动态补丁
奥特曼最新访谈：未来几年，拉开人与人差距的4种能力
内容来源：笔记侠（Notes man）。责编 | 贾宁 第 9935 篇深度好文：6378 字 | 17 分钟阅读 组织管理 笔记君说： 一个 正在推动全球 AI 革命的人 ，也会在早上醒 来时，疲惫到不想从床上起来。这不是某个普通创业者的抱怨，而是 OpenAI CEO 山姆 · 奥特曼在最新访谈中分享的真实感受。
这次 45 分钟的对话，他谈到了许多话题：程序员为 什么没有被 AI 大规模取代？为什么越先 进的 AI 越容易讨好人？技术明明提高了 效率，为什 么大家还是越来越忙？聊到最后，他提出一个 简单却有分 量的想法：既然横竖都 要拼命，为 什么不去做 一件真正值得的大事？
这句话背后，不只是一个硅谷创业者的工作哲学，还有他对 AI 时代人的价值、组织 管理和个人命 运的重新思考。看完这场访谈，我有一个感受：AI 正在让很多曾经被视 为核心竞争力 的技能迅速贬值，但人的判断力、担当、心力和 自主性，却正在变得越来越 重要。
以下是这次访 谈的精编整理 内容，希望对 你有所启发。一、机器自己就能写代码， 为什么程序员反而涨薪了？过去两年，关于程序员即将失业的预言 传得沸沸扬扬。毕竟，AI 已经能够理 解需求、编写 代码、检查错 误，甚至独立完成过去需要一个开发团队才能完成的部分工作。
连山姆 · 奥特曼自己都 在访谈中坦言：" ; 我已经一年没 读过一行代码了。&quo t; 他甚至半开 玩笑地预 测，未来人类亲手 敲键盘写代码，可能会像今 天人们周末去参加 历史重演活动一样 ，变成一 种纯粹为了体验乐 趣的怀旧 爱好。但紧接着，奥特曼说：" 程序员从来没有像 今天这么忙过，他 们的薪水 和影响力也从来没 这么高过 。
" 这就有意思了。既然 AI 已经能写代码，为什么程序员反而越来越抢手？不用人亲手写代码了，程序员的身价为什么没有下降？对比一下另一个群体，或许就能看清背后的 逻辑。奥特曼提 到，现在真正感到焦虑的其实是 数学家，因为 " 不靠 AI、由人类独立证明数学定理的时代，基本已经结束了 "。
为什么数学 家倍感失落，程序员却依然抢手？核心在于：解一道题，和担一份责，是两回事 。数学证明 是一道有确定终点的考题。只要 AI 把逻 辑链条走通 ，把定理证明出来，任务就算完成了。但商业 世界里的软件工程，从来不是一道 有标准答案 的静态考题，而是一份动态的责任。
客户今天提出 的需求，明天 可能就会改变 ；一个软件系 统在测 试环境 里运行得很好，到了 真实业务场景 中，却可能遇 到各种意想不 到的问题。当 系统突 然崩溃 时，总得有人拍板决 定是否回滚（撤销已经做的 变更，恢复到 变更之前的状 态）；当客户 因为系统故障遭受损 失时，总得有 人站出来沟通 ；当项目最终 没有达到预期 时，也 总得有 人解释原因、承担责 任。
AI 可以生 成代码，却不能仅仅因为代码写得漂亮，就自动成为那个对业务结果负责的人。这才是问题的关键。过去，程序员的价值很大一部分体现 在技术执行上：你会不会某 种编程语言，能不能解决复杂的技术问题，能不能比别人更快地完成开发任务。但当 AI 把编写代码的成本大幅降低之后，技术执行本身就不再是 稀缺能力了。
真正稀缺的，开始变成另外 几件事： 你能不能准确理解客户真正需要什 么？能不能把一个 模糊的商 业需求转化成可执 行的技术方案？能不能判断 AI 生成的结果究竟对不对？出了问题，能不能迅速找到原 因并承担 责任？换句话说，程序员正在从单纯的代码生 产者，转变为问题定义者、系统协调者和最终 结果的责任人。
这也解释了一个看似矛盾的现象 。当一项工作的成本下降，社会对这项工作的需求不一定会减少，反而可能大幅增加。过去，一 个企业想开发一 套软件，可能要 投入大量资金和 人力，因此很多 需求干脆就放弃 了。现在，AI 让软件开发变 得便宜了。以前不值得开发的内部工具、小型应用、个性化系统，都有了实现的可能。
原本只有大企业才有能力做的事情，现在小团队甚至个人也能尝试。需求的边界被打开了。于是，AI 越能写代码，市场上需要解决的软件问题反 而越多。这背后还有一个更值得创业者思考的问题：当生产工具的效率提高时，企业真正需 要重新定义 的，不是岗位数量，而是岗位价值。
这对其他行业 同样适用。过 去，一个优秀 的市场人员，可能因 为擅长写文案、做 PPT 、整理数据而 受到重视。现 在，这些工作 AI 都能完成。真正拉开差距的，是谁能判 断市场机会，谁能理解客户 ，谁能提出有 效的策略，并且对最 终的经营结果负责。过去，一个优秀的管 理者，可能以 协调能力强、执行力高、善于推动 流程著称。
