先说一件你可能已经感觉到、但一直说不清的事。
用了 AI 之后，你干活确实快了。写方案、做表、改稿、查资料，以前要一天的活，现在半天能完。
但你的下班时间提前了吗？工资涨了吗？老板给你加人了吗？
多数人的答案是：都没有。
那省下来的时间，去哪了？
这篇文章只做两件事：把这笔账算清楚，然后告诉你明天能做什么。
但别人的也快了三倍
先看两个数字。
第一个：2020 年 1 月，网上的新文章里，AI 写的占 2.2%。到 2025 年第四季度，这个比例是 50.9%，2026 年第一季度是 49.9%。
也就是说，现在网上每两篇新文章，就有一篇是机器写的。（Graphite 基于 Common Crawl 的抽样，5.54 万条网页，三个检测工具交叉判断）
第二个：全球每月新上架的付费 App，2022 年初大约 2,000 款，2026 年初大约 1.47 万款。四年，七倍多。
这两个数字说的是同一件事：会写字的人、会做东西的人，忽然多了一大片。
你花三天写出来的东西，隔壁用一下午也写出一篇。你引以为傲的三倍效率，被几百万人的三倍效率抵消了。
这是第一个残酷的地方：
效率本身，不值钱了。
以前“我写得快”是本事。现在“我写得快”只是及格线——因为所有人都快。
那什么还值钱？这是后面几节要说的事。
是“重来一次”
再看一组最硬的数字。
2022 年 11 月，让 AI 达到 GPT-3.5 的水平，处理 100 万个字，要 20 美元。到 2024 年 10 月，同样的活只要 0.07 美元。
18 个月
280 倍
斯坦福 HAI《AI Index 2025》× Epoch AI
换个说法：一个人一个月用掉 100 万个字，2022 年底是 20 美元，2024 年底是 7 美分。
这个变化意味着什么？
不是“AI 变聪明了”，是“用一次的钱，小到不用考虑了”。
以前问一个问题，你会先想清楚再问。
现在问十遍，也不心疼。
以前写一稿，改三遍就到极限。
现在让 AI 出十稿，你挑。
所以真正降价的不是“能力”，是“重来一次”。
想第二遍、写第二稿、试第二个方向、翻译第二个版本——这些“第二次”，几乎免费了。
但这里有个容易被忽略的差别：
便宜的只是“再来一遍”，不是“选对的那一遍”。
十个方案生成出来，是免费的。但你要从十个里挑一个，这个动作一分钱没降——它花的是你的时间，而你的时间，一点没便宜。
这是全文最重要的一句话，先记住：
AI 让“做”变便宜了，
让“挑”变贵了。
后面所有的账，都是从这句话长出来的。
这一节是全文的重点。只说五样，每一样都跟你有关。
第一笔：选择
以前写方案，一版。老板说改，你改。
现在你让 AI 出十版，然后对着十个半成品发呆——每一版都不完全对，每一版改一改也能用，但你不知道哪个最好。
选择变成了一件要花时间的事。
数据在这儿：那 1.47 万款月上新里，两年内能做到月收入 1 万美元的，只有 4.6%。剩下 95.4% 连“一个普通程序员的月薪”这条线都没摸到。
这个数字对个人的意义，不在“成功率低”——任何行业成功都是少数。而在于：
门槛消失之后，一起挤进来的人变多了，但能分到钱的位置没变多。
以前你根本不会去做 App，因为不会写代码。现在你能做了，于是你成了那 95.4% 里的一个。
供给越便宜，选对越贵。这是所有东西变多之后都会发生的事，AI 只是把它加速了。
第二笔：核对
AI 给你一段话，说得有条有理、很像真的。你要不要直接用？
如果你直接用，出错的概率有多高？
有数据。GitClear 分析了 2020 到 2024 年间 2.11 亿行代码的变更，发现三个趋势：
复制粘贴 8.3% → 12.3%
整理重构 25% → 10% 以下
30 天内被返工 3.1% → 5.7%
翻译成人话：AI 交出来的东西，看着能用，但三个月后要返工的比例在涨。
文字也一样。AI 写的东西读起来很顺，但它会编——编数据、编人名、编出处、编一个听起来特别合理的因果关系。而且它编的时候，语气比说真话还自信。
于是你多了一份新工作：核对。
而核对这件事，不能批量做。生成可以一次出十个，核对只能一个一个过。而且核对的人，得比生成的人更懂。
这就是为什么你变快了却没轻松：你做完了原来的活，又多了一份新活。
第三笔：被看见
网上每两篇新文章，有一篇是机器写的。
