来源：Range and Depth on Demand | Salman Mian | 2026-06-01
分析完成时间：2026-06-06 00:28:00
翻译：Range and Depth on Demand（按需的广度与深度）
每个人都在问：AI 更偏爱专才还是通才？
我认为这个问题本身就问错了。
AI 不选边站。它改变了权衡关系。
旧世界强迫你做选择。你可以走深，也可以走广。专才有深度。他们了解产品、功能、领域、流程、边缘情况，以及只有在问题空间中长期浸泡才能获得的来之不易的教训。他们能回答自己领域内的难题。
通才有广度。他们能跨团队、客户、市场、职能和商业模式连接线索。他们能看到别人错过的模式。他们能在天然不说同一种语言的群体之间做翻译。
两者都有价值。两者都不完整。
专才常常被困在狭窄的赛道里。通才常常缺乏做出艰难决定所需的深度。这种权衡塑造了现代组织架构，其影响超出我们的承认。
很多组织设计都是围绕人类认知范围的限制而建的。没有人能同时掌握足够的上下文、专业知识、政策、技术细节、客户细微差别和判断力来把复杂工作从头推到尾。所以我们创造了交接。
业务人员交接给技术人员。技术人员交接给产品人员。产品人员交接给法务人员。法务交接给安全。安全交接给 IT。IT 交接回来，附带三条评论和一个会议邀请。
非常精密。也非常慢。
这就是 AI 改变最大的部分。
AI 不会让专业化变得无关。它也不会神奇地让每个人都成为出色的通才。AI 攻击的是交接税。
它给专才更多广度。它给通才更多深度。它让更多人能把工作推得更远，直到需要另一个人类介入。
最后一点很重要。
目标不是消灭专家。目标是停止把专家当路由基础设施来用。
拿一个简单的例子：赋能内容。
在旧模式下，负责内容的人可能需要产品、法务、IT、安全、现场赋能和其他几个团队的输入，工作才能成形。其中一些审批是真实的。法务审批该批的地方你仍然需要法务。安全审批该批的地方你仍然需要安全。当答案真的重要时，你仍然需要真正的产品专家。
但大量的来回不是判断。是翻译。是初稿审查。是基础风险识别。是让别人来替所有者做他本可以在交接前自己做的思考。
有了 AI，那个内容所有者应该在牵涉任何人之前就能做更多。他们应该能起草内容、对照政策比较、压力测试信息传递、识别可能的法律顾虑、检查技术声明，并准备一份更干净的审批包。
专家仍然审批。但现在专家被用于判断，而不是清理。
这就是转变。
AI 不消除对深度的需求。它减少的是因无法即时获取深度而产生的依赖。
这听起来微妙，但并非如此。它改变了运营模型。如果更多人能承载更多上下文，工作就不需要穿过同样数量的人工检查点。如果首轮分析很便宜，专家就不应该花时间修复半成品的输入。如果协调成本下降，团队就不应该因为路径熟悉就保留旧的路由路径。
我们称之为"协作"的很多东西，不过是更有礼貌的延迟。
AI 迫使我们对这一点更诚实。
这就是为什么我不接受"未来属于通才"这种简单论点。
听起来不错。但不完整。
一个浅薄的通才加上 AI 仍然浅薄。他可能只是更快地产出自信的废话——这可不太像我们被承诺的革命。
深度仍然重要。 事实上，深度可能更重要了，因为 AI 让表面流利变得廉价。任何人都可以让 AI 总结一个话题。任何人都能生成像样的初稿。任何人都能听起来很懂五分钟。
区分因素变成了你是否知道得足够多，能发现缺失了什么。
这就是 expertise 登场的地方。
专家知道哪个细节是错的。专家知道哪个假设是危险的。专家知道答案什么时候听起来对但在真实环境中会失败。
AI 提高了下限。它没有抹掉上限。
但专才也必须改变。
没有广度的深度变成瓶颈。如果你的价值只是知道一件事而所有人都得等你回答它，AI 正在直接瞄准那个模型。
最优秀的专才不会只保护自己的赛道。他们会从赛道扩展出去。他们会用 AI 来理解周围的业务上下文、相邻系统、客户影响、竞争动态、实施约束和运营风险。
我想起我的医生。他是一个 TMJ（颞下颌关节）专家——几十年沉浸在一个狭窄而困难的问题中。那种你无法伪装也无法速成的深度。
