文章编写于7.21
上周三，我们做了第一期 AI 泉问。
这是 AI·Spring 新启动的一个线上答疑系列栏目。
想法其实很简单：
简单的问题，可以直接问搜索引擎或者 AI；但有些问题涉及真实业务、个人经历和具体场景，和 AI 聊半天，它可能还是抓不到重点。
这种问题，可能更需要人与人之间的交流。
所以，我们希望通过 AI 泉问，让没有解决的真实问题得到解答，也把已经解决的问题沉淀下来，让更多人看到。
第一期算是试运行，主持人和嘉宾都是我。
一共聊了三个问题：
-
AI时代，普通人到底应该学习什么？
-
如何挑选适合自己的AI工具？
-
企业/个人使用AI后，为什么效率提升并不明显？
说实话，这三个问题看起来跨度挺大，但聊到最后，我感觉它们其实是一条完整的线。
AI时代，普通人到底应该学习什么？
现在关于 AI 的新名词实在太多了。
从大模型、Agent、AI Coding，到提示词工程、上下文工程，再到最近讨论的各种新工具、新模式。
普通人很容易产生一种焦虑：
这个还没学会，下一个已经出来了。
但换个角度想，我们学习这些东西，最终还是为了完成工作、解决问题和创造价值。
过去的学习路径大概是：
学习知识 -> 掌握技能 -> 完成工作。
但在 AI 时代，这个过程可能正在变成：
理解问题 -> 调动 AI -> 判断结果 -> 完成交付 -> 沉淀资产。
所以，真正需要学习的，可能不只是某一个工具怎么使用，而是几种更加底层的能力。
第一，能够从业务场景中提炼出值得解决的问题。
同样是让 AI 写一份方案，"帮我写个方案"和把客户、目标、限制条件、使用场景讲清楚，得到的结果完全不一样。
第二，能够组织好上下文。
所谓上下文工程，说得简单一点，就是把 AI 完成任务所需要的背景、资料和要求准备清楚。
第三，能够判断哪些事情交给 AI，哪些事情仍然需要人完成。
真实工作不是一次问答，而是一整套流程。只会和 AI 对话，还不等于真正会使用 AI。
第四，能够判断结果。
AI 给出的内容可能看起来很完整，但如果自己不懂业务，就很难判断它到底能不能用。
所以，AI 并不会让专业能力变得不重要。
相反，因为每个人能够接触的领域越来越多，我们可能既需要一个专业根基，也需要更广的知识面。
第五，把一次成果变成长期资产。
一次不错的对话，可以整理成提示词；一个反复使用的流程，可以封装成 Skill、SOP、脚本或者小工具。
下一次再遇到相似问题，就不需要重新从零开始。
简单概括的话，我认为普通人在 AI 时代需要三层能力：
专业基础、用 AI 放大能力、创造并完成交付。
以后再遇到一个新工具、新名词或者新方向，也可以先问自己五个问题：
它能不能解决我的真实问题？
能不能放大我已有的能力？
能不能融入现有流程？
我能不能判断它的结果？
它能不能沉淀成长期资产？
如果这几个问题都回答不了，那即使它现在很热门，可能和你的关系也没有那么大。
工具这么多，应该怎么选？
最近经常有人问：
现在应该学哪个工具？
这个问题很正常。
因为每天都有人告诉我们，某个新产品出现了，某个工具又升级了，某种新的工作方式已经开始流行。
但我最近越来越认可一个思路：
选择工具，要从"供给导向"转向"需求导向"。
不是因为一个工具很火，所以先学了再说。
而是我现在有一个什么问题，再去寻找适合解决它的工具。
任何一个工具，拿真实任务测试一次，可能都比看十篇推荐文章更有价值。
因为别人觉得好用，不代表一定适合你的工作方式。
具体来说，我一般会关注六个方面：
效果、成本、结果稳定性、能否融入现有流程、数据安全，以及可迁移性。
效果当然最重要，最起码要能解决问题。
但效果好，并不意味着它就一定适合长期使用。
有些工具能力很强，但价格太高；有些第一次效果不错，第二次就不稳定；还有一些工具只能在自己的产品体系里使用，很难接入原有工作流。
可迁移性也很容易被忽略。
一个工具可能从免费变成收费，也可能因为政策、地区或者服务调整突然无法使用。
所以，重要的资料、提示词和工作成果，最好能够方便地导出，也要给关键环节准备一个替代方案。
至少在现阶段，我不太期待一个工具解决所有事情。
更加现实的方式，是让不同工具各自完成擅长的工作，再通过流程把它们组织起来。
为什么用了 AI，效率提升却不明显？
这是第一期里，我感觉最值得继续讨论的问题。
我们经常会看到一些数据：
使用 AI 以后，写代码效率提升了多少，写文章速度提升了多少，做图片又快了多少。
但放到一个人的全部工作，或者一个团队、一个企业里，很多人又会发现：
好像整体效率没有提升那么多，甚至变得更忙了。
我认为主要有四个原因。
第一个，是单点效率不等于流程效率。
比如开发人员写代码的速度提高了，但需求分析和测试没有跟上。
原来一天产生十个测试任务，现在一天产生几十个，最后所有工作都堵在测试环节。
一个节点提升得再快，如果上下游没有同步变化，整个流程的效率依然不会提高太多。
所以企业真正需要关注的，不只是个人"人效"，而是整个业务流程的"流效"。
第二个，是给 AI 准备上下文也需要成本。
找资料、复制文档、整理格式、补充背景，再把这些内容一遍遍交给 AI，本身就增加了很多工作。
如果企业原来的业务资料、流程和知识没有完成数字化，使用 AI 时，就需要人不断给它"打下手"。
真正顺畅的状态，应该是业务产生的数据和资料能够自动进入流程，而不是每次都靠人工复制粘贴。
第三个，是选择的场景价值太低。
很多团队为了降低风险，会先让 AI 写周报、整理会议纪要、生成几篇宣传内容。
这些事情当然可以做。
但如果任务本身频率不高、耗时不多，即使效率提升一倍，大家的感受也不会太明显。
如果真想推动 AI 落地，可以优先寻找那些频率较高、价值较高，同时又能明确衡量结果的关键节点。
只有真正解决了业务中的痛点，团队才会获得足够的正反馈。
最后，还是组织和管理的问题。
假设一个人使用 AI 节省了两个小时。
组织是让他用这两个小时去完成更有价值的工作，还是因为他"现在有时间了"，给他增加更多会议和事务？
如果工作安排、评价方式和协作流程没有调整，AI 节省出来的时间，很快又会被原来的组织方式重新填满。
最后大家确实更忙了，但企业并没有获得更多价值。
写在最后
回头看这三个问题：
普通人应该学什么，是在讨论个人能力；
如何选择工具，是在讨论工作方式；
为什么企业提效不明显，是在讨论流程和组织。
它们其实都在说明一件事情：
AI 落地的关键，从来不只是拥有一个更强的工具。
还需要理解问题、设计流程、判断结果，并让个人能力和组织方式一起发生变化。
今天就到这里了，准备明天"AI泉问"第2期的内容去了。