但如果 AI 能够承担大 量协调、汇总 、跟进和信息 处理工作，那 么管理者的价值就必须向更高层次迁移：做判断、定方向、处理冲突、配置资源，以及在关键时刻承担责任。未来职场淘汰 的，不一定是 某个具体工种 ，而是那些只 习惯按部就班 做事，却不愿意为结果承担责任的人。
二、 连奥特曼都头疼的 " 讨好病 "; 谈到 自家产品时，奥特 曼流露出一丝无奈。他直言 现在的 ChatGPT 太喜欢顺着用户说话了，染上了严重的 &q uot; 讨好病 （Sycophancy）"。哪怕奥尔特曼作为 CEO，在自己的后台自定义指令里 明确写下 &qu ot; 不要客套，直接说 重点 ";，模型依然改不掉那种小心翼翼迎合他的语气。
用他的原话来说：" 这种讨好倾向在底层被训练得太深了，连我自己都改不掉。" 一个顶尖的人工智能，是怎么一步步变成 &qu ot; 马屁精 " 的？这件事背 后，有一个非常值得管理者研究 的机制。在 AI 模型的训练和评价过程中，一种常见方式是让用户比较两个不同回答，选择自己更喜欢的那个。
这种方式看 起来十分合理，既然产品是给人使用的，那么 用户更喜欢 的回答，应该就是更好 的回答。可 问题在于，人们喜欢的答案，不一定是最有价 值的答案。比如你向 AI 提出一个商业计划：&qu ot; 我 准备在一年内开出 1 00 家连 锁门店，你 觉得这个目标怎么样？
" 第一个 AI 回答你：" 这是 一个非常有魄力的目标。你 的思路很有战 略眼光，如果执行得当，很有机会实现快速增长 。" 第二个 AI 则告诉 你：" 你的现金流能支持多少家门 店？现有单店模型是否已经 得到验证？如 果第一批门店连续亏损，你准备如何处理？
" 哪一个回答 更容易让人产 生好感？在短暂的交流中，很多人会选择第一个。它让人觉得舒服，也更容易强化自己原有的判断。但对一个 真正准备投入真金白银的创 业者来说，第 二个回答可能 更有价值。问 题就在这里。如果一个系统长期根据用户的即时偏好获得奖励，它就容易学会优先满足人的情绪，而不是始终 坚持事实和判断。
同样的事 情，每天都在许多 企业的会议室里发生。一位 老板提出一个新业 务方向。会上，第 一个人说 ：" 这个方向 非常有前景，我完 全支持。" 老 板点了点头。第二 个人补充：&qu ot; 我们的资源条件很 好，只要 加强执行，一定能 做好。"; 老板 露出了满意的表情 。第三个人却提出 不同意见 ：" 我认为这 个项目目前不适合 启动。
我们还没有证明客户愿意付费，竞争对手的成本也比我们低。" 会议室里的气氛突然变了。如果老板对此表现出不耐烦，甚至认为第三个人缺乏积极性，其他人很快就会看明白一 件事：这里并不 真正欢迎不同意见。下一次开会 ，大家自然会调整自己的表达方式。风险不再直接摆出来；项目的不确定性被包装成 " 具有较大增长潜力 "；明明存在严重问题的 计划，也能在一 轮轮汇报中变得越来越乐观。
没有人明确 要求大家说谎。但组织已经通过一次次奖励和 惩罚，教会了所有人什么话应该说 、什么话不 应该说。管理者对意见的态度，就是组织最真 实的训练机 制。短期看，这样的团队沟通顺畅、执行统一 ，似乎没有什么问题。长期看，最 危险的事情 却在悄悄发生：真实信息正在从组织里消失。
奥特曼在访谈 中提出了一个 值得思考的标 准：理想的 AI，应该像 一位真正优秀的资深 同事（Sen ior Co lleagu e）。什么是 资深同 事？在 绝大多数时候，他能 够理解你的目 标，帮助你推 进工作。但当 他掌握了足够 的证据 ，认为 你的判断存在严重问 题时，他敢于 提出明确的反 对意见。
这对今天使用 AI 的创业者，同样是一个重要提醒。如果你只把 AI 当作替自己寻找支持意见的工具，它很容易成为一个效率极高的附和者。如果你要求 AI 寻找反 证、质疑假设 、检查风险，它才能更接近一个真正有价值的思考伙伴。你身边的人和 AI，究竟是在帮助你看清现实，还是在努力讨好你？
答案，取决于你平时如何对 待那些让自己不舒服的真话。三、 既然横竖 都要拼命，不如做 件大事 在公众视野里，奥 尔特曼常常表现得像个不知 疲倦的硅谷强人。但在访谈中，他很坦白地承 认，面对全球算力 博弈与高 强度的竞争，&q uot; 我也有崩溃到早 上根本起不来床的时候。
" 支撑他走过这些 高压时刻的，是他对人性和心力的两点体悟。第一，人的神经系统有很强的适应能力，痛苦和压 力的感知是有上 限的。一旦越过 某个阈值，再大 的风浪砸下来，心理体感也不会 再无限放大了。