有业务逻辑支撑根本没法用。这就是把不确定任务误判成确定任务了。第三层是输出。只要求“格式正确”的输出AI几乎是零成本完成比如PPT大纲、邮件模板、周报初稿。但如果输出需要精准适配某个受众的认知水平需要懂得话术里的分寸AI就只能打辅助。我自己的习惯是AI负责“写出60-70分的第一版”我负责修改和定稿。省下的不是动脑时间而是从空白页开始的时间。第四层是判断。这一层是AI的真正边界。要不要给这个客户超额折扣要不要把某个同事的意见再确认一遍这批货是退回重做还是先交付再补救这类涉及责任归属和价值取舍的决定AI只能列选项不能做决定。判断层是“不确定性工作”的核心也是人类值钱的地方。我的实操经验是把工作任务按这四个环节拆开之后先用AI处理输入、处理、输出三层把所有碎片时间留给“判断层”。这么做的直接收益是效率提高间接收益更宝贵——它会强迫你不断和“判断层”打交道等于在天然的环境里练习不确定性工作。3.2 一个实践案例我是如何从重复劳动里“抢救”出两小时的举一个我自己的真实工作片段。以前我每周要花半天时间做三件事把各个团队交上来的周报汇总成一份大周报把会议录音转成文字并提取待办把数据表的查询结果整理成固定格式的图表。这三件事显然都是确定性任务格式固定、规则固定、输出固定。以前我忙得像个旋转的陀螺还觉得自己很有价值——毕竟整合了那么多信息信息差都在我手里。后来我试着把这些任务外包给AI。周报汇总我把各团队周报直接丢进去指令是“提取项目里程碑、风险点、下周计划按主题分组剔除重复内容保持语气一致”——它做得相当好我只需要最后检查一遍有没有遗漏。会议录音我先用语音转文字然后让AI按“决议、责任人、时间点、风险”提取结构化摘要准确率大概在八成以上我可以把精力花在那些模糊不清的段落上而不是从头逐句听。图表处理我直接用脚本来生成AI负责根据自然语言写SQL和模板我负责核对逻辑。这三件事原本大约需要一个上午现在压缩到半小时我每天可以多出大约两小时。那两小时我没有拿去做更多的重复任务而是用来做业务复盘——把最近的数据异常、客户反馈、竞争对手动作放在一起试着提出一些“还没有答案却值得研究”的问题。这个过程一开始很痛苦因为我已经习惯了有确定答案的工作模式突然面对“没有规律、没有标准答案”的开放问题总想躲回Excel里。但坚持了两个月后我明显发现自己更能接受模糊了也更愿意在不确定的地方多停留一会儿而不是匆忙找答案。这个案例没什么了不起但它给出了一个范式AI不是夺走你的工作而是在把“确定性”的部分加速完成逼着你把腾出的时间填进“不确定性”区域。你如果选择把省下的时间用来刷手机那就等于主动放弃了转型机会如果你愿意把这些时间用来训练自己定义问题、做判断、承担责任那你就在一条正确的路上了。4. 从“确定性”向“不确定性”迁移的实操路径4.1 第一步盘点你工作里的“确定性含量”建立任务清单转型不是从一个岗位跳去另一个岗位而是从同一份工作里的不同任务入手。第一步就是做一次彻底的工作盘点。我建议你用这一份清单来梳理一周内所有让你忙到焦头烂额的事情不要凭印象拿一张纸或一个表格每半小时记一次连续记录一周。记录的时候分四列任务名称、投入时间、触发方式是谁安排给你的、还是你自己主动发起的、完成标准怎么判断做完了、做对了。一周后把每个任务按照我之前那张“确定性含量表”打分1到5分5分代表完全确定1分代表完全不确定。然后将任务分成三类A类为确定性含量5分的任务B类为3到4分半确定的C类为1到2分不确定的。我自己盘点后的结果很扎心A类任务占了将近一半时间包括填各种模板、日报周报、清洗数据、按流程跑表单B类大概三成比如写方案初稿、分析数据异常、跟部门对需求C类只有两成比如“探索一个新渠道的拉新效果”“梳理下一阶段的优化方向”。大多数人都低估了自己的A类时间占比因为这类工作占用了注意力让人觉得忙碌又充实实际上它们是最容易被AI接管的部分。盘点的意义不是让你立刻辞职去搞C类任务而是让你看清自己的时间配置。我见过很多人被AI冲击后想转型第一步就想跳去一个“创造性强”的岗位结果在新岗位上还是习惯用确定性的方式做事——等指令、要模板、求标准答案反而更痛苦。