Career-Ops 避坑：被裁后才明白的职场真相

dctc_青龙

[sessions/store] pruned stale session entries

2024年到2025年这两年，大模型技术从"这东西能用吗"变成了"不用就落后"。企业对AI的投入从试试看变成了真金白银的刚需。但这边技术革命搞得热火朝天，那边职场结构却被重塑得面目全非。Salesforce、谷歌、亚马逊、Meta这些科技巨头动不动就宣布万人起步的裁员计划，而且这波裁员里相当多岗位是被AI工具和自动化流程直接干掉的。

这不是在吓唬人，而是正在发生的结构性转型。被裁的人里面，不是只有绩效垫底的——很多人其实是被组织架构调整、AI能力重构、岗位价值重估给波及的。真相往往扎心：大多数职场人对自己在AI时代到底值几斤几两，根本没点数，非得等裁员通知拍在桌上才回过神。

这篇文章不想制造焦虑，咱们从Career-Ops的实操角度出发，聊聊那些被裁之后才认清的真相，以及怎么在AI浪潮里建立真正靠得住的职业护城河。

---

## 一、那些所谓的"核心技能"，搞不好是最先被替代的

### 1.1 重复性工作的消亡速度，比想象中快多了

波士顿咨询的数据摆在那儿：到2027年，全球约25%的工作岗位会因AI和自动化发生实质性变化，数据录入、基础客服、文档审核、简单内容生成这些岗位替代风险最高。

这类岗位有什么共同点？有明确规则、可量化产出、依赖模式识别——巧了，大模型最擅长的就是这些。某跨国制造企业的财务共享中心上了AI文档处理系统之后，基础审核岗从42人砍到8个，处理量反而涨了300%。讽刺吗？但仔细想想，这类岗位被教导的"高效执行"、"标准化流程"、"减少人为错误"，恰恰就是它们被替代的原因。

拿客服行业说吧。传统客服团队干的本质上是"问题-答案"的模式匹配：用户描述问题，客服在知识库里搜答案。这种结构化程度高、变化频率低的工作场景，大语言模型不要太擅长。现实数据更有说服力：阿里巴巴多个业务线在2023到2024年间把智能客服覆盖率做到了85%以上，部分品类甚至95%，对应的真人坐席缩减了60%到70%，2025年还在继续砍。

更值得警惕的是，这种替代不是一刀切的，而是渐进的。第一阶段AI承担80%的标准化咨询；第二阶段AI开始处理边界模糊的复杂case；第三阶段连人工复核环节都给压缩了。全过程可能就18到24个月，身处其中的人往往前两阶段还在侥幸，第三阶段直接傻眼。

### 1.2 "经验壁垒"这玩意儿，比想象中脆弱多了

职场老人爱说一句话："我在这一行干了十几年，这就是我的护城河。"问题是在大模型时代，这条护城河正在被填平。

大模型的核心能力之一是知识压缩与迁移。一个垂直领域的数据训进去，大模型能在极短时间内掌握这个行业80%的显性知识。剩下那20%的隐性经验（tacit knowledge）是非结构化的、难以形式化的存在。

真正难被替代的是复杂决策链路上的判断力——信息不完全对称时评估商业风险、多方利益冲突中协调资源、基于有限案例推演未知场景。这些需要长时间实践积累，依赖人际网络和情境感知。

但问题来了：大多数职场人高估了自己的"隐性经验"含量，手里握着的其实是可以被压缩的显性知识。

这里有个关键概念得说清楚。显性知识（Explicit Knowledge）是可以编码、记录、传递的——流程文档、行业报告、数据报表、操作手册，大模型的训练数据基本全是这类。隐性知识（Tacit Knowledge）是难以编码的默会知识——对微妙商业信号的直觉判断、高压环境下的决策手感、特定人际关系的精准拿捏。

拿投资行业举例。一个资深分析师的显性知识可能包括DCF模型搭建、行业对标分析框架、财务报表解读逻辑——这些大模型都能学会。但他的隐性知识可能是：某次见创始人时发现对方眼神飘忽了一下，这个细节暗示他在某些数据上可能有所保留——这种基于面对面交流积累的微妙感知，当前大模型还真复制不了。

