本集文稿

OPC商业化变现思维 · 第13讲

一、ELI5：你雇了一个超级实习生

想象你突然有了一个实习生。

他读书破万卷，什么领域都懂一点。他打字速度飞快，一分钟3000字。他不要工资，不要社保，24小时待命。你让他干啥他就干啥，不抱怨不摸鱼。

但问题是：他不能做任何决定。你让他写个方案，他5分钟写完了，写得好不好他不知道。你让他做数据分析，他3秒钟处理完了，结论对不对他不负责。你让他帮你见客户，他去了，说了所有正确的话，但客户总觉得哪里不对。

这个实习生就是AI。

他确实能让你10倍速完成很多事情。但他也能让你10倍速犯10倍的错。关键在于：你知道哪些事该交给他，哪些事不能。

会用AI不是本事，知道什么时候用、什么时候不用，才是本事。

二、概念溯源：AI能力边界的研究脉络

关于"AI能做什么、不能做什么"的研究，几乎和AI本身一样老。

1965年，Herbert Simon（诺贝尔经济学奖得主、AI先驱）预言："20年内，机器能做人能做的一切事。"60年过去了，这个预言还没完全实现。

2012年，深度学习爆发（AlexNet在ImageNet上夺冠），AI的感知能力（图像识别、语音识别）首次超越人类。但认知和推理能力仍然受限。

2017年，Google发表论文《Attention Is All You Need》，Transformer架构诞生。GPT系列基于此架构，让AI在语言生成领域取得突破。

2022年，ChatGPT发布，AI的"语言能力"首次让普通人感受到了。但OpenAI自己的研究也承认：大语言模型存在"幻觉"（hallucination）问题，会自信地编造事实。

2023年，OpenAI发布GPT-4，在律考、医考等标准化测试中超过90%的人类考生。但在需要多步推理和实时判断的任务中仍然频频出错。

Ethan Mollick在2024年出版的《Co-Intelligence: Living and Working with AI》中提出了一个很好的框架：把AI看作"中级水平的合作者"（a collaborator at the intermediate level）。它能力不弱但有盲区，需要你来判断什么时候信它、什么时候把关。

理解AI的能力边界，不是否定AI，而是更好地用AI。

三、误区辨析：你对AI的期待 vs AI的真实能力

你以为的AI｜真实的AI
AI什么都能做｜AI在感知和生成任务上极强，在判断和决策上很弱
AI写的文章比人好｜AI的初稿质量很高，但终稿质量取决于你的判断
用了AI就等于10倍效率｜不做流程改造直接用AI，可能只提升1.5倍
AI会取代你的工作｜AI取代的是"任务"不是"工作"，一个工作包含很多任务
AI越强越好｜在当前阶段，AI的能力和你使用它的判断力正相关

一个最普遍的误区：把"AI能生成内容"等同于"AI能生成好内容"。AI能写出一篇2000字的文章，速度是你的50倍。但这篇文章值不值得发，AI不知道，只有你知道。

10倍速的初稿 × 1倍速的判断 = 2倍速的终稿。不提升判断力，AI的10倍速反而变成10倍速的垃圾产出。

四、框架模型：人机分工矩阵

`` AI能力弱 ←────────→ 强 ┌────────┬─────────┐ 高 │ ③区 │ ④区 │ ↑ │ 人做AI │ 人机协同 │ 人的 │ 不能做 │ 各有优势 │ 判断 ├────────┼─────────┤ ↓ │ ①区 │ ②区 │ 低 │ 都别做 │ AI做即可│ └────────┴─────────┘ ``

①区：人和AI都做不好的事

比如：预测股市、预测人类行为变化、处理从未见过的情况。这类任务，人不靠谱，AI也不靠谱。最好的策略是承认不确定性，不要硬做。

②区：AI强、人判断低的事

比如：翻译初稿、文本摘要、代码补全、格式转换、图像生成。这些任务AI已经足够好，人的判断不会比AI更好多少。直接交给AI，人只做最后检查。

Pieter Levels就是这种用法：他让AI帮他做设计图（用Midjourney生成素材），自己只做技术实现和产品判断。

③区：人做AI做不了的事

比如：建立信任关系、做关键决策、理解隐性上下文、处理情感和人际问题。这些事，AI做不了，只能人做。

纳瓦尔说："所有可以通过网络传输的工作都会被AI替代，所有需要在物理世界面对面完成的工作会保留更久。"这不是在否定AI，而是在界定边界。

④区：人和AI都强、协同最好的事

比如：写文章（AI做初稿+人做判断和修改）、做产品（AI做技术实现+人做需求判断）、做研究（AI做信息整理+人做洞察提炼）。这个区域是人机协同的最大金矿。

五、真实案例

案例1：Pieter Levels——AI驱动的一个人产品帝国

Pieter Levels在2023年公开宣布：他的AI产品Photo AI每月收入超过10万美元。

他的工作流极度依赖AI：用AI生成产品图片素材，用AI做客服回复，用AI做代码辅助（用Cursor写代码）。但他把判断和决策全部留给自己：做什么产品、面向谁、定价多少、功能取舍。

