即刻App年轻人的同好社区
下载
最近，看到我很喜欢的一位大佬Ben Horowitz 在一个创业者活动上聊他的创业和投资经验。
Ben 是 a16z 的联合创始人，在那之前他自己做过创始人和 CEO，把一家股价跌破一美元的企业软件公司，最后卖了 16 亿美元给 HP。
他在访谈里说了一句话，非常尖锐："你们干了一大堆事情，但你们没干自己真正该干的事。"
很多创业者在早期没有品牌，没有背书，那这时候你靠什么吸引人才？
靠融资记录？靠名气？都没有。
你只有一样东西——故事。
1
Ben 说，公司的故事其实就是公司的战略，这两件事不是分开的。
不存在一套对外讲的故事，另外藏着一套真正的战略。
Ben 说战略不是开一次大会讨论出来的，而是你在每天接触市场、接触客户、接触技术的过程中，每天微调、每天更新的东西。
一个季度下来，你的策略其实已经跟最初大不相同了。
所以他建议的第一步，是把这个"为什么"写下来。
不是给外部看的宣传稿，而是你自己真正相信的、能说清楚这家公司为什么存在的那段话。
第二步，让公司里所有人都能看到这段话。
招聘的人、融资对象、客户，都应该知道你在回答同一个问题——这家公司为什么要存在？
第三步，持续更新它。
随着认知变化，你对这个问题的回答也会变化。
很多创业者在早期写过一次，然后就放着不动了，但实际上市场每天都在给你新的信息。
他说有人会觉得"今天我在打磨故事"听起来根本不像在工作，所以大家就不做这件事。
但他认为这恰恰是最重要的工作之一，因为如果你自己都说不清楚为什么要做这件事，别人怎么跟你走？
2
AI 时代，什么人才变得更值钱？
有人问 Ben，现在 AI 发展这么快，招人的时候应该看重哪些特质？
他给了一个蛮有意思的答案——创造力，和建立关系的能力。
他解释说，那些需要反复执行的任务，AI 已经做得相当好了。
但有两件事，至少目前的 AI 还做不太好：第一是真正原创的想法，第二是高质量的人际关系。
他举了一个自己公司的例子。他们在 2009 年建了一个非常厉害的市场营销团队，但那个团队的思路完全围绕传统媒体。
后来想转向新媒体，怎么都出不了突破性的创意。
直到引进了一批在新媒体上有真正创造力的人，才把这件事做起来。
他说这种人其实挺少的，对一个新事物，能有很多具体的、落地的新想法，这不是普遍技能。
同理，关系也是。
不是指社交场合的表面客气，而是那种能建立、维持高质量信任关系的能力。
他说这件事被硅谷大多数人低估了，他们自己在这方面投入很多，但很多机构根本不把这当回事。
3
该在什么时候转型，什么时候坚持？
访谈里还聊到了一个所有创业者都会碰到的问题：如果事情推进了一段时间，看起来不太顺，要不要转型？
Ben 自己做过 pivot，他说：转型这件事，基本上在大多数情况下都是不奏效的。尤其是当你公司已经做到一定规模，轻易转很难。
所以他的判断标准不是"有没有更好的机会"，而是"除了转，还有没有别的选择"。
如果还有其他出路，那就先别转，转型应该是你真的走投无路的时候才做的决定。
他引用了一个概念，创意迷宫。
意思是创业本来就是一个不断试探边界的过程，你会撞到市场的墙，撞到竞争的墙，撞到技术的墙。
这不是失败信号，这就是正常的过程。真正的问题不是要不要转，而是每次撞到墙之后，你学到了什么，下一步往哪里走。
4
AI 时代的创业机会在哪里？
聊到机会，Ben 的思路很直接——从稀缺入手。
他说现在 AI 发展的背后，是一大堆基础设施的短缺。
电力变压器不够用，芯片不够，token 不够，冷却设备也快不够了。如果对 AI 的需求真的是无限的，那供给侧的每一个瓶颈，都是一个值得解决的问题。
他们甚至投了一家做电力变压器的公司。这个方向乍一看跟 AI 八竿子打不着，但想想数据中心的扩张需要大量电力基础设施，这个需求就很真实了。
除了基础设施，他还提到了一些长期存在、但之前解决不了的人类问题。
比如癌症。他认为这类问题在 AI 工具的帮助下，开始变得"可解"了。
真正有价值的方向，往往是你真正去做一件很难的事情，在过程中发现了某个地方根本没有解决方案，然后你去填那个空缺。
5
最后他谈到了融资建议，这部分我觉得尤其实用。
他说很多创业者在融资前会做一件事，猜测投资人想听什么。想着这个人喜欢看市场规模的数据，还是更在乎增长曲线，然后去准备对应的材料。
他说这是最容易出错的做法，因为你猜来猜去，大概率猜错。
真正有效的方法只有一个——先说服你自己。
如果你能把这件事说清楚到让自己完全信服，觉得这是世界上最值得做的事，那这个逻辑才是你在融资时真正该讲的东西。
因为这个版本的你，不会在被人质疑的时候突然动摇。
他说最糟糕的情况是，投资人问了你几个问题之后，你开始觉得"啊，好像他说的有道理，我这个方向可能不行"。那个时刻不是投资人在帮你，那是你自己没想清楚。
这段访谈里的很多东西都是反直觉的，不是教你怎么更努力，而是帮你想清楚——努力之前，你在为什么而努力？
这件事需要你真正理解市场、理解技术、理解用户，还要理解自己。
这才是最难的那件事。
Ben 是 a16z 的联合创始人，在那之前他自己做过创始人和 CEO，把一家股价跌破一美元的企业软件公司，最后卖了 16 亿美元给 HP。
他在访谈里说了一句话，非常尖锐："你们干了一大堆事情，但你们没干自己真正该干的事。"
很多创业者在早期没有品牌，没有背书，那这时候你靠什么吸引人才？
靠融资记录？靠名气？都没有。
你只有一样东西——故事。
1
Ben 说，公司的故事其实就是公司的战略，这两件事不是分开的。
不存在一套对外讲的故事，另外藏着一套真正的战略。