问题在于，市场上大量岗位需要的恰恰是那80%的显性知识，而从业者往往把整个"资深"的光环都归功于自己，而非岗位本身。裁员逻辑很简单：AI能完成80%的工作，而这80%恰好是工作量的主体，剩下20%的隐性知识溢价很难撑住原来的薪资。

### 1.3 技能半衰期正在以肉眼可见的速度缩短

技术圈有句话：IT技能半衰期大约2.5年，就是今天学的一项技能，平均2.5年后价值会衰减一半。大模型的出现正在把这个周期压得更短。

看产品经理这个岗位。传统产品经理要掌握竞品分析、需求文档撰写、原型设计、跨部门沟通等技能。但当AI能自动生成PRD、辅助竞品分析、快速产出原型框架时，"执行效率"这项传统核心竞争力迅速贬值。产品经理必须转向更稀缺的能力——对AI生成结果的判断力、场景定义能力、复杂利益方的整合能力。

再看视觉设计行业。Midjourney、Stable Diffusion、DALL-E这些AI图像生成工具在2022到2023年迅速成熟，直接冲击了商业图库和基础设计市场。Getty Images、Shutterstock等平台的插画师订单量2023年同比下降30%到40%。不是AI生成的作品一定更好，而是"足够好"（Good Enough）这个标准被重新定义了——对于大量企业营销素材而言，AI生成的配图已经能达到专业设计师70%到80%的水准，成本却只有零头。

真正感受到寒意的不是顶级设计师，而是行业中腰部的设计师：能完成任务，但速度不够快、成本不够低。市场的选择逻辑很冷酷：当"还不错"和"很便宜"同时存在，后者总是胜出。

被裁后才明白的真相之一：组织购买的是你的时间、技能和产出的组合。当AI可以在更短时间内、以更低成本完成同等产出时，你的"可替代性"就暴露无遗。

---

## 二、"稳定"大厂的隐形陷阱

### 2.1 平台依赖症：这到底是能力还是幻觉？

很多大厂员工离职或被裁后找工作时才发现，原来在公司积累的"能力"，有相当一部分是平台赋予的系统性能力，而不是个人能带走的东西。

一位曾任职某头部电商平台的高级运营，被裁后找工作才发现：自己擅长的"大促活动策划"，高度依赖平台的流量资源、用户基数、供应链整合和算法推荐。想把这些经验迁移到创业公司？几乎复制不了——人家根本没这些基础设施。

这就是职场中最危险的幻觉之一：把平台红利当成个人能力。大厂的光环遮风挡雨，但也在悄悄剥夺你独立解决问题的能力。

这种平台依赖症有个精细的伪装。大厂员工在内部协作中游刃有余：知道找谁审批、知道流程卡在哪、知道哪些项目内部容易推、知道什么时间节点该催谁。这种"内部知识"在平台内部价值连城，一旦离开这个系统就几乎归零。

更典型的案例是数据分析师。某大厂的数据分析师可能是SQL高手、Tableau专家，对平台特有的数据指标体系了如指掌。但到了中小公司，发现数据基础设施完全不同：没有统一的数据仓库、没有规范的数据字典、没有成熟的指标定义体系。就会出现一个荒谬的现象：在大厂"数据分析能力很强"的人，出来后反而不知道怎么干活——强的是在特定平台上的分析能力，而非分析思维本身。

有个简单方法可以自测是否有平台依赖症：认真问自己，如果把你放在一个完全不同的行业、规模只有现在公司十分之一的组织，你现在的技能组合能直接发挥作用的有多少？如果这个比例低于50%，那就说明你的能力资产中有相当一部分其实是"平台租约"而非真正的个人能力。

### 2.2 螺丝钉化与能力窄化

大型组织的科层制结构天然倾向于将工作细分、流程化、标准化，以降低对个体能力的依赖。这种设计提升了组织效率，却牺牲了个人的能力广度。

在某个岗位深耕5年，可能意味着你对这个岗位的特定环节了如指掌，但对整个价值链条的理解依然有限。当AI接管了这个环节，而组织决定整体外包或重组时，你的"专业深度"反而成了转型障碍——因为它太窄了。

制造业的数字化转型是个很好的观察窗口。传统制造企业引入MES和AI质检系统后，大量"熟练工"岗位被替代。被替代的并非纯体力劳动——那些在单一工序上操作了十几年的工人，其掌握的工艺参数调节经验、对设备异常的直觉感知，实际上是有价值的隐性知识。问题在于这套隐性知识太过依附于单一工序，一旦工序被自动化整体替代，这些经验就无法以独立形态存在。