这就是典型的人机分工矩阵④区实践：AI承担了"生成"类任务，人承担了"判断"类任务。一个人+AI，产出相当于一个5-10人的小团队。

案例2：Tim Ferriss——流程优化的极致

Tim Ferriss在《4-Hour Workweek》（2007）中就提出了" outsourcing"（外包给虚拟助理）的概念。他把自己的事务性工作外包给印度的虚拟助理，自己只做高价值判断。

AI时代，这种模式被放大了。现在不需要雇人，AI就是你的虚拟助理。但Ferriss的核心理念没变：先想清楚哪些事情不值得你做，再决定交给谁（人或AI）做。

他后来的播客制作就大量使用AI工具做转录和初稿整理，但最终的选题判断、采访追问、内容取舍，全部是他自己做的。

案例3：保罗·格雷厄姆——"不可替代的部分"

Paul Graham（Y Combinator创始人）在2024年的文章《How to Do Great Work》中写道：好的工作是那些你既擅长又感兴趣的事。而AI时代的版本应该是：好的工作是那些你擅长、感兴趣、且AI做不好的事。

Graham的文章全部自己写。不是因为他不会用AI，而是因为他文章的核心价值不在文字本身，而在于他对创业、人性、趋势的独特洞察。这种洞察AI给不了。

AI可以帮你把观点表达得更流畅，但观点本身必须来自你。

案例4（反例）：某内容工厂——AI量产的反噬

某内容团队（化名）在2023年ChatGPT火了之后，立刻全面切换到AI生成内容。10个编辑裁到2个，每天产出从20篇变成200篇。

三个月后，流量暴跌60%。原因很简单：用户不是傻子。AI生成的文章初看像模像样，但读完没有"获得感"。没有独特观点，没有亲身经历，没有让人想转发的句子。

更致命的是搜索引擎和平台算法都开始打击AI量产内容。Google的Helpful Content Update专门针对低质量AI内容降权。

教训：如果你把AI用在②区（文本摘要、代码补全），没问题。如果你把AI用在需要③区能力（独特观点、情感共鸣）的地方，就是在制造垃圾。

六、今天就能做的3件事

列出你工作中所有重复性任务。用人机分工矩阵给每个任务标注属于哪个区域。②区的任务，今天就找到AI工具用起来。③区的任务，列出来，确保这些事你永远不会外包给AI。

试一次完整的人机协同创作。找一个你需要写的文档/文章/方案，让AI写初稿，你只做修改和判断。记录下：AI初稿用多久？你的修改用多久？最终质量和纯人工写比，差多少？这个实验会让你直观感受AI在你工作中的真实加速度。

找到你工作中"AI做不了"的三件事。这三件事是你的护城河。你未来所有的精力，都应该往这三件事上倾斜。其余的事，交给AI。

七、一句话总结

AI是放大器，不是替代品。它放大你的优势，也放大你的无知。决定倍数是正还是负的，不是AI，是你。

八、思考题

你工作中有哪些任务，AI已经做得比你好了？你承认这一点吗？如果承认，你准备怎么办？

"人机协同"听起来很好，但协同的成本本身不低。你管理一个AI工具的精力，和管理一个真人的精力，哪个更高？什么时候协同的收益大于协同的成本？

如果AI明天突然变得和你一样聪明（通用人工智能），你的工作还剩多少？你今天做的事情里，哪些是为"AI不够聪明"而存在的？

九、下期预告

第14讲：选品思维——做什么比怎么做重要100倍。下一讲我们聊：方向大于努力不是鸡汤，是数学。选错品类，做得再好也是白费。选对品类，60分的产品也能赚到钱。

十、参考来源

Simon, H. (1965). The Shape of Automation for Men and Management.
Vaswani, A. et al. (2017). "Attention Is All You Need." Google Research.
Mollick, E. (2024). Co-Intelligence: Living and Working with AI.
Graham, P. (2024). "How to Do Great Work." paulgraham.com.
Ferriss, T. (2007). The 4-Hour Workweek. Crown Publishing.
Pieter Levels (@levelsio), Twitter/X public data, 2023-2024.