Ben 说战略不是开一次大会讨论出来的，而是你在每天接触市场、接触客户、接触技术的过程中，每天微调、每天更新的东西。
一个季度下来，你的策略其实已经跟最初大不相同了。
所以他建议的第一步，是把这个"为什么"写下来。
不是给外部看的宣传稿，而是你自己真正相信的、能说清楚这家公司为什么存在的那段话。
第二步，让公司里所有人都能看到这段话。
招聘的人、融资对象、客户，都应该知道你在回答同一个问题——这家公司为什么要存在？
第三步，持续更新它。
随着认知变化，你对这个问题的回答也会变化。
很多创业者在早期写过一次，然后就放着不动了，但实际上市场每天都在给你新的信息。
他说有人会觉得"今天我在打磨故事"听起来根本不像在工作，所以大家就不做这件事。
但他认为这恰恰是最重要的工作之一，因为如果你自己都说不清楚为什么要做这件事，别人怎么跟你走？
2
AI 时代，什么人才变得更值钱？
有人问 Ben，现在 AI 发展这么快，招人的时候应该看重哪些特质？
他给了一个蛮有意思的答案——创造力，和建立关系的能力。
他解释说，那些需要反复执行的任务，AI 已经做得相当好了。
但有两件事，至少目前的 AI 还做不太好：第一是真正原创的想法，第二是高质量的人际关系。
他举了一个自己公司的例子。他们在 2009 年建了一个非常厉害的市场营销团队，但那个团队的思路完全围绕传统媒体。
后来想转向新媒体，怎么都出不了突破性的创意。
直到引进了一批在新媒体上有真正创造力的人，才把这件事做起来。
他说这种人其实挺少的，对一个新事物，能有很多具体的、落地的新想法，这不是普遍技能。
同理，关系也是。
不是指社交场合的表面客气，而是那种能建立、维持高质量信任关系的能力。
他说这件事被硅谷大多数人低估了，他们自己在这方面投入很多，但很多机构根本不把这当回事。
3
该在什么时候转型，什么时候坚持？
访谈里还聊到了一个所有创业者都会碰到的问题：如果事情推进了一段时间，看起来不太顺，要不要转型？
Ben 自己做过 pivot，他说：转型这件事，基本上在大多数情况下都是不奏效的。尤其是当你公司已经做到一定规模，轻易转很难。
所以他的判断标准不是"有没有更好的机会"，而是"除了转，还有没有别的选择"。
如果还有其他出路，那就先别转，转型应该是你真的走投无路的时候才做的决定。
他引用了一个概念，创意迷宫。
意思是创业本来就是一个不断试探边界的过程，你会撞到市场的墙，撞到竞争的墙，撞到技术的墙。
这不是失败信号，这就是正常的过程。真正的问题不是要不要转，而是每次撞到墙之后，你学到了什么，下一步往哪里走。
4
AI 时代的创业机会在哪里？
聊到机会，Ben 的思路很直接——从稀缺入手。
他说现在 AI 发展的背后，是一大堆基础设施的短缺。
电力变压器不够用，芯片不够，token 不够，冷却设备也快不够了。如果对 AI 的需求真的是无限的，那供给侧的每一个瓶颈，都是一个值得解决的问题。
他们甚至投了一家做电力变压器的公司。这个方向乍一看跟 AI 八竿子打不着，但想想数据中心的扩张需要大量电力基础设施，这个需求就很真实了。
除了基础设施，他还提到了一些长期存在、但之前解决不了的人类问题。
比如癌症。他认为这类问题在 AI 工具的帮助下，开始变得"可解"了。
真正有价值的方向，往往是你真正去做一件很难的事情，在过程中发现了某个地方根本没有解决方案，然后你去填那个空缺。
5
最后他谈到了融资建议，这部分我觉得尤其实用。
他说很多创业者在融资前会做一件事，猜测投资人想听什么。想着这个人喜欢看市场规模的数据，还是更在乎增长曲线，然后去准备对应的材料。
他说这是最容易出错的做法，因为你猜来猜去，大概率猜错。
真正有效的方法只有一个——先说服你自己。
如果你能把这件事说清楚到让自己完全信服，觉得这是世界上最值得做的事，那这个逻辑才是你在融资时真正该讲的东西。
因为这个版本的你，不会在被人质疑的时候突然动摇。
他说最糟糕的情况是，投资人问了你几个问题之后，你开始觉得"啊，好像他说的有道理，我这个方向可能不行"。那个时刻不是投资人在帮你，那是你自己没想清楚。
这段访谈里的很多东西都是反直觉的，不是教你怎么更努力，而是帮你想清楚——努力之前，你在为什么而努力？
这件事需要你真正理解市场、理解技术、理解用户，还要理解自己。
这才是最难的那件事。
0 00
最近看了一期 Uncensored CMO 播客，嘉宾是 LinkedIn 的现任首席营销官 Jessica Jensen。
这位老姐的履历相当硬核，之前在苹果、Facebook、Booking Holdings 都待过，而且她不是科班营销出身，最早是在波士顿咨询做战略咨询的，是一个后来才转做营销的商业人。
这期节目聊的东西特别多，从 AI 对就业市场的冲击，到个人品牌怎么搞，再到 LinkedIn 算法到底有没有性别歧视，几乎把大家在 LinkedIn 上最关心的问题一网打尽了。
1️⃣ AI 正在创造的工作比吃掉的还多？
Jessica 分享了 LinkedIn 2026 年劳动力洞察报告里的数据，直接打了一个流传甚广的说法的脸：很多人以为 AI 正在疯狂吞噬入门级岗位，但 LinkedIn 的数据显示，目前 AI 创造的就业机会实际上多于它消灭的。
那为什么大家感觉工作越来越难找呢？
真正的推手其实是宏观经济因素，尤其是利率。高利率压缩了企业的扩张意愿，导致很多公司在缩招甚至裁员。
不过她也强调了一句很关键的话：这并不意味着我们可以对 AI 高枕无忧。只是说，在当下这个时间点，把就业困难全部甩锅给 AI 是不准确的。
