最近的 AI 创业叙事里，有一个很刺眼的信号：团队年轻、平均年龄低、创始人更年轻，常常被当成“AI-native”的证明。仿佛年龄越小，受到旧世界污染越少；过了某条年龄线，经验不再是资产，反而成了需要被怀疑的包袱。
这类说法很容易让人焦虑。它暗示的不是某项技能过时，而是一个人积累多年的知识、方法和职业身份，可能因为出生年份就被归入旧时代。
但年龄只是表象。真正值得追问的是：为什么在一场技术革命里，人们会突然开始崇拜“没有经验的人”？旧经验为什么可能从捷径变成障碍？如果 AI 正在重构生产方式，那么所谓原生究竟指年轻，还是指一种不同的工作系统？
顺着这些问题继续往下走，会碰到一个更深的变化：高级智能第一次开始与人的身体解耦。过去，知识、分析、表达和计算只能由一个受过多年训练的人，在有限工作时间里持续输出；现在，服务器可以按需生成越来越多合格的认知成果。
于是年龄焦虑最终会变成价值焦虑：如果智能不再只能装在人的身体里，如果“给出一个像样答案”变得又快又便宜，我们过去用学历、资历、脑力和工时衡量人的方法，还能维持多久？
年龄焦虑背后，是对旧经验的怀疑
每一次颠覆性技术出现，旧经验都会经历一次重新估值。经验的价值来自环境相对稳定：过去有效的方法，可以帮助我们少走弯路，更快判断下一步。
但当底层条件发生变化，经验也可能偷偷把“过去如此”替换成“未来仍会如此”。它让人熟练地优化旧流程，却很难想象流程本身可以消失；让企业争论怎样把 AI 加进现有岗位，却没有追问这些岗位是否应该重新组合。
这正是年轻团队受到追捧的合理内核。不是年轻天然更聪明，而是没有在旧系统里获得太多成功的人，通常更少维护既得方法。他们可能不会先问“AI 怎样帮我把这一步做快一点”，而会直接问“有了模型以后，为什么还要有这一步”。
可一旦把这种现象压缩成年龄标准，洞察就退化成了偏见。没有旧经验，不等于能够理解新世界；有经验，也不等于只能复制旧世界。真正需要摆脱的是经验主义，而不是经验本身。
经验主义说：“以前都是这样做的。”真正有用的经验说：“以前为什么这样做？支撑它的条件现在还存在吗？”
前者把历史当答案，后者把历史当证据。AI 时代需要清空的是前者。
AI 原生不是出生年份，而是重写工作系统
美国人口普查局数据支持的一项创业研究发现，在增长最快的千分之一新企业中，创始人的平均年龄是 45 岁；结果在高科技行业、创业中心和成功退出样本中也大体相近，相关行业经验反而显著预测创业成功。它不能直接回答 2026 年中国 AI 创业公司的年龄结构，却足以说明：出生年龄不是创新能力的可靠替代变量。
真正的分界线不在身份证上，而在工作系统里。
一个二十五岁的团队，如果仍然把 AI 当搜索框，只用它写周报、润色句子、生成演示图，并没有因此成为 AI 原生。一个四十五岁的专业人士，如果愿意拆掉旧流程，把目标、上下文、模型调用、工具执行、人类复核和结果反馈重新连成闭环，反而更接近新的生产方式。
所谓 AI 原生，至少包含三次重写：从“人完成任务、AI 偶尔协助”改为“人设计目标与边界、机器承担可自动化步骤”；从按岗位分工改为按信息流和责任链组织协作；从一次性交付改为让结果不断反馈进系统。
这也是为什么经验既可能是负担，也可能成为优势。坏经验把既有解法当成不可动摇的规则；好经验知道约束从哪里来、异常意味着什么、错误会伤害谁。模型能快速生成许多看似合理的选择，而识别哪个选择与现实冲突，往往需要真正接触过现场。
因此，对年龄焦虑最有力的回应不是证明“年长者也很有用”，而是停止用年龄讨论原生性。原生不是没有历史，而是愿意回到第一性原理，让现实随时推翻历史。
更深的变化：智能第一次与人体解耦
过去的人才定价，隐含着一个很少被说出来的前提：高级智能是稀缺的，而且只能装在人的身体里。
培养一个知识工作者需要十几年，一个人一天能工作的时间有限，一生通常也只能在少数领域积累深度。因此，社会用学历证明训练时长，用职位和资历估计经验存量，用工时购买认知产出。知识工作之所以长期获得更高溢价，很大程度上是因为可调用的智能供给有限。
