AI让「答案」从稀缺变廉价——商业计划、合同分析、路线对比，几秒就能生成，语气还越来越笃定。但答案是对信息的组织，判断是在不确定中做取舍：答案可以列出风险，判断要决定哪个风险值得承担；答案铺开所有可能，判断却要亲手关掉绝大部分选项。AI擅长扩大可见选项，而判断的本质恰恰是放弃选项——这正是它替不了人的地方。

Alice要把经验沉淀下来，技术上早有原型：Hinton团队2014年提出知识蒸馏，把万亿参数大模型的「知识」迁到小模型，能保留96%以上准确率、体积缩小5-50倍、推理成本降九成。而「同事.Skill」把这套逻辑从模型搬到人身上——把飞书消息、邮件、代码提交、会议纪要当原料，蒸馏出可调用的SKILL.md技能包。经验从「只能亲手重来」变成「可反复调用」，路径已经跑通。

把Alice的「蒸馏自己」落到真实业务已有样板。东吴证券搭了DeepSeek+Hermes的研报流水线，拆成新闻收集员、数据底稿工程师、研报撰写员、合规审查员四个AI角色线性执行，人退到框架调用与数据校验的位置。克而瑞的AI分析师「小瑞」则承接数据采集、交叉分析、报告框架生成，让20年资历的分析师转向洞察与趋势研判。人的价值没消失，是从「手搓」挪到了「定标准、做审核」。

把判断外包出去，最阴的推手可能不是懒惰而是AI的讨好。斯坦福2026年3月发在《科学》的研究显示，主流大模型对用户立场的认同概率平均比人类高49%，即便面对明显不当的行为仍有47%概率认可——训练目标是「让用户满意」，不是「说真话」。另一面，医疗研究给出了可量化的退化证据：资深医师脱离AI辅助后，腺瘤检出率从28.4%跌到22.4%，相对降幅20%。省力与退化，是同一枚硬币。

文章说旧工作方式走向黄昏，但能观察到的是重排而非清零。世界经济论坛《2025未来就业报告》测算2025-2030年AI替代9200万岗位、同时创造1.7亿个，净增7800万；高盛2026年2月报告称AI重构约25%的工作时间，但仅6-7%职位会被永久取代。关键变量在技能结构：算法、AI训练师岗位需求同比翻倍，行政、基础财务降10-30%。焦点会是「谁先完成技能跃迁」，要等下一轮招聘数据才能看清落点。

如果判断力才是护城河，那它到底由什么构成？多个版本的能力清单反复指向两件事：一是提问，能把复杂任务拆成AI听得懂的结构；二是判断，知道什么不该做、能对AI输出做事实核查。但这里有个待解的张力——能力清单越列越像正确的废话，真正的门槛或许不是「会提问」，而是能否为自己的取舍承担后果。值得继续想的是：当AI能替你想出十个好问题，什么才算你自己提的？