执行变廉价之后，什么能力还值钱
真正变化的是定价机制
AI 让很多事情变快了，但职业差距在拉大。junior 被 AI 放大，senior 更值钱，但 senior 反而更难被组织看见。
所有人都能用 AI 写代码、做分析、出报告，执行效率就不再稀缺了，市场也在重新定价：什么能力真正稀缺，AI 替不了。这篇想聊的就是这件事，不涉及怎么用 AI、prompt 工程或者求职技巧。
职业价值来自降低不确定性
不确定环境里，职业价值可以写成一个公式：
价值 = 正确性 x 执行效率
AI 提升的是执行效率这一项，但方向错了，效率越高亏得越多。在确定性系统里，执行效率直接产生价值，写代码、代码跑、价值出来，很线性；但在高不确定系统里，执行效率只是必要条件，能稳定降低不确定性的能力才产生复利价值。
不确定性 = 系统未来状态不可预测程度 x 错误决策不可逆程度。系统复杂度持续增长、依赖关系动态变化、错误决策后果不可逆，三者叠加就是不确定性的来源，方向一旦错了，执行效率再高，价值也是负数。
执行成本趋近于零之后，市场只会为判断和责任付费：AI 让谁都能快速执行，执行本身就变廉价了，真正被重新定价的不是效率，是判断和责任。
Senior 更值钱，但更难被看见
Senior 更值钱，但组织反而更难认出这份价值，因为它体现在"没发生的事情"上，这是个结构性矛盾。
没出的事故、没走错的架构、没犯的误判，全都看不见。组织天然更容易奖励看得见产出的人，而预防的价值就是"没发生的事故"，怎么量化、怎么证明都是难题。Senior 的困境就在这里：价值最大，却最难被看见，唯一的解法是把预防这件事指标化，不然它永远不会被定价。
senior 得主动构建可见性，MTTR 下降、incident 频率下降、oncall 负担下降、变更成功率提升，这些指标不会自己冒出来，要靠 senior 去建监控、设计诊断路径、构建预防机制，再用指标证明价值。
即使有了指标，价值证明也需要时间：短期看不到（问题没发生），中期靠指标化，长期靠系统稳定性。市场看长期价值，组织看短期产出，这个错位是常态。
Junior 和 Senior 的真实分界线
别用经验年限或技术栈区分 junior 和 senior，直接用决策层级区分，一共三层。
工具型执行者
接到任务能完成，熟悉工具，能写代码、部署、调参。AI 对这一层放大效果最强，但也最容易被替代，因为 AI 也能执行。
问题型决策者
这是 senior 的起点：判断问题本质，知道先做什么后做什么，能控制误判成本，能建立诊断路径。这一层开始跟 AI 拉开距离。AI 能给答案，但不承担误判成本；AI 可以识别风险模式，但不会为结果负责，所以做不了责任约束下的决策。
系统型预防者
这是 staff+ 的思维方式：看到问题模式，设计机制减少未来问题，建立可复用诊断系统，降低长期不确定性。价值不在解决问题，在减少问题出现的概率。这一层 AI 最难替代。
中间是一种工作模式，不是职位等级：持续解决问题，但不定义问题、不建模系统、不降低未来问题概率。
几个信号可以自测：不参与系统级决策、不构建诊断模型、不设计长期机制、只在 ticket 范围内优化。符合这些特征就是中间层模式，跟能力强弱无关，只是这种工作模式容易被 AI 压缩。中间层最危险的地方也在这里：执行能力强，AI 能替代；但缺乏问题建模和系统决策能力，没法跃迁到 senior。
医生这个类比
程序员和医生本质上都是高不确定性诊断职业，一个诊断人体，一个诊断系统。在高不确定性系统里，工具越先进，经验反而越值钱，因为核心价值不在检测和执行本身。
医疗设备越来越强，检测越来越自动化，数据越来越丰富，但医生仍然不可替代，因为医生真正的价值是：判断先查什么（诊断顺序）、判断是否过度治疗（风险控制）、控制风险（责任承担）、形成预防策略（长期机制）。对应到软件工程：
| 医疗 | 软件工程 |
|---|---|
| 检测设备 | observability / logs / metrics |
