JD 里有一个结构性谎言
把一个岗位的 JD 拆开来看，会发现一件事：这个人相当大一部分时间，其实花在查 Excel 上。
HR 把那份岗位说明书背给候选人的时候，和这个人入职之后每天真实的时间分布，往往是两件完全不同的事。
JD 的格式大家都很熟悉：职责 1、职责 2、职责 3，每一条都写得像战略级任务。"负责品牌投放策略制定与执行""主导多渠道媒体资源整合""驱动数据洞察支持业务决策"。听起来很完整，边界很清晰。
但这份文件没有告诉你的是：这个人实际上把相当大一部分时间，花在查 Excel 上。
这不是这家公司管理水平的问题，也不是这个员工能力不行的问题。这是岗位说明书这种工具的结构性缺陷——它描述的是职责边界，不是时间分布。它告诉你这个岗位负责什么，但不告诉你这个人每天怎么用时间。
在 AI 进场之前，这个落差是一个管理精细化问题，有的公司管，有的不管，不管也不影响考核。这个落差像一层薄雾，默许地存在于组织里。
AI 进场之后，这个落差开始变得昂贵。
原因很简单：AI 接管工作不是从岗位层面进入的，它是从具体的工作动作层面进入的。它能接管查 Excel，能接管生成报表，能接管整理参数，能接管初稿汇总——但它进不了谈判桌，进不了"这个渠道这个月要不要加码"的那个脑子，也进不了出了事得有人背的那个结构。
如果管理者只看 JD，不看时间分布，就看不见 AI 实际上已经进入了哪里，也看不见人的时间里还有哪些部分是真正只有人能做的。
这就是为什么岗位拆解这件事在 AI 时代突然有了新的紧迫感。不是因为 AI 马上要替代所有人，而是因为岗位说明书提供的分析粒度不够细——粗到看不见 AI 真正在改变什么，也看不见人的核心价值在哪里。
你在问一个错误的问题
很多企业讨论 AI 转型的时候，问的是这个问题：AI 会不会替代某某岗位？
会不会替代投放运营？会不会替代财务专员？会不会替代内容编辑？每当一个新工具出现，这个问题就会在公司内部流传一遍，留下一片模糊的焦虑。
这个问题本身就错了，因为它把岗位当成了分析单位。
投放运营这个岗位里，有些片段 AI 在某些场景下速度优势显著，有些片段 AI 根本没有切入的入口。如果只问"AI 能不能替代投放运营"，你得到的答案只能是"能替代一部分"——但这个答案没有任何操作价值，因为你不知道是哪部分，不知道比例是多少，不知道剩下的部分要怎么重新安排。
正确的问题是：这个岗位里，哪些片段是切黄油，哪些是真任务？
切黄油，是我用来分析工作性质的一个词。它指的是工作里那些重复、可以标准化、主要产出是信息整理而非判断的片段——就像用刀切黄油，动作规律，结果可预期，没什么花头。真任务反过来：需要情境判断，依赖关系和信任，没有标准答案，出错了成本高。
切黄油片段，AI 先进入。真任务片段，人留守。
岗位说明书里写的是职责，不写哪些是切黄油、哪些是真任务。但如果不区分这两类，组织就没法设计 AI 进入的路径，也没法回答那个更重要的问题：被 AI 接管了切黄油之后，这个人的时间要重新分配到哪里？
这就是为什么岗位不是最小分析单位，工作片段才是。不拆开岗位，就看不见 AI 真正进入了哪里；不拆开岗位，也看不见人真正留守在哪里。
五类片段，一张地图
把一个岗位拆成五类工作片段，才能看见 AI 真正进入了哪里。不拆开，就只能问"要不要裁员"——那是一个永远政治敏感的问题。拆开之后，问题变成"这件事交给 AI，那个人的时间重新分配去哪里"——这是管理问题，不是政治问题。
数据类片段，是以信息的采集、整理、查找和报告为主要动作的工作。核心产出是信息的流转，而不是判断。查一张 Excel、整理投放数据报表、汇总竞争对手的媒体价格——都是数据类。这类片段的特征是：动作可以被准确描述，结果对不对相对容易验证，做错了可以重做。
任务类片段，是执行具体动作产生具体结果的工作。有明确的动作序列，有具体的交付物。写一份投放方案初稿、上传创意素材到平台、配置广告投放参数——这些是任务类。任务类可以被拆解成步骤，部分可以标准化，但随任务复杂程度分化很大：简单任务几乎可以完全交给工具，复杂任务仍然需要人在关键节点介入。
判断类片段，是需要认知决策的工作。没有唯一正确答案，需要根据当下的信息、经验和对目标的理解作出选择。决定这个渠道这个月要不要加码、判断哪个创意方向更适合这次节点投放——这些是判断类。AI 可以提供参考，但裁决仍然需要人，因为它依赖对情境的理解，而这种理解不能被压缩成可以直接调用的规则。
