本文根据YouTube频道「Silicon Valley Girl」在达沃斯世界经济论坛录制的访谈整理而成。受访者是Kian Katanforoosh，斯坦福大学AI讲师、Workera创始人兼CEO，曾与Andrew Ng共同创立deeplearning.ai，累计帮助超过400万人学习AI。
今年一月，Workera发布的《2026年AI劳动力预测报告》显示，76%的美国人计划在今年学习新的AI技能，但"学了什么"和"学得有多好"是两件截然不同的事。Katanforoosh的团队通过对超过百万人的系统测评发现，71%的人严重高估或低估了自己真实的AI能力水平。这是一个令人不安的数字，因为它意味着大多数人正在用错误的起点制定职业规划。
你的AI技能是"使用频率"还是"真实水平"？
很多人把每天打开ChatGPT等同于AI能力。Katanforoosh直接拆穿了这个误解。
他把AI能力分成两个维度：采用度（adoption）和熟练度（proficiency）。采用度指的是使用频率，你每天用，我每周用，你的采用度更高。但如果观察各自的提示词质量，差距就出来了："你可能只是在写简单的提示词，而我在做零样本提示（zero-shot prompt）、少样本提示（few-shot prompt）、思维链（chain of thought），甚至构建了一个复杂的提示词链（prompt chain），让上一个输出喂给下一个；我还搭了自己的检索增强生成系统（RAG）。"
使用频率高，不等于你用得好。这正是为什么他建议每个人先做自我评估，而不是急着找"最好用的AI工具"。
评估起点，他给出了两个问题：
第一个问题：你每天都用AI吗？ 他的判断很直白："如果不是每天用，在当下这个时间点，你大概已经落后了。"
第二个问题：你能随手说出10款你日常接触的AI产品吗？ 这不是考验你有没有下载够多App，而是考验你能否在生活和工作中识别AI的存在。很多人根本没有意识到某个推荐算法、某个筛选功能背后就是AI。"如果你数不出来，你大概落后了。"
放弃"六个月替代论"的叙事
自ChatGPT发布以来，"X职业将在Y个月内消失"的预测从未停止。Katanforoosh做了一个冷静的盘点：几乎没有一个实现了。
"最经典的那个说法是，放射科医生会消失，司机会消失。然后你就看到一个梗图——放射科医生开着车去上班。"
他并不是在说AI不会改变职业结构，而是在纠正一个普遍的认知错误：人们高估了技术在短期内的冲击，却低估了它在长期的重塑力量。
以自动驾驶为例。Waymo和Cruz等公司最早在2014、2015年就大规模启动研发，集结了顶尖工程师全力攻坚，到今天已经整整11年，才刚刚看到商业落地的轮廓。"自动驾驶都花了十年，为什么其他领域不会一样？"
他的预判是，接下来十年，配音演员、翻译、客服等岗位会看到明显变化，但那种"六个月内颠覆"的叙事，对绝大多数职业来说是不成立的。大规模的裁员潮，有相当一部分被包装成了"AI替代"，实际上是疫情期间过度招聘之后的结构性收缩——公司在缩减编制，但喜欢用AI做挡箭牌。"Meta的元宇宙团队被裁，跟AI有什么关系？"
让AI在公司里真正好用，关键在上下文
"语言模型的价值，很大程度上藏在上下文里。"
Katanforoosh分享了Workera内部的做法。他们是Anthropic的重度用户，全体工程师使用Claude Code Max。他们把公司里重要的"运作方式"写成了一系列文件，Anthropic把这类文件叫做"skills"（技能文档）：招聘流程怎么跑、品牌规范是什么、用什么字体、配色方案是哪些、文案语气怎么定……
这些文件不是给人读的，是给AI读的。
过去，工程师做完一个网页或产品界面，必须找市场团队反复核对字体对不对、色调是否符合品牌。现在不需要了：工程师直接让AI对照那些文件自检，市场团队无需介入日常执行，可以把精力放在更高阶的事上——"我们要不要换字体？要不要调整品牌方向？"而不是每天说"改一下这个字体，再改一下这个字体。"
这是一种效率重构。沟通成本不是靠压缩会议时间来降低，而是把判断标准编码进系统。
