AI 时代的职场竞争力，不是“会用 AI”，而是这 5 个 T

开场：AI 让“产出”变容易，也让“人”的价值重新被审视

过去两年，AI 对职场的影响已经很难忽视。

一些公司公开表示，裁员是为了获得 AI 带来的效率收益，或把资源重新投入 AI 建设；与此同时，越来越多企业开始把 AI 使用能力纳入员工晋升和绩效判断。

表面看，这是一个“谁更会用 AI”的竞争。

但 Forbes 这篇文章提出了一个更有意思的判断：真正决定专业人士能否在 AI 时代胜出的，并不是简单的“用不用 AI”，而是能否形成理想的人机协作能力。

作者把这种能力概括为 5 个 T：

这 5 个词看起来简单，但它们共同指向一个变化：AI 时代的职场竞争力，正在从“我能做出什么”转向“我是否值得信任、能否判断方向、能否持续打磨、能否把 AI 用出实际收益”。

1. Trust：当 AI 能生成一切，可信任变得更稀缺

在 AI 之前，一个人的简历、作品集、文档和方案，往往能代表一部分真实能力。

但现在，AI 可以帮助任何人快速生成看起来不错的内容。简历可以润色，作品集可以包装，方案可以写得完整，甚至面试准备也可以高度自动化。

于是，企业评估人的重点会发生变化：

不是只看你能不能产出东西，而是看你这个人是否可信。

这里的信任不只是不作恶，也包括几个更现实的问题：

原文提到一个趋势：有些企业把最终面试变成“与团队一起工作一周”。这其实是在绕过 AI 包装，直接观察一个人在真实协作环境里的表现。

我的延伸：未来的职场背书，可能会越来越依赖“共事记录”。谁和你一起做过事，谁愿意继续和你合作，谁愿意为你的判断背书，会比一份漂亮文档更有说服力。

2. Tenacity：AI 给出第一版，真正的价值在第二版之后

AI 最大的诱惑之一，是它很快就能给你一个“看起来已经不错”的答案。

这会降低起步门槛，但也会制造新的平庸：很多人拿到第一版就停止了。

作者认为，韧性在 AI 时代会更重要。因为真正拉开差距的，不是能否得到第一版答案，而是：

AI 让第一个方案变便宜，但也让“继续打磨”的人更稀缺。

我的延伸：在实际工作里，AI 输出应该被当成“初级同事给的草稿”，而不是最终结论。你可以让它加速，但不能把判断权完全交给它。

3. Taste：当“怎么做”变容易，“做什么”才是核心能力

Taste 这个词，原文用来指过去我们常说的领域经验、直觉、判断力。

当 AI 可以快速生成代码、文案、方案、图片、分析时，“执行速度”本身不再是最大的壁垒。更重要的问题变成：

作者用厨师做了一个类比：初级厨师可能会尝试很多组合，而大师傅看一眼食材，就知道更可能做出什么好菜。

这就是 Taste。

在 AI 时代，Taste 的价值会被放大。因为 AI 能让错误方向也跑得很快。如果方向错了，效率越高，浪费越大。

我的延伸：对技术团队来说，Taste 不只是审美或直觉，它也包括架构判断、边界感、风险识别和取舍能力。会让 AI 写代码不稀缺，知道哪些代码不该写、哪些依赖不该引入、哪些自动化不该上线，才更稀缺。

4. Technicality：AI 能力不等于提示词能力

很多人一谈 AI 能力，就容易简化为“会不会写 Prompt”。

但原文强调，Technicality 不只是提示词。它包括更完整的工具理解和工作流设计能力：

作者用了一个很好的说法：AI force multiplier，也就是“AI 放大器”。

真正有效的 AI 使用，不是多开几个工具，而是找到最能放大自己专业能力的位置。

我的延伸：对个人来说，可以从一个具体工作流开始：比如写周报、查日志、生成 SQL 审查清单、整理会议纪要、做代码 review 辅助。先把一个小环节跑顺，再逐步扩大，而不是一开始就追求“全面 AI 化”。

5. Tokens：AI 使用量不是价值，ROI 才是价值

最后一个 T 是 Tokens。

这点很现实：AI 不是免费的。无论是企业 API、订阅工具，还是内部模型推理，最终都会变成成本。

原文提到一种现象：tokenmaxxing。意思是一些员工为了显示自己“很会用 AI”，开始比拼谁消耗更多 Token。

这听起来像积极拥抱 AI，但实际可能只是把预算烧掉。

作者提醒，企业真正需要的不是 Token 消耗量，而是 Token 带来的业务结果：

AI 时代的专业人士，不仅要会用 Token，还要能证明 Token 用得值。

我的延伸：以后团队评价 AI 使用，不应只看“使用次数”或“调用量”，而应看“产出质量 / 成本 / 风险 / 时间节省”的组合指标。否则很容易从“不用 AI”滑向“滥用 AI”。

这 5 个 T 其实构成了一套人机协作能力模型

把 5 个 T 放在一起看，它们不是五个孤立标签，而是一套闭环：

  1. Trust 决定别人是否愿意把任务交给你。
  2. Taste 决定你是否选择了正确的问题和方向。
  3. Technicality 决定你能否把 AI 工具接入合适的工作流。
  4. Tenacity 决定你是否会持续验证和打磨，而不是停在 AI 第一版。
  5. Tokens 决定你的 AI 使用是否真的产生了商业回报。

如果缺少 Trust，产出再多也难以被托付。

如果缺少 Taste，AI 只会加速错误方向。

如果缺少 Technicality，AI 只能停留在零散问答。

如果缺少 Tenacity，AI 初稿会变成低质量交付。

如果缺少 Tokens 意识，AI 使用会从效率工具变成预算黑洞。

对个人：不要只展示“我用了 AI”，要展示“我用 AI 解决了什么问题”

这篇文章对个人最大的提醒是：AI 能力需要被作品化、过程化、结果化。

相比说“我会用某某 AI 工具”，更有价值的表达是：

这比单纯展示 Prompt 或工具清单更有说服力。

对管理者：不要奖励“多用 AI”，要奖励“用得对”

对企业和管理者来说，这篇文章同样有提醒意义。

如果只把 AI 使用次数作为考核指标，很容易诱导员工刷量、堆工具、堆 Token，最后形成看似积极、实际低效的 AI 使用文化。

更合理的管理方式，是同时评估：

AI 转型不是买工具，也不是发几条使用倡议，而是把工具能力、组织信任、业务判断、成本意识一起纳入工作文化。

结尾：AI 不会自动让人更专业，它只会放大差异

这篇文章最值得带走的一句话是：AI 让产出变容易，但没有让专业性自动变便宜。

恰恰相反，当每个人都能快速生成内容时，真正稀缺的东西会更加突出：可信任的协作、持续打磨的韧性、判断方向的品味、理解工具的技术性，以及控制成本的商业意识。

所以，AI 时代的职业竞争力，不是“我能不能让 AI 帮我做事”。

更关键的问题是：

我是否能让 AI 放大我的判断、协作和结果，而不是放大我的盲点、惰性和成本。

这才是 5T 模型真正有价值的地方。