如果你的工作 100% 都是数字化的

前两天看到一个很有意思的观点，一个律师跟人聊他的职业护城河，说得比大多数专家都要透彻。他说 AI 确实能帮他写文书、做调研，但他觉得自己的饭碗很稳，因为他有 20% 的工作是在法庭辩论和私人谈判桌上完成的——这些场景不会产生任何文字记录，也就不会变成大模型的训练语料。

这让我这种搞开发、写代码的直接破防了。律师那 20% 的“非数字化”经验是保护伞，而我的工作呢？代码、架构、逻辑、解决方案，全是 100% 的数字资产，这不就是大模型最喜欢的“喂料”吗？如果我的工作全都在那 80% 的数字化范围内，那到底什么是真正属于我、AI 拿不走的？

很多人会说“审美”、“决策”或者“人机交互的接口”，但我实操了一段时间后发现，这些说法太虚了。我把这个问题拆解成了两个维度，发现真相其实挺残酷的。

第二个模型能完美替代的部分：验证工作

很多人觉得“人工校验”是不可替代的，但实测下来，其实用“第二个模型”去查“第一个模型”的效果非常好。

• 纠错能力： 我在跑 Agent 工作流时发现，让一个 Reviewer Agent 去审阅 Executor Agent 的结果，效率极高。
• 逻辑对冲： 因为第二个模型没有“必须证明第一个模型是对的”这种心理包袱，它能更冷静地指出前提假设的错误。
• 自动化闭环： 比如在代码审查里，一个 Agent 检查完逻辑，另一个 Agent 专门找漏洞。这种“左右互搏”的模式完全可以自动化，不需要人盯着。

如果你的价值仅仅在于“检查对不对”，那确实可以被轻松部署，甚至下午就能写个工作流把这事儿给自动化了。

真正无法被模型捕捉的死角

真正让我觉得“只有人能干”的地方，不在于逻辑的对错，而在于两个极其隐蔽的层面：

• “逻辑正确”与“实际价值”的脱节：

我遇到过一个极端情况：一个功能经过了六轮独立的自动化测试，全部通过（Green Pass）。代码完全符合 Spec（规格说明书）的要求，逻辑严丝合缝。但当我真正去使用这个产品时，发现它毫无意义——因为前端的一行逻辑把后端算出来的结果给过滤掉了。
所有的 AI 验证都在问：“代码是否符合描述？”但没人能问：“这个结果对人类用户是否有意义？”AI 可以完美地执行一个错误的指令，它能做到逻辑上的极致正确，但它无法感知这种正确是否“偏离了人类的需求”。

• “缺陷”与“设计意图”的界限：

Agent 给我列了一堆 Bug 列表，我一眼扫过去，直接删掉了其中三个。不是因为 Agent 分析错了，而是因为那三个行为是我故意这么设计的。
比如，一个弹窗挡住了导航栏，在 Agent 眼里这是 UI 缺陷，但在我眼里这是为了强迫用户阅读信息的“设计决策”。这种区别不在代码里，也不在逻辑里，而是在我脑子里的那个“意图”里。

说白了，AI 能通过“描述”去对齐“结果”，但它无法通过“结果”去反推“意图”。如果你的工作只是把需求翻译成实现，那你确实危险了；但如果你是那个定义“为什么要这么做”的人，那才是真正的护城河。