白领工作的演变与价值来源

你有没有过这种感觉：今天开了很多会，写了很多文档，回了很多消息，看似做了很多工作，但是晚上回家的时候问一下自己，今天到底做了什么，却回答不上来。更刺耳的是，如果你把今天做的那些东西，比如周报、PPT、分析结论、PRD、代码草稿，丢给一个AI，它可能几分钟就能交付同款。那么，我们的价值究竟在哪里？

今天这期视频，我将用一个更大的框架来审视白领工作。白领工作，或者换句话说，知识工作者（Knowledge Worker: 指以脑力劳动为主，创造非物质产品或服务的劳动者），这个工种的出现历史还不到100年。我们生长在这个环境中，以为它天经地义，仿佛一直存在，甚至以为它就是历史的终结。

但如果我们往前看，在人类历史上一万年里，基本上所有人都曾是农民。短短200年前，工业革命开启，农民变成了工人，农业和工业产量大幅提升。直到最近几十年，农业人口在美国仅占总人口的3%，绝大多数人都是工人。那时，工人阶级是社会生产力的代表。

随着工业日益复杂，阻碍生产力的不再仅仅是机器，而是信息。当企业从单一工厂发展为跨国巨头，管理者们发现，除了工人生产产品，更需要信息管理。现代组织的管理方式，很大程度上源于铁路调度——为了管理海量火车、避免混乱，我们发明了层级管理，负责信息的收集、翻译、整理、分发，以降低系统摩擦。

这就是绝大多数白领工作在做的事情：在决策和执行之间，处理信息，降低摩擦。进入信息时代后，许多知识工作者本身也直接创造生产力，例如程序员，他们不仅降低信息成本，还在创造终端产品，因此能获得高薪。

生产力衡量的困境与“狗屁工作”

讲清楚了知识工作者或白领工作的本质和价值来源，我们再回到那个问题：为什么我们感觉做的很多东西没有价值？这综合了David Graeber的《Bullshit Jobs》和一些播客内容。

核心原因在于产出难以衡量。农业是“一分耕耘一分收获”，耕耘和产出都容易衡量。工厂的生产效率（Productivity: 指单位时间内生产的合格产品数量或价值）也易于量化。但对于数据科学家或分析师，如何衡量个人工作效率？公司整体的利润可以衡量，但一个小组对最终产品的利润贡献如何衡量？

这时，很多时候就变成了“讲故事”（Storytelling: 指通过叙事来包装或解释工作价值）。公司内部充斥着“画饼”的余地，例如强调某个项目是“long-term bet”。即使我们清楚工作的重要性，但个体知识工作者的生产力却极其难以衡量。

因此，我们常使用代理指标（Proxy Metrics: 指间接衡量目标，常侧重于投入而非产出），如写了多少页PPT、发了多少邮件、开了多少会、发了多少信息、写了多少行代码。然而，这些输入（Input: 指工作中付出的努力、时间或资源）与实际价值（Output: 指工作产生的实际成果或影响）之间，并不一定存在因果关系，甚至常常没有相关性。

当工作衡量标准变成“投入”时，比如看工作时长、勤劳程度、所谓“产出”的数量（实际上是输入），大家就会“装作很忙”。明明不需要做的事情，也要开10个会、写10个PPT，因为衡量标准是投入，而非事情本身是否完成。如果把事情简单高效地做完，反而可能影响绩效评估。

因此，我们比较的不是谁工作成果多，而是谁“更像在工作”。这种机制自然滋生了大量看似重要、实则对世界贡献甚微的工作——这就是David Graeber在《Bullshit Jobs》中猛烈抨击的。许多人的痛苦不在于累，而在于明知工作无意义，却非要假装有意义。YouGov调查显示，37%的英国在职成年人认为自己的工作没有意义、对世界无贡献。相比之下，打扫厕所是有100%意义的，因为它产出了切实的东西。而作为数据科学家，一年忙碌后，可能不知道自己工作的真正价值。

Graeber认为，如果这些“狗屁工作”（Bullshit Jobs: 指那些由雇员自己认为没有价值、甚至可能对社会有害的工作）一夜蒸发，世界不仅不会停止运转，反而可能运行得更好，因为摩擦和无意义的对齐工作会减少。

总结来说，缺乏成就感并非个人矫情，而是系统设计的使然。当产出本质不可测时，组织就会用“表演型劳动”（Performative Labor: 指为了迎合外部评价标准而进行的、脱离实际价值创造的劳动）替代真实价值。这听上去扎心，更扎心的是，即使是表演型工作的机会，也因AI的出现而越来越少。

AI 颠覆白领工作的根源：认知的边际成本

白领工作并非天经地义，也不是历史的终结形态。正如有人指出，白领工作存在不到100年，其历史长度可能也不会超过100年。AI之所以能系统性取代白领工作，是因为白领工作的根本在于认知的边际成本，而这恰好是AI的强项。