这个区分挺重要的，因为如果你误判了敌人，你的应对策略也会跑偏。
过去一年里，在 LinkedIn 上把头衔改成创始人的用户增长了超过 60%。越来越多的人开始把命运攥在自己手里，用 AI 工具以前所未有的低成本启动自己的生意。
与此同时，年轻人对水管工、电工这类手艺活的兴趣也在激增，因为这些活儿 AI 没法替你干。
2️⃣ AI 时代最值钱的技能是什么
问到雇主现在最看重什么技能，Jessica 说 AI 素养已经是基本门槛了，就跟以前会用 Excel 一样，你不会用 AI 工具做内容生产、图片创作、视频剪辑，连起跑线都站不上。
但真正让她兴奋的是另一面。
在 AI 能力越来越强的今天，人类的创造力、判断力、战略思维、清晰的写作和沟通能力反而变得更值钱了。
那些过去被叫做软技能的东西，现在正在变成硬需求。
「AI 其实在迫使我们变得更像人，而不是更不像人。」
这对普通职场人的启示非常直接。
如果你是一个 24 岁刚入行的年轻人，或者一个 35 岁想转型的中层管理者，最聪明的投资组合就是一手抓 AI 工具的实操能力，一手磨练你的谈判技巧、协作能力和战略眼光。
因为前者让你不被淘汰，后者让你不可替代。
3️⃣ 如何在 LinkedIn 建立个人品牌
聊到个人品牌这个话题，Jessica 给出了三条非常落地的建议。
第一，要有观点，你相信什么、在学什么，大方分享出来。
第二，用短视频，别想太多，别搞成精心制作的纪录片，手机一拿，三分钟搞定。
第三，也是她说的秘密武器，认真回复评论，并且主动去别人的帖子下面留有质量的评论。
她说大多数人发完帖子就坐在那儿看数据变化，但真正的高手会把评论区当成第二战场来经营。
LinkedIn 是专业社交平台，但专业不等于无聊，把焦虑降下来，把人味儿提上去。
4️⃣ B2B 营销最大的敌人不是预算，是无聊
最后一个让我印象深刻的话题是 B2B 营销。
Jessica 坚信 B2B 就是 B2P，business to people，买 SaaS 产品的也是活生生的人，你得让他们先有感觉，再给他们理由。
她提到 LinkedIn 之前做了一个叉车开进会议室的广告，还有一个办公室吸血鬼的小企业广告，都在用幽默感打破 B2B 一贯的死板印象。
她还透露了一个很有含金量的信息：LinkedIn 目前是大型语言模型中被引用第二多的高质量内容来源，在某些模型里甚至排第一。
这意味着在 AI 搜索时代，在 LinkedIn 上持续产出好内容，本身就是一种品牌建设的长期投资。
AI 时代的职场生存法则正在被重新书写，但底层逻辑其实没变。
技术工具在加速迭代，可真正决定你能走多远的，还是你作为一个人的独特价值。会用 AI 只是入场券，能思考、能沟通、能让别人记住你，才是通关密码。
另外一个趋势也越来越明显：个人品牌正在从可选项变成必选项。
不管你是打工人还是创业者，在公开平台上持续输出观点和价值，已经不再是锦上添花的事，而是职业发展的基础设施。
这位老姐的履历相当硬核，之前在苹果、Facebook、Booking Holdings 都待过，而且她不是科班营销出身，最早是在波士顿咨询做战略咨询的，是一个后来才转做营销的商业人。
这期节目聊的东西特别多，从 AI 对就业市场的冲击，到个人品牌怎么搞，再到 LinkedIn 算法到底有没有性别歧视，几乎把大家在 LinkedIn 上最关心的问题一网打尽了。
1️⃣ AI 正在创造的工作比吃掉的还多？
Jessica 分享了 LinkedIn 2026 年劳动力洞察报告里的数据，直接打了一个流传甚广的说法的脸：很多人以为 AI 正在疯狂吞噬入门级岗位，但 LinkedIn 的数据显示，目前 AI 创造的就业机会实际上多于它消灭的。
那为什么大家感觉工作越来越难找呢？
真正的推手其实是宏观经济因素，尤其是利率。高利率压缩了企业的扩张意愿，导致很多公司在缩招甚至裁员。
不过她也强调了一句很关键的话：这并不意味着我们可以对 AI 高枕无忧。只是说，在当下这个时间点，把就业困难全部甩锅给 AI 是不准确的。
这个区分挺重要的，因为如果你误判了敌人，你的应对策略也会跑偏。
过去一年里，在 LinkedIn 上把头衔改成创始人的用户增长了超过 60%。越来越多的人开始把命运攥在自己手里，用 AI 工具以前所未有的低成本启动自己的生意。
与此同时，年轻人对水管工、电工这类手艺活的兴趣也在激增，因为这些活儿 AI 没法替你干。
2️⃣ AI 时代最值钱的技能是什么
问到雇主现在最看重什么技能，Jessica 说 AI 素养已经是基本门槛了，就跟以前会用 Excel 一样，你不会用 AI 工具做内容生产、图片创作、视频剪辑，连起跑线都站不上。
但真正让她兴奋的是另一面。
在 AI 能力越来越强的今天，人类的创造力、判断力、战略思维、清晰的写作和沟通能力反而变得更值钱了。
那些过去被叫做软技能的东西，现在正在变成硬需求。
「AI 其实在迫使我们变得更像人，而不是更不像人。」
这对普通职场人的启示非常直接。
如果你是一个 24 岁刚入行的年轻人，或者一个 35 岁想转型的中层管理者，最聪明的投资组合就是一手抓 AI 工具的实操能力，一手磨练你的谈判技巧、协作能力和战略眼光。
因为前者让你不被淘汰，后者让你不可替代。
3️⃣ 如何在 LinkedIn 建立个人品牌
聊到个人品牌这个话题，Jessica 给出了三条非常落地的建议。
第一，要有观点，你相信什么、在学什么，大方分享出来。
第二，用短视频，别想太多，别搞成精心制作的纪录片，手机一拿，三分钟搞定。