但比这个更关键的是另一句话：写了多少，和被看到多少，是两件事。
AI 写的内容在搜索结果和 AI 问答里出现的比例，明显低于它在总量里占的比例。（这是 Graphite 自己在报告里写下的限定，容易被忽略）
翻译过来：写的人翻倍了，读者的时间没有翻倍。
于是每一篇被读到的概率，降了一半。
比这更麻烦的是信任。当一半内容可能是机器写的，读者就会默认“这可能是机器写的”。你花三天写的那一篇，也得先过这一道关。
这笔税不打折，也不开发票。
第四笔：你的时间
这一笔最扎心，也最容易被忽略。
公司买 AI，省下来的是公司的成本。省下的钱进了公司的账，不进你的工资卡。
而你的活变多了：要学新工具、要验 AI 的产出、要收拾半成品、要重新对流程。
有个数字能说明问题。MIT 那份报告里，60% 的公司评估过定制 AI 系统，20% 试过，真正进到生产环节的只有 5%。
也就是说，剩下 95% 的公司，是在旧流程里用新工具。
打个比方：把跑车的发动机装在自行车上。发动机是好东西，但车架承受不住，骑的人更累。
你累，往往不是工具不好，是流程没改，而你成了那个缓冲垫。
第五笔：你的经验
这一笔决定你三年后值多少钱，所以要认真看。
网上能查到的知识，现在不值钱了。因为模型都学过了，你的同行、你的客户，也能查到。
反过来，查不到的东西涨价了：
· 你手上这批客户，为什么不买
· 你这行里没人写下来的那些规矩
· 你踩过的坑，以及坑长什么样
· 你和某个供应商打了十年交道的那些默契
这些东西过去不值钱，因为没人有能力整理它们。现在整理能力白菜价了，这些经验本身，成了唯一的稀缺品。
一句话：公开的知识归零，私人的经验升值。
不是你不会算，是三笔账从来没记在一起。
第一本，工资单。看得见，每月到账。AI 没让它变多。
第二本，你的精力。看不见。你省了两小时，但这两小时通常不会变成“早点下班”，而是变成“多干两小时别的”。
第三本，三年后的你。延后。今天用 AI 糊弄过去的东西，明年会以返工、以能力退化、以“离开 AI 就不会干活”的形式回来找你。
三本账分开记，结果必然是：赚的立刻能感觉到，亏的要等很久才显示，而且显示的时候，你已经想不起原因了。
所以大多数人的结论是“AI 好像有用，但说不清哪里有用”。
说不清，不是它没用。是账没记全。
（十分钟）
这是全文最有用的一段。请拿张纸，或者打开备忘录。
第一步，算你的时薪
税后月收入 ÷ 每月工作小时数。
比如月薪 8,000，每月 21 个工作日、每天 8 小时，一共 168 小时，时薪约 48 元。
（算出来的数比你想象的高还是低，不重要。重要的是有个基准。）
第二步，记三个数
N = 每月你交给 AI 干的任务数（比如 20 个）
t = 平均每个任务省下几小时（比如 1 小时）
r = 平均每个任务让你多花几小时（核对、改、重新想）
第三个数字最容易被漏掉，但它决定一切。
第三步，套公式
= N × (t − r) − 订阅费 ÷ 时薪
代入一个真实点的例子：
N = 20 个任务
t = 每个省 1 小时 → 一共省 20 小时
r = 每个多花 0.6 小时 → 一共多花 12 小时
净省 8 小时，按时薪 48 元算 = 384 元
订阅费 150 元 → 实际净赚 234 元
不是“效率翻三倍”，是
一个月 234 元
如果你诚实一点，把“为了用 AI 多刷的教程、多试的工具、多改的提示词”也算进 r，这个数经常是负的。
临界点在这里：当 r 大于 t，也就是你核对、返工花的时间超过省下的时间，用得越多，亏得越多。
很多人现在的状态正好卡在这：t 越来越小（活本来就熟，省不了多少），r 越来越大（AI 出的东西越来越花哨，越花哨越要仔细看）。
算完账，你大概会想：那我该怎么改用法？
原则只有一条：把 AI 用在“生成”上，把你自己留在“挑选”上。
下面是六个最常见的场景，照着改就行。
场景一：写东西（方案、总结、汇报）
别让它直接写成品。让它先出三版不同的框架，你选一个，再往里填。
原因很简单：一版成品你只能接受或推翻，三版框架你能看见自己真正想要什么。
还有一条：数字和事实自己核。AI 编数字比编故事还顺，因为它知道数字看起来最有说服力。
场景二：查资料
先要结论，再要出处，然后把出处点开看。
凡是写“据统计”“研究显示”却不给具体报告的，一律当没说。
