所有人都在问：AI 到底更偏爱专才还是通才？
我觉得这个问题问错了。
AI 没有选边站。它改变了权衡。
旧世界逼你做出选择：要深耕，还是广涉猎。专才有深度——他们懂产品、懂职能、懂领域、懂流程、懂边缘案例，也懂那些只有长期沉浸在一个问题空间里才能获得的宝贵经验。他们在自己的赛道里能解答最棘手的问题。
通才有广度——他们能连接团队、客户、市场、职能和商业模式之间的点。他们能看到别人忽略的模式。他们能在不同群体之间翻译转换，而这些群体原本不说什么同一种语言。
两者都有价值。
两者也都有局限。
专才往往被困在狭窄的赛道上。通才往往缺乏做出艰难决策所需的深度。这种权衡塑造了现代组织架构，其影响远超我们愿意承认的程度。
大量组织设计的初衷，就是为了克服人类认知范围的局限。没有人能同时掌握足够的背景、专业知识、政策、技术细节、客户洞察和判断力，把复杂工作从头推到尾。所以我们创造了交接。
业务人员交给技术人员。
技术人员交给产品人员。
产品人员交给法务人员。
法务交给安全。
安全交给IT。
IT扔回来三个评论和一个会议邀请。
听起来很专业。实际上也很慢。
这正是 AI 改变最大的地方。
AI 并没有让专业化变得无关紧要。它也没有神奇地让每个人都成为优秀的通才。AI 攻击的是「交接税」。
它给专才更多的广度。
它给通才更多的深度。
它让更多人能在需要另一个人介入之前，把工作往前推得更远。
最后这一点至关重要。
目标不是消除专家。目标是停止把专家当作路由基础设施来使用。
AI 如何改变工作的流动方式
举个简单的例子：赋能内容。
在旧模式下，负责内容的人可能需要产品、法务、IT、安全、一线赋能等多个团队提供输入，工作才能成形。其中有些审批是真实必需的——法务审批确实需要法务，安全审批确实需要安全，当答案至关重要时也确实需要真正的产品专家。
但很多来回并不是判断。它是翻译。它是初稿审核。它是基础风险识别。它是让另一个人替发起者做本可以在交接前就做完的思考。
有了 AI，那个内容负责人应该在涉及他人之前就能完成更多工作。他们应该能起草内容、对照政策检查、压力测试信息、识别潜在法律问题、核实技术声明，并准备一个更干净的审批包。
专家仍然审批。但现在专家被用于判断，而不是用于清理。
这就是转变。
AI 并没有消除对深度的需求。它减少了因为无法立即获得深度而产生的依赖。
这听起来很微妙，但并非如此。它改变了运营模式。如果更多人能承载更多上下文，那么工作就不需要通过相同数量的人工检查点。如果初次分析变得廉价，专家就不应该把时间花在修补半成品上。如果协调成本下降，团队就不应该仅仅因为旧的流转路径熟悉而保留它们。
我们所谓的大量协作，只是更有礼貌的延迟罢了。
AI 迫使我们对这一点更诚实。
专才仍然重要，但深度需要广度
这就是为什么我不认同那种简单的说法——未来属于通才。
听起来不错。但也不完整。
一个浅薄的通才配上 AI 仍然浅薄。他们可能只是更快地生成自信的胡言乱语，这可不是我们被承诺的那场革命。
深度仍然重要。事实上，深度可能更重要，因为 AI 让表面流畅变得廉价。任何人都可以让 AI 总结一个主题。任何人都可以生成一个像样的初稿。任何人都可以装出一副懂行的样子撑上五分钟。
真正区分优势的，是你是否知道哪里缺了什么。
这就是专长所在。
专家知道哪个细节是错的。专家知道哪个假设是危险的。专家知道什么时候答案听起来没错但在实际环境中会失败。
AI 提高了地板。它没有抹去天花板。
但专才也必须改变。
没有广度的深度会成为瓶颈。如果你的价值仅仅在于你知道一件事，而每个人都要等你来回答，那么 AI 正在直接瞄准这种模式。
最优秀的专才不会只是保护自己的赛道。他们会从那里扩展。他们会用 AI 去理解周围的业务背景、相邻系统、客户影响、竞争动态、实施约束和运营风险。
我想到了我的医生。他是一位颞下颌关节专家——几十年沉浸在一个狭窄而困难的问题里。那种你无法伪装、也无法速成的深度。
他多年来一直有产品想法。只有真正生活在这个问题里的人才会想到去构建这些东西。但这些想法总是在同一个地方死去。不是因为想法本身有问题。而是因为围绕这个想法的其他一切都需要不同的专家——成分研究、监管审批、制造、专利申请、法务。每一环都是交给他没有的人、他负担不起的人、或者他不知道如何开始对话的人。
所以想法始终只是想法。
现在变了。不是因为他变成了化学家或专利律师——他的深度仍然在颌关节，而不是在法律领域。但现在他可以自己做初次研究了。研究成分。梳理监管路径。理解专利申请到底涉及什么，然后才付费去申请。他能把想法推到足够远，来判断它是不是真的。
他仍然需要专利律师。他仍然需要监管专家。但现在他们被拉进来做判断，面对的是一个经过深思熟虑的想法——而不是来教他基础知识或给他指路。
他的专长从来不是瓶颈。瓶颈是他接触他人专长的渠道。
他人的深度成了锚点。
AI 扩展了半径。
通才仍然重要，但广度需要挣来的深度
通才也一样，只是方向相反。
最优秀的通才不会仅仅凌驾于工作之上连接点。他们会用 AI 在问题需要时深入下去。他们会测试假设。构建原型。阅读文档。分析数据。理解足够多的架构，知道真正的约束在哪里。
他们的广度成了优势。
AI 给了他们按需的深度。