第三，也是她说的秘密武器，认真回复评论，并且主动去别人的帖子下面留有质量的评论。
她说大多数人发完帖子就坐在那儿看数据变化，但真正的高手会把评论区当成第二战场来经营。
LinkedIn 是专业社交平台，但专业不等于无聊，把焦虑降下来，把人味儿提上去。
4️⃣ B2B 营销最大的敌人不是预算，是无聊
最后一个让我印象深刻的话题是 B2B 营销。
Jessica 坚信 B2B 就是 B2P，business to people，买 SaaS 产品的也是活生生的人，你得让他们先有感觉，再给他们理由。
她提到 LinkedIn 之前做了一个叉车开进会议室的广告，还有一个办公室吸血鬼的小企业广告，都在用幽默感打破 B2B 一贯的死板印象。
她还透露了一个很有含金量的信息：LinkedIn 目前是大型语言模型中被引用第二多的高质量内容来源，在某些模型里甚至排第一。
这意味着在 AI 搜索时代，在 LinkedIn 上持续产出好内容，本身就是一种品牌建设的长期投资。
AI 时代的职场生存法则正在被重新书写，但底层逻辑其实没变。
技术工具在加速迭代，可真正决定你能走多远的，还是你作为一个人的独特价值。会用 AI 只是入场券，能思考、能沟通、能让别人记住你，才是通关密码。
另外一个趋势也越来越明显：个人品牌正在从可选项变成必选项。
不管你是打工人还是创业者，在公开平台上持续输出观点和价值，已经不再是锦上添花的事，而是职业发展的基础设施。
0 00
问你一个问题，你有没有遇到过这种情况：
花了半天搭了一个AI自动化流程，结果运行起来效果差强人意，但又不知道该从哪里改起？😅
这其实是很多人在用Claude Skills时都会碰到的痛点，你以为写完提示词、跑通流程就算完事了，但实际上，真正让技能变得好用的关键，恰恰是在第一版之后的那些反复调整。
就在最近，Anthropic悄悄更新了Claude Skills 2.0。
这次，新版本内置了自动测试和评估功能，简单来说，就是AI现在可以自己给自己打分了，还能告诉你哪里需要优化。
1
我一直觉得，做AI自动化就像写代码，第一版永远不是最终版。
你很少能一次就搞出完美的技能，大多数时候都需要迭代个五到十次才能真正好用。
但以前，你根本不知道该往哪个方向改。
Skills 2.0的核心升级就在于，它给你提供了一套科学的测试框架。现在当你创建完一个技能后，Claude会主动问你：要不要跑几个测试看看效果？
然后它会自动运行多个测试变体，根据你设定的标准比如字数、风格匹配度、是否包含特定元素等等来打分，最后生成一份详细的测试报告。
2
这里有个关键点很多人容易忽略：不要让AI自己决定测试标准。
真正有效的做法是，你要明确告诉Claude：这次测试我要优化什么。而且每次只优化一个变量，别贪多。
比如你想优化文案风格，就可以这样提示：我要测试这个技能是否匹配我的写作风格，评估标准包括：1）是否遵循我的示例参考，2）是否使用了破折号，3）文章长度是否合适，4）是否包含个人故事。
然后让它基于同一个输入跑五个不同的变体。
这样你就能拿到非常具体的反馈数据，比如五个测试里有两个在风格匹配上失败了，有一个字数不够。
拿着这些数据，你就知道该往哪里调了。
3
除了基础的评估测试，Skills 2.0还支持A/B测试，这个功能更适合已经跑得不错的技能做进一步优化。
对于文案类的自动化技能来说，你给AI提供的参考文件对输出质量影响巨大。
但到底哪些参考文件真正有用，哪些反而会干扰输出，通过A/B测试，你可以对比带不带某个参考文件的效果差异，从而找到最优的配置组合。
4
说到底，Skills 2.0想解决的就是一个问题：让AI自动化从能用变成好用。
以前我们搭建自动化流程，更多是靠经验和直觉。
现在有了这套测试体系，就像给你装了一个仪表盘，你能清楚地看到每个调整带来的影响，知道自己在往正确的方向走。
这种科学化的迭代方式，不仅能提高技能质量，更重要的是能大大加快开发速度。
5
如果你正在用Claude Skills搭建自动化流程，建议试试这次的2.0更新。
一个小建议：刚开始用的时候，别急着优化所有技能，先挑一个最常用的练练手，熟悉整个测试流程。
等你掌握了方法论，后面优化其他技能就会顺畅很多。
花了半天搭了一个AI自动化流程，结果运行起来效果差强人意，但又不知道该从哪里改起？😅
这其实是很多人在用Claude Skills时都会碰到的痛点，你以为写完提示词、跑通流程就算完事了，但实际上，真正让技能变得好用的关键，恰恰是在第一版之后的那些反复调整。
就在最近，Anthropic悄悄更新了Claude Skills 2.0。
这次，新版本内置了自动测试和评估功能，简单来说，就是AI现在可以自己给自己打分了，还能告诉你哪里需要优化。
1
我一直觉得，做AI自动化就像写代码，第一版永远不是最终版。
你很少能一次就搞出完美的技能，大多数时候都需要迭代个五到十次才能真正好用。
但以前，你根本不知道该往哪个方向改。
Skills 2.0的核心升级就在于，它给你提供了一套科学的测试框架。现在当你创建完一个技能后，Claude会主动问你：要不要跑几个测试看看效果？
然后它会自动运行多个测试变体，根据你设定的标准比如字数、风格匹配度、是否包含特定元素等等来打分，最后生成一份详细的测试报告。
2
这里有个关键点很多人容易忽略：不要让AI自己决定测试标准。
真正有效的做法是，你要明确告诉Claude：这次测试我要优化什么。而且每次只优化一个变量，别贪多。