映射到知识型岗位，同样的逻辑在发生。HR领域的SSC集中化趋势，把原本分散在各部门的事务性HR工作集中到平台处理。单个HR专员在平台上处理事务性工作的效率确实提高了，但这种"效率"是平台赋予的，不是个人能力的增长。一旦平台迁移或岗位撤销，这些所谓的经验几乎要从零开始积累。

### 2.3 稳定背后的脆弱性：舒适区陷阱

大厂员工往往拥有令人羡慕的薪酬福利、完善的培训体系、明确的晋升通道。这种"稳定感"会产生双重效应：一方面提供了安全感，另一方面也在消解危机意识。

当外部环境发生变化——行业下行、AI冲击、组织调整——那些长期处于舒适区的员工会发现自己的适应能力已经钝化。简历上写着"10年行业经验"，实际上只是"1年经验重复了10次"。

舒适区陷阱的可怕之处在于它的隐蔽性。身处其中的人往往感觉良好：工作得心应手、绩效稳定达标、上级反馈积极。每年的绩效面谈可能都是"超出预期"或"稳定贡献"，直到某天部门被整体裁撤，才发现自己的市场竞争力与内部表现评估之间存在巨大落差。

一个令人不安的真相是：大厂内部的绩效评估体系，本质上是评估你在特定组织语境下的贡献度，而非你在外部市场上的价值。这个内部评估可能非常准确地反映了你在该公司生态中的位置，但这个位置的市场流通性可能极低。

被裁后才明白的真相之二：真正的职业安全感不是来自雇主、不是来自职位头衔，而是来自可迁移的、跨周期的核心竞争力。

---

## 三、为什么"努力工作"不再是职场保险

### 3.1 努力的方向比努力的程度重要一万倍

职场中存在一个普遍的认知偏差：将"努力工作"等同于"职业发展"。大模型时代正在重新定义这套逻辑。

一个每天工作12小时、重复完成Excel报表和会议纪要的"勤奋员工"，其产出价值在大模型面前几乎不堪一击——后者可以在秒级完成同等质量的文档，且不知疲倦、不会出错、不会抱怨。

但一个能够定义问题框架、设计AI工作流、把控产出质量、做出最终决策的"懒人"，其价值反而被放大——因为他做的是AI做不到的事。

这揭示了一个残酷的真相：用战术上的勤奋掩盖战略上的懒惰，在AI时代会要命。

核心问题在于价值分配的转移。在传统工作模式中，时间投入与产出价值大致成正比——加班越多，产出越多，个人价值越高。但在AI时代，价值正在从"执行层"向"设计层"和"判断层"转移。

举内容创作行业的例子。一个编辑团队的传统工作流是：选题-采编-写作-校对-发布。一个勤恳的编辑每天工作10小时，月产30篇文章，阅读量和互动率都还不错。AI写作工具出现后，单人日产能可以从1到2篇提升到10到15篇——初稿质量能达到中级编辑水准。这时候老板为什么要为那个"月产30篇"的编辑支付原来的薪酬？岗位的市场定价逻辑已经变了。

但另一类编辑的价值反而上升了：能精准判断选题空间、能把握内容调性、能给AI批量产出的内容注入灵魂的编辑。核心能力不是写作本身，而是对"什么内容值得写"和"写出来的东西好不好"的判断力——这是AI目前难以替代的。

### 3.2 "不可替代性"需要重新定义

过去谈到不可替代性，往往指的是：核心技术能力、资源掌控能力、特殊人脉关系。AI时代这一定义需要升级：

- AI整合能力：能否高效利用AI工具提升10倍产出
- 复杂问题拆解：将模糊问题转化为可执行的AI任务
- 判断力与决策质量：在AI建议的基础上做出更优选择
- 人际资源整合：调动AI无法替代的人际网络解决问题

换句话说，不可替代的不再是"做事的能力"，而是"定义问题、评判结果、整合资源"的能力。

以法律行业为例。基础法律检索、合同模板撰写、法规查询等工作的效率在AI工具辅助下已经大幅提升。但真正资深的律师，核心价值在于：基于不完整信息评估案件风险、在庭辩中临场应对对方策略的即时反应、对当事人真实意图的洞察和引导。这些能力没有任何一个能被当前的AI工具完整替代。但这里有个前提：资深律师之所以能专注于这些高价值环节，恰恰是因为他们的时间和精力不再被基础检索和文书撰写所占据——他们是AI工具的使用者，而非被替代者。