看清现状之后你才能针对性地做增量调整而不是推倒重来。4.2 第二步刻意练习“定义问题”而不是急着解决问题确定性思维的核心习惯是“给定问题找答案”不确定性思维的核心习惯是“在模糊情境里先把问题定义清楚”。举一个我常给身边人讲的小例子业务方提了个需求“我们想做一场活动提高用户活跃度”。确定性思维的人会立刻问“预算多少、目标多少、什么时候上线”然后开始排期不确定性思维的人会先问“你说的活跃度是哪类指标是打开率还是使用时长你真正想解决的是新增用户留不住还是老用户不回来”。这两者的区别就是解决错误问题和解决真正问题的区别。锻炼“定义问题”的能力我有一个很容易上手的日常练习每天选一件工作中遇到的模糊事项把它写成“问题定义笔记”。格式很简单包含三栏“我听到了什么”“我实际上需要弄清什么”“我可以验证什么的假设”。比如领导说“最近转化率不太好”我听到的是一个结论我实际上需要弄清的是“转化率是从哪个环节开始下滑的、是整体性下降还是某个渠道恶化、是短期波动还是长期趋势”我可以验证的假设是“如果新版落地页的加载时间变长那移动端用户的跳出率应该显著高于桌面端”。写出这个笔记的过程就是在把模糊信息拆解成可验证的变量。这个练习还有一个好处它天然排斥AI替代。因为AI可以帮你写“问题定义笔记”的格式但无法替你选“哪一句业务抱怨是值得深入研究的问题”。这种选择往往基于你对公司业务、团队关系、资源现状的判断属于典型的隐性知识。刻意做三个月后你会发现自己在会议上问的问题明显变多了而且每个问题都更能切中要害——这才是从确定性思维向不确定性思维迁移的关键标志。4.3 第三步提高“不确定性耐受度”用小步实验替代大规划很多人在不确定性面前卡住不是因为能力不够而是因为心里那个“必须想清楚再做”的念头太强。从小到大我们都在确定性的评价体系里长大考试有标准答案任务有截止时间绩效有量化指标。突然让你面对一个没人做过、没有模板、结果不可预测的任务你的第一反应往往是恐惧然后会拼命试图找“确定性”——找对标公司做法、找历史数据、找领导要明确指示。但不确定性工作的本质就是你可以找到部分数据和部分对标但永远找不到完全确定的路径。我自己的方法是“小步实验法”也叫试探性决策。不要上来就做一个大规划而是把一个不确定目标拆成几个成本很低的小实验。比如你想测试一个新的内容风格不确定用户喜不喜欢那不要立刻全线切换先拿一周时间在非重点渠道上发布三篇不同风格的内容看数据再决定。再比如你想验证一个自动化流程靠不靠谱不确定AI在某个环节会不会出错那就先小批量试点拿10条真实数据处理一遍人工核查完再扩大范围。也要学会接受“足够好”。不确定性工作里没有“最优解”你永远无法知道另一个选择会不会更好。以前做A类任务时我习惯追求100%正确率后来做C类任务我逼着自己接受“完成度70%就发出去”然后根据反馈快速调整。这个过程很难受但它是克服完美主义最管用的药。每当我发现自己又在为一个开放问题反复推演、迟迟不敢行动时我就会给自己定一个“发出去”的时间点到点就强制提交。跑得多了你会发现不完美但真实的反馈比完美但迟到的方案有价值得多。4.4 第四步在现有岗位上主动“认领”一个不确定任务如果你所在的环境没那么自由没有专门的创新岗那我建议你主动在现有岗位上“认领”一个没人愿意碰、没有标准答案的任务。这不是给你自己找麻烦而是给你自己创造一片练习不确定性的训练场。怎么选这个任务我给出三条标准第一它和你的核心业务有关联这样你才有动力和资源去碰第二它一时半会儿没有明确交付物或者说交付物需要你自己定义第三它的失败风险在可控范围内不会让你丢掉饭碗。举个例子如果你是一个数据分析师除了常规报表之外你可以主动提出“帮业务团队建立一个异动预警的归因分析框架”这个问题没有标准答案业务方自己也没有想清楚但只要你做出了第一版你就拥有了别人没有的经验。再比如你是运营你可以认领“梳理用户分层中容易被忽略的高价值沉默用户”这个问题的边界非常模糊但它会让你练习如何处理不完整的信号。