| 化验数据 | monitoring / traces |
| 手术工具 | CI/CD / k8s / cloud |
| 诊断 | root cause analysis |
| 预防复发 | system design / automation |
高不确定性系统里的职业最终都会进化成诊断型职业，医生是最典型的样本，程序员正在走上同一条路。
怎么判断方向对不对
如果方向正确性只能事后判断（靠结果验证），那整个论点就变成了"成功的人方向才是对的"，一种幸存者偏差。
但方向正确性可以事前判断，标准是看有没有减少不可逆错误，不用等结果验证。可以事前看的标准是：是否增加系统复杂度、是否增加耦合、是否增加恢复难度、是否增加单点风险、是否降低可诊断性，这些都是不可逆的。
比如选微服务还是单体，评估复杂度、耦合度、可恢复性；选数据库方案，评估单点风险、可诊断性；选监控方案，评估可诊断性、恢复难度。这些判断在结果出来之前就能做。
两个容易混淆的概念：系统复杂度和业务复杂度。senior 需要降低系统复杂度，但得适应业务复杂度；可观测性（能看到状态）不等于可诊断性（能从状态推断原因）。
差距在分化成哑铃结构
AI 时代的能力差距不会缩小，会分化成哑铃状：低端被放大，执行更快但更容易被替代；高端被强化，工具更好、价值更高；中间被挤压，干得更多但价值往下走。现实已经在发生：junior 产出暴涨但薪资不涨，senior 决策权上升但人数更少，中间层做得更多、赚得更少。
AI 提供答案，但不提供责任。它能识别风险模式、生成执行方案、优化执行效率，但不承担误判成本、不做系统级决策、不设计长期机制。真正稀缺的是能对结果负责的人。
往前看：短期 AI 放大执行者，提高效率；中期 AI 替代部分执行者，实现自动化；长期只留下需要判断和责任的那批人。市场定价看供需，senior 更稀缺，价格更高；组织定价看可见产出，senior 价值不可见，容易被低估，两套定价逻辑经常对不上。
三种不可替代的能力
1. 问题建模能力
把模糊问题转成可诊断结构，把复杂系统拆成因果路径。这是 senior 和 junior 最大的差异：能力图谱，不是技能清单。能力图谱说的是"网络问题怎么诊断"，技能清单说的是"我会 k8s"。
2. 风险控制与优先级判断
知道什么不能动、什么先验证、什么会扩大 blast radius。AI 能识别风险模式，但不为结果负责，所以做不了责任约束下的决策。
误判成本分几种：时间成本（导致重做）、机会成本（错过机会）、系统成本（故障或数据丢失）、信任成本（团队信任下降）。senior 的核心能力就是控制这些成本。
3. 系统性预防能力
解决一次问题很容易，减少未来问题才稀缺。能建检查清单、建监控信号、建防复发机制，这就是 staff+ 思维，也是长期定价权真正的来源。
怎么从执行者跃迁到系统型工程师
把每次 debug 写成"临床病例"
记录症状（问题表现）、误判风险（可能的错误方向）、诊断路径（怎么定位的）、root cause（根本原因）、预防方案（怎么避免再发生）。这不只是写文档，是在建诊断模型。
建能力图谱
网络问题怎么诊断、存储问题怎么诊断、调度问题怎么诊断，这些问题的答案会沉淀成能力图谱，写在技能清单里的工具名不会。技能清单能被替代，能力图谱替代不了。
建价值账本
所有成果转化为降低风险、降低成本、提升稳定性、缩短 MTTR，这是 senior 定价能力的来源，具体指标是 MTTR 下降、incident 频率下降、oncall 负担下降、变更成功率提升。
跃迁路径就两步：从执行任务到定义问题，靠问题建模能力；从解决问题到预防问题，靠系统设计能力。
最后
我自己的体会是，从"我能做什么"切换到"我能避免什么"之后，职业路径反而清晰了很多。
职业安全感不来自会不会用 AI，来自在复杂系统中能不能降低不确定性。当执行变廉价，判断和责任就是唯一的稀缺资产：会用工具的价值在缩水，知道什么时候不该动的价值在涨。