比如你想优化文案风格，就可以这样提示：我要测试这个技能是否匹配我的写作风格，评估标准包括：1）是否遵循我的示例参考，2）是否使用了破折号，3）文章长度是否合适，4）是否包含个人故事。
然后让它基于同一个输入跑五个不同的变体。
这样你就能拿到非常具体的反馈数据，比如五个测试里有两个在风格匹配上失败了，有一个字数不够。
拿着这些数据，你就知道该往哪里调了。
3
除了基础的评估测试，Skills 2.0还支持A/B测试，这个功能更适合已经跑得不错的技能做进一步优化。
对于文案类的自动化技能来说，你给AI提供的参考文件对输出质量影响巨大。
但到底哪些参考文件真正有用，哪些反而会干扰输出，通过A/B测试，你可以对比带不带某个参考文件的效果差异，从而找到最优的配置组合。
4
说到底，Skills 2.0想解决的就是一个问题：让AI自动化从能用变成好用。
以前我们搭建自动化流程，更多是靠经验和直觉。
现在有了这套测试体系，就像给你装了一个仪表盘，你能清楚地看到每个调整带来的影响，知道自己在往正确的方向走。
这种科学化的迭代方式，不仅能提高技能质量，更重要的是能大大加快开发速度。
5
如果你正在用Claude Skills搭建自动化流程，建议试试这次的2.0更新。
一个小建议：刚开始用的时候，别急着优化所有技能，先挑一个最常用的练练手，熟悉整个测试流程。
等你掌握了方法论，后面优化其他技能就会顺畅很多。
0 00
最近听了 Lenny's Podcast 采访 Anthropic 设计主管 Jenny Wen 的这期节目。
Jenny 之前在 Figma 做设计总监，带过十几个人的团队，负责过 FigJam 和 Slides 这些产品，现在她在 Anthropic 负责 Claude Co-work 的设计。
如果你想知道 AI 时代设计师的角色会变成什么样，她绝对是最有发言权的人之一，因为她就站在这场变革的最前沿。
这期播客最核心的一个观点让我印象深刻：你以前学的那套设计流程，基本上已经死了。
这不是危言耸听，而是正在发生的现实。
1
Jenny 去年在柏林的一个会议上做了个演讲，标题就叫"别相信设计流程"。
她说的很直白：那套教科书式的设计流程，什么调研、发散、收敛、迭代，我们曾经奉为圭臬的东西，现在基本上不管用了。
因为工程师现在可以用 Claude Code 这样的工具，快速启动七八个 AI 助手同时干活，一天能做出以前一周的工作量。
作为设计师，你根本没时间去做那些精美的设计稿了。
更有意思的是，Jenny 说这个演讲才过了几个月，她自己都觉得已经过时了。在去年年底 Opus 4.5 发布和很多人开始深度使用 Claude Code 之后，变化又加速了。
设计师的角色正在被迫转型，而且速度快得惊人。
2
Jenny 分享了一组数据：
以前，她大概 60-70% 的时间在做 mockup 和原型，20% 左右的时间和工程师协作，剩下 10% 开会协调。
现在，做设计稿的时间降到了 30-40%，和工程师直接协作的时间涨到了 30-40%，还有一大块时间是在写代码做实现。
这个变化背后的逻辑是：工程师现在能用 AI 快速把想法变成可以跑的原型，你作为设计师如果还在那边慢慢打磨设计稿，根本跟不上节奏。
更好的做法是直接参与到实现过程中，边做边调整。
Jenny 说她现在经常做的事情是：工程师先用 AI 做出一个能用的版本，然后她直接进代码里去 polish 细节。这在几个月前是不可想象的。
3
我特别好奇Anthropic 设计师的一天，Jenny 说了几个很有意思的细节：
首先，她每天花很多时间在"追信息"上。
因为公司里同时在跑太多项目了，研究团队在搞模型，各个产品团队在做原型，到处都是代号和新功能。
她需要时刻关注这些动态，因为很多东西可能会影响到她的工作。
其次，Anthropic 的 Slack 简直是个金矿。
Jenny 说最好的 AI 新闻不是在外面，而是在公司内部的 Slack 频道里。大家在讨论行业走向、技术突破、产品哲学，信息量巨大。
然后，她还是会留出时间做传统的设计工作，比如这周她就专门腾出时间思考 Co-work 未来 3 个月的方向。
但这个愿景不再是漂亮的 PPT，更多是能指引方向的原型。
最后，大量时间在和工程师讨论、白板头脑风暴、看他们做的东西并给反馈。她把这个叫做"咨询式设计"。
说到工具栈，她现在基本全用 Claude 家的产品：Claude Chat、Claude Co-work、Claude Code。
不过她还在用 Figma，因为探索多个设计方向、快速尝试不同排版的时候，Figma 还是最高效的。
4️⃣ 什么样的设计师不会被淘汰
这可能是最实用的部分。Jenny 说她现在招人会看三种人：
第一种是"方块型"的强大通才。
不是那种什么都会一点但都不精的通才，而是在好几个核心技能上都能做到 80 分位以上的人。
因为设计师现在需要懂 PM 的事，也要懂工程的事，边界在模糊。
第二种是深度专家。
就是那种在某个领域能排到行业前 10% 的人。比如技术特别强，几乎能当半个工程师；或者视觉设计超级牛，能真正做出差异化的东西。
第三种是她说的"潜力应届生"。
这个挺反常识的，因为大部分公司现在都只招有经验的人。
但 Jenny 认为，正因为行业变化太快，那些没有被旧流程束缚、学习能力超强、谦虚好学的年轻人，反而是宝藏。
她给年轻设计师的建议也很简单：去做东西，做实际能跑的东西。
不要被理论框住，用新工具去构建、去分享。她提到了一个叫 Socratica 的项目，学生们就是做各种有意思的东西，比如用 Claude 搭机器人、在波士顿的公交车上贴卡通眼睛。
