分享嘉宾：谢浩，《AI 大模型必知必会：从工具思维到智能协同》书籍作者。
责编 | 柒 排版 | 沐言
第 9743 篇深度好文：4521字 | 17 分钟阅读
商业思维
一、拥抱 AI 的人，已经领先同龄人
现在很多工作中，我们看到的所有点都是 AI 在完成。例如现在的 Codex、Claude Code，腾讯的 Workbuddy 等等。
根据现场的调研，大家 90% 以上都在使用这些产品，至少领先于同行或者同龄人。
最近我有一些思考我自己最近有一个直观的感受：现在每天我消耗的 token 数量，多的时候可能接近一个亿。
比如 DeepSeek，现在一级市场估值已经到 500 亿美金量级；
再比如智谱，前段时间港股市值一度破万亿；
还有 MiniMax，也是几千亿市值；包括芯片公司寒武纪，都是破万亿的公司。
短短时间内市场为什么会发展这么快？我们作为个人，如何能抓住其中一点点机遇？
这就是今天想跟大家探讨的核心。
二、张雪的启示：
用 AI 做杠杆，实现增长
我们举一个今天特别火的例子张雪。他是一位非常火爆的山村修车工，他的机车已经获得了几次世界冠军。
他在做发动机的时候有一个视频：改善发动机性能。我们一直觉得发动机是个技术门槛相对较高的领域，做研发需要一定的行业技术壁垒。
张雪在做发动机时遇到一个很大的问题：内窥镜的图像分析。
这种图像分析极其复杂，靠人分析极其困难。当时开会就拍板：如果图像分析这么难，我们应该借助 AI。
这一案例印证核心逻辑：AI 是撬动增长的核心杠杆。
企业、个人存在大量重复性、标准化工作卡点，搭建标准化 AI 工作流，即可实现任务自动化交付，大幅压缩人力成本、缩短项目周期。
斯坦福相关产业研究划分 AI 落地两类场景：
绿灯区（客服、数据整理等标准化任务，可全面交由 AI 落地）。
红灯区（涉及复杂决策、人际信任的场景，需延后布局），落地时优先深耕绿灯场景，依托 AI 杠杆快速实现业务增长。
三、AI 能力的摩尔定律：
每 7 个月翻一倍
我们再看另一个数据：METR2025 年的研究。
METR 是美国一个专门做 AI 安全和能力评估的第三方组织。他们的核心研究结论是：AI 能处理的任务复杂度，大约每 7 个月翻一倍。
这张图由 AI 制作，我们看到他发布了一篇文章。他讲 AI 智能体的摩尔定律，在芯片领域每 18 个月芯片的性能提升一倍，体积可能减少一半。
区分不同赛道迭代差异：翻译、基础文案等简单任务迭代接近瓶颈；自动驾驶、复杂科研推理等领域迭代周期更长，约 20 个月。
METR 在 2025 年发布成果时预测：
2026 年底：AI 有望处理一天级别的复杂任务；
2028 – 2029 年：可能连续处理一个月级别的活。
同时 AI 幻觉、逻辑偏差等问题仍客观存在，多轮交互、跨模型交叉核验是优化输出质量的通用手段。
AI 能力持续变强，意味着单纯执行类岗位价值持续缩水，人类核心价值将向顶层指挥、决策端转移。
我经常跟我们团队讲：你白天可能要让 agent 去跑一些任务，用 Claude Code 也行、用 Codex 也行。
在跑的过程中，有些任务需要交互，什么时候该 AI 干、主要时间是不是应该让它自主跑？
现在像 long-horizon agent（长程智能体）这种模式也很火：你设一个目标，它通过多轮迭代去完成。
四、角色转型：
从执行者到指挥者
在 AI 时代， 由于大量智能体（硅基员工）的涌现，我们能指挥的团队越来越大。
那么作为中层管理者，你的角色在哪里？
我想说，这时候作为中层管理者其实蛮危险的。
你要么需要一些能力去把事情落地、形成闭环；要么可能需要往高层管理走，那时候你有更多的资源。两者之间会有区别。
