洞察

AI时代的「经验公证」——AI能把专家的活干成一秒,但没人能给那一秒签字

2026年11月22日
0 阅读
原创

从两条并列热榜切入:Lean与Mathlib社区确认Alpöge对黎曼猜想的证明正确(25万页证明配17万个模块的形式化验证全部编译无错);顺丰因违规被暂停全军采购。一条讲数学一条讲快递,但同一结构——当「做出结果」极其廉价时,「确认结果可以对」变成最贵的一环。提出新岗位「经验公证人」:不是用AI干活,而是当AI给判断时能说出「在我们这里成不成立」并愿意签字。真实场景:医疗器械公司上AI检验系统准确率98%,五个月后新供应商换材质超出训练边界,系统判合格出货全退,关键是「系统判合格时没有任何人说这批我签了」——被删掉的不是一个流程,是一个承担责任的岗位。三个动作:给AI输出划边界(边界知识:从没写在手册里的长尾经验)、把「我知道」变成「可签字」(写成条件+依据+例外,从人脑资产变成纸上资产)、在关键节点停下(异常/场景变化/金额阈值/新客户,20%时间覆盖80%风险)。算账:准确率98%一天1000单即每天20单错,公证人盯4个节点可覆盖16单——风险量级变化而非百分比变化。为什么必须是踩过坑的老手:机器能验证符合规则,不能验证规则在你场景对不对。某公司裁掉老员工后一两年内冒出一堆「AI怎么会这样」的事故,是边界知识持有者被裁掉了。三个动作:列四个关键节点、找两个见过翻车的人(给他们「可以叫停」权限)、把边界知识写成一句话清单一「当____的时候,AI的判断不可信,因为____」。

新岗位 · Created

AI时代的「经验公证」——AI能把专家的活干成一秒,但没人能给那一秒签字

今天的热榜,有两条看起来毫不相干:

一条是「Lean与 Mathlib 社区联合声明,正式确认 Alpöge 对黎曼猜想的证明正确」。

另一条是「顺丰速运涉嫌存在违规问题,被暂停参加全军采购活动」。

一条讲数学,一条讲快递。但在我看来,它们说的是同一件事:当"做出结果"变得极其廉价时,"确认结果可以对"变成了最贵的那一环。

黎曼猜想的证明有25万页。MIT团队用17万个模块做了形式化验证,全部编译无错,社区才敢说"大概率为真"。你看这个结构:证明是一次性的,验证是工程级的。

顺丰那条也一样。不是"你没送快递",而是"你的流程在某个环节不符合规则"。问题不在结果,在过程能不能被追溯和签字。

一、AI时代最值钱的新岗位,不是提示词工程师

过去两年,市面上讨论最多的新岗位是"AI训练师""提示词工程师"。我认为这两个词都会消失,它们是过渡期的方言。

真正会留下来的新岗位,我给它起了个名:「经验公证人」。

他做的事,不是用AI干活。他做的是:当AI给出一个判断时,他能说出"这个判断在我们这里成不成立",并且愿意为此签字。

"公证"这个词很关键。公证人不发明事实,也不执行判决。他做的是确认:确认这份文件是真的,确认这个人当时在场,确认这个签名是他本人签的。

在组织里,这个角色现在几乎全是空缺的。

二、为什么这个空缺是致命的

先说一个我亲眼见的场景。

一家医疗器械公司的质量部,去年上了AI辅助的检验系统。图像识别判断产品表面有没有瑕疵,准确率做到98%,比人眼快十倍。老板算了一笔账:三条产线减掉九个人,一年省两百万。

系统跑了五个月,出了件事。一批产品被判合格,出货后客户投诉,全部退货。事后复盘发现:那批产品的材质有一点点变化,是一个新供应商供的料。AI没见过这种材质,它不知道要报警,它按旧的样子判断了,判断"没问题"。

关键的一句在这里:系统判"合格"的时候,没有任何人说"这批我签了"。

原来的九个人,每个人验完一批会签字。签字意味着:我看了,我认为行。出了问题找我。

系统上线之后,这个签字环节被优化掉了。因为"系统说合格"看起来不需要再签字了。而没有人意识到,被删掉的不是一个流程,是一个承担责任的岗位。

老邓的判断:AI能替代执行,但替代不了承担。而承担,恰恰是组织里唯一不能自动化、又必须存在的功能。

这就是为什么我说"经验公证人"是新岗位——不是因为它新,是因为它被删掉了,现在必须重新设回来。

三、这个岗位具体在干什么

我把它拆成三个动作,你可以对照看看谁在做。

动作一:给AI的输出"划边界"

