会用 AI 写邮件、整理会议纪要、生成 SQL 草稿，和获得更好的绩效评价，之间隔着一段常被忽略的路。

绩效评估通常不奖励“你少花了两小时”，而奖励你让什么业务结果变得更好：报表是否更可靠，项目是否更早发现风险，销售或运营团队是否因此少走弯路，关键决策是否有了更清晰的依据。跳槽也是同样的逻辑。招聘经理不会因为简历写了“熟练使用 ChatGPT”就判断候选人更强，他们会追问你用它解决了什么问题，又如何验证结果。

因此，关于 AI 会不会取代工作，更有用的问题不是预测整个职位会不会消失，而是拆开职位里的任务：哪些应该尽快交给工具处理，哪些必须由你保留判断权，哪些成果值得留下来，成为晋升或求职时可核验的证据。

不要只看职位名称。无论你目前在职，还是在 LinkedIn、Indeed、Handshake 上研究目标岗位，都可以找 5 至 10 份相近 JD，把动词圈出来。

例如，Data Analyst 的 JD 可能写着“build dashboards”“analyze customer behavior”“present insights”；Product Manager 常见的是“define requirements”“align stakeholders”“prioritize roadmap”；Business Operations 则可能是“improve processes”“track KPIs”“support strategic planning”。

这些动词不是任务清单的全部，却能提示公司最终买单的能力。接着，把自己过去两周的工作按任务而非项目名称列出来，再给每项任务做判断。

一个实用原则是：任务越标准化、输入越完整、错误越容易被复核，越适合自动化或由 AI 协助。反过来，任务越涉及模糊目标、利益取舍、组织协作、客户情境与最终责任，越不能只交出一份机器生成的答案。

这也解释了为什么有些人明显更快，却没有获得认可。他们把时间节省在“完成更多相同任务”上，但没有把腾出来的时间投入公司真正衡量的结果。

AI 时代职场技能不只是会写 prompt。更重要的是，你能决定在什么环节让 AI 参与，以及你如何验证它的输出。

优先选每周重复出现、规则相对稳定、完成标准明确的任务。比如把销售电话记录整理为固定字段，把每周 KPI 更新成统一格式，把常见客户问题归类，或把代码 review 前的基础检查流程标准化。

目标不是“让 AI 做掉我的工作”，而是缩短低价值的切换时间。记录自动化前后的完成周期、返工次数和交接成本。如果一个流程原本每周花 3 小时，现在缩短为 1 小时，这只是效率信号。若团队因此能在周会前拿到一致的数据、提前修正异常，才开始接近绩效证据。

涉及客户数据、公司未公开财务信息、源代码或受监管信息时，先确认公司允许使用的工具、数据处理规则和审批流程。不要为追求速度把敏感内容直接输入公开模型。

分析、写作、产品规划和代码工作，大多属于这一类。

Data Analyst 可以让工具协助生成数据探索假设、SQL 初稿和图表叙述，但必须自己检查字段定义、样本偏差、时间范围与统计口径。真正值钱的不是“做出 dashboard”，而是发现某个指标下降后，定位到可行动的原因，并让团队据此调整。

Product Manager 可以用 AI 汇总用户反馈、生成 PRD 的第一版结构，或准备不同优先级方案。但“把哪个需求放进 roadmap”仍需要结合收入影响、工程成本、客户承诺和战略方向作取舍。把取舍过程写清楚，比展示一份漂亮文档更能证明能力。

Business Ops 可以用 AI 起草流程文档、整理跨部门更新、归纳预算差异，却仍要核实数字来源，并推动负责人对行动项负责。流程被写下来不等于流程被执行，后者才是岗位影响力。

“不可替代”并不意味着 AI 永远做不到，而是当前组织仍需要有人对结果负责。你应当持续积累以下五类证据：

这些能力也是回答“AI 会不会取代工作”时更现实的答案。职位里的部分任务会被重构，但能定义问题、校验结论并推动他人行动的人，通常拥有更强的岗位迁移能力。

很多人写绩效自评时只列完成事项，例如“使用 AI 优化周报”“用 AI 辅助数据分析”。这种表达无法告诉经理，你的贡献是否超过岗位基本要求。

建议每个重要项目保留一条“五格记录”：

例如，较弱的简历表述是：

> Used AI tools to create weekly reporting.

更有说服力的版本是：

> Rebuilt weekly performance reporting workflow with AI-assisted draft generation and manual metric validation, reducing preparation time from 6 hours to 2 hours and enabling Sales and Customer Success leads to review account risks before Monday planning.

重点不在英文写得多漂亮，而在逻辑完整：你做了什么，如何控制质量，业务因此获得了什么。

面试时也不要把话题停在“我会用哪些工具”。可以按 STAR 结构讲，但要补上 AI 使用中的验证步骤：任务原本的瓶颈是什么，你把哪一段交给工具处理，怎样发现并修正错误，最终数据或协作方式有什么变化。这个细节能区分“会生成内容”与“能在真实业务环境中交付”的候选人。

如果你还没有正式工作成果，可以在作品集中模拟这种过程。选一个公开数据集或虚构但合理的业务场景，展示原始问题、分析过程、AI 辅助部分、人工校验和建议方案。不要把整份生成记录当作品集，招聘方更想看你的判断。

90 天计划不需要从学习十个工具开始。先围绕一个与 JD 评价标准直接相关的任务，做出可复用的改进。

列出过去两周至少 15 项任务，标记频率、耗时、错误代价和业务重要性。优先选择“高频、可验证、目前耗时明显”的任务。

为它记录基线，例如周报准备时间、需求文档返工次数、数据请求响应速度、客户问题分类耗时。没有基线，后续很难证明 AI 提升绩效。

选择公司允许的工具和数据范围。把流程拆成输入、生成、人工审核、发布四步，明确哪些内容必须人工确认。

例如，Data Analyst 可以建立 SQL 检查清单；PM 可以要求关键需求必须回到用户证据与工程评估；Business Ops 可以让每项自动生成的行动项由负责人确认。试验期间不要只记录成功案例，也记下错误类型和修正方法，这些内容会成为你的质量控制能力证明。

当效果稳定后，写一页简明操作说明，或在团队例会上分享流程。目标不是炫耀工具，而是让同事能复用，并收集他们的反馈。

如果某项改进只让你个人更快，它有价值；如果它让团队决策更及时、减少重复提问或降低交接摩擦，影响力更容易被经理看见。

把前后数据、验证方法、业务影响写进绩效记录。对于正在求职的人，挑其中一项最接近目标 JD 的成果更新到简历，并准备一个两分钟项目故事。

最后检查三个问题：这项工作是否改善了一个真实指标？是否有人实际使用？如果招聘经理或直属经理追问，你能否解释 AI 哪里参与、你又在哪里承担了判断和责任？

能回答这三个问题，AI 就不再只是让你更快完成任务的工具，而会成为你扩大业务影响、争取更好岗位的证据。