1. 执行者 vs 指挥者
我们原来设定一个目标 , 比如给他做一个视频，我大概知道交付对标的结果是什么样的，可以找个视频让他去看；甚至有人会问：你能不能直接帮我把这个钱赚回来？
所以流程是：定义问题→ 设计工作流→ 判断结果→ 承担结果。真正的竞争力，是设计这套协作系统的能力。
2. 未来团队形态：一人 + AI 团队
举个很小的例子。以前可能是多人团队 , 我们当年做公司时，每个月员工的开支可能就需要 50 万，创业门槛相对较高。
现在呢？未来很多事情可能是一个人 + 一个 AI 团队。
我现在基本上很少会用到助理，也很少用到程序员帮我做什么 , 因为我觉得这些东西，大家都会用 AI 的方式去做。
3. 一个美国大三学生的选择
前段时间我跟美国一线的学生交流，其中一位来自全球前 50 的学校。他大三，计算机系。我问他未来计划是什么 , 是不是因为国内比较卷、想去读个硕读个博？
他给我的反馈是：" 现在发展实在太快，我觉得去读硕士、读博，可能会错过这一波的时间和机遇。"
所以他说自己三年就想毕业去工作，我觉得这个想法非常好。
我说：你如果三年毕业能在美国找到大厂工作，应该立马去工作 , 因为现在 AI 发展极其迅速。
我问他平时用 AI 的情况，他说很多作业不能让 AI 做 , 因为如果让 AI 做，闭卷考试的时候就不会做了。
这也是未来教育行业值得探讨的问题，即未来的教育方式和学生需要学习什么，这也是我们重点需要关注的一个问题。
五、指挥的四要素
指挥有四个要素：
判断力，就是知道要做什么。
有时候讲 " 选择比努力更重要 ", 无论你是来读 MBA，还是找工作，还是切换赛道，你要想清楚你应该做什么。这决定的是战略。
2. 提问力
这是把问题说清楚、定义清楚的能力。无论是提示词（prompt），还是其他方式 , 你以怎样更清晰 、更好的方式去表达需求。
3. 鉴别力
鉴别力就是判断结果的好坏。
当 Codex、Claude Code，或者国产的 Workbuddy、通义千问这些工具给你做出结果时，你怎么让它进一步优化？
如果你带偏了，AI 可能很快做到 70、80 分；
但你发现从 70、80 分做到 90 分，达到交付标准，并没有那么简单。
判断结果极度依赖于你的个人经验和行业经验 , 这是把 70 分优化到 90 分的关键。
4. 责任力
责任力，就是对结果负责。
为什么每个行业都拥抱 AI？举个例子 : 医生现在也用 AI。但医生看完 AI 的结果再给出来，是不是比你更有信服力？
反过来，如果你没有医疗背景，作为医疗服务的提供者，你要想：怎么让别人相信你这个结果、能为它负责？
六、个人增长的三重杠杆
我们再看 AI 给个人的三重杠杆。
我们怎么优于同行、怎么领先于对手？做企业怎么让产品、技术、利润领先于市场？这些都来自哪里？
L1：时间杠杆（省时间）
如果 AI 可以迅速做完这样一个交付，我为什么要用人去做？你给员工布置的工作里，如果 AI 本身能做，为什么要布置给员工？
L2：能力杠杆（能力放大）
这是用 AI 放大现有能力的能力。我们看到很多领域其实拥抱 AI，但你却很难杀进去。
比如材料科学。如果你本来没有材料科学的背景，又如何做到？所以你肯定要选择自己的专业能力去做杠杆放大，否则别人凭什么相信你有这个能力？
L3：认知杠杆（破认知）
作为 " 思维的外骨骼 "，我们看到大量顶尖科学家在用 AI 方面用得非常好，他们是如何挖掘到那些足够领先于市场、足够创新的方法和点的？他们是超人吗？这里面，AI 就是认知的杠杆。
越往上层杠杆，越难被 AI 替代。
