无意间看了一期 Silicon Valley Girl 的访谈节目，我觉得非常值得观看和思考。她采访 Shishir Mehrotra 的这一期，标题大意是：
《Grammarly CEO: AI Moved the Career Ladder (Most People Don't See It Yet)》发布时间：2026 年 9 月 8 日，完整时长 36 分 58 秒
你可以直接看/听：
当AI开始接管执行，一个人的价值正在从“把事情做出来”，转向“知道什么事情值得做”。
如果让一个在硅谷工作了二十多年的CEO重新开始职业生涯，他会做什么？
学AI、进入一家明星创业公司，或者想办法拿到一份更漂亮的履历，都是容易想到的答案。
Shishir Mehrotra的回答却是：尽量不要进入招聘者的文件夹。
“Stay out of the recruiting folder.”
这是他最近接受 Silicon Valley Girl 采访时给年轻人的第一条建议。
Shishir现在是Superhuman CEO。在此之前，他创办了协作文档公司Coda，早年曾在微软和Google工作，并参与YouTube产品和商业化业务。他还长期担任Spotify董事。
如果把这些经历写进简历，这几乎是一份标准的硅谷高管履历。但有意思的是，Shishir自己最重要的一些职业机会，恰恰不是通过简历获得的。
他曾写过一篇关于“Bundling”的文章，讨论互联网产品如何通过捆绑形成新的竞争优势。文章后来被传到Spotify CEO Daniel Ek手里。Daniel读完后主动找到他，两个人开始交流。
没有职位，也没有招聘流程。
最初只是因为Daniel觉得，“这个人想的问题挺有意思”。
这段关系后来持续发展，Shishir最终进入Spotify董事会，并在那里工作了十多年。
因此，当主持人问他今天的年轻人应该如何建立职业优势时，他给出的建议是：去做一些别人能够看到的项目，写一些别人能够看到的东西。
在他的判断里，AI正在改变的不只是工作的效率，也包括一个人证明自己能力的方式。
而这场约37分钟的访谈，真正值得讨论的地方也在这里。
它没有试图回答“AI会消灭多少工作”，而是在讨论另一个更现实的问题：
当执行能力变得越来越廉价，一个人的价值会向哪里迁移？
Shishir给出的答案是：整个职业阶梯正在被AI向上推一层。
Side Project正在成为一种新的职业证明
过去，一个人的职业信用很大程度上来自履历。
毕业于什么学校，进入过什么公司，做过什么职位，参与过什么项目。
这些信息共同构成了一套“能力代理指标”：招聘者没有办法真正观察一个人的全部能力，因此只能通过这些信号判断他是否适合一份工作。
AI正在让另一种方式变得越来越可行——直接展示结果。
这也是Shishir为什么反复提到Side Project。
Side Project在中文语境里很容易被理解成“副业”，但他谈的并不是下班以后再找一份赚钱的工作，而是一种低成本的个人实验。
他的逻辑并不复杂。
公司项目并不是一个理想的训练场。
真实工作存在Deadline、绩效、协作关系和业务结果。当一个人刚刚接触一种新能力时，很难在这样的环境里不断犯错。
Side Project没有这些约束。
一个产品做失败了，可以重来；技术方案选错了，可以推翻；没有用户，也不会造成真正的业务损失。
Shishir把它类比成运动员的训练。
正式工作更像比赛，而Side Project是训练场。没有运动员会只参加比赛，却从来不训练。
AI让这件事情的意义发生了进一步变化。
过去，一个工程师想独立完成一个软件产品，需要跨过产品设计、UI、前端、后端、测试、部署等一系列门槛。一个人能完成的事情天然受到专业边界限制。
生成式AI正在迅速降低这些边界。
一个人可以让AI帮助完成设计、写代码、部署应用、研究市场，甚至生成产品文案。过去需要一个小团队才能完成的实验，现在可能由一个人在几个周末里完成。
于是，Side Project同时拥有了两种作用。
它既是训练，也是证明。
对于一个想进入AI领域的人来说，“熟悉大模型”“熟悉Agent”“熟练使用Claude、ChatGPT、Cursor”正在迅速成为没有区分度的简历关键词。
一个真正运行的Agent、一个被真实用户使用的产品，或者一份有影响力的研究，则是另一回事。
这可能意味着，职业市场正在从一套以Credential为中心的评价体系，逐渐加入另一套以Evidence为中心的评价体系。
学历、公司和职位仍然重要，但作品正在成为一种越来越便宜、也越来越直接的能力证明。
