AI智能体在多数任务中已与人类表现相当或更优，且比例仍在上升。面对这一趋势，高盛高管建议：不要执着于守住旧技能，而要有勇气放下。未来的竞争力不在于与AI比拼技能，而在于运用判断力、直觉与价值观去驾驭AI。放下过去，才能拥抱全新的职业身份。
    最近，我们一位资深银行家问我一个问题：“随着AI以惊人的速度变得越来越强大，我该守住工作中哪10%——AI永远替代不了、能让我保持优势的部分？”从很多方面来看，这是一个合理的问题。过去几年里，AI已经从“擅长简单任务、不擅长复杂任务”发展到“擅长简单任务、也比较擅长复杂任务”，这意味着它在现实生活中确实可以非常有用。
    OpenAI的一项名为GDPval的基准测试，比较了智能体模型与美国GDP贡献最大的9个行业中44个职业、1320项任务中的人类表现。结果显示，基于最先进模型的智能体（在撰写本文时）在80%的情况下表现与人类相当或更优。而六个月前，这个数字大约是50%。展望未来，它似乎注定会继续上升。
    这给企业和员工都带来了一个显而易见的问题：这意味着我们职业生涯中积累的许多技能，可能很快就会被AI智能体执行。鉴于未来的不确定性，人们自然会寻找熟悉的基础来立足，并坚守自己最信赖的习惯。因为我们的经验和专长往往是我们得以在各自领域攀升的资本，所以想到这些可能一夜之间消失的现实，确实令人恐惧。
    我告诉那位银行家的话让他感到意外：放下那10%。要有勇气让旧习惯消亡，这样你才能在职业上重生，拥抱一个全新的100%，即使它与你过去所学的一切完全不同。并非所有行业都会以同样的方式或在同样的时间表内被颠覆。但如果你从事的是GDPval报告中认定最可能被颠覆的职业之一——例如开发者、律师和物业经理——那么如何适应就是一个紧迫的问题。现在是时候保持好奇、开放的心态，并愿意放下即便是最成功的职业习惯，同时坚守那些不会改变的人性特质，比如你的直觉、你的判断力、你的价值观。

AI在过去一年取得了长足进步
    在过去一年里，生成式AI已经从一种与谷歌搜索类似的有用工具——为用户节省时间但并未从根本上改变我们的工作方式——演变为一种能够模仿人类推理、制定计划并采取行动的技术。将任务委托给AI智能体、只需最少的人工干预，正变得越来越可行，例如对公司进行基本面研究、创建现金流折现模型、填写表格或解决简单的客户支持案例。随着AI智能体在各组织中获得广泛应用，它们显然正在改变人们的工作方式。
    在企业环境中，这些智能体可以通过与人类的互动以及来自内部评估基准的反馈来不断改进。例如，研究分析智能体可以学习最可靠的信息来源、如何在整体背景中权衡它们、如何应用公司的任何缩写和行话，以及关键的是，如何在存在矛盾信息的情况下自主做出微观决策——这与经验丰富的员工的做法非常相似。
    这种演变要求人类用户实现思维模式的转变。它要求他们信任这些智能体，并有选择地学会何时放弃控制权，从操作者转变为监督者。在最基本的层面上，这需要深刻反思自己的习惯。
    在这种背景下，我给那位银行家的建议是，放弃每一步都要直接控制的冲动，比如在演示文稿中制作每一行内容。现在，他的任务是专注于提供清晰的指令，以便智能体能够更有效地朝着目标运作，并确保适当的控制措施得到系统性和一致性的应用，这样他才能让智能体安全地替他执行任务。从个人贡献者转变为监督者和指导者。这就是全新的100%。

为什么你应该关注判断力
    从一个不同的角度来思考人们应该保留哪些技能以求职业生存的问题：想象一位经验丰富的骑手学习驾驶汽车。骑马学到的技能，能保留10%用来开车吗？恐怕一项都用不上。那要成为一名好司机，需要100%掌握的技能又是什么？他们的反应速度和直觉。
    银行家习惯于从客户那里收到很多问题——通常是非常复杂的问题。例如：最近宣布的关税如何影响我投资组合中的公司，我该如何对冲这种风险？给出有意义的答案需要收集信息、验证信息、制定策略，然后与客户讨论。这通常发生在客户提出问题后的几个小时或几天内——用交易结算的行话来说，就是t+1或t+2。
    在未来，随着智能体在后台工作，我们或许能够在t-1时刻——甚至在客户提出问题之前——就给出答案。想象一下，一位银行家在早上收到一封简报邮件：这些是夜间发生的关键事件，它们可能如何影响以下客户，这里有一些可能的策略和讨论要点。银行家在这里的价值在于评估建议、运用判断力、与团队和智能体进行讨论，最后在客户主动联系你提问之前就给客户打电话。就像一位经验丰富的驾驶员在恶劣天气下充分利用牵引力控制和辅助制动系统，在山路上行驶一样。