以前的工业革命可能是 10 倍，这一次的 AI 革命可能不再是 10 倍 , 可能是十倍、百倍、千倍，就看你怎么用这个杠杆。
所以三重杠杆总结：L1，省时间；L2，对能力放大；L3，破认知。
七、AI 时代的四大护城河
我们为什么要讲护城河？
比如你学了 Claude Code 一个月，可能觉得学得还不错 。
但 AI 工具发展非常快，早期你帮人装一个 Claude Code，还能收点钱；后来你发现装这个工具已经收不到钱了。
为什么？因为国产的一些工具一键就能装，像腾讯 Workbuddy 这类，不用学如何安装。
我们有时候开玩笑：一键化发展特别快，如果你学得慢，你的工具就不用学了，因为立马就可以直接用了。
现在你不装那些复杂的东西了，Claude Code 也变成桌面板了，使用越来越简单。
以前你要学怎么用 CLI 配置，现在有更好的，比如接智谱 GLM-5.2 的方案， 我有时候也用，发现挺好用 。
你说有没有差距？也许会有一点，但大量的情况下你根本用不到它的上限。所以 " 会用工具 " 已经不构成护城河 。
真正的护城河是这四个：
1. 场景理解
解决什么问题，永远比答案更重要。有了 AI，寻找答案很方便，但判断场景该不该用、怎么用，才是核心竞争力 。
2. 判断标准
为什么医生用 AI 出的结果，人家愿意买单；而你出的结果，可能就没人买单？判断标准便是你的核心竞争力之一。
3. 信任关系
今天班上十几名同学来了，线下的价值更多是用来建立链接的。
这个课你听不听其实无所谓，但来了以后，可能给你一个更深的认知、更好地触动你；同时你建立了一个链接，你会更加确信你的方式是对的。深度信任， 靠的是线下、面对面。
4. 整合加飞轮（数据飞轮）
无论对个人还是组织都一样，最后一定是一个数据飞轮。当你把个人知识库 、把工作流的每一项都标准化以后，你就可以直接产出、自动交付。
结语
从理解到行动，
三件今天就能开始的事
前面讲了三大杠杆，又讲了四大护城河 。
现在的关键是直击问题本质：如果你不用杠杆，个人能力比别人强一点，无论时间、智商、还是资源，可能多一点，但不够。
加上杠杆以后：人家用得好可能乘以 3，你用得好可能是乘以 10 。10 和 3 的差距，就不再是每天 24 小时能比的。
给大家四条行动建议：
1.All in AI
立即增加对 AI 的投入使用和学习 。如果有可能，尽量 All in AI，任何人都应该这么做。
2. 聚焦一两个垂直场景
这个场景一定是你最理解的。
今天在座的每一位，在你的行业里都有积累，你有资源、有人脉、也懂得行业的门道 。设计自己的 AI 工作流：哪些交给 AI，哪些必须自己做，怎么达到交付要求？
3. 自动化交付
一旦做到交付要求，就让它自动实现。这项工作最后变成多长时间，取决于算力当时紧不紧张：有可能是十几秒，也有可能是十几分钟甚至更多。
4. 建立个人数据飞轮（第二大脑）
现在有很多知识库工具：
腾讯把 ima 放到 Workbuddy 里；
Codex 、ClaudeCode 接入到 Obsidian 这类知识库，那就变成你 " 第二大脑 "。
这些我经常在用，效果非常好，大家可以去实践。
把可自动化的执行交给系统，把时间投向问题的定义，这是战略。
三大杠杆 + 四大护城河（场景理解 × 判断标准 × 信任关系 × 数据飞轮）是我们长期需要关注、实践并落地的事情 。
接下来，笔记侠要举办《AI 十倍增长营 02 期》，地点杭州，帮助更多的企业实现 AI 转型。
如果你想知道全部的 AI 实操细节、踩过的坑、避坑指南和落地工具包。
欢迎扫描以下海报二维码报名。
好文阅读推荐：
分享、点赞、在看，3 连 3 连！
