同事也会用AI，你凭什么拿更高的工资？

你会用AI（人工智能），不自动等于值得加薪；同事也会用AI，也不等于你的经验没用了。真正要重新说明的，是当一份像样的成果更容易做出来之后，你还能为这份工作多解决什么问题。

以前，一份方案写得快、内容齐、表达专业，可能就能看出几年经验的差别。现在，新同事借助工具也能很快拿出初稿。你当然会不舒服：自己花时间积累的东西，好像一下就变得不稀缺了。

但“初稿像不像”和“事情能不能做好”，还不是同一个问题。我们既不能假装这种变化没有发生，也不必立刻得出“老员工不值钱”的结论。更值得追问的是：你的经验里，哪些主要用来生产常规内容，哪些能帮助团队选择、验证和交付；其中哪些已经产生了看得见的贡献，又为什么还没有变成报酬。

工资不是对辛苦程度的精确打分。证明贡献不能保证涨薪，但只展示自己很忙、很熟练，也可能越来越难解释差别。

第一点：AI可能缩小某些任务的差距，不等于抹平整个岗位的差别

为什么先分清“任务”和“岗位”？因为“新人也能写出来了”很容易被放大成“新人已经能接替你全部工作”。

一项发表在《经济学季刊》的客服现场研究发现，经验较少的员工从AI辅助中获益较多，部分经验差距有所缩小；但作者明确说明，数据不能观察工资变化。研究原文

这不是对所有行业的裁员预测，更不是证明资深员工工资过高。它提示一个具体问题：当部分优秀做法可以通过工具传给更多人，原来依靠熟悉常规问题形成的差距，可能不再像过去那样明显。

但一个岗位通常由多种任务组成。工具能起草一封客户回复，不代表它同时掌握了客户历史、业务承诺、资源限制和处理权限。反过来，这也不代表这些工作永远不能被工具支持。需要逐项检查，而不是给人或工具贴一个永久的胜负标签。

经验的价值需要重新拆开，不是宣布经验已经作废。

第二点：你的经验里，哪些是“熟悉流程”，哪些能改变结果？

把经验拆开，是为了找到真正值得继续投入的地方。否则，“积累了很多年”很容易变成一个自己很清楚、别人却看不到具体内容的说法。

下面用一个虚构的运营场景说明，不是真实客户案例，也不代表运营岗位的普遍工资规律。

小林和小周都要为一家服务企业做获客活动。两人都能用AI拟标题、列脚本、安排发布日历，最后交上来的文档看起来都不错。

但小林多检查了几件事：客户到底有没有购买计划，活动吸引的是来领资料的人还是有实际需求的人；销售团队能不能及时跟进；报名条件是否说清楚；咨询到签约之间有哪些阻碍。

如果这些检查有数据、能推动改变，并确实减少无效工作，它们就可能构成额外贡献。区别不在谁写的页数多，而在谁帮助团队少做了什么无效的事、做成了什么有用的事。

不过，小林也不能凭一句“我把握了方向”就拿走全部功劳。广告预算、产品价格、师资或服务质量、销售执行，都可能影响结果。经验要变成有说服力的依据，必须能说明自己的具体作用和其他人的贡献。

这些工作都可以得到AI帮助。人的额外贡献不是靠“只有我能做”来宣布，而是靠实际记录来说明。

第三点：同事会用AI之后，你要拿出的不只是另一份更漂亮的初稿

只争谁更快生成内容，很容易把自己放进一个不断缩短的时间比较里。但转向“业务结果”，也不能只换一个大词。它需要落在具体工作中。

第一种贡献，是把问题问对。例如，咨询量少，究竟是没被看到、点击少，还是看到之后没有需求？如果没有分清就要求“多做内容”，可能只是增加产量。好的问题定义可以被AI辅助，但仍需真实业务信息核对。

第二种贡献，是把质量查实。不是在方案末尾签个名字，而是查出什么错误、补齐什么条件、如何确认修改有效。审核本身也要有成本与效果记录；没有必要的层层检查，同样可能拖慢团队。

第三种贡献，是把事情交付下去。内容做出来后，相关人员是否理解目标、数据是否接得上、客户是否得到承诺的服务？交付包含许多不在初稿里的工作，但不能因此把所有临时杂活都叫作核心价值。

