未来10年最稀缺的能力，并不是学AI
AI正在迅速降低写作、设计、编程和数据分析的门槛。具体技能的保质期会越来越短，但这不等于人不再重要。
我更愿意把未来真正稀缺的能力概括为 Agency：一个人能否自主确定目标，主动寻找办法，并根据反馈不断修正行动。
从完成任务到解决问题
我们从小熟悉的是一套明确的奖励机制：完成作业，取得好成绩；接受任务，按要求交付；做好这一轮，再等待下一轮。
这种训练能培养执行力，却也容易让人把成长的主动权交出去。久而久之，我们关心的是“别人要我怎么做”，而不是“真正的问题是什么”。
素材里那位互联网运营者的经历很典型。他起初认真完成每一项任务，却在几年后发现，自己只是在重复既有动作。换到一个只给目标、不提供标准答案的岗位后，他不得不研究竞品、测试渠道、分析数据，再根据结果调整方法。
成长发生在后一个阶段。关键差别不是工作更忙，而是他开始对结果负责，不再只对指令负责。
高 Agency 的三个特征
第一，不等待许可才开始迭代。
低 Agency 的人接到方法，然后判断方法有没有用；高 Agency 的人先明确目标，再研究、尝试、失败和调整，直到找到有效路径。
第二，把行动看成实验。
面对任务，有人首先寻找唯一正确答案，有人则思考需要做哪些小实验才能接近答案。后者并非不怕失败，而是把失败当作反馈，把试错当作获取信息的成本。
第三，相信困难可以被拆解。
“这件事可能吗”关注的是限制，“怎样才能做到”关注的是路径。换一个问题，人的注意力、资源配置和行动方式都会改变。
AI 淘汰的是机械执行
如果一项工作的基本结构是接收任务、按照固定步骤完成、交付结果，它被 AI 替代的风险确实很高。
但如果工作的核心是定义问题、设计方案、调动资源、判断质量并根据反馈调整，AI 更像一个能力放大器。
现在，AI 可以很快生成文章、图像、代码和分析结果。真正困难的问题已经从“能不能做出来”，转向“应该做什么、为什么这样做、什么结果才算好”。
没有方向、结构和判断，生成得再快也只是增加内容。能提出目标并辨别结果的人，才有可能把 AI 的效率转化为价值。
所以，学会某个 AI 工具并不是终点。工具还会继续变化，真正稳定的能力是设定目标、作出判断和持续迭代。
从技能专家转向问题专家
这里还涉及专家与通才的重新分工。
过去，一个人可以依靠熟练掌握某种复杂工具建立壁垒。今天，AI正在压缩许多工具技能的学习和执行成本。设计师的价值不再主要来自熟悉多少软件功能，而在于能否判断什么是好设计，能否用设计解决具体问题，并根据场景调整方向。
这并不意味着专业深度失去价值。真正需要警惕的，是把专业能力绑定在一种工具或一套固定操作上。
我更看重一种以问题为中心的通才能力：理解多个领域的基本逻辑，把不同知识组合起来，再调用合适的工具完成目标。工具会过时，问题和人的需求仍然存在。
未来更有生命力的人，往往不是“什么都会一点”的浅层通才，也不是只守住一种技能的狭窄专家，而是既有专业判断，又能跨领域整合资源的问题解决者。
Agency 只能在行动中形成
这种能力不是听懂一个概念就能获得的，它只能通过一次次自主行动建立。
先选择一个真正属于自己的目标。目标不必宏大，但不能只是别人告诉你应该追求什么。
然后研究已有做法。学习他人的方法和思路，但不要把模仿当成答案。别人的路径只能提供假设，不能代替自己的验证。
接着设计最小尝试。用较低成本开始行动，观察结果，保留有效部分，修改无效部分。失败不是结论，而是排除错误答案的过程。
尝试足够多以后，个人的方法论才会逐渐形成。到那时，人不再只是遵循现成规则，而是能够针对具体问题创造规则。
跨过自己画下的线
素材用“习得性无助”解释了一种常见状态：过去的失败会让人相信，新的出口也没有意义。另一个蜘蛛越过画线的故事，则用来说明许多限制可能只是心理边界。
这些故事最值得保留的，不是实验细节，而是它们指向的行动逻辑：很多边界只有亲自试过，才知道究竟是客观约束，还是自己默认的规则。
Agency 不是盲目乐观，也不是相信所有事情都能成功。它意味着面对不确定性时，仍然愿意寻找可行动的部分，用真实反馈修正判断。
当我面对一个新机会或新挑战时，可以先问自己三个问题：这个目标是别人交给我的，还是我真正想实现的？如果失败，我能获得什么信息？现在可以开始的最小尝试是什么？
AI会继续替代旧技能，也会不断创造新工具。一个人只要仍有方向感，能够自主行动并持续调整，就不会把自己的命运绑定在任何一项注定过时的技能上。