实践应用中的情况
    新的挑战不仅仅是优化，而是重新思考我们的角色和公司。不要只是重新学习技能，要重新构想技能并建立新的习惯。将智能体与人类组成的混合劳动力视为新常态，并围绕这一假设重新构建你的公司。
这需要几个基本要素：
1、领导力
    舍弃旧习惯并非自然而然就能发生。它需要强有力的领导和自上而下的方法，让人们对变革负责。根据我的经验，这是所有任务中最具挑战性的。你是在推动一场根本性的改变——一种蜕变。应用AI来简化旧流程，做更多同样的事情并做得更快，可以带来暂时的缓解，但从长远来看，最终会严重偏离目标。实际上，如此大规模的变革管理要求最高层领导者致力于一种深度变革，如果不彻底改变工作方式，这种变革是不可能实现的。如果你希望你的开发者改变习惯，要求他们的生产力提高三倍，而不是20%。如果你想避免应聘者在AI帮助下在面试中作弊，那就布置一些难度极高、只有精通AI才能完成的任务。例如：在三小时内创建一个可运行的Excel克隆版。
    如果你想简化从采购到付款的流程，目标应该是将人工干预点减少 90%，而不是 20%。即使你只完成了一半，你也知道你的团队至少经历了彻底的重新思考，而不仅仅是优化。
2、明确目标和结果
    如果我们不知道什么是好的表现，那么无论是人还是AI都不会知道如何采取正确的步骤走向成功。我们必须高度重视评估和基准测试。大多数公司将任务视为一系列按部就班的行动。它们将其编纂成标准操作程序。然后它们在这些程序之上建立控制措施。在现实生活中，组织流程和决策更像“垃圾桶模型”（Garbage Can Model）——在某种程度上是混乱的、偶然的和非线性的。
    在高盛，当将AI应用于既定的全公司流程（如客户开户）时，我们首先专注于明确什么是好的表现，借鉴流程质量指标和经验丰富的操作员的决策，然后创建一套评估，将智能体AI的输出与期望结果进行比较。
    通过建立适当的反馈循环，AI会自我改进，直到输出符合你的结果。就像你会告诉地图应用程序，以最快路线引导你到达目的地、避开桥梁，而不是告诉它要左转或右转多少次，并在行程结束时提供反馈。从按部就班、僵化的基于规则的流程执行，转向基于结果的智能体系统，该系统可以在人工监督下自主做出小的决策。
3、掌握你自己的数据
    智能体在没有上下文的情况下无法运作。它们会退化成聊天机器人。数据是上下文的命脉——是你组织的真实情况——也是人类和自主运行程序的指引图。没有这个真实情况，就不可能有明确的方向。
    我在这方面的经验是，AI转型紧随数据转型之后，而不是反过来。在许多公司，数据是分散的，映射到多个不相关的本体（想象一下图书馆里的书，有些按作者排列，有些按主题，有些按ISBN号，全都随机混杂在同一个书架上），这些数据重复且陈旧。AI最典型的问题就是“输入垃圾，输出垃圾”——而且它还能让这些垃圾输出看起来挺像回事儿。因此，领导者可能应该推迟（这在当今是一个非常不受欢迎的概念）大规模AI项目的实施，直到他们的数据井井有条。这可能需要数月或数年时间，而数据的准备情况对于确定AI转型的优先用例非常有用。

这在改变习惯方面意味着什么？
    抵制直接采信AI输出的诱惑。检查来源、监督和验证输出，或者如果你直到现在还只依赖自己工作的成果，那么要学会这样做。一个智能体驱动的未来要求每个人都变成某种意义上的管理者。说到底，就是这么一回事。个人的改变更加困难。有勇气放下我们信赖的习惯，拥抱一个全新的、完整的职业身份，在其中茁壮成长，是当今每一位从业者面临的最大挑战之一。