他有产品想法很多年了。只有生活在那个问题空间里的人才会想到的东西。但想法总是在同一个地方死掉。不是因为想法错了。因为想法周围的一切都需要另一个专家。成分研究。监管审批。制造。专利申请。法律。每一个都是一次交接给一个他没有、请不起、或不知道如何开始对话的人。
所以想法一直是想法。
这改变了。不是因为他变成了化学家或专利律师——他的深度仍然在颌部，不在知识产权法。但现在他可以自己做第一轮了。研究成分。梳理监管路径。了解专利申请实际涉及什么，然后再付钱请人提交。他可以把想法推进到足以判断它是否真正可行。
他仍然需要专利律师。他仍然需要监管专家。但现在他们是在一个经过深思熟虑的想法上被引入做判断——而不是来教他基础知识或把他路由给下一个人。
他的专业知识从来不是瓶颈。瓶颈是对其他人专业知识的获取。
他们的深度成为锚点。AI 扩展了半径。
对通才来说同样成立，只是方向相反。
最优秀的通才不会只是漂浮在工作之上连接线索。他们会用 AI 在问题需要时深入。他们会测试假设。构建原型。阅读文档。分析数据。理解足够的架构来知道真正的约束在哪里。
他们的广度成为优势。AI 给他们按需的深度。
所以未来画像不是专才或通才。而是按需的广度与深度。
问题需要连接时，走广。决策需要专业时，走深。知道什么时候 AI 够了。知道什么时候需要人类专家。知道工作什么时候准备好审批，什么时候还是穿着体面外衣的半成品。
那种判断力就是工作本身。
这对领导者有重大影响。
如果你的运营模型仍然假设每个问题都需要路由通过五个人类，你不是 AI 原生的。你只是用更好的工具变得更慢。
如果每个团队都在等待另一个团队推进基础工作，你没有重新设计工作。你把 AI 加到了同样的旧依赖链上并称之为转型。那不是战略。那是带主题演讲的采购。
领导者应该问的问题不仅是"我们怎么让每个人更高效？"
那太模糊了。
更好的问题是：我们在哪里把人类当交接点用，而不是当判断力用？
那个问题暴露了浪费。
它显示专家在哪里被拉进低价值审查。它显示通才在哪里协调他们现在可以自己推进的工作。它显示专才在哪里等待他们现在可以生成的上下文。它显示团队在哪里保护旧流程而不是重新设计流转。
这才是真正的领导力工作。不是买工具。不是宣布试点。不是庆祝说明不了工作是否真的改变了的使用指标。
工作必须围绕一个新假设重新设计：更多人现在能承载更多上下文。
这意味着一些交接应该消失。一些审批路径应该更干净。一些角色应该扩展。一些流程应该被删除。一些专家应该被从低价值工作中保护出来，以便他们能专注于真正需要专业知识的决策。
这让人不舒服，因为交接不仅是流程。它们也是身份、控制和风险管理。团队围绕成为工作流中的必要站点来建立权力。领导者围绕知道每个风险都有人在其他地方负责来建立舒适。
AI 对所有这些施加压力。
它问了一个更难的问题：如果工作现在能以不同方式流转，为什么我们仍然这样组织？
这也改变了我们思考人才的方式。
旧的招聘和发展模型奖励静态专业知识。你知道什么？你在哪里工作过？你覆盖过什么产品？你支持过什么职能？
这些仍然重要，但不再够了。
新的问题是：你能不等待组织给你手册就弄清楚什么、构建什么、验证什么、推进什么？
这是一个不同的画像。
构建者的证明胜过学历。
给我看你构建了什么。给我看你卡在哪里了。给我看 AI 在哪里错了。给我看你怎么恢复的。给我看你如何把技术决策连接到业务结果。
这比一个关于转型的精心打磨的回答告诉我的更多。
那些会折腾的人会比那些等培训的人复合得更快。 这听起来可能刺耳，但我认为是真的。
培训告诉你组织已经知道什么。折腾向你展示现在什么是可能的。
在 AI 世界里，这两者之间的差距是巨大的。
那些在实验 agents、原型、工作流、代码、内容和数据的人，会发展出正式培训计划跟不上节奏的直觉。他们会知道工具在哪里强。哪里会出错。什么现在可以在一小时内完成而以前需要两周。
那种直觉变成了一项领导技能。
不是因为每个人都需要成为工程师。而是因为每个人都需要理解工作现在成本是多少。
起草的成本改变了。分析的成本改变了。原型的成本改变了。学习的成本改变了。协调的成本也应该改变。
如果做工作的成本下降了，但组织保留了同样的交接，瓶颈不再是能力。而是肌肉记忆。