第四种贡献，是让团队以后也能稳定做好。把问题和解决办法整理成能使用的流程，帮助新人减少试错，往往比每次亲自救火更值得记录。这里的前提是团队确实使用、确实受益，而不是多写了一份没人看的文档。

这几类不是“AI永远做不了的能力清单”，而是可以逐项验证的工作贡献。工具能力变化时，任务划分也要跟着更新。

所谓经验，不应只表现为“我见过”，还要表现为“因为我见过，这次的选择和结果有什么不同”。

第四点：把贡献说清楚，不要把工时换个名字就当成价值

这个区别为什么重要？因为职场里很容易出现两种夸大：把节省工时全部算成公司利润，或者把团队结果全部算成个人业绩。

你可以用下面这张表整理一段真实工作。它不是绩效评分器，不用加总成“岗位安全分”，也不代替公司正式考核。

没有完成严格对照时，就照实说“这段时间出现改善，我参与了这些行动，其他因素也可能影响结果”。这种表达比夸大的“全部由我创造”更经得起追问。

也不必把所有贡献都硬换算成人民币。有的工作主要减少错误、维护交付和降低沟通负担。可以记录实际纠错、返工、验收与反馈，不需要编造“如果出事一定损失多少钱”。

数据使用还要遵守权限。为了证明业绩，不应把客户名单、内部工资、未公开业务资料随意上传给工具；核对表可以用去标识的记录或本地材料完成。

第五点：有贡献，为什么也不一定能拿到更高工资？

如果文章停在“证明价值就会加薪”，会把真正的现实约束藏起来，也会让没有加薪的人误以为全是自己的问题。

薪酬还受企业经营状况、预算、岗位供求、薪酬制度与谈判空间影响。你贡献增加了，公司可能仍没有预算；公司从技术中受益，也可能选择把资源用于其他用途。创造价值和分到价值，是相关但不同的事情。

Humlum与Vestergaard在2026年发表的研究介绍中指出，丹麦早期数据里，工作任务已有调整，却没有观察到显著的平均收入与工时变化。其观察记录截至2024年末，不能当作今天中国职场的普遍结论。作者研究介绍

两项研究放在一起，能提醒我们不要跳步：一项研究任务表现，另一项研究特定市场的收入结果；提效、新任务、加薪，不能画上同一个等号。

因此，整理贡献证据的意义，是改善讨论的基础，而不是保证获得某种结果。讨论可以具体到：岗位范围是否变化，新增工作配不配套授权与资源，考核怎样认可，报酬调整按什么程序进行。涉及合同和劳动权益时，应结合适用规则通过正式渠道处理，不能靠一篇文章替具体争议定性。

不需要用更多无偿加班证明自己，也不必故意把流程藏起来制造依赖。稳定贡献应该得到合理安排，不能被理解成一个人无限兜底。

第六点：真正值得投入的，是一段能讲清楚、能复查的工作经历

对正在学习AI的人来说，没必要因为“同事都会了”就停止学习。工具仍能帮助完成工作、试验新方法。但如果学习只变成不断收集新工具、记更多提示词，就可能一直在追赶功能，却没有形成可以展示的工作证据。

可以从一项真实任务开始：明确它服务什么业务目标；用工具完成合适的环节；独立检查结果；记录自己怎样处理限制和例外；再看团队实际采用后发生了什么。这个过程不保证成功，却能让“我会用AI”变成一段有内容的经历。

对家庭来说，职业收入也是长期安排的一部分。没有必要因为一条“AI替代人类”的消息就推翻全部计划；同样，也不宜把学会某个工具当成未来工资的保证。把自身岗位的实际变化看清楚，比接受一个笼统的安全或危险标签更有用。

回到标题：同事也会用AI，你能拿出怎样的涨薪依据？不只是“我也会，而且更熟”，而是能够具体说明：我帮助团队更准确地选择、更可靠地交付，这些贡献有记录；新增职责，也应当有相应的资源与报酬讨论。

这不是说只有创造了可量化收益的人才值得尊重。人的尊严不按工资定价。我们要讨论的，是技术改变工作之后，怎样让贡献与回报的关系更清楚，而不是让普通人独自背下所有变化的责任。