同样的逻辑适用于医疗、金融、教育等几乎所有知识密集型行业。AI替代的逻辑从来不是"整个岗位都没了"，而是"岗位中的可标准化环节被替代，剩余环节的价值反而相对上升"。这意味着一个能够驾驭AI而非被AI驾驭的人，在重新洗牌后获得的回报会比之前更高。

### 3.3 被动收入与副业思维的缺失

大多数职场人的收入结构极为单一：100%依赖工资收入。这种结构的脆弱性在裁员面前暴露无遗——收入中断，生活即刻陷入困境。

被裁后才明白的另一条真相：没有Plan B的职场人，就是把自己置于高风险敞口之下。这里的Plan B不是指"偷偷做点副业"，而是一种底层的财务结构思维——在主业收入之外，建立某种形式的被动收入或可快速变现的能力资产。

这可能是一个技术博客、一套SaaS工具、一个垂直领域的咨询能力、甚至是一个行业社群——这些都是不依赖单一雇主的能力载体。

被动收入的重要性在于它改变了职场人与雇主之间的博弈关系。一个完全依赖工资收入的人，在面对不合理的工作安排时几乎没有谈判筹码——因为你没有"不干也行"的底气。但当你有稳定副业收入时，情况完全不同。你可以说"这个项目不符合我的职业发展方向"，或者"我的市场价值不止这个数"——这种底气来自你的多元化收入结构，而非空洞的自信。

建立副业收入不需要等到被裁之后才开始。实际上，副业思维的本质是"以终为始"地规划职业路径：假设我现在没有这份工作，我的收入来源是什么？我现在应该提前积累什么？这种逆向规划往往能暴露出单一收入结构的脆弱性，从而在还有主业收入的时候就开始布局Plan B。

---

## 四、被裁之后的认知重构

### 4.1 从"求职者"到"能力产品"的思维转换

被裁之后最痛苦的，不是收入的下降，而是身份认同的崩塌。当名片上的公司名称、职位头衔不再存在，许多人突然不知道"我是谁"。

真正有用的重构方式，是把自己当作一家公司来经营。你不是"XX公司的产品经理"，而是"一家专注于XX领域的问题解决公司"。你的产品是解决方案，你的客户是雇主或市场，你的核心竞争力是持续提供高质量输出的能力。

这种身份转换说起来容易，做起来需要系统的能力资产积累。被裁前就应该具备这个认知，而不是被裁后才被迫接受。

"能力产品化"思维的一个关键维度是：你需要用市场语言而非内部语言来定义自己。大厂内部的工作描述充满了平台特有的术语：使用了自研的XX系统、对接了YY中台能力、在ZZ场景下实现了XX策略优化——这些描述在内部语境中清晰有意义，但在外部市场看来，几乎无法判断候选人的真实价值。

真正有效的自我描述应当剥离平台属性，回归到具体可量化的贡献：主导了用户留存率提升15%的策略设计、通过数据驱动的方法论将团队决策效率提升40%、独立负责过从0到1的产品线且年流水超过XX万。这种可迁移的表达方式，才是真正的能力资产——因为它不依附于任何平台而存在。

### 4.2 人脉网络的真实价值

LinkedIn 2024年的一项调研显示，超过65%的职场成功转型案例依赖于"非正式人脉"——即弱连接（Weak Ties）。强关系（家人、密友）往往与你处于相似的圈层和认知结构，而弱关系往往能带来圈层外的信息和机会。

被裁之后才发现，真正有用的往往不是那些"你好我好大家好"的社交关系，而是在关键时刻愿意为你背书、推荐、引荐的弱关系人脉。

这里有个反直觉的洞察：弱关系之所以有效，恰恰是因为它弱。强关系之间信息重叠度高——你们共享同一套行业认知、同样的信息来源、相似的人际网络，交换增量信息的价值有限。而弱关系连接着不同的信息圈层，他掌握的机会和认知，往往是你在强关系网络中接触不到的。

