一个团队里过去最容易被识别、被奖励的人，往往是那种交代任务必定按时按质完成、几年如一日稳定输出的人。现在这条逻辑开始打滑。
AI 把执行一件事的成本压到接近于零。一个原本要一周的活儿，一个下午带着模型就能交付，质量还不差。结果是公司里那套用了几十年的尺子——职级、绩效、晋升——突然量不准人了。
这件事正在以三种症状同时冒出来：
- • 领导不会下需求了。 自上而下的规划默认领导比一线更清楚该做什么。可在很多新方向上，领导自己也没想明白要什么，更好的需求反而常常从干活的人身上冒出来。
- • 执行力不再有区分度。 靠谱、高效、不出错，这些过去用来打高分的品质被 AI 大面积补齐，两个人的执行差距被抹平，很难再据此分出高下。
- • 产出忽大忽小。 一个人埋头干一年，可能被另一个人最后两周的几个好点子反超。年度求和式的考核，对着这种产出曲线无从下手。
这很难归咎于某家公司的管理水平，更像一批组织同时撞上了同一道结构性难题。下面先把失灵的机制拆开，再谈组织、管理者和个人各自该怎么重新校准。
失灵的机制：三个错配
松动的，是整套评估制度脚下一个很少被说出口的假设——执行轨迹能预测判断质量。这个假设被打碎之后，制度的三个零件同时错位。
错配一：考核读的是连续执行流，贡献却变成了离散脉冲
过去一个人的贡献像水流，连续、可观测、可累计。你能看着他每天写多少代码、跑多少客户、出多少方案，一年下来把这条流加总，差不多就是他的产出。绩效系统这套仪器，正是为读取连续信号而设计的。
AI 之后，决定性的贡献越来越像一次放电。可能是会上一句"这个方向别做了，做那边"，可能是一个把模型用对的 prompt，可能是对一版设计的一次否决。这些动作不占工时、不留连续痕迹，却改变了一大片产出的走向。仪器还在忠实地读那条已经变细的执行流，而改变了结果的那道脉冲，它根本没接到线上。
错配二：尺子的刻度是正态的，人的产出已经滑向幂律
传统工作的产出大致服从正态分布：投入和产出成正比，能力再强也有上限，多数人挤在中间，考核拉出一条平滑曲线，排名、定级、调薪都顺理成章。
AI 给判断装上了杠杆，产出开始向幂律滑动——极少数决定贡献了绝大部分价值。Midjourney 142 人做到约 3 亿美元年收入，Anysphere 20 人第一年 7800 万美元，人均产出是过去的几十倍，而这种产出从来不是均匀摊在每个人头上的。一个人几个好判断反超另一个人一年的努力，在幂律世界里会反复发生，谈不上偶然。拿一把正态分布的尺子去量一群幂律分布的人，刻度从一开始就错了。
错配三：职级本是给判断力开的信用评级，定价依据塌了
职级到底在衡量什么？它很少真的在记你昨天干了多少活，更像组织对你未来判断力开出的一纸信用评级——级别越高，意味着公司越敢把模糊的、高风险的决定交给你。
过去这张评级用过去的执行轨迹来定价。在执行时代，一个人能把复杂的事稳定做成，大概率也具备不错的判断，执行是判断的可靠代理。AI 把这条代理打断了：执行做得漂亮，不再说明判断力强，因为漂亮的执行如今人人可得。评级要衡量的东西没变，但它过去赖以定价的那组数据，突然不再指向它了。
那该衡量什么：从流量，到势能
把三个错配收束起来看，旧体系擅长测量的是流量——单位时间的执行产出；而 AI 时代拉开差距的是势能——一次判断能改变多大范围的产出方向。
一个 junior 的一次架构判断，方向对了，会乘在团队每个人的产出上；方向错了，所有人执行得越高效，亏得越多。执行是把既定的事做出来，势能是决定哪件事值得被所有人的执行乘上去。 当执行接近免费，一个人值多少，越来越看他贡献了多少势能，而手里流过多少流量已经说明不了什么。
势能听起来虚，但它会留下可观测的痕迹，只是和工时无关：
- • 押注轨迹。 他主张过做什么、停掉什么，事后回看，这些选择的命中率如何。
- • 划线的准头。 他给质量定的及格线——说这个能交付、那个不行——被现实验证得有多准。
- • 被采信的程度。 别人愿不愿意拿他的判断当依据去行动。一个判断反复被采信，本身就是组织对它的定价。