这种动手能力和创造力才是最值钱的。
5️⃣ 一个管理智慧
Jenny 分享了一个我觉得特别有意思的观点：所谓的"低杠杆任务"，有时候恰恰是最高杠杆的。
管理书籍总是教你要分清哪些事只有你能做、哪些事可以委托，然后把"低价值"的事情全部扔掉。
但 Jenny 说，她最尊敬的领导者往往会主动去做一些看起来"低杠杆"的事情。
比如，亲自去测产品、报 bug、和工程师一起抠细节；比如，给团队成员手写生日卡片。
这些事情别人也能做，但当领导者亲自去做的时候，它的意义就完全不同了。
它传递的信号是：我真的关心这个产品，我真的关心团队，没有什么事情是"在我之下"的。
这种文化影响力，远比你在会议室里做决策要大得多。
AI 工具的崛起不是在淘汰设计师，而是在重新定义这个职业。
那些能够快速适应、愿意学习新工具、能在执行和战略之间切换的设计师，会变得越来越稀缺和有价值。
那些死守旧流程、拒绝写代码、只会画图的设计师，可能真的会被时代甩在后面。
Jenny 之前在 Figma 做设计总监，带过十几个人的团队，负责过 FigJam 和 Slides 这些产品，现在她在 Anthropic 负责 Claude Co-work 的设计。
如果你想知道 AI 时代设计师的角色会变成什么样，她绝对是最有发言权的人之一，因为她就站在这场变革的最前沿。
这期播客最核心的一个观点让我印象深刻：你以前学的那套设计流程，基本上已经死了。
这不是危言耸听，而是正在发生的现实。
1
Jenny 去年在柏林的一个会议上做了个演讲，标题就叫"别相信设计流程"。
她说的很直白：那套教科书式的设计流程，什么调研、发散、收敛、迭代，我们曾经奉为圭臬的东西，现在基本上不管用了。
因为工程师现在可以用 Claude Code 这样的工具，快速启动七八个 AI 助手同时干活，一天能做出以前一周的工作量。
作为设计师，你根本没时间去做那些精美的设计稿了。
更有意思的是，Jenny 说这个演讲才过了几个月，她自己都觉得已经过时了。在去年年底 Opus 4.5 发布和很多人开始深度使用 Claude Code 之后，变化又加速了。
设计师的角色正在被迫转型，而且速度快得惊人。
2
Jenny 分享了一组数据：
以前，她大概 60-70% 的时间在做 mockup 和原型，20% 左右的时间和工程师协作，剩下 10% 开会协调。
现在，做设计稿的时间降到了 30-40%，和工程师直接协作的时间涨到了 30-40%，还有一大块时间是在写代码做实现。
这个变化背后的逻辑是：工程师现在能用 AI 快速把想法变成可以跑的原型，你作为设计师如果还在那边慢慢打磨设计稿，根本跟不上节奏。
更好的做法是直接参与到实现过程中，边做边调整。
Jenny 说她现在经常做的事情是：工程师先用 AI 做出一个能用的版本，然后她直接进代码里去 polish 细节。这在几个月前是不可想象的。
3
我特别好奇Anthropic 设计师的一天，Jenny 说了几个很有意思的细节：
首先，她每天花很多时间在"追信息"上。
因为公司里同时在跑太多项目了，研究团队在搞模型，各个产品团队在做原型，到处都是代号和新功能。
她需要时刻关注这些动态，因为很多东西可能会影响到她的工作。
其次，Anthropic 的 Slack 简直是个金矿。
Jenny 说最好的 AI 新闻不是在外面，而是在公司内部的 Slack 频道里。大家在讨论行业走向、技术突破、产品哲学，信息量巨大。
然后，她还是会留出时间做传统的设计工作，比如这周她就专门腾出时间思考 Co-work 未来 3 个月的方向。
但这个愿景不再是漂亮的 PPT，更多是能指引方向的原型。
最后，大量时间在和工程师讨论、白板头脑风暴、看他们做的东西并给反馈。她把这个叫做"咨询式设计"。
说到工具栈，她现在基本全用 Claude 家的产品：Claude Chat、Claude Co-work、Claude Code。
不过她还在用 Figma，因为探索多个设计方向、快速尝试不同排版的时候，Figma 还是最高效的。
4️⃣ 什么样的设计师不会被淘汰
这可能是最实用的部分。Jenny 说她现在招人会看三种人：
第一种是"方块型"的强大通才。
不是那种什么都会一点但都不精的通才，而是在好几个核心技能上都能做到 80 分位以上的人。
因为设计师现在需要懂 PM 的事，也要懂工程的事，边界在模糊。
第二种是深度专家。
就是那种在某个领域能排到行业前 10% 的人。比如技术特别强，几乎能当半个工程师；或者视觉设计超级牛，能真正做出差异化的东西。
第三种是她说的"潜力应届生"。
这个挺反常识的，因为大部分公司现在都只招有经验的人。
但 Jenny 认为，正因为行业变化太快，那些没有被旧流程束缚、学习能力超强、谦虚好学的年轻人，反而是宝藏。
她给年轻设计师的建议也很简单：去做东西，做实际能跑的东西。
不要被理论框住，用新工具去构建、去分享。她提到了一个叫 Socratica 的项目，学生们就是做各种有意思的东西，比如用 Claude 搭机器人、在波士顿的公交车上贴卡通眼睛。
这种动手能力和创造力才是最值钱的。
5️⃣ 一个管理智慧
Jenny 分享了一个我觉得特别有意思的观点：所谓的"低杠杆任务"，有时候恰恰是最高杠杆的。
管理书籍总是教你要分清哪些事只有你能做、哪些事可以委托，然后把"低价值"的事情全部扔掉。
但 Jenny 说，她最尊敬的领导者往往会主动去做一些看起来"低杠杆"的事情。