不是判断AI答得对不对,而是判断这个问题在什么情况下AI会错。

比如上面那个案例,公证人要能说出:"这批料换了供应商,材质变了,这个场景超出了系统的训练边界。"这句话不需要AI,需要的是对现场的熟悉。

我把这个叫边界知识。它从来不会写在手册里,因为它太碎、太具体、太长尾。但正是这些边界知识,决定了AI在你的场景里能不能用。

动作二:把"我知道"变成"可签字"

很多老专家的判断是对的,但他说不出为什么对。这种判断,在组织里是不可继承、不可追责、不可审计的。

公证人的第二个工作,是把这种"我知道"变成一份能被别人读、被别人质疑的东西:我在什么条件下做这个判断,我依据的是哪几条经验,我见过哪些例外。

这件事很难,但它值钱。因为一旦变成了可签字的东西,它就变成了资产。写在纸上的判断,和长在人脑子里的判断,价值差一个数量级——前者能复制,后者只能供养。

动作三:在关键节点上"停下来"

这是我见过最有效的一个做法。不是让公证人全程跟着,而是在几个关键节点强制停留:异常发生时、场景变化时、金额超阈值时、客户是新客户时。

平时AI自己跑,公证人不管。到了这四个点,必须有人看一眼,签个字。用20%的时间,覆盖80%的风险。

怎么算这笔账:

假设你的AI系统准确率98%,一天处理1000单,就有20单是错的。

如果你不知道这20单错在哪,你的实际风险等于"每天20次盲盒"。

如果你的公证人只盯4个关键节点,可能覆盖其中16单——风险降到每天4次盲盒。

这一个岗位,换回来的是风险量级的变化,不是百分比的变化。

四、为什么这个岗位一定要是"人",而且是有经验的人

有人会问:能不能让AI去验证AI?

能,而且应该做。黎曼猜想的证明,就是铁证——17万个模块的机器验证,比任何人的眼睛都靠得住。但请注意一个细节:验证的规则是人定的。哪些证明步骤算合法,用什么逻辑系统,谁有权宣布"编译无错即正确",这些全部是人类社区的共识。

机器能验证"这个答案是否符合规则",不能验证"这套规则在你的场景里对不对"。

所以"经验公证人"不能是新来的人,必须是那些踩过坑的人。他的价值恰恰来自他知道哪里会翻车。这一点反直觉:在一个AI可以做大部分事情的时代,你反而更需要那些"见过足够多的失败"的人。

这也解释了为什么很多公司裁掉老员工之后,一两年内会突然出现一堆"AI 怎么会这样"的事故。不是AI变笨了,是边界知识的持有者被裁掉了。

五、给三个能落地的动作

动作一:列出你的"四个关键节点"

今天就能做。把你业务里"出了问题最贵的场景"列出来,选四个。这四个点,从今天起必须有人签字,AI不能单独放行。

动作二:找两个"见过翻车的人"

不用是管理层,最好是那种在一线待了八年以上、话不多、但每次出事都被叫过去的人。把他们设为公证人,给他们一个正式的头衔和一点明确的权限:可以叫停。

"可以叫停"这个权限非常重要。它既是权力,也是责任的载体。没有叫停权的签字,是走过场。

动作三:把"边界知识"写成一个持续更新的清单

不要求写得多好,只要求一条:每次出事,往里加一条。

格式就用一句话:"当____的时候,AI的判断不可信,因为____。"

一年之后,这份清单会成为你公司最值钱的文件之一。因为它记录的是模型不知道、只有你知道的东西。

六、最后

黎曼猜想那件事,最震撼我的不是数学,是结构:25万页的证明,需要17万个模块的验证,才敢说"大概率为真"。

这是一个健康系统该有的比例:产出越大,验证越重。

而大部分公司现在的比例是反过来的——产出被AI放大了十倍,验证还停在原来那点人、那点时间、那点权力。

AI把执行变便宜了,于是验证变成了瓶颈。而验证不是靠算力解决的,它靠的是有人愿意为你的一句话负责。

所以,别再问"AI会不会取代我们"。问一个更实的问题:

在你的公司里,现在还有谁,能为一个判断签字?

如果答案是"没有人"或者"都是老板",那你缺的不是AI,是公证人。

想继续往下走?

🧠 做一次认知测评(5 题,找出你组织里的验证空缺)

🎮 打开行动手册(4 步,一个月内设起这个岗位)

配套行动工具

#新岗位#责任机制#AI验证#热榜嫁接

相关洞察