这是危险的部分。
大多数公司不会因为缺乏 AI 工具而失败。它们会失败，因为它们把 AI 螺栓固定在不应再存在的流程上。它们会用 AI 让旧工作流更快，而真正的机会是删除一半的工作流。
还有一件重要的事：架构。
按需的广度和深度只有在人和 agent 拥有可信的上下文时才有效。如果数据是陈旧的、碎片化的、权限不当的、或与工作流脱节的，AI 只是帮助人们更快地朝错误方向移动。
那不是杠杆。那是界面更好看的混乱。
使用 AI 的人需要访问正确的信息、正确的工具、正确的护栏和正确的升级路径。否则，他们不能安全地把工作推得更远。他们只能更快地产出更多制品。
这就是为什么 AI 战略不能简化为 prompt 培训或工具采用。底层架构很重要。数据模型很重要。权限模型很重要。工作流集成很重要。升级路径很重要。
如果这些部分缺失，AI 变成一个生产力剧场机器。大量产出。不够多的推进。
这不仅是一场职业对话。这是一场运营模型对话。
当更多人能承载更多上下文时，工作应该如何流转？
当首轮分析变得便宜时，专家应该如何使用？
当协调成本下降时，团队应该如何设计？
当知识可以被生成但判断力仍需被挣得时，领导者应该如何评估人才？
我不断回到这一点：
旧的组织架构是围绕人类认知范围的限制建造的。
AI 改变了这些限制。
那不意味着每个人都变得一样。那意味着角色之间的边界变得更加流动。
专才需要广度。通才需要深度。
专家仍然重要，但他们应该被用于判断力，而不是基础路由。
通才仍然重要，但他们需要足够的深度从模式识别推进到真正执行。
领导者仍然重要，但他们需要重新设计工作，而不是在破碎模型内庆祝生产力提升。
赢家将是那些知道什么时候走广、什么时候走深、什么时候真正需要另一个人类介入的人。
那就是新技能。按需的广度与深度。
深度解读
Part 1: Magazine Article
这篇文章回答的问题： AI 时代，专才和通才谁更有优势？答案是两者都需要改变——专才需要扩展广度，通才需要按需深入，组织需要重新设计工作流而非简单嫁接 AI。
这篇文章应该回答但没回答的问题： 当 AI 提供的"按需深度"是错的时会发生什么？拆除交接后，谁来承担风险？组织政治（权力、身份、地盘）如何真正被克服？
核心论点：AI 攻击的不是专业，是交接税
这篇文章最有洞察力的框架不是"专才 vs 通才"——作者明确说这个问题本身问错了。真正锋利的观点是：
很多我们称为"协作"的东西，不过是更有礼貌的延迟。
AI 最大的价值不是让单个人更聪明，而是减少人与人之间不必要的传递。作者称之为"handoff tax"（交接税）：你把工作从 A 传到 B、B 传到 C、C 传到 D，每个节点都是等待、翻译、审查、返工。其中很多传递不是在发挥判断力，只是在做路由——“我不懂这个，你来看看”。
AI 让更多人能在交接前把工作推得更远。不是消灭专家，而是让专家被用于判断，而不是清理半成品。
TMJ 医生的故事：全文最有说服力的段落
这位颞下颌关节专家的产品创意，在旧模式下死于每一次交接：成分研究需要化学家、监管需要合规专家、专利需要律师……每个环节都是一扇他推不开的门。
有了 AI 后，他不需要变成化学家或律师。他只需要把每个领域推进到"第一轮"，远到足以判断想法是否值得请真正专家的介入。
他的专业知识从来不是瓶颈。瓶颈是对其他人专业知识的获取。
这句话精准描述了 AI 对知识工作者的真正价值：不是替代你的深度，而是扩展你获取他人深度的半径。
三个层次的反直觉
第一层：浅薄的通才 + AI = 更快的废话。
一个浅薄的通才加上 AI 仍然浅薄。他可能只是更快地产出自信的废话。
这反驳了"AI 让所有人都变强"的乐观叙事。AI 提高了下限，但没有抹掉上限。表面流利变得廉价，真正的区分因素是"你是否知道得足够多，能发现缺失了什么"。
第二层：纯深度也危险。
如果你的唯一价值是"别人都得等你回答一个问题"，AI 正在直接瞄准那个模型。最优秀的专才会用 AI 扩展到周围的业务上下文。
第三层：组织层面的最大风险不是没 AI，是把 AI 螺栓固定在不应再存在的流程上。
它们会用 AI 让旧工作流更快，而真正的机会是删除一半的工作流。