认领任务的过程本身就是在重新定位工作哲学从“执行者”变成“发起者”。你不再等待别人给你定义问题而是自己去选择一个问题并承担推进责任。这种转变非常小但它带来的心态变化很大。当你在一个模糊但真实的问题上摸爬滚打之后你会发现以前让你焦虑的那些“不确定性”——比如客户意图不明、需求反复变化、方案没有先例——都变成了可以被拆解、被实验、被反馈的日常素材。你对不确定性的恐惧会慢慢变成好奇和掌控感。5. 两种工作哲学的冲突与共存个人与团队如何重新配比5.1 别把“不确定性”吹成万能药确定性工作依然有价值现在的舆论风向很容易让人走极端一提到确定性工作就好像是等着被淘汰的落后生产力一提到不确定性工作就好像是人人争抢的高地。但我自己的体会是完全放弃确定性工作的人和完全拒绝不确定性工作的人最后都会遇到麻烦。前者会发现自己每天都在救火没有沉淀没有心流精力迅速透支后者则容易被AI冲击得没有根基连现金流都保不住。确定性工作的价值比你想象中大得多。第一它是收入的稳定来源。在你探索不确定性的过渡期确定性工作能给你提供最基本的生活保障让你不至于因为一次失败实验就“断粮”。第二它是专业深度的来源。真正深度的判断力恰恰来自对大量确定性细节的掌握。一个外科医生能做好突发情况下的不确定决策是因为他做了成千上万次确定性很高的基础手术。第三它是心流的来源。人类的大脑其实很喜欢规律性的熟练操作这种沉浸感很解压也是一种心理支撑。所以我的建议不是“抛弃确定性”而是“让确定性为不确定性服务”。也就是说把自己的确定性工作尽量做熟、做快、做标准化能交给AI的就交给AI然后把你最清醒、精力最好的时间段从确定性工作中解放出来留给不确定性的探索任务。我在实践中的配比大概是70%的时间做确定性的底线工作30%的时间专门做没有明确答案的探索。这个比例不是固定的职业早期可以调到50%对50%如果探索任务有明显产出甚至可以倒过来。5.2 混合型工作法给个人和团队的三点具体建议最后分享几件我实际用过、也觉得有效的事无论是个人还是管理者都可以直接拿去参考。第一给任务重新命名。如果你是一个管理者别再把岗位描述成“报表专员”或“客服专员”试着把岗位目标改成“数据分析与异常洞察”“客户问题诊断与反馈闭环”。岗位名一变员工的目光和行动方向就会跟着变。如果调整不了职位名称也可以在年度目标里新增一条每月产出多少个“探索性分析”而不是单纯的“报表数量”。哪怕是给这些探索任务A/B两个版本让对方选也比只派确定任务要好。第二在周会里设置一个“我们不知道什么”的固定环节。我以前带项目时每次周会大家都习惯汇报“做了什么”但项目里真正卡住的往往不是“做了什么”的问题而是“不知道为什么要这么做”“不知道客户真正要什么”。后来我强制在周会最后留出20分钟专门讨论“本周我们有哪些不知道的信息、哪些假设是没有验证过的”。一开始大家都很不习惯觉得这是暴露无知但坚持一个月后团队提问题的质量明显上升因为我逼着所有人把注意力从“执行确定任务”转移到了“识别不确定环节”。第三用“问题库”替代“经验库”作为学习沉淀。很多人喜欢整理各种SOP、模板、最佳实践这很好但如果你只整理SOP你依然是在确定性思维里打转。我后来会在每个项目的复盘里专门加一栏“这个项目中我们提出但还没回答的问题”然后把它汇总成一个问题库。这些问题是下一阶段探索的燃料也是团队跳向不确定性工作的入口。你会发现问题库积累得越多你们能抓住的机会也越多而不仅仅是在现有的确定性流程里越跑越熟练。我最后想说一点也是我踩了不少坑才明白的从“确定性”到“不确定性”的切换并不存在一个一劳永逸的终点。哪怕你已经习惯了探索型任务你每天依然会面对很多确定性工作——报表要填、邮件要回、流程要走。重要的不是你彻底变成哪一种人而是你始终知道自己当下处理的这件事属于哪一类。我对自己的提醒是每隔三个月做一次任务盘点照着文章里的“确定性含量表”重新打一次分看看这三个月我有没有把更多的时间从A类挪到C类。这个动作非常小但它能让我时刻保持清醒我不是在被动等待AI来重新分配我的工作而是主动把我自己变得越来越不适合被自动化。