关系类片段，是通过人际连接产生价值的工作。核心是对话、信任和历史关系。和媒体代表谈判采购条件、向客户汇报投放进展、协调内部资源解决临时冲突——这些是关系类。关系类片段几乎不能被标准化，因为它依赖两个具体的人之间的具体信任，换成 AI 来做，不是做得差，而是这件事本身就失去了意义。
责任类片段，是风险归属与结果兜底的工作。核心不是动作，而是权责——出事了，谁背。最终签合同、对重大投放事故作出处置决定、对预算使用结果负责——这些是责任类。AI 可以参与决策，但责任本身不能转移给 AI，因为问责体系的运作前提是有一个具体的人可以被追究。
这五类片段提供了一个实用的分类起点，能捕捉一个岗位里大部分工作内容的主要性质。有时候一项工作同时具备两类性质，拆的目的是找到主要性质，不是要求每一分钟都能被干净归类——框架是分析工具，不是穷举表。
拆完之后，管理者就能看见一张清晰得多的地图：这个岗位的时间是怎么分布的，AI 已经在哪类片段上进入了，还有哪类片段是人的核心价值所在，以及如果 AI 接管了部分切黄油，这个人的时间能被解放出来去做什么。
AI 进入工作的顺序，不是随机的
AI 进入工作片段的顺序，不是随机的。
如果只问 AI 能不能做某件事，问题会变得模糊——AI 能写文章，能查数据，能生成方案，能辅助判断，几乎什么都能沾一点边。但在企业里，决定 AI 实际上先进入哪里的，是两个叠加的条件：这类片段的可标准化程度，以及它的容错成本。
可标准化程度高，意味着这类工作的动作序列可以被描述，输入和输出之间有相对稳定的规律，不依赖大量情境信息才能完成。容错成本低，意味着就算 AI 做错了，后果是可控的——可以检查，可以重做，不会造成不可逆的损失。
这两个条件叠加，就是数据类片段的特征。查价格、整理报表、汇总数据——这类工作可以被完整描述成规则，做错了可以重查，后果有限。AI 在这类片段上进入得最快，在某些场景下速度提升明显。
任务类片段紧随其后，但分化很大。填采购单、上传物料这类标准化任务和数据类差不多；但写一份需要判断目标人群心理的创意方案，虽然最终也是一份文件，它的任务类属性背后藏着判断类的核心，这类任务 AI 可以辅助，但人的介入位置不能省。
判断类片段，AI 能做的是提供参考，不能做的是裁决。同样的媒体渠道，这个月加码还是缩减，取决于对市场节奏、客户预期和历史数据的综合理解，这种理解很难被压缩成可以直接调用的规则。AI 在这里的角色是辅助，不是替代。
关系类片段，AI 不进。谈判桌上的信任，汇报时的情绪管理，协调资源时的人情分寸——这些事情的价值本身就在于它发生在两个具体的人之间，替换掉就失去了意义。
责任类片段，AI 背不了。组织里的问责机制预设的是一个具体的、可被追究的人。AI 可以参与决策，但结果出来之后，那个签了名、拍了板、对后果承担责任的，只能是人。这不是技术问题，而是问责体系的运作逻辑。
理解了这条规律，管理者就能解释一个常见的困惑：为什么有些岗位上引入了 AI 工具，效率提升却不明显？很可能是因为工具进入的是判断类或关系类片段，而不是数据类或任务类的切黄油部分。AI 工具没有错，但进入的位置不对，就发挥不出应有的价值。
拆一个投放运营岗位看看
我拆过一个投放运营岗。
拆完发现，这个人的时间可以分成两种完全不同性质的工作。
第一种，是查 Excel、整理数据、汇总报表。每周要查好几张媒体价格表，对比不同渠道的历史投放效果，把散落在各个平台后台的数据拉回来合并成汇总表，整理成汇报用的格式。这些动作很规律，步骤可以复现，做完的产出是信息，不是判断。这是切黄油——重复、费时、没有判断含量，动作稳定，结果可预期。
第二种，是他真正的专业所在：人与人之间的沟通和链接。和媒体代表谈采购条件，对方在电话里说的不只是价格，还有这个季度哪个位置流量变了、什么节点有资源可以拿——这些信息靠的是历史信任积累，不是发邮件能问出来的。给客户汇报投放进展，不只是念数字，还要在客户说"感觉效果一般"的时候，判断这是信息不对称还是预期错位，再决定怎么调整后续的沟通节奏。判断某个渠道这个月要不要加码，依赖的是他对市场节奏的感知，不是表格里能查出来的规律。
这些是他的真任务。关系、判断、信任——这类片段不是重复的，不能被标准化，出错了也没有简单的"重做"选项。
拆完之后，问题就不一样了。原来的问题是：这个投放运营岗要不要被 AI 替代？这个问题本身是无解的，因为它没有正确答案，也没有操作出口。