而AI降低的，不只是生产一个作品的成本。
它还在改变公司内部对“能力”的定义。
当生产结果越来越便宜，判断结果开始变贵
Shishir在访谈中多次提到一个词：Judgment / 判断力。
这是他认为AI时代会越来越重要的能力。
过去，很多知识工作的瓶颈来自生产。
一份行业研究可能需要一周，一个产品原型可能需要几天，一个功能可能需要工程师开发两个星期。
因此，“能够把东西做出来”本身就是价值。
AI正在改变这个约束。
如果过去需要三天完成的方案，现在十分钟可以生成五份，问题就不再是有没有方案，而是五份方案里哪一个值得采用。
代码也一样。
当Coding Agent可以持续生成代码以后，代码的供给增加了，但工程师仍然需要判断：架构是否合理，测试是否充分，这个实现是不是埋下了未来的技术债。
设计、研究、写作正在经历类似变化。
AI越擅长生成，人就越需要评价生成结果。
这也是Shishir为什么认为，AI并不会简单让专业能力失去价值。
一个不懂软件工程的人，可以让AI写出代码，却很难判断一个“能够运行”的系统和一个“可以长期维护”的系统之间的差别。
一个缺少产品经验的人，可以让AI生成十套需求方案，却不一定知道其中九套为什么不应该做。
AI降低的是Production的成本，而Evaluation的重要性随之上升。
这带来了一个看起来有些反常识的结果：年轻人可能需要比过去更早学习“管理”。
Shishir说，过去二十年，他经常建议年轻人不要太早进入管理岗位。
先成为一个优秀的Individual Contributor，亲手把事情做过，才能知道什么是好的结果，也才能真正管理别人。
现在，他开始重新思考这个建议。
因为AI正在让越来越多Individual Contributor提前进入一种类似管理者的工作状态。
让一个Agent研究市场，让另一个Agent整理数据，再让Coding Agent实现原型。第一版结果不满意，重新定义要求；方向错误，调整任务；结果达到标准，再进入下一步。
这个过程本质上已经包含了大量管理工作：
定义目标、拆解任务、分配工作、检查质量、提供反馈。
过去这些能力主要用于管理人，现在开始用于管理AI。
未来的Individual Contributor未必管理十名员工，却可能同时调度多个Agent。
这意味着，“管理能力”可能正在从一种职位能力，变成一种基础工作能力。
AI把职业阶梯推向了Problem一端
为了描述一个人的职业能力如何变化，Shishir使用了一套他长期总结的模型：PSHE。
P代表Problem——应该解决什么问题；
S代表Solution——应该采用什么解决方案；
H代表How——应该如何组织和推进；
E代表Execution——具体把事情做出来。
在传统组织里，一个刚进入职场的人通常从E开始。
问题已经有人定义，方案也已经决定，甚至执行路径都被拆好。初级员工需要证明的是，能不能把最后一步做好。
随着职位上升，How开始交给个人。
再往上，公司只给出Problem，Solution和How都需要负责人自己判断。
到了更高的位置，情况再次发生变化。
没有人再告诉你问题是什么。
一个高级管理者、产品负责人或者技术负责人，需要自己观察用户、市场、组织和技术变化，然后告诉团队：现在真正应该解决的是这个问题。
因此，职业成长并不只是负责的项目越来越大。
它还意味着一个人不断从E向H、S、P移动。
这套模型也解释了一个常见的职业困境。
很多人在职业早期晋升很快：从负责一个功能，到一个模块，再到一个更大的项目。Scope持续增加，职位也随之变化。
但到了职业中期，仅仅把项目做得更大开始失效。
组织开始评价另一些事情：为什么选择这个方案？这个问题是谁发现的？信息不完整时能否做判断？哪些事情根本不值得做？
一个仍然不断通过Execution证明自己的人，会发现过去有效的晋升方法突然不再有效。
AI正在让这个变化更早发生。
因为在PSHE里，AI目前首先大量进入的正是E。
代码、文档、设计、数据整理、研究，这些原本占据大量工作时间的执行任务，正在被模型压缩。
如果AI承担了更多E，公司并不会因此停止工作。
Shishir用了“电钻”做类比。
电钻提高了建筑效率，但人类并没有因为打孔变快而减少建筑需求。生产工具提高效率后，人们反而开始建造更大、更复杂的建筑。
AI可能遵循类似的生产力逻辑。
一个过去只能完成一份工作的员工，在AI帮助下可以完成五份，公司更可能提出新的目标，而不是满足于原来的产出。
于是原来只需要负责E的人，会被要求承担更多H；原来负责H的人，需要承担更多S；更高级的人则被推向P。
