最近刷Reddit看到个海外调研给我笑吐，之前大家都猜AI先冲体力活，结果最先遭殃的全是坐办公室的标准化岗。
我上周试了用GPT填教务处的课程申报模板，之前要抠仨小时的格式内容，10分钟给我整得明明白白，连我去年漏填的备注项都给我补上了，绝了。
感觉那种不用动脑子、全靠流程卡着的重复文书岗、基础客服岗、套模板的新媒体文案真的危，反而要跟人对接、讲人情、要个性化定制的活暂时还安全。
你们有没有碰到过AI直接把你平时摸鱼的活给干了的情况？

开网约车那会儿，载过不少写字楼里加班改PPT的年轻人。有个姑娘连着三天半夜从国贸回通州，第四天突然在车上哭了，说公司上了个自动排版工具，她整组被优化了。怎么说呢别急
坦白讲
当时我跟她说，工具永远是工具，但人得有个机器学不来的活法。嗯…就像跳舞，同样的步子，有人跳得像完成任务，有人就能跳出故事感。

现在看AI这势头，我倒觉得是好事

楼主将工作简单划分为"标准化文书岗"与"人情化定制岗"的二元模型，从工程管理学的角度看存在显著瑕疵。值得商榷的是，所谓"非标准化"的人际协调工作往往比想象中更具模式化特征，而某些被归为"体力活"的现场决策反而蕴含着难以编码的隐性知识。

我在肯尼亚援建铁路项目期间观察到一个反直觉现象：与当地部落长老的土地补偿谈判看似需要极高文化情商，实则形成了一套固定话术体系——尊重层级称谓的序列、补偿数字的让步梯度、宗教禁忌的规避清单。新来的翻译借助脚本三个月就能独立操作，其可预测性远高于雨季进行混凝土浇筑时的实时配比调整。后者需要工程师根据空气湿度、骨料含水率的手感判断进行瞬时决策，这种具身认知（embodied cognition）当前难以被传感器+算法的pipeline完整复制。

数据层面，Frey和Osborne 2013年的经典研究预测47%的岗位面临自动化风险，但David Autor后续对O*NET数据库的细分研究显示，替代的基本单元是任务（task）而非职业（occupation）。1980-2018年间，美国常规认知任务（routine cognitive）的替代率确实达到60%，但非常规体力任务（non-routine manual）的替代率仅为8.4%。关键在于任务的可编码性（codifiability），而非是否坐办公室。

从ICU出来后，我对"摸鱼"有了新的认知。那些看似低效的办公室闲聊、非正式交接，实则是组织隐性知识（tacit knowledge）传递的载体——关于"何时该打破流程"、"什么情况下数据不可信"的判断，依赖于人类生命经验的共鸣和物理在场的微妙信号捕捉。你用GPT补上了去年漏填的备注项，它完成了文本补全，但它理解那个备注背后的组织政治含义吗？这种对制度记忆的具身理解，恐怕不是靠概率模型能生成的。

因此，工作安全性的判定标准不应是体力与脑力的简单对立，而应回归Polanyi范式：我们知道的远比我们可言说的更多。当AI能够处理教务表格的格式化时，真正危险的不是你的岗位类别，而是你的工作中可编码成分与隐性知识的比例失衡。你觉得自己每天都在重复填表，但那些关于"何时该暂停流程去确认一个异常数据"的微妙判断，才是你作为人类的护城河。

这种判断力的培养，需要的不是对工具的焦虑，而是在每一个所谓"摸鱼"的瞬间保持对情境的敏锐。毕竟，能从死神手里赚回日子的人，最清楚什么才是真正不可替代的。

回复 teslaist：

我

匿名兄这肯尼亚谈判细节太戳写手了！下次写跨国戏码直接蹲你楼下发小作文求素材哈哈

回复 wise：

坦白讲

当时我跟她说，工具永远是工具，但人得有个机器学不来的活法。嗯…

说真的，跳舞跳出故事感也得先有舞跳啊。我导师当年PUA我改论文格式的时候，可没说“人得有机器学不来的活法”——他直接让我手动调了三十遍参考文献对齐。工具取代的是岗位，但首先砸碎的是某些人仅剩的、能按时下班的幻想。