新的问题是：查 Excel 和整理报表这块切黄油，今天有哪些工具可以接管？接管之后，这个人每周能节省多少时间？节省出来的时间，能不能更多地放在维护媒体关系和研判投放节奏上？
这才是有操作价值的问题。切黄油交给工具，人的时间重新分配给真任务，岗位不消失，但工作的重心会迁移。
需要说明的是：这个案例的拆解是方法论示范，不是统计结论。不同公司的投放运营岗，切黄油和真任务的比例会有差异，甚至差异很大。拆解的意义不在于得出一个固定比例，而在于让管理者看清这个岗位里有哪两类不同性质的工作，再决定下一步怎么设计。
怎么找到你的切黄油
知道了五类片段的定义，下一个问题是：怎么在一个具体的岗位上找到切黄油？
切黄油有四个可以直接对照的特征。第一，重复执行——这项工作每周或每天都在做，不是偶发的。第二，可以标准化——它的动作序列可以被写成步骤，换一个人来照着步骤做，结果差距不大。第三，主要产出是信息整理而非判断——完成之后交付的是一份数据、一张表、一份报告，不是一个决定或方案里的核心判断。第四，结果对错相对可验证——做完了可以用某种方式检查，不对了可以重做，不会留下不可逆的后果。
真任务的特征正好相反：不是每次都以相同方式重复；不能被标准化成一套步骤，关键在于判断；产出是一个有方向性的决定或一段有信任基础的关系；出错了代价往往不止是重做，可能是客户流失，可能是团队信任损耗，可能是一个错误决策被执行了一段时间。
用这两组特征扫描一个具体的岗位，可以把这个岗位里常见的工作逐条对照：哪些高度符合切黄油特征，哪些是混合型（某些环节是切黄油，某些环节是判断），哪些高度不符合（关系、判断和责任是主体）。
高度符合切黄油特征的，是 AI 工具接管的优先候选，直接看有没有现成工具可以覆盖。混合型的，适合让 AI 完成切黄油的部分，人专门处理判断的部分，两者分开而不是完全交出去或完全留下。高度不符合的，AI 工具能做的最多是辅助信息获取，主体必须由人来做。
有一个实用的做法：让员工自己做一周的时间日志，把每一项工作写下来，并标注它主要属于哪类片段。员工本人往往是最了解自己时间分布的人。有时候他们自己也会发现，自己把大量时间花在切黄油上，对这件事的感觉是"累、重复、没意思"——这正是 AI 工具最应该进入的地方。
识别切黄油不是为了替代员工，而是为了帮员工把时间从低判断含量的工作里解放出来，放到只有他们能做的事情上。这件事做好了，员工的工作体验会改善，岗位价值会提升，组织也会减少用人力做机器能做的事情带来的浪费。
管理者的第一个动作
岗位拆解从哪里开始？
不是从购买 AI 工具开始，也不是从更新 JD 开始，更不是从发起一个"AI 转型工作组"开始。这些事不是不能做，但它们做完之后，如果没有人真正搞清楚这个岗位的时间实际上花在哪里，结果往往是工具买了、JD 改了、工作组开了几次会，但那个每周花大量时间查 Excel 的人还在查 Excel。
第一步，是把时间分布搞清楚。
选一个已经在用 AI 工具、或者正在被要求推进 AI 转型的岗位。让这个岗位上的员工做一周的时间日志——不是问他"你每天主要负责什么"（那是 JD），而是记录"你实际上把时间花在哪里"。每一项工作花了多长时间，写下来。然后对照五类片段，标一下每项工作属于哪一类。
这件事不复杂，但在我接触过的案例里，管理者往往管着一个岗位，却不清楚这个岗位的时间分布——不是因为不在乎，而是因为 JD 一直在提供一种"我知道这个人在做什么"的错觉。
时间日志出来之后，管理者要回答的是两个问题。第一，数据类和任务类的切黄油片段占了这个人多少时间？第二，这些切黄油被工具接管之后，这个人的时间去哪里——有没有值得去的地方？
第二个问题是关键。如果切黄油被接管，但接下来没有安排这个人的时间去做更有判断含量的工作，那接管切黄油只是让这个人多出了空闲时间，而不是真正的岗位升级。这种情况下，管理者很快就会面临另一个问题：我要这个人干什么？
所以真正的第一动作，不是问"买什么工具"，而是先问"这个人的时间里，哪些是切黄油、哪些是真任务，以及切黄油被接管之后，真任务的空间是否能够撑起这个岗位的价值"。只有回答了这个问题，才知道下一步是引入工具、重新分配职责，还是重新定义这个岗位本身。
管理者能带走的第一个动作：选一个岗位，做一周时间日志，标注每项工作属于哪类片段，然后数一数数据类和任务类的切黄油加起来占了多少时间。这个数字，就是你真正需要面对的 AI 转型起点。不是买了几个工具，不是开了几次会，而是这个数字。