这就是Shishir所谓“AI把职业阶梯向上推了一层”。
它不是说所有人都会自动获得晋升，而是意味着：过去属于更高级职位的能力，正在提前成为更低层级员工的工作要求。
其中最重要的一项，就是发现问题。
过去的组织尤其奖励Problem Solver——能够解决复杂问题的人。
但如果AI越来越擅长Problem Solving，价值会继续向上游移动到Problem Finding。
一家公司的收入下降，到底是销售问题、产品问题、留存问题，还是战略定位本身出了问题？
如果一开始定义错Problem，后面的Solution、How和Execution做得越好，只是在更高效地解决错误的问题。
Shishir还提到一个概念：Eigenquestion。
它指向的是那些能够决定大量下游判断的核心问题。
真实工作中，人们经常同时面对几十个问题：技术方案选什么，功能怎么设计，什么时候上线，需要多少人。
优秀的决策者并不一定逐个回答这些问题，而是尝试找到它们背后的那个关键问题。一旦这个问题被回答，很多下游选择会自然变得清晰。
在过去两年，人们花了很多时间讨论Prompt Engineering。
但如果模型继续进步，“如何把问题问得漂亮”的价值未必会持续增加。
更长期的能力可能是：知道什么问题值得问。
答案正在变便宜，问题可能因此变得更贵。
Superhuman想做的，是让人不再需要主动“使用AI”
访谈的后半段，话题从职业发展转向了Superhuman正在做的产品。
Shishir对AI产品有一个判断：今天很多AI工具虽然提高了效率，但“使用AI”本身仍然是一项额外工作。
用户正在写邮件，遇到问题，打开ChatGPT或Claude，把背景复制进去，输入Prompt，拿到结果，再复制回原来的工作软件。
整个过程中，用户必须主动离开当前工作流。
这也是为什么他认为Grammarly过去的产品形态具有特殊价值。
用户不需要先写完一封邮件，再打开Grammarly检查。它直接存在于输入框、邮件、浏览器和文档中，在用户原本工作的地方提供帮助。
Superhuman Go延续了类似的逻辑。
AI不应该永远等待用户点击“Ask AI”，而应该理解用户所在的Context，并在合适的时间参与工作。
如果把AI产品的发展简单划分为几个阶段，第一阶段是用户主动寻找AI，第二阶段是AI能够理解用户正在做什么，第三阶段则可能是AI能够在正确的时间主动采取行动。
到了那一步，“使用AI”这个动作本身可能会逐渐消失。
就像今天人们写邮件时，很少会专门思考“现在应该启动拼写检查”。
AI最终可能成为工作环境的一部分，而不是工作环境之外的另一个工具。
这和Shishir关于个人职业发展的判断实际上指向同一件事情。
当AI越来越深入Execution层，人需要向PSHE更上游移动；而软件也会从“等待人操作的工具”，逐渐变成能够理解目标并参与执行的系统。
人与软件之间原本清晰的执行边界正在变化。
AI时代最好的简历，可能不是一张简历
回到访谈最开始那个问题：如果今天重新开始职业生涯，应该怎么让自己脱颖而出？
Shishir没有给出一个新的AI技能清单。
他的答案最终绕回了Side Project。
原因在PSHE框架下变得更加清楚。
一个真正完整的Side Project，恰好要求一个人独立走完PSHE。
没有老板告诉你Problem，需要自己发现；
没有产品经理决定Solution，需要自己选择；
没有项目经理安排How，需要自己组织；
最后再借助AI完成Execution。
这使得Side Project不只是一个作品，也成为一个人能否从Problem走到Execution的公开证据。
AI把完成这种实验的成本大幅降低，也让“作品作为简历”的可能性第一次变得如此普遍。
这可能是Shishir整场访谈里最值得记住的一条线索。
过去，一个人的职业优势很大程度建立在“我比别人更擅长执行”。
AI正在削弱这种优势的稀缺性。
未来更有价值的可能是另一组能力：能不能发现值得解决的问题，能不能选择正确的方案，能不能判断结果质量，能不能调动人和AI完成目标。
这并不意味着Execution不再重要。
而是当Execution越来越容易获得时，竞争会自然向它的上游移动。
所以，与其不断问“AI还会替代哪些工作”，Shishir提供了一个更值得个人思考的问题：
如果AI已经给了我过去几个人才能拥有的执行能力，我准备拿这些能力去做什么？
答案可能不在下一门AI课程里。
它更可能藏在一个自己真正动手做出来的项目里。