奥特曼近期访谈：未来几年，拉开人与人差距的4种能力
奥特曼在一场45分钟访谈里谈了几件反常识的事：程序员为什么没被取代，越先进的模型为什么越容易讨好，效率提高后大家为什么更忙。落点是一句提醒，既然横竖都要拼命，不如挑值得的事。
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时代人的意义、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比拼力的技能迅速贬值，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班底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。”
他甚至半开玩笑地预测，往后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。
用户今天提出的需求，明天可能就会改变；一个软件操作操作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）；当用户因为平台故障遭受损失时，总得有人站出来沟通；当项目最终没有达到预期时，也总得有人解释缘由、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手段执行上：你会不会某种编程语言，能不能解决复杂的技术议题，能不能比别人更快地完成打造任务。
但当AI把编写代码的成本大幅降低之后，技术手段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？出了难题，能不能迅速找到成因并承担责任？
换句话说，程序员正在从单纯的代码生产者，转变为议题定义者、操作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滑，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，一个厂商想打造一套软件，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、小型软件、个性化平台，都有了实现的可能。
原本只有大企业才有能力做的事情，现在小队伍甚至个人也能尝试。
需求的边界被打开了。于是，AI越能写代码，赛道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，不是岗位规模，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、整理统计结果而受到重视。
现在，这些工作AI都能完成。真正拉开差距的，是谁能判断行业机会，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，那么管理者的作用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。
今后职场淘汰的，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“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“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“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，既然商品是给人使用的，那么使用者更喜欢的回答，应该就是更好的回答。
可问题在于，人们喜欢的答案，不一定是最有作用的答案。
比如你向AI提出一个商业计划：“我准备在一年内开出100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，很有机会实现快速提升。”
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。
状况就在这里。
如果一个平台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，我完全兼容。”老板点了点头。
第二个人补充：“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：“我看来这个项目目前不适合启动。我们还没有证明客户愿意付费，较量对手的开销也比我们低。”
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规划，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。
