AI 把合格变成地板：优势必须追着边缘走

生成式 AI（Gen AI）铺开以后，很多人问的是同一个问题：我的工作还剩下什么价值？

先给判断：AI 首先压缩的，是“合格”这档产出的价格。过去，一份说得过去的通稿、一段能运行的代码、一份资料齐全的调研，足以证明一个人的专业能力；接下来，大多数人借助通用模型，都能在很短时间内、以很低成本拿到同等质量的结果。合格从成绩变成了起点。

这里的“平庸”不等于粗劣。它可以质量不低，只是普遍可得、容易复制、缺少独特取舍，因而无法继续形成稀缺溢价。

更大的变化还在后面：这条地板不会停在原地。模型能力持续外扩，今天仍然稀缺的能力，明天也可能成为模型的标准能力。个人和公司的核心问题，因而不只是“怎样守住优势”，而是“怎样比地板更快地向边缘迁移”。

一、AI 越擅长高频任务，合格产出越容易趋同

先看模型在哪些地方最稳定。系列前作已经解释过：被反复记录、反复训练的任务，数据更稠密，模型表现也更稳定；记录越少、情境越特殊，它越需要额外上下文、外部验证和人的判断。

地图中心，是标准邮件、通用文案、样板代码、常见问题综述这类高频任务。模型在这里速度快、成本低、输出稳定。所有人都能调用同一个稠密中心，产出自然趋同：质量可以不低，却很难构成差异。当同质化的合格结果大量进入行业，合格便从成绩变成地板。

这里说的“平均数”，也不是把所有答案做一次数学平均。它指的是：缺少额外约束时，模型更容易落在高概率、被反复强化的表达与解法上。结果往往正确、完整、像样，却未必包含鲜明判断。

这个稠密中心承接的，也不只是最近十年的互联网内容。它汇入了人类跨世代积累的网页、书籍、论文、代码，以及其中一部分可追溯到数千年前、后来被保存和数字化的记录。

边界必须划清：模型没有读过“几千年来全部人类史料”。真正进入训练的，只是被保存、数字化、公开、筛选并纳入语料的子集；遗失的、私有的和被过滤掉的材料，仍在图外。