他还提到，Workera的组织结构正在变平：他们的AI负责人主动从管理职（manager）退回到个人贡献者（individual contributor）的角色，理由很简单——更贴近一线，更有掌控感，效率更高。工程师与产品经理、设计师的黄金比例也在变化，从过去的"八个工程师配一个PM和一个设计师"，缩减到"两个工程师配一个PM和一个设计师"，每个小团队反而拥有更大的责任边界。
95%的AI智能体（Agent）无法在生产环境中运行
"Demo很容易做，生产系统非常非常难。如果你能看出一个Demo和一个真正跑在生产环境里的系统的区别，你就知道差距有多大了。"
麻省理工学院的一项研究显示，只有5%的AI智能体能够真正部署在生产环境中。Katanforoosh用Workera的实际案例解释了那剩下的95%在哪里断掉的。
他们为ServiceNow做了企业级部署，让全员接受AI智能体驱动的技能评估，最终拿到一张"AI驾照"认证。为了让这件事能跑起来，他们需要应对以下问题：
模型服务商可能崩溃——他们建了一个模型路由层，OpenAI挂了立刻切到下一个最优模型。
多语言不等于多文化——让AI用日语做评估不是简单的翻译，日本用户看了原版会说"文化逻辑完全不对"。
界面连接可能断链——智能体有时会找不到某个按钮，就此卡死。
评分可能失准——如果系统给了你150分而你觉得应该是200分，你可以提出异议，人工专家会在四个工作日内复核并更正，这个校正反馈会持续喂回系统，让智能体越来越准。
他们还做了一件反直觉的事：主动在某些环节撤掉AI。早期他们把所有交互都设计成随机性的（stochastic，即非确定性）对话，但收到用户反馈说，实时语音对话让人压力很大，有些人其实更想安静地看一道选择题，慢慢想，不需要AI实时在场。于是他们开始区分：哪些场景用随机性交互来深入理解人的推理过程，哪些场景用确定性流程来降低焦虑、提升体验。
"第一次部署一定是一团糟，第二次好一点点，然后你就慢慢建立起这种在细节里找问题的直觉。"
大学学位在缩水，但"枢纽城市"的优势在扩大
Katanforoosh认为，除非是顶尖院校，否则大学的传统四年本科模式正在失去价值。但他说的不是学历本身没用，而是大学的课程内容与职场所需技能之间的错位正在加剧。"我在法国读书的时候，培养的体育教育老师数量是就业岗位的两倍。这种浪费不应该存在。"
他的替代方案是一个分工模型：大学教持久技能（critical thinking、problem solving、AI literacy、communication），公司教易腐技能（特定工具的使用、特定行业的操作流程）。员工入职不是用七年时间从初级慢慢熬到合伙人，而是公司提供快速的内化路径，让人在六个月内具备独立作战能力。这件事Workera正在帮一些企业推进。
与此同时，他指出了一个结构性不平等：AI原生人才高度集中在少数枢纽城市，尤其是旧金山。"你在旧金山出去吃个饭，随便聊都会聊到语音AI、聊到自动驾驶，你不费力气就在学习。如果你在枢纽之外，你会发现所有门槛都更高。"
不过他的判断是，这种集中会在十年内扩散。过去软件工程师的知识也曾高度集中，后来因为在线教育、信息流通，以及大量工程师离开枢纽城市去创业，技术逐渐向全球蔓延。AI领域的脉络与此一致，只是时间需要等待。
2026年的三步走
节目结尾，主持人要求他给25到40岁的受众提炼三个可执行的行动。他的答案是：
建立基础——找几门基础课认真上完。
评估自己——不要只知道学，要知道自己处于什么水平。"斯坦福的学生之所以比YouTube上看同样课程的人进步快，不是因为课程内容不同，而是因为他们身边有在OpenAI、Meta、Google实习的朋友，他们知道标准是什么，知道差距在哪。"评估替代了这个生态。
养成学习习惯——每天早晨花五分钟，看你信任的AI领域人士发的内容。一周之后你可能感受不到太大变化，但坚持下去你会发现自己真正站在了信息前沿。
他引用了一个他认同的判断："一件事坚持一天，你可能已经进入了全球前X%；坚持一周，你在前10%；坚持一个月，你在前1%。但要进入前0.1%，你必须把它变成持续五到十年的习惯。"
热门跟贴