生成式 AI 改变的，不只是某个软件的效率，而是智能的供给方式。文字、代码、图像、分析和方案不再只能等待某个人亲手生产；它们可以由计算资源并行生成，随时复制，并以越来越低的边际成本供给。
这并不意味着所有智能都已经不稀缺。对世界的深刻理解、可靠推理和长期自主行动仍有限，模型也会犯错。但只要一部分标准认知产出从“必须雇一个受训的人”变成“可以按需调用”，原有的定价体系就已经开始松动。
被压低价格的，不是“人”，而是一部分任务
讨论 AI 对工作的影响，最容易犯的错误，是把职业当成一个不可拆分的整体。仿佛会计、程序员、教师、律师要么完整存在，要么一夜消失。
但一份职业从来都是任务的组合。律师既要检索案例，也要理解当事人的目标、判断风险、设计谈判策略并对意见负责；医生既要读取检查结果，也要结合病史、解释不确定性、取得同意并持续跟踪。AI 对这些任务的影响并不相同。
国际劳工组织 2025 年的全球职业暴露研究估计，全球约四分之一劳动者所处职业对生成式 AI 存在某种程度的暴露，但只有 3.3% 的全球就业落在最高暴露区间。研究给出的核心判断不是“大规模职业整体消失”，而是多数职业更可能发生任务重组，因为其中仍有不少环节需要人的输入。
这一区分很重要。AI 不需要一次吞掉整份工作，只要先把其中最标准化、最容易验证、最适合批量生成的环节变得便宜，就足以改变整个职业的价值结构。
一项覆盖 5,179 名客服人员的实地研究提供了更具体的画面。接入生成式 AI 助手后，平均每小时解决问题数提高约 14%；新手和低技能员工的提升达到 34%，而经验丰富、技能较高员工的变化很小。研究者认为，工具在一定程度上传播了优秀员工的做法，帮助新人更快跨过经验曲线。
这意味着 AI 的第一轮效果往往不是把高手变成超人，而是把高手的一部分可表达经验复制给更多人。原本稀缺的“合格产出”开始扩容，能力下限迅速上升。
第一种稀缺：定义值得解决的问题
答案越便宜，问题就越贵。
这里说的“问题”不是把提示词写得更长，也不是给 AI 分配一个花哨角色，而是判断：现在真正阻碍结果的是什么？谁受到影响？成功标准是什么？哪些约束不能交换？我们到底在优化局部数字，还是在创造整体价值？
模型可以在既定目标下快速搜索，但目标通常来自人和组织。一个团队若把错误的指标写进系统，AI 只会让错误执行得更快；一个公司若没有弄清用户为何离开，再高效的内容、代码和投放也只是在加速浪费。
定义问题还包括选择“不做什么”。当生成成本很高时，资源自然限制了想法；当生成几乎免费时，候选方案会泛滥。每个方案都像模像样，每条路线都能做出论证，真正困难的变成删掉大多数可能，只把注意力押在少数关键矛盾上。
这也是专业判断的新形态：不再靠记住最多答案证明自己，而是靠构造更好的问题空间。它需要理解业务、技术和人的处境，需要知道哪些证据值得信，哪些不确定性必须保留，也需要在信息不完整时做出可逆选择。
AI 可以参与这个过程，甚至会提出人没想到的角度。但提出建议与拥有目的不同。模型不会自己决定一家企业应该服务谁，也不会替一个人选择愿意为哪种生活付出时间。目的仍然来自具体的人。
第二种稀缺：让关系产生行动
AI 已经能够进行流畅对话、识别语气、提供安慰，未来也可能成为很多人的长期陪伴者。因此，“机器没有情感，所以人类关系永远安全”并不是一个可靠判断。
但关系的价值并不只来自一句话听起来多温暖。
真实关系包含共同历史。老师知道一个学生上次卡在哪里，管理者知道团队为何对某个承诺敏感，医生理解患者除了指标之外的家庭处境。它还包含相互暴露：我不仅接收你的信息，也让自己的时间、名誉和情绪进入这段关系。
更重要的是，关系能够把建议转化成行动。
许多人并不缺一份完美的健身计划，缺的是愿意陪他持续训练的人；团队并不缺战略框架，缺的是能在分歧里建立信任、让不同角色继续合作的人；患者也不只需要一份医学信息，而需要有人解释风险、理解恐惧，并共同作出可承受的选择。
AI 可以增强这些关系。它能帮助老师准备差异化材料，帮助医生汇总病历，帮助管理者发现沟通遗漏。但如果因此把所有交流都自动化，组织也可能得到一种奇怪的高效率：消息都被回复了，却没有人真正感到被理解；建议越来越多，却没有人愿意承诺行动。
