发布或出局：AI 如何把对手变成你的劳动力
英文版：Publish or Jobless: AI, Break-Even, and the One-Person Workshop
同一个 AI，既可能削弱你的岗位，也可能帮你把私人判断力变成属于自己的小型资产——前提是，人仍然守住标准，并让真实市场来检验结果。
谈到 AI 与工作，我们脑中最容易出现一张对决图：桌子这边是人，那边是机器，双方争夺同一批任务，最后一个胜出，另一个变得多余。这种威胁并非虚构，可它只画出了一半。能够替雇主完成部分工作的机器，同样可以替你完成部分工作。
AI 不只会摧毁岗位，它也会击穿盈亏平衡线。
当盈亏平衡线开始下移
所谓盈亏平衡，就是一件事赚到的钱终于足以覆盖维持它的成本。传统公司要推出一项产品，往往得先承担工程、设计、调研、销售、客服和管理等成本。于是，很多真实问题在经济上变得“看不见”：客户明明存在，痛点也确实存在，只是市场规模撑不起一家公司的成本结构。
AI 能缩短部分工作的耗时。受控实验发现，专业人士借助 ChatGPT 完成写作任务时速度更快，独立评审给出的质量评分也更高；一项覆盖五千多名客服人员的实地研究则发现，AI 辅助平均提高了每小时解决问题的数量，经验较少的员工受益更明显。这些研究当然不能证明所有工作都会自动变便宜、变优秀，但它们足以说明：机器辅助正在改写生产成本。
可以把传统企业想成一台只抓得起巨型矿石的老机器。地上散落着很多小矿块，可弯腰捡拾的成本比矿石本身还高，于是没人理会。后来，一个人推着小车，带来一队便宜的机械臂，那些曾被忽略的矿石忽然有了开采价值。巨型机器是传统公司，机械臂是 AI 劳动力，小矿块则是狭窄却真实的市场：养不起一个部门，却可能养得活一个人。
借来的杠杆，不等于自己的资产
一份好工作能提供收入、信誉、工具、同事，以及贴近真实问题的视角，这些都是宝贵的杠杆。但职位、预算、团队、公司品牌和账号都属于机构，可能在同一天消失。真正留下来的，通常是你的判断力：你能提前看见什么问题，知道什么标准不能放松，也能分辨一个貌似正确的答案究竟有没有用。
问题在于，藏在脑中的判断力，市场看不见。这里所说的“发布”，并不是天天发帖，更不是追求成名，而是把一个想法、一套流程、一份数据、一个故事、模板或工具，做成陌生人能够发现、评估、使用、购买、分享或引用的公共资产。
传统工作通常只有一个雇主购买你这部分劳动；自有资产却能让许多潜在买家看到同一份判断力。你不需要把整段职业生涯压缩成一件商品，只需要让一小块有用的能力离开原来的机构，也能被人看懂。
一个人的 AI 车间
想象一间摆满小机器的车间：一台整理客户访谈，一台起草原型，一台检查链接和断裂流程，另一台准备客服回复。它们速度快、成本低，却并不可靠。它们无法稳定判断哪个客户值得服务，也无法替你识别所有法律与事实风险，更不能决定这份结果是否配得上你的名字。
在这间车间里，人并不是机器的竞争者。人决定什么值得存在、合格标准是什么、哪些结果能够出厂，并为发布后的后果负责。AI 提供劳动力，人提供判断力。
生产越便宜，质量关越要收紧
一旦生产成本足够低，最诱人的策略就是疯狂堆量。这正是 AI 内容变成“垃圾产出”的起点：问题不在于机器参与了制作，而在于没有人认真判断，也没有人为发布结果负责。一项短篇故事实验发现，AI 生成的创意提高了平均评分，却也让最终故事彼此更加相似。共用同一套机器，可能一边扩大供给，一边把所有人推向同一个安全的中间地带。
任何东西离开车间之前，都应该经过人的质量关：
- 真实用户能否从头到尾顺利使用？
- 事实主张与高风险假设是否已经核实？
- 它是否明显优于客户自己免费生成的答案？
- 里面是否包含来自真实经验或审美的决定？
- 你愿不愿意把真名放在上面？
如果这些问题的答案是否定的，机器生产的只是原料，还不是资产。通用内容越多，具体性、核验、审美、信任，以及有人负责的决定，就越珍贵。
让冷市场给机器打分
夸奖是温暖的信号，回访更冷一点，留下邮箱需要交出一点信任，付费则要拿出真钱。通常，陌生人付出的成本越高，信号越接近真实意图；当然，定价、定位和分发也会扭曲单次结果。关键不是迷信某个指标，而是停止在私人热情里打转，让陌生人真正接触一件完整的东西。
从一个足够窄的问题开始，只做一件能完整解决它的最小资产，并把它放到目标用户本来就会寻找答案的地方。给实验设定期限，像客户一样亲自使用，核实每个主张，删掉泛泛而谈的部分，讲清楚它适合谁，然后在项目长成私人纪念碑之前发布。
第一件资产不必立刻替代工资，它的首要任务是制造证据。没人到访，说明分发失败，资产其实还没接受测试；有人来了马上离开，可能是承诺或匹配度有问题；有人使用却不愿付费，可能是产品形态或报价不够好。这些都是对一台机器的诊断，不是对你个人价值的判决。
要做组合，不要做仓库
如果第一台小机器有效，也别急着围绕它扩建帝国。第二件资产若有不同的失败方式，就能减少你对单一渠道或客户类型的依赖。但所谓组合，绝不是堆满废弃项目的仓库。每件资产开工前都该写下测试条件：什么信号值得继续投入，最晚什么时候出现，如果始终没有出现，你准备怎么办？
车间这个比喻也有边界。数字资产需要维护、分发、客户信任和持续判断；搜索引擎、平台、支付服务商和交易市场都可能改规则。组合只能减少依赖，不能消灭依赖。AI 也不保证需求存在，它只是让许多实验变得更便宜。
你愿意让哪一块判断力被看见？
更深层的变化，并不是简单地从雇员变成创业者，而是从把全部判断力租给一个买家，转向让其中一部分被更多人看见、使用。你完全可以在职时开始；眼前的工作，或许正是寻找那些“大组织嫌太小、太麻烦、太无聊而不愿解决的问题”的最好地图。
本期视频和这篇文章已经完整交代了核心论点、操作模型与风险边界。如果你想继续阅读更丰富的案例与市场打法，可以从这里了解或购买 《发布或出局》。这本书是一条更深入的路径，却不是开始行动的前提。
你反复遇到的哪个问题，在雇主眼里太小、不值得修，却恰好沉淀了你的独特判断？围绕它，你能发布的最小完整资产是什么？
Watch more first-principles field guides on Wiki4What, or read the essays at blog.wiki4what.com.