事实过去18个月里，主流大模型在法律文书起草、医学影像初筛与代码审查上的准确率已经逼近甚至超过初级从业者的平均水平。这不是预测，而是已经在多家机构的内部评测中被反复验证的结果。
但准确率不是这篇报道想回答的问题。我们想知道的是：当"判断"这件事本身可以被外包，人还剩下什么是无法被替代、也不应该被替代的？
一、被重新定义的"专业"
受访者观点"我花了十二年才学会读懂一张CT片子里的犹豫，"新加坡国立大学放射科医生陈静怡说，"AI读的是像素规律，我读的是这个病人过去三次复查里没说出口的担心。"她的科室去年引入AI初筛系统后，误诊率下降了，但她的门诊时间被切分成了更多五分钟的片段。
"效率提升了，但没有人问过我们，省下来的时间应该用在哪里。"
推断如果这种模式在更多专业领域复制，专业性的核心可能会从"完成任务的能力"转移到"对任务边界的判断力"——即知道什么时候该信任系统，什么时候不该。
二、劳动者的三种应对
在肯尼亚内罗毕的一间数据标注公司，我们见到了三种截然不同的态度。资深标注员奥马里选择成为"AI审核员"，专门挑出模型的系统性错误；年轻的旺吉库正在自学提示工程，把标注经验转化为新技能；而已经离职的基普罗诺则认为，这份工作本身"从一开始就是把人的判断力训练成可以丢弃的原材料"。
事实国际劳工组织2026年的报告显示，全球数据标注行业从业者中，超过60%集中在东南亚、南亚与非洲，而模型能力的最终受益方多集中在少数几个国家。
三、留下的，可能是"承担后果"的能力
访谈进行到后半程，几乎所有受访者不约而同地提到同一件事：不是创造力，也不是共情，而是"愿意为一个判断承担后果"。系统可以生成建议，但目前没有任何机制能让一个模型真正"负责"。
受访者观点"也许人类独特性从来不是能力问题，"伦理学者马库斯·陈说，"而是我们愿意为彼此的错误停下来、道歉、修正。这件事AI做不到，也不该由它来做。"
这不是一个可以在一篇报道里回答完的问题。友渡纪会持续跟进这12位受访者未来一年的选择，作为"未来不止一种"硬核专题的一部分。