比如，亲自去测产品、报 bug、和工程师一起抠细节；比如，给团队成员手写生日卡片。
这些事情别人也能做，但当领导者亲自去做的时候，它的意义就完全不同了。
它传递的信号是：我真的关心这个产品，我真的关心团队，没有什么事情是"在我之下"的。
这种文化影响力，远比你在会议室里做决策要大得多。
AI 工具的崛起不是在淘汰设计师，而是在重新定义这个职业。
那些能够快速适应、愿意学习新工具、能在执行和战略之间切换的设计师，会变得越来越稀缺和有价值。
那些死守旧流程、拒绝写代码、只会画图的设计师，可能真的会被时代甩在后面。
2 10
最近刷到一个视频，是Daniel Priestley的一期演讲，叫《The New Rules of Business (AI Changes Everything)》。
Daniel Priestley这个人可能国内知道的不多，但在英国创业圈挺有名的，他自己创办过9家公司，写过好几本畅销书，其中《Key Person of Influence》算是他的代表作。
简单来说，这是一个真正下过场、踩过坑的连续创业者，不是那种只会纸上谈兵的商业导师。
这期内容的核心话题就一个：AI正在重写商业世界的底层规则，而大多数人还在用旧地图找新路。
他从心态到方法论，给出了一套非常清晰的六步创业框架，专门针对AI时代做了更新。
看完之后我最直接的感受是，这不是在贩卖焦虑，而是在帮你理清思路。很多观点乍一听觉得是常识，但仔细想想，真正能做到的人并不多。
1️⃣ 创业的第一步不是做产品，是找到你的「信号」
Daniel Priestley提了一个很有意思的概念：在AI时代，你不需要先有一个完美的产品，你需要的是先发出一个信号，看看市场有没有回应。
过去创业你可能要花几个月甚至几年去打磨产品，然后才推向市场。
但现在AI工具让原型制作的成本几乎降到了零，你完全可以先用最小的成本把你的想法抛出去，看看有没有人愿意买单。
这其实跟精益创业里的MVP概念很像，但Daniel强调的重点不一样。
他说的信号更偏向于个人品牌层面，你这个人本身就是最大的信号源。
2️⃣ AI不是来抢你饭碗的，是来帮你「杠杆化」的
这个观点是整期内容里我觉得最值得反复品味的。
Daniel说，很多人看到AI的第一反应是恐惧，觉得自己要被替代了。但换个角度想，AI其实是有史以来最强大的个人杠杆工具。
过去你一个人能做的事情非常有限，写内容、做设计、搞数据分析，每一项都需要专门的人。
现在一个人加上AI，能干过去一个小团队的活。这不是夸张，很多独立创业者已经在这么干了。
不过他也提醒了一点：杠杆是中性的，放大的是你本身的能力。
如果你的判断力和方向感不行，AI只会让你更快地跑偏。这就像给一个不会开车的人一辆跑车，速度越快，翻车越狠。
3️⃣ 成为「关键影响力人物」比以往任何时候都重要
Daniel反复强调一个核心理念：在AI时代，人人都能用工具生成内容、搭建网站、做出看起来很专业的东西。
那问题来了，当所有人的产出质量都被AI拉平之后，什么才是真正的竞争壁垒？
答案是你这个人。
你的经验、你的观点、你的信任度，这些是AI没法复制的。他把这叫做成为你所在领域的Key Person of Influence，也就是关键影响力人物。
具体怎么做呢？
他给了一个很实操的路径：先写出你的核心观点，然后通过内容持续输出，建立起行业内的辨识度。
不需要你有百万粉丝，在你的细分领域里，哪怕只有几千个人认可你，就已经足够支撑一门不错的生意了。
4️⃣ 六步法的底层逻辑：从概念到规模化
Daniel的创业六步法大致是这样的：
第一步，明确你的概念和定位；第二步，用内容建立受众；第三步，设计一个低门槛的入口产品；第四步，通过交付建立口碑；第五步，优化商业模型；第六步，借助系统和团队实现规模化。
听起来好像没什么新鲜的，但他特别指出，AI改变了每一步的执行效率。
比如第二步的内容建设，过去你可能需要一个内容团队，现在你一个人用AI工具就能保持高频输出。
再比如第五步的商业模型优化，AI可以帮你快速分析数据、测试不同的定价策略，这在以前是需要花大量时间和预算去做的事情。
换句话说，框架没变，但AI把每一步的门槛都降低了。
这对普通人来说其实是个巨大的好消息。
5️⃣ 心态转变才是最难的那一关
整期内容最后，Daniel花了不少时间聊心态问题。
他说，工具和方法论都是现成的，真正卡住大多数人的是心理上的那道坎。
比如很多人会觉得，我又不是技术出身，AI这些东西跟我没关系。
还有人会想，市场上已经有那么多竞争者了，我现在进去还来得及吗？
Daniel对此的回应很直接：每一次技术变革都会重新洗牌，而洗牌期恰恰是新玩家入场的最佳窗口。
他举了一个很形象的比喻，大意是说，当游戏规则改变的时候，老玩家的经验反而可能变成包袱，因为他们太习惯旧的玩法了。新玩家没有这些包袱，反而能更快地适应新规则。
看完这期内容，我最大的感受是：AI时代的创业，拼的不是谁的技术更强，而是谁能更快地调整认知、拥抱变化。
几个关键趋势值得记住：
第一，个人品牌的价值会持续上升，因为信任越来越稀缺；
第二，AI工具让单兵作战能力大幅提升，小团队甚至个人创业者的黄金时代正在到来；
第三，速度比完美更重要，先跑起来再说。
至于未来会怎样，谁也说不准。但有一点是确定的，站在这个变革的窗口期，最不该做的事情就是什么都不做。
期待看到更多普通人借助AI工具，跑出属于自己的路。
最近刷到一个视频，是Daniel Priestley的一期演讲，叫《The New Rules of Business (AI Changes Everything)》。