以一位互联网产品经理被裁后的求职经历为例。她在三个月内拿到了3个offer，全部来自弱关系：一个是前同事的现下属（跨了两层关系的弱连接）、一个是行业会议上加过微信的创业者、还有一个是在某个产品社群里偶尔互动的网友。投了上百份的正式简历，回复率不足5%，且最终没有转化任何一个面试进入offer环节。

这个案例的启示是：人脉经营不是临时抱佛脚的行为，而是在职业生涯正常推进时就应当持续投入的事项。具体来说：每次完成一个项目，主动联系2到3位有价值的合作方保持联络；参加行业活动后，48小时内与最有价值的1到2位新认识的人单独建立连接；定期维护人脉清单，标注哪些人可以请教、哪些人可能提供机会。

### 4.3 重新评估"经验"的含金量

被裁之后重新找工作，最大的心理落差往往来自：以为自己值那个价，市场却不这么认为。

这时候需要诚实地做一次能力审计：我的哪些经验是真正稀缺的？哪些是可以被AI或更低成本的劳动力替代的？我的哪些技能在5年后依然有价值？

这不是自我贬低，而是理性的职业资产重估。许多人在这个过程中发现，自己引以为傲的"10年经验"中，有7年是在做重复性工作——这7年的"经验"在就业市场上几乎等同于零。

能力审计的具体操作可以分三个维度展开。第一，技能盘点：列出过去工作经历中使用的所有工具、方法论、业务知识，不带平台滤镜，纯粹从"这个技能在外部市场有没有用"来判断。第二，价值追溯：每一段工作经历中，你做过的最重要的三件事是什么？这些成就是平台赋予的还是个人能力的体现？如果换一个环境，这些成就还能复制吗？第三，稀缺性评级：对每项核心技能进行1到5分的稀缺性评分，1分代表市场供应充足、可替代性强，5分代表市场稀缺、难以替代。

做完了这个审计，往往会得到一个让人不舒服但有价值的结论：过去五年中，你真正积累的有效经验可能只有两三年，其余时间要么在重复同质化工作，要么在维护一个离开平台就毫无价值的技能组合。这个认知虽然刺痛，但它是职业转型的起点。

---

## 五、AI时代的Career-Ops实战框架

### 5.1 建立"T型+X"的竞争力结构

所谓"T型"，即在一个领域有足够深的垂直能力，同时对相关领域有广泛的理解。而"X"则是指将AI能力与自身专业深度融合后形成的复合能力。

举例来说，一个金融分析师的T型结构是：金融分析（深）+ 业务理解（广）。而X则可以是：用AI工具将分析效率提升10倍的能力，或者用大模型快速构建金融预测模型的能力。

X的核心在于：不是简单使用AI工具，而是将AI能力内化为自身竞争力的一部分，形成别人难以快速复制的差异化优势。

"T型+X"框架的关键在于避免两个常见陷阱。第一个陷阱是"伪T型"——看似什么都知道一点，但实际上没有在任何一点上达到足够的深度。这种广度在大模型面前毫无壁垒，因为大模型的知识广度远超任何个人。真正的T型要求在某一个点上足够深，深到你的判断力超越了AI的普遍能力范围——你能看到AI看不到的细节、能理解AI无法量化的微妙因素。

第二个陷阱是"为AI而AI"——学了一堆AI工具的使用方法，却没有与自身专业能力形成化学反应。市场上大量"AI+营销"、"AI+财务"的课程，学完之后你会用几个工具，但并没有因此在专业领域建立竞争壁垒——因为其他人学同样的工具一样快。真正的X需要回答一个问题：AI能力与我专业深度的结合点在哪里？这个结合点能否创造出AI通用能力无法覆盖的独特价值？

### 5.2 构建个人知识管理系统

在信息爆炸的时代，碎片化学习的价值正在衰减——因为AI同样可以快速检索和整合这些碎片。真正有价值的是经过深度加工、系统化组织、可以快速调用的知识资产。

一个有效的个人知识管理系统应当包含：

- 经验库：记录问题解决过程、决策依据、反思总结
- 方法论库：沉淀可复用的工作框架、分析模型、处理流程
- 人脉库：维护关键人脉的背景信息、合作历史、互动记录
- 作品库：展示可量化的成果产出、项目案例、贡献说明

