一句话看懂：一位系统与网络方向的研究者提出，在大模型普遍重构程序员岗位的当下，写作反而可能是最不易被 AI 替代的工作。他认为 LLM 在代码生成上进步迅速，但在散文写作上长期陷于“AI 味”泥潭，核心原因是写作无法被客观验证，且高度依赖对读者心智的实时模拟。
事件核心：发生了什么
这篇发布于 2026 年 8 月 31 日的博客文章，作者是 Murat Demirbas（该博客作者），文章题为《The Safest Job from AI may be Writing》。作者观察到，随着大模型新版本不断发布，工程师被迫适应 5 倍效率的考核指标，同时承受由 Agent 生成代码所带来的“认知债务”，人类作为“编码者”的角色正逐渐被边缘化。与此相对，LLM 在自然语言表达上的进步却明显滞后——作者用“塑料感”“套话”“空洞”等措辞批评当前模型生成的文本，并认为这种糟糕体验并非训练不足，而是模型在“表达深度与真实性”上遇到了难以逾越的瓶颈。
作者提出了三个支撑论点：其一，文本模型在表达层面的提升远慢于图像、语音和视频模型，后者可通过增加参数与算力快速迭代；其二，写作属于“棘手问题”（wicked problem），没有明确规格、没有终止规则、也没有客观正确的答案；其三，写作本质是“双脑问题”，需要持续模拟读者内心状态，而 LLM 缺乏对具体读者的活跃心智模型，只能优化下一个词的统计概率。文章最后引入大卫·李嘉图的比较优势理论，认为即便 AI 在速度和边际成本上拥有绝对优势，人类应把稀缺的认知资源投入到 AI 不擅长的领域——即“人类工作量证明”成为一种高成本的诚实信号。
为什么重要
这篇文章的价值在于它从系统论和经济学角度，对“AI 替代人类”的讨论提供了一个反直觉的切口。当前行业共识是“创意工作最安全、重复劳动最危险”，但作者通过比较数学、代码、法律和写作的“棘手程度”光谱，论证了写作恰恰处于最难以被算法量化的一端。这意味着，大模型公司若想通过提升 prose 能力来占领营销、文案和出版市场，可能面临比图像生成更长的研发周期。这也间接解释了为什么当前 AI 写作工具（如 ChatGPT、Claude 等）虽能生成通顺文本，却难以产出具有“真实洞察”的文章——问题不在模型规模，而在任务本身的不可定义性。
对开发者而言，这一观点也提示：当代码生成越来越自动化时，技术文档、产品叙事、开发者关系等“以文字为媒介”的岗位，其护城河可能比想象中更深。
对用户/开发者/创作者的影响
对普通用户：如果你长期使用 AI 写作助手，可能会发现“AI 味”确实难以消除。文章的解释是：模型无法真正理解你的读者，只能生成“平均化”的文本。这意味着，依赖 AI 产出深度分析或个性表达，短期内仍需要大量人工修改，而不是简单“一键成文”。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者：如果你正在用 Agent 生成代码，文章提醒你注意“认知债务”的积累——AI 生成的代码虽然能通过编译和测试，但理解、维护和调试这些代码的认知成本可能由人类承担。建议在代码生成工具（如 GitHub Copilot 或 Cursor）的使用中，保留明确的人工审查与架构设计环节。
对创作者与营销人员：这篇文章的结论是利好——如果你的工作依赖“真实理解读者”，那么 AI 短期内很难构成替代威胁。相反，你可以把 AI 当作草稿工具，而将核心精力放在观点、洞察和风格打磨上，形成差异化优势。
值得关注的后续
1. 文本模型是否会出现“表达突破”：若未来某家大模型厂商（如 OpenAI、Anthropic 或 Google DeepMind）发布专门针对“长文深度写作”优化的模型，并明确在可读性、原创性指标上超过人类基准，那么本文的“瓶颈论”将需要修正。目前公开信息显示，尚无此类模型发布。
2. Agent 编码的“认知债务”是否被量化：如果有研究团队或企业公开披露代码审查时间、Bug 率与 AI 生成代码比例的相关数据，将能验证或反驳作者的担忧。
3. 比较优势理论在 AI 时代的适用性：如果 AI 的边际成本趋近于零，那么“人类只做 AI 不擅长的事”这一分工是否在商业上可持续？观察企业招聘趋势（尤其是技术写作、开发者关系岗位的薪资变化）将是一个参考指标。