关系不是信息传输的低效版本。它是一套建立预期、形成信任、处理冲突和维持长期合作的社会基础设施。越多内容可以机器生成，人们越需要知道屏幕另一端是否有人在认真听，承诺是否会在明天继续有效。
第三种稀缺：在结果面前留下名字
这是我认为最容易被低估的一层。
AI 可以给出建议，却不能仅凭“模型说的”完成责任转移。系统本身不会失去执业资格，不会用未来收入赔偿损失，也不会因为一次错误在职业共同体中失去信誉。现实中的责任仍然落在开发者、部署组织、管理者和使用者构成的链条上。
这不是抽象哲学，而是正在形成的制度要求。欧盟《人工智能法案》对高风险 AI 系统规定了人类监督要求，强调监督者应能理解系统能力与局限、识别自动化偏见，并在必要时忽略、推翻或停止系统输出。美国国家标准与技术研究院的 AI 风险管理框架也把问责、透明、明确的角色与责任、人机配置和监督流程放在核心位置。
这些制度的共同逻辑很朴素：预测可以自动化，责任不能凭空消失。
在低风险场景，错误答案也许只是浪费几分钟；在医疗、金融、招聘、安全、司法和公共服务中，一个流畅但错误的输出可能改变别人的机会、财产甚至生命。此时最有价值的人，未必是亲手写下每个字的人，而是能设计复核边界、理解残余风险，并愿意在最终决定上签字的人。
“签字”并不等于做一个橡皮图章。真正的责任包含三件事：有足够能力提出异议，有足够权限停止流程，也有清晰记录说明谁在何时基于什么证据作出决定。如果一个组织要求人类承担责任，却不给他信息、时间和否决权，那只是把人放在自动化系统末端充当责任缓冲垫。
对普通人来说，应该重新积累什么
如果价值坐标正在移动，个人最实际的问题不是预测十年后的职业名单，而是从今天开始怎样调整自己的积累。
第一，把工作拆成任务，而不是守住职位名称。列出你每天做的事情：哪些是搜集、转写、归纳和套用模板，哪些需要理解现场、处理例外、协调他人和承担判断。前一类会更快被压价，后一类值得持续加强。不要因为职位还在，就误以为价值结构没有变化。
第二，让 AI 进入真实闭环。不要只比较它能否写出一段漂亮文字，而要让它参与从输入、分析、执行到反馈的完整流程。记录它在哪些环节稳定，在哪些边界容易犯错，建立自己的验证清单。会调用模型只是起点，会管理模型的不确定性才是能力。
第三，积累一手情境。去见用户，去处理异常，去承担一次交付，去观察方案进入现实后发生了什么。公开知识会越来越容易获得，只有你在具体环境中形成的因果理解、失败记忆和关系网络难以被批量复制。
第四，经营可验证的信誉。作品、承诺、复盘和长期一致性，会比一张无法证明实际能力的标签更重要。信誉不是个人品牌包装，而是别人能够根据过往记录判断：这件事交给你，信息会不会被隐瞒，风险会不会被正视，结果会不会有人跟到底。
第五，争取与责任匹配的权力。不要接受“你来负责，但系统不能改、时间不能加、模型不能停”的伪责任。高质量的人机协作需要明确的升级通道、停止条件和人工否决权。能承担后果的人，也必须能影响过程。
这五件事不会保证任何职业永远安全。没有人能提供这样的保证。它们的意义在于，让我们不再把全部价值绑在某种正在迅速贬值的输出方式上。
结语：不要和机器比赛成为更像机器的人
工业化让体力被机器放大，信息化让信息被软件复制，生成式 AI 正在让一部分认知产出被低成本调用。每一次技术扩散都会重新分配价格，也会让曾经稀缺的能力变成日常基础设施。
面对这种变化，最危险的策略，是继续用旧尺度证明自己：比 AI 写得更快、记得更多、工作时间更长，或者用年龄和资历要求市场维持过去的价格。
更可行的方向，是站到答案的上游和下游。
在上游，决定什么值得做，选择目标、约束与标准；在中间，把不同的人连接起来，让信任转化成协作；在下游，为现实影响留下名字，建立可复核、可纠错、可追责的行动链。
AI 会参与这三个环节，也会不断扩大自己的边界。人的优势不是一块机器永远无法进入的神秘领地，而是一种持续移动的责任位置：我们创造目的，与他人共同生活，并为选择产生的后果买单。
当答案变得便宜，人的价值并没有消失。
它只是从“我知道什么”，转向“我选择什么、我与谁一起做，以及结果到来时，我是否还站在这里”。