这套系统应当尽可能结构化、数字化、可查询，因为未来很可能需要与AI工具打通，形成"第二大脑"。

知识管理系统的一个关键原则是"二次加工"。原始信息本身不值钱——你在网上能搜到的任何知识，大模型都能搜到且整合得更好。你独特的价值在于对信息的加工和处理方式：你的解读视角、你的实践经验、你的反思总结。这些加工后的信息才构成你的知识资产——它是你的判断力、方法论和认知框架的载体。

以一个营销从业者的知识管理系统为例。他不应该只收藏各种营销理论文章，而应当在每次应用某个理论解决实际问题后，记录：这个理论在什么场景下有效？什么条件下会失效？自己实践中的关键变量是什么？与理论预测的偏差在哪里？这种经过实践检验的知识，才是可以依赖的认知资产。

### 5.3 主动设计"第二曲线"

管理学大师查尔斯·汉迪提出的"第二曲线"理论认为，任何增长都会遇到天花板，唯有在第一曲线仍在上升时就启动新的增长曲线，才能实现持续的职业发展。

对于今天的职场人，这条第二曲线的起点往往与AI相关——可能是：

- 用AI工具开拓自由职业市场
- 将行业经验产品化（课程、咨询、SaaS工具）
- 成为AI应用与传统行业的桥梁型人才

关键不在于"做什么"，而在于什么时候开始。第二曲线需要时间和资源积累，等到裁员发生才想起来启动，已经太晚了。

第二曲线的发展逻辑是非线性的。它在初期增长缓慢、不引人注目，在某个临界点之后才会加速增长。这个临界点可能是你的副业收入达到主业的30%，也可能是你的个人品牌影响力跨越了一个阈值。但无论哪种形式，从零到临界点都需要相当长的积累期——通常是一到三年。

这就引出了一个令人不安的结论：如果一个人在裁员发生时才决定启动第二曲线，他实际上已经晚了至少一两年。这个时间差可能是致命的——在再就业压力下，他可能被迫接受一份将全部时间占用的工作，从而彻底没有余力发展第二曲线。真正的第二曲线启动时间，应当是在第一曲线仍在上升、职业处境相对从容的时候。

### 5.4 建立"反脆弱"的财务结构

Nassim Taleb提出的"反脆弱"概念同样适用于职业发展：真正的稳定不是规避风险，而是在风险中获益。

从财务角度，这意味着：

- 控制固定支出：避免高杠杆的生活方式
- 建立应急储备：足够的流动性缓冲
- 多元化收入来源：工资收入与非工资收入的结构性平衡
- 投资于可变现资产：技能、版权、股权、工具

一个拥有6个月生活储蓄、具备可快速变现技能、有副业或被动收入渠道的职场人，在面对裁员时的脆弱性远低于"all in"工资收入的同龄人。

"反脆弱"财务结构的底层逻辑可以追溯到一个简单的统计学原理：如果你90%的资产绑定在工资收入这一单一来源上，那么一旦这个来源中断，你的整体资产面临90%的风险暴露。合理的财务结构应当是，即使最坏的情况发生——你完全失去了现有工作——你的生活质量也不会断崖式下跌。6个月的生活储备是最基本的安全线，更理想的状态是储备达到12个月，同时有至少一个可以在30天内产生现金流的副业渠道。

降低固定支出往往比增加收入更有效。很多职场人的生活方式已经与高收入绑定：房贷、车贷、子女教育、高消费标准。当收入中断时，这些固定支出就变成了压垮现金流的最后一根稻草。如果能在职业上升期主动控制固定支出水平，保持"量入为出"而非"收入驱动消费"的财务习惯，那么面对裁员时的财务缓冲空间就会大得多。

---

## 结语

AI对职场结构的冲击，不是会不会来的问题，而是来得有多快、影响有多深的问题。对于个体而言，纠结于"AI会不会取代我"毫无意义——真正有意义的问题是：我如何在AI时代建立不可替代的价值？

被裁的真相是：它是一个结果，而非原因。原因是在这之前的每一天，你如何定义自己的能力边界、如何构建自己的竞争力结构、如何管理自己的职业风险。

那些被裁后才明白的道理，其实并不复杂：能力要过硬、结构要多元、人脉要维护、认知要清醒。难的是，在一切还来得及的时候，真正开始行动。

你觉得自己现在的岗位，有多少比例是"平台租约"而非真正的个人能力？欢迎在评论区聊聊。