你去问AI 怎么减肥 ？
它会告诉你早睡早起、规律作息、少喝酒、控制热量、每周动几次。答案挑不出任何毛病，教科书上就是这么写的。
但你心里清楚，这份答案对你没用。
因为它不知道，你这份工作，酒桌就是生意场。那顿饭你不去，单子就是别人的。它不知道你下周有三场必须到场的应酬，不知道你上有老下有小、晚上十一点前根本回不了家，也不知道你现在这个位置是熬了八年才熬上来的，不能说不去就不去。
它给的是一个"正确答案"。而你需要的，是一个在你这个具体处境里走得通的答案。
你可能会说，那我把这些都告诉它不就行了。
有道理，但也就到这儿为止了。你把所有背景都摊开，它大概率会给你一份更周全的清单，可最关键的那一步它永远不会替你迈——它不会指着下周三那顿饭说"这一顿你别去"；不会告诉你，这个单子该不该为了身体放掉；更不会在你说完两句话之后，抬头看你一眼说："你问错问题了。"
它不敢。因为后果不由它承担。
上周日有一场会，四十五分钟，让我把这件事想得更清楚了。
我们请了一位资深的专业顾问，跟一家企业的负责人聊一笔交易。对方把情况介绍完，大概讲了两句话，语气是轻松的——标的很干净，对方也很爽快，愿意签一份很有诚意的承诺。
那位老师接了一句话。就一句，具体内容我不展开，大意是：你觉得最放心的那件事，恰恰是我最担心的；你真正该查的，根本不是你现在盯着的那个。
会议室安静了两秒。然后客户说："这个我们真没想到。"
会后他跟我们说了一句：今天是真碰到高手了。
我一直在琢磨，那两秒钟里到底发生了什么，值这四个字。
后来我想明白了，跟减肥那件事是同一个道理。客户问的是A，专家回答的是 B。而 B 才是这笔交易真正的死穴——只不过在那一刻，客户还不知道自己应该担心 B。
这就是我们平常说的"高手"。他不是知道得比你多，他是在你还没意识到有坑的时候，就闻到了味道。
一个必须承认的事实：知识这一层，AI 已经赢了
说句公道话。如果我把那场会的所有背景材料原样贴给任何一个前沿大模型，它都能答得头头是道。政策条文、各种交易结构的利弊、历史上的争议案例——一条都不会落下，甚至比大多数从业者更全。
在"知道什么"这个维度上，人已经没什么优势了，而且以后只会更没有。
差别在别的地方。
模型回答的是被问到的问题，专家回答的是你本该问的问题。前者需要知识，后者需要判断。而判断的意思是：有人得为这个答案负责。
这中间隔着的东西，就是一个人干了十几年之后沉淀下来的、说不清也道不明的手感。你去追问他为什么第一反应是那个，他大概率给不出一套方法论，他只会说：这种情况，我一听就觉得这儿不太对。
而恰恰是这句"这儿不太对"，现在成了全世界最贵的东西之一。
有家公司，专门收购"这儿不太对"
九月一号，《福布斯》报道了一家叫AfterQuery 的美国公司。据知情人士说，它正在以 32 亿美元的估值融资，而它今年四月的估值还只有 3 亿。五个月十倍，创下 YC 孵化项目从成立到独角兽的最快纪录。
它卖什么？卖AI 训练数据。但不是给图片打标签那种，是专家判断。
它签了将近十万名真实从业者——医生、律师、工程师、金融分析师——干的活儿，就是把这些人脑子里"说不清但就是知道"的东西，一步一步逼出来，变成模型能学、能被打分的信号。《福布斯》提到，它的数据已经进了英伟达 Nemotron 3 Ultra 的训练配方。
更有意思的是，这家公司的起点是一次失败。
三个二十出头的年轻人，创始人在沃顿读金融、在摩根士丹利科技投行和银湖资本待过，另一位在Citadel Securities 实习过两轮，不算外行。他们最初想做的是给金融和专业服务做 AI Agent。结果照样跑不通：幻觉、细节上的判断、行业里那些不成文的惯例，全是坑。演示的时候客户鼓掌，一放进真实工作流就翻车。
只要真在企业里推过AI 的人，都懂这个感觉。
但他们没换方向，而是掉过头来，把"我们为什么失败"这件事本身做成了产品。
方法大概五步。
第一步不是找专家，是找失败——精确定位模型在真实工作流的哪一个动作上崩了，不能笼统说"它做不了尽调"。
第二步，把这个崩点做成一道有边界、能判对错的题。
第三步是最关键的，给这道题配一套专家写的评分细则，再配一段能自动跑的校验程序。
第四步，专家上场生产答案、互相复核。
第五步，小规模训一遍，用分数证明模型确实学会了这个动作。
看完你就明白，它卖的根本不是专家的时间。它卖的是把一句"我觉得这儿不太对"，翻译成一个能给模型打分的信号。
这才是那32 亿美元想买的东西。
那专家该慌吗？