这三样东西，恰好是 AI 暂时还接不走的部分：选择做什么、定义什么算好、为判断扛后果。当下最稀缺的瓶颈，已经从执行能力上移到了这里。
三个视角的重新校准
对组织：先承认尺子量错了维度
组织最容易犯的错，是在旧尺子上修修补补——把年度考核改季度、加几个 AI 相关 KPI——却没意识到该换的是测量的维度本身。有几件反直觉的事得先认下来。
接受幂律，就得接受差距。如果少数判断贡献了大头，定级和回报就该敢于拉开；平均主义的连续考核，在幂律世界里是一种错配。
放弃精确公平的幻觉。连续执行流可以做到看起来很公平的排名，离散判断做不到，硬要精确量化只会逼人去刷可量化的执行假动作。组织得学会为那些难以归因、但确实有效的判断付费。
记录判断，而不只记录产出。值得沉淀的是决策轨迹：谁在什么时候主张了什么、赌对还是赌错。这比一张 KPI 表更接近一个人在 AI 时代的价值。
对管理者：从下达需求，转向供给好问题
当领导自己也不确定该要什么，管理的重心就从规划和派活，挪到了营造一个能让好判断冒出来、并被快速识别和放大的环境。
管理者的稀缺性，不再来自他比一线懂得多。在很多新方向上他确实不懂，承认这点反而是起点。他的价值变成判断谁的判断值得押、把资源压上去、为这个押注扛后果。
管理者也得接受被同一把尺子量。下属会在心里问：你押对过什么？这个问题在执行时代靠职级权威可以挡掉，现在挡不住了。
最该警惕的，是用执行的勤勉掩盖判断的缺位——把团队拖进大量可量化、却低势能的忙碌，看起来很努力，方向上却没人真正负责。
对个人：靠谱从加分项变成了入场券
这是对普通员工最不舒服、也最要紧的一条。在执行时代，你可以靠稳定可靠获得安全感；在 AI 时代，可靠是无限供给的，它不再让你被看见。
安全感的来源变了。过去不出错就够了，现在不出错只是没被淘汰，离被识别还差一截。让你被定级、被记住的，是判断的辨识度——你有没有立场、有没有押注记录、有没有一种别人愿意采信的品味。
最危险的位置，是完美但没有观点的执行者。一个零差错、却从不主张该做什么的人，恰好站在 AI 最容易替代的那个格子里，因为他提供的正是被抹平的那种价值。
入门级岗位的塌缩已经在发生。过去一年技术类入门岗招聘同比下滑约七成，因为那一层主要由可被替代的执行构成。往上走的路径，也从熬资历、攒执行，变成尽早开始练习判断、留下自己的押注记录。
写在最后
所有这些指向同一件事：组织手里那把量了几十年执行的尺子正在失准，而新的尺子——读判断、读势能、读押注命中率——多数公司还没造出来。
这道题难，难点不在技术，在勇气：敢不敢承认过去的公平是一种精确的错觉，敢不敢为说不太清楚、却确实有效的判断付钱，敢不敢把差距拉到和幂律一样大。谁先把尺子换对，谁就会在接下来几年里，安静地把人才从那些还在用旧尺子量人的公司，一个一个吸过来。
参考来源
- • The Chief Question Officer: Why Human Value Shifts from Execution to Judgment in the AI Era — FourWeekMBA
- • Taste Is the New Bottleneck: Judgment in the Age of Agents and Vibe-Coding — Designative
- • When the Career Ladder Breaks: Rethinking Growth and Performance in the AI Era — Lepaya
- • It's time to address the looming crisis in entry-level work — MIT Technology Review
- • Tiny Teams, Massive Output: How AI Is Reshaping Startup Execution — Medium