在工业时代，机器取代了肌肉，使脑力工作变得更值钱。回到之前的分析，抛开“狗屁工作”，白领工作中真正有价值的部分——报告、分析、代码、会议纪要——其价值在于降低信息成本。这曾是白领工作的核心技能和赚钱之道，从精通Office到精通SQL、Python，都是为了更好地获取信息、降低信息成本。

然而，现在AI几乎能以零成本完成这些任务。这从根本上抽空了白领作为“信息处理器”的基础。

ChatGPT刚出现时，就有腾讯的同事问：为什么AI取代的不是蓝领，而是白领？AI所取代的这些白领工作，本质上是信息的搬砖，是降低信息成本，而非创造新的知识或不可替代的智力劳动。既然AI擅长此道，为何不能被取代？

此外，组织架构（生产关系）是为上一代生产力设计的。当AI成为强大的下一代生产力时，生产关系的改革却滞后了。公司内部，没人愿意主动裁员，因为这可能影响自身。HR设计机制的人也未必知道如何利用AI。大多数人的思维模式无法适应新的生产力范式。

尽管过程曲折，但历史的必然性不容忽视。无论是通过渐进式裁员，还是公司被更适应先进生产力的组织取代，都是时间问题。我们不能对此抱有幻想，早做准备至关重要。

未来世界的角色：从技能到结果的转变

那么，未来的终局是什么样的？我们现在是“按技能拿钱”（Get Paid by Our Skills）。会处理Excel、Python，就能获得收入。很多人用技能描述工作，认为技能是不可替代的价值来源。

但在未来，当这些技能因AI而变得不重要、价格趋近于零时，我们就被迫向前一步：为工作的结果负责。中间交付物不再重要，我们就必须思考：我到底能带来什么价值、什么结果？

社区里有观点认为，最适合这个时代的是两类人：

1. Business Partner / Business Owner: 只关心业务结果，并致力于最大化它。
2. Contractor: “拿钱办事”，根据需求交付特定结果。

这两种角色能从AI提升的生产力中获益。而传统全职员工，即使生产力提高10倍，也难收获10倍工资，顶多是升职加薪，甚至可能没有。

因此，我们要提高的是真正的生产力，而不是“假的生产力”；我们要对结果负责。在这个时代，人的核心素质不是会不会用AI，而是能不能定义问题、设计系统、为结果负责。

我用三类角色来概括：

1. 定义问题的人 (创造者与架构师): AI擅长在给定框架内优化，但框架本身、问题的定义，却变得昂贵。解题便宜，出题昂贵。培养定义问题、定义框架的能力至关重要。
2. 制造信任的人: 未来知识内容生产成本极低，信息泛滥，真假难辨。AI虽能模拟共情、创造身份，但无法创造信任，也无法担责。信任本质是责任的托付，能创造信任的人将极其稀缺。
3. 指挥协作的人 (整合者): 整合AI、数据和人，定义输入、约束边界、提供评估、治理风险，为最终结果负责。这需要整合能力，是**“人+AI”**，甚至“AI+AI”、“人+人”等多种组合的协调者。他们能收获技术红利，并需要不断“unlearn”（遗忘旧范式），拥抱新时代。

行动指南：拥抱变革，主动创造价值

这个视频可能会引起焦虑，但重要的是用历史和发展的眼光看待生产力范式的变化。当生产力变革，生产关系滞后时，我们应该认识到这一点。

给正在打工的大家4个行动建议：

1. 工作贴近可验收的结果: 不要只说做了个分析，而是说“影响了决策”；不要说用了什么模型，而是说“做了什么决策”。
2. 建立作品集: 无论未来是做business owner、contractor，还是在新时代展示“为结果负责”的能力，作品集都至关重要。它能优雅地进行“career signaling”（职业信号传递），克服“精英耻感”（Elitism Shame）。
3. 让AI去“搬砖”: 让AI处理表演性劳动和“狗屁工作”，将时间留给可验证的成果。要鉴别清楚什么是“狗屁工作”，并尽量少做。
4. 选择能为结果负责的位置: 即使是分析岗位，也要有自己的Opinion（观点），推动项目进展。例如，看到数据有问题，不只是开会讨论“谁来 Own”（承担责任），而是想方设法解决数据问题，离成果更近。

白领工作的消亡不是末日，而是操作系统的升级。它将促使我们远离“狗屁工作”，让AI代劳，离价值和成果更近。这本身是一件好事。

如果你想学习如何使用AI、高效完成工作、让AI承担“狗屁工作”，欢迎观看我们的AI Builders和AI Architect课程。课程中会包含如何用5个层级使用AI自动化周报的Demo，以及其他更多内容。

请顺应历史发展趋势，将个人置于更稀缺的位置上。