看到这儿，很多人第一反应是慌的。
逻辑很直白：过去几十年，一个人在组织里的安全感，很大程度上是信息不对称给的。你会的别人不会，这就是你的位置。现在有人要把你的判断整理成标准、沉淀下来、让别人也能用——整理完了，还要我干什么？
这个担心搞错了一件事：能被沉淀的，永远只是你过去的经验。值钱的专业知识，往往是“只可意会”的隐性知识。
我想说的是，能被沉淀的是你过去的经验，真正让你保持价值的，是你还能继续产生新的经验。
现在很流行做数字分身、名人智能体、蒸馏某个老师的内容。绝大多数做法，都是拿一个人过去的输出蒸馏出来的——语气像、节奏像，但它学到的是"过去的那个人"，能力在生成完的那一刻就冻住了。
而一个真正的专家不会停在那里。他可能在被蒸馏的第二天，就在真实工作里撞上一个新问题，又长出一套新的判断。
回到开头那场会。那位老师那一秒的反应，不是从书上背来的，是过去十几年里无数个具体案子磨出来的。而下一个十年，他还会磨出新的。你把他今天的判断拍成快照，拍到的只是那一天的他。
福特花了三年，把350 个老师傅请了回来
今年六月底，彭博和BBC 都报道了一件事，我觉得比任何雄辩都有说服力。
福特这几年在质量检测环节大规模上AI，光工厂里就部署了 900 个 AI 摄像头。但整车硬件工程副总裁 Charles Poon 在一次媒体沟通会上直接承认，效果不及预期。他说了一句话：
"人工智能是个很棒的工具，但它的上限取决于你拿什么信息去训练它。过去这些年，我们没有足够重视那些经历过许多个产品周期的资深工程师的经验。"
福特的解法是，花了几年时间，重新招回三百多名资深质检工程师和老技师。这些人回来干两件事：训练AI 系统，以及带新人。今年福特时隔十六年重回 J.D. Power 新车质量研究榜首，官方通稿里专门提了这批"承载着数十年设计智慧"的老工程师。
这个案例把很多人的因果关系说反了——不是AI 淘汰了老师傅，是老师傅缺席，AI 就跑不起来。
国内也一样。鞍钢的人工配煤长期依赖老师傅经验，以老带新周期长、质量还不稳定，后来的解法不是拿掉老师傅，而是把他的判断变成模型的输入。中医这几年推名老中医经验的数字化传承，逻辑完全相同：通用大模型学的是公开语料，而临证经验、师承口授的那部分，网上根本抓不到。
在所有这些故事里，专家都不是被替代的一方，而是唯一能启动这个飞轮的人。
有意思的是，一百年前那句常被归到福特名下的话是这么说的："任何停止学习的人都已经衰老，无论他是 20 岁还是 80 岁。"一百年后，把老师傅请回来的，正是福特这家公司。
所以真正的分界线在哪
我自己的结论是三条。
能被沉淀的，别捂着。把团队里那些"只有老王能判断"的东西整理出来，受益最大的是你自己——你终于不用凡事亲自过一遍，可以腾出手去处理更难、更值钱的问题。真正危险的从来不是知识被沉淀，而是它全压在一个人身上，这个人一休假、一离职，整个能力就归零。
信息权会被侵蚀，判断权不会。 检索、比对、扫描、总结，AI 会做得越来越好，也确实会挤压一批只靠"我知道你不知道"吃饭的岗位。但决策权不会转移，因为决策要有人签字、有人担责。任何一个专业岗位真正的价值，从来不是"知道得最多"，而是"在信息不完备的时候拍板，并且扛住后果"。这一点 AI 接不了——不是它不够聪明，是它没法承担后果。
保持下地干活。得到罗振宇老师给内容团队做培训时常说一句话：一定要下地干活。意思是别脱离一线。判断的手感是在每天真实的活儿里一点点长出来的，一旦离开现场，几个月就钝了。你能不能持续产生新经验，比你现在存量有多少经验重要得多。
最后讲个小新闻，我很喜欢。
浙江绍兴西湖社区，一批八九十岁的老人编兜篮，一只要编五六个小时，只能卖6 块钱，还得自己拎到菜市场碰运气。就是我们小时候最常见的那种买菜篮子。
后来社区找了高校学生，按现在年轻人的审美重新设计花样，有的做成Hello Kitty，有的做成水桶包的形状。如今均价 60 块，供不应求。
你看，老人的手艺一点没变，还是那双手，还是那五六个小时。变的是——别人拿一个全新的花样来让他改编法，他没说"我编了一辈子就这么编"，而是学了，改了。
那条淘汰线，从来跟年龄无关，跟你还在不在长有关。
所以别信"训完了AI，自己就被裁了"这种鬼话。如果你的经验真能帮AI 完成一次关键能力的升级，那你在哪儿都饿不死。
真正该怕的只有一种情况：你身上所有的能力都已经被AI 覆盖完了，而你还站在原地。
回到开头那顿酒。AI 可以告诉你少喝，但它这辈子都不会知道，那一杯到底该不该喝。