所以未来的画像不是专才或通才。而是按需的广度与深度。
当问题需要连接时，就走宽。
当决策需要专长时，就走深。
知道什么时候 AI 就足够了。
知道什么时候需要真正的人类专家。
知道什么时候工作已经准备好被审批，什么时候它仍然是一团半成品、只是穿了一件好看的衣裳。
这种判断力，就是工作本身。
领导者需要重新设计工作
这对领导者有重大意义。
如果你的运营模式仍然假设每个问题都需要经过五个人的流转，那你就不是 AI 原生。你只是用更好的工具变得更慢而已。
如果每个团队都在等另一个团队来推动基础工作，那你就没有重新设计工作。你只是在同样的旧依赖链上加了个 AI，然后称之为转型。那不是战略。那是采购加个主题演讲。
领导者应该问的问题不光是「我们如何让每个人更高效？」
那太模糊了。
更好的问题是：我们在哪些地方把人用作了交接，而不是用作了判断？
那个问题会暴露浪费。
它会显示出，专家在哪里被拉入了低价值的评审。通才在哪里协调着他们现在可以自己推动的工作。专才在哪里等着他们现在可以自己生成的上下文。团队在哪里保护着旧流程，而不是重新设计流程。
这才是真正的领导力工作。不是买工具。不是宣布试点。不是庆祝那些几乎不能说明工作是否已经改变的用法指标。
工作必须围绕一个新假设重新设计：更多人现在可以承载更多上下文。
这意味着一些交接应该消失。一些审批路径应该变得更干净。一些角色应该扩展。一些流程应该被删除。一些专家应该被从低价值工作中解放出来，这样他们才能专注于真正需要专长的决策。
这令人不舒服，因为交接不仅仅是流程。它们也是身份、控制和风险管理。团队围绕成为工作流中的必经环节来建立权力。领导者围绕知道每个风险在别处都有一个负责人来建立舒适感。
AI 对所有这些都施加了压力。
它问了一个更尖锐的问题：如果工作现在可以以不同的方式流动，为什么我们仍然以这种方式组织？
人才应该被重新评估
这也改变了我们思考人才的方式。
旧有的招聘和培养模式奖励静态专长。你知道什么？你在哪里工作过？你覆盖过哪些产品？你支持过哪些职能？
这些仍然重要，但它们已经不够了。
新的问题是：在不等组织给你一本手册的情况下，你能搞清楚、构建、验证和推动什么？
那是一种不同的画像。
构建者的证明胜过履历。
给我看你构建了什么。给我看你怎么卡住的。给我看 AI 在什么地方出错了。给我看你怎么恢复的。给我看你怎么把技术决策连接到业务结果。
那比一个关于转型的漂亮回答告诉我更多。
那些喜欢动手摸索的人，会比那些等着培训的人累积得更快。这听起来可能有点苛刻，但我觉得是真的。
培训告诉你组织已经知道的东西。摸索带你发现现在可能的东西。
在 AI 时代，这两者之间的差距是巨大的。
那些在 Agent、原型、工作流、代码、内容和数据上不断尝试的人，会培养出正式培训项目无法跟上的直觉。他们知道工具在什么地方强大。他们知道工具在什么地方会失效。他们知道现在什么可以在一个小时内完成，而以前需要两周。
那种直觉会变成一种领导力技能。
不是因为每个人都必须成为工程师。
而是因为每个人都需要理解工作现在成本是多少。
起草的成本变了。
分析的变了。
原型制作的变了。
学习的变了。
协调的成本也应该变。
如果做工作的成本下降了，但组织保留了同样的交接，那么瓶颈就不再是能力。而是肌肉记忆。
那是危险的部分。
大多数公司不会因为缺乏 AI 工具而失败。他们会因为把 AI 绑在了一个本不应该存在的流程上面失败。他们会用 AI 来让旧工作流更快，而真正的机会是删除一半的工作流。
架构仍然重要
还有一点很重要：架构。
按需的广度与深度，只有在人和 Agent 拥有可信上下文的情况下才能起作用。如果数据是过时的、碎片化的、权限不当的、或者与工作流脱节的，AI 只是在帮人们更快地朝错误的方向前进。
那不是杠杆。那是带着漂亮界面的混乱。
使用 AI 的人需要访问正确的信息、正确的工具、正确的护栏和正确的升级路径。否则，他们无法安全地把工作推得更远。他们只能生成更多更快的人工产物。
这就是为什么 AI 战略不能简化为提示词训练或工具采用。底层的架构很重要。数据模型很重要。权限模型很重要。工作流集成很重要。升级路径很重要。
如果这些部分缺失了，AI 就变成了一台生产力剧场机器。大量输出。却没有足够的推进。
新技能
这不只是一个职业发展的话题。这是一个运营模式的话题。
当更多人能承载更多上下文时，工作应该如何流动？
当初次分析变得廉价时，专家应该如何被使用？
当协调成本下降时，团队应该如何设计？
当知识可以被生成但判断力仍然需要挣来时，领导者应该如何评估人才？
我一直在回到这一点：
旧的组织架构是围绕人类认知范围的局限来构建的。
AI 改变了这些局限。
这并不意味着每个人都变得一样。这意味着角色之间的边界变得更加流动。
专才需要广度。
通才需要深度。
专家仍然重要，但他们应该被用于判断，而不是基本的流转。
通才仍然重要，但他们需要足够的深度来从模式识别转向真正的执行。
领导者仍然重要，但他们需要重新设计工作，而不是在一个破碎的模型里庆祝生产力提升。
赢家将是那些知道什么时候走宽、什么时候走深、什么时候另一个人类实际上需要参与进来的人。
那就是新技能。
按需的广度与深度。