压力测试：这篇文章的软肋
1. “按需深度"的质量问题。 作者假设 AI 提供的第一轮分析足够好到可以减少交接，但 AI 在专业领域的输出质量仍然不稳定。一个不懂化学的医生用 AI 研究成分，可能自信地忽略了一个关键的安全隐患。AI 提高了下限，但也可能制造更自信的错误。
2. 交接不仅传递知识，还传递责任。 拆除交接意味着风险集中在更少的人身上。法务审批不仅是"翻译”——它是组织合规的法律责任锚点。删除交接的前提是个人能承担更广的风险决策，但这需要配套的容错机制。
3. 组织政治被低估了。 作者轻描淡写地提到"团队围绕成为工作流中的必要站点来建立权力"，但这是最难改变的部分。让一个部门放弃"必须经过我们审批"的权力，不是展示 ROI 就能做到的。
Part 2: Socratic Dialogue
学生：所以 AI 时代到底是专才赢还是通才赢？
老师：你还困在"选边站"的思维里。作者的论点是：AI 改变的是权衡本身，不是帮你做选择。
学生：什么意思？
老师：以前专才有深度没广度，通才有广度没深度，你必须选一个。现在 AI 让专才能扩展广度，让通才能按需深入。你不再需要选——你需要学会切换。
学生：那为什么说"浅薄的通才 + AI 还是浅薄"？
老师：因为 AI 让表面流利变得廉价。任何人都能五分钟内"听起来很懂"。但真正的专业不是"能说出正确的词"，是能发现缺失了什么。专家知道哪个细节是错的、哪个假设是危险的、哪个答案听起来对但会在现实中失败。这种判断力 AI 给不了你。
学生：那 TMJ 医生的故事是什么意思？
老师：他的专业知识从来不是瓶颈——他的瓶颈是获取其他人的专业知识。他有好的产品想法，但每一个想法都死于"我需要找一个化学家/律师/监管专家来帮我看第一步"。AI 让他自己能走完第一步，然后再请专家做判断而不是教他基础。专家从"老师"变成了"审批者"。
学生：所以对公司来说，最重要的是什么？
老师：问一个更锐利的问题：我们在哪里把人类当交接点用，而不是当判断力用？ 如果你的专家花大量时间审查半成品、修正格式、翻译术语——他不是在发挥专业知识，他是在做路由。AI 应该消灭的是这些路由，不是专家本身。
学生：听起来最难的不是技术，是组织变革？
老师：对。作者说了一句很毒的话：大多数公司不会因为缺乏 AI 工具而失败，而会因为把 AI 螺栓固定在不应再存在的流程上而失败。用 AI 让旧流程更快，而不是删除一半流程——这才是真正的风险。
Part 3: 个性化洞察
1. 你的 Skill 系统就是"按需深度"的基础设施
Salman 说的"架构很重要"——数据模型、权限模型、工作流集成——你已经在做了。你的全局 Skill + wiki 知识库本质上是在给 AI Agent 提供"可信的上下文"，让他能在交接前把工作推得更远。你比大多数人更接近"AI 原生"的工作方式。
2. “构建者证明胜过学历"直接验证了你的职业方向
你做技术自媒体 + 开源 + AI 产品的路径，正是 Salman 描述的"构建者画像”。不是在等培训，而是在折腾 prototype、实验 workflow、发现 AI 的边界。这种直觉本身就是可复利积累的领导技能。
3. 对你的 AI 产品开发的启示
产品设计时，不要做"让旧流程更快"的工具，要做"删除交接"的工具。问用户：你们工作中哪些环节是在等别人做你其实能自己做的事？那就是 AI 产品应该瞄准的切入点。
4. 知识库的价值 = “发现缺失了什么"的能力
Salman 说区分因素是"你是否知道得足够多，能发现缺失了什么”。这正是你的 wiki 知识库的价值——不是让你知道更多，而是让你在 AI 生成内容时能快速发现错误和遗漏。知识库是你的"专家直觉"的外化。
5. 文章本身是"表面流利 vs 真正深度"的活案例
Salman 的写作是高质量的表面流利——框架清晰、金句密集、故事动人。但如果你仔细看，核心洞察其实可以压缩成三句话：AI 减少交接税、专才需要广度、通才需要深度。其余 3000 字是论证和故事。这本身就是 AI 时代内容的一个隐喻：表达容易，洞察难。