这不是严谨，这是省钱——你按错的资料做的决定，代价比多查十分钟大得多。
场景三：做决定（选方案、选人、选方向）
AI 适合生成选项，不适合替你选。
一个好用的问法：不要问“这个方案好不好”，问“列出反对这个方案的三条理由，每条给一个真实案例”。
前者它会顺着你说，后者它必须找反证。而反证才是你要的。
最后的决定自己签。因为它不担责，你担。
场景四：学新东西
不要让它给你讲，让它考你。
“给我出十道题，从易到难，我答完你挑错。”
这比看讲解快得多。因为讲解是别人的理解，答题暴露的是你的漏洞。
场景五：处理重复的杂活
整理表格、改格式、批量改写——这类活最适合交给 AI，因为错了看得见：表格错位、格式乱了、序号断了，一眼就能发现。
判断标准很简单：错了能不能一眼看出来？能，就交给它；不能，就自己来。
场景六：需要担责的事
对外的承诺、涉及钱和安全的判断——这类事，AI 只能当参考。
不是因为它不行，是因为出了事，签字的是你。它可以给你三个选项，但不能替你承担后果。
六个场景，归成一句话：
错了看得见的，交给 AI；
错了看不见的，你自己来。
这两条线划清楚，你的 r（核对时间）会立刻降下来。因为大部分白花的核对时间，都花在“错了看不出来、但你还是想确认一下”的地方。
不想只讲一面。
第一，如果模型学会自己检查，“核对”这一笔会逆转。
AI 审 AI 如果比人审得准，核对成本就会掉下来。这事有可能发生。
第二，我引的代码数据有时间窗。
GitClear 那份是 2020–2024 年的，那时候模型还不擅长长文档、不擅长跨文件保持一致。现在可能已经好了。
第三，MIT 那个 5%，样本不算大。
52 家公司的访谈、153 份问卷，是访谈不是财报。报告作者自己在“研究局限”里写着：这些数字是“方向性准确”的。
所以别把任何一个数字当铁律。
但有件事我觉得短期不会变：
核对和判断，花的是你的时间。
而你的时间，不会因为模型变强而变多。
不列十条，列五条。每条今天都能动手。
1算一次你的时薪。
十分钟，一张纸。算完你会对自己“一小时值多少钱”有个具体概念。以后判断“这事该不该自己做”，就有依据了——一小时 48 块的人，花三小时省 20 块钱，这事不该干。
2建一张四行的验收清单。
每个 AI 产出的东西，过四个问题：
· 这句话是真的吗？有没有出处？
· 数字对不对？是怎么算出来的？
· 跟我原来的要求差在哪？
· 如果这里错了，谁会受伤？
写进备忘录，以后每次照做。这四个问题能挡掉八成的坑，而且花不了两分钟。
3把 AI 当实习生，不要当同事。
实习生速度快、态度好，但会一本正经地胡说。你会怎么对待实习生？交代清楚、检查关键处、重要的活不让他一个人干。
就按这个来。别把它当权威，也别把它当废物。
4建一个“只有我知道”的文件夹。
专门存网上查不到的东西：客户的真实想法、这件事失败的原因、这行的潜规则、你自己摸索出来的方法。
每月往里加一条。这是你三年后唯一还在涨价的资产。
5每周留两小时，不生产，只挑选。
不看新工具、不写新东西，只回答一个问题：手上这些事，哪三件值得继续做。
这五条里，第 5 条最难，也最值钱。因为它直接对应前面那个结论——做变便宜了，挑变贵了。你不给自己留挑选的时间，就永远在便宜的那一头忙。
砍掉“今天生成了多少”的自我奖励
生成量是最廉价的指标。写了一万字、做了二十张图，这些都不算产出，验收通过才算。
砍掉没有验收标准的尝试
“先试试看效果”这句话本身就是成本。试之前先定：什么算成功、多久出结论。
砍掉转发没读过的数字
这一条看起来跟 AI 无关，但它是整篇里最便宜的一笔投资：在一个一秒就能生成观点的时代，愿意花十分钟核实的人，会一直有溢价。
如果这篇你只记一句话，记这个：
AI 让“做”变便宜了，
让“挑”变贵了。
你现在的时间花在哪一边，决定三年后你站在哪一边。
如果这篇让你想算一遍自己的账，欢迎点个「在看」，或者转给那个天天用 AI 却越来越累的同事。
数据来源：Stanford HAI《AI Index 2025》× Epoch AI、GitClear（2025，2.11 亿行代码）、Graphite（Common Crawl 5.54 万条样本）、MIT NANDA《The GenAI Divide》（2025.07）。