Daniel Priestley这个人可能国内知道的不多，但在英国创业圈挺有名的，他自己创办过9家公司，写过好几本畅销书，其中《Key Person of Influence》算是他的代表作。
简单来说，这是一个真正下过场、踩过坑的连续创业者，不是那种只会纸上谈兵的商业导师。
这期内容的核心话题就一个：AI正在重写商业世界的底层规则，而大多数人还在用旧地图找新路。
他从心态到方法论，给出了一套非常清晰的六步创业框架，专门针对AI时代做了更新。
看完之后我最直接的感受是，这不是在贩卖焦虑，而是在帮你理清思路。很多观点乍一听觉得是常识，但仔细想想，真正能做到的人并不多。
1️⃣ 创业的第一步不是做产品，是找到你的「信号」
Daniel Priestley提了一个很有意思的概念：在AI时代，你不需要先有一个完美的产品，你需要的是先发出一个信号，看看市场有没有回应。
过去创业你可能要花几个月甚至几年去打磨产品，然后才推向市场。
但现在AI工具让原型制作的成本几乎降到了零，你完全可以先用最小的成本把你的想法抛出去，看看有没有人愿意买单。
这其实跟精益创业里的MVP概念很像，但Daniel强调的重点不一样。
他说的信号更偏向于个人品牌层面，你这个人本身就是最大的信号源。
2️⃣ AI不是来抢你饭碗的，是来帮你「杠杆化」的
这个观点是整期内容里我觉得最值得反复品味的。
Daniel说，很多人看到AI的第一反应是恐惧，觉得自己要被替代了。但换个角度想，AI其实是有史以来最强大的个人杠杆工具。
过去你一个人能做的事情非常有限，写内容、做设计、搞数据分析，每一项都需要专门的人。
现在一个人加上AI，能干过去一个小团队的活。这不是夸张，很多独立创业者已经在这么干了。
不过他也提醒了一点：杠杆是中性的，放大的是你本身的能力。
如果你的判断力和方向感不行，AI只会让你更快地跑偏。这就像给一个不会开车的人一辆跑车，速度越快，翻车越狠。
3️⃣ 成为「关键影响力人物」比以往任何时候都重要
Daniel反复强调一个核心理念：在AI时代，人人都能用工具生成内容、搭建网站、做出看起来很专业的东西。
那问题来了，当所有人的产出质量都被AI拉平之后，什么才是真正的竞争壁垒？
答案是你这个人。
你的经验、你的观点、你的信任度，这些是AI没法复制的。他把这叫做成为你所在领域的Key Person of Influence，也就是关键影响力人物。
具体怎么做呢？
他给了一个很实操的路径：先写出你的核心观点，然后通过内容持续输出，建立起行业内的辨识度。
不需要你有百万粉丝，在你的细分领域里，哪怕只有几千个人认可你，就已经足够支撑一门不错的生意了。
4️⃣ 六步法的底层逻辑：从概念到规模化
Daniel的创业六步法大致是这样的：
第一步，明确你的概念和定位；第二步，用内容建立受众；第三步，设计一个低门槛的入口产品；第四步，通过交付建立口碑；第五步，优化商业模型；第六步，借助系统和团队实现规模化。
听起来好像没什么新鲜的，但他特别指出，AI改变了每一步的执行效率。
比如第二步的内容建设，过去你可能需要一个内容团队，现在你一个人用AI工具就能保持高频输出。
再比如第五步的商业模型优化，AI可以帮你快速分析数据、测试不同的定价策略，这在以前是需要花大量时间和预算去做的事情。
换句话说，框架没变，但AI把每一步的门槛都降低了。
这对普通人来说其实是个巨大的好消息。
5️⃣ 心态转变才是最难的那一关
整期内容最后，Daniel花了不少时间聊心态问题。
他说，工具和方法论都是现成的，真正卡住大多数人的是心理上的那道坎。
比如很多人会觉得，我又不是技术出身，AI这些东西跟我没关系。
还有人会想，市场上已经有那么多竞争者了，我现在进去还来得及吗？
Daniel对此的回应很直接：每一次技术变革都会重新洗牌，而洗牌期恰恰是新玩家入场的最佳窗口。
他举了一个很形象的比喻，大意是说，当游戏规则改变的时候，老玩家的经验反而可能变成包袱，因为他们太习惯旧的玩法了。新玩家没有这些包袱，反而能更快地适应新规则。
看完这期内容，我最大的感受是：AI时代的创业，拼的不是谁的技术更强，而是谁能更快地调整认知、拥抱变化。
几个关键趋势值得记住：
第一，个人品牌的价值会持续上升，因为信任越来越稀缺；
第二，AI工具让单兵作战能力大幅提升，小团队甚至个人创业者的黄金时代正在到来；
第三，速度比完美更重要，先跑起来再说。
至于未来会怎样，谁也说不准。但有一点是确定的，站在这个变革的窗口期，最不该做的事情就是什么都不做。
期待看到更多普通人借助AI工具，跑出属于自己的路。
Daniel Priestley这个人可能国内知道的不多，但在英国创业圈挺有名的，他自己创办过9家公司，写过好几本畅销书，其中《Key Person of Influence》算是他的代表作。
简单来说，这是一个真正下过场、踩过坑的连续创业者，不是那种只会纸上谈兵的商业导师。
这期内容的核心话题就一个：AI正在重写商业世界的底层规则，而大多数人还在用旧地图找新路。
他从心态到方法论，给出了一套非常清晰的六步创业框架，专门针对AI时代做了更新。
看完之后我最直接的感受是，这不是在贩卖焦虑，而是在帮你理清思路。很多观点乍一听觉得是常识，但仔细想想，真正能做到的人并不多。
1️⃣ 创业的第一步不是做产品，是找到你的「信号」
Daniel Priestley提了一个很有意思的概念：在AI时代，你不需要先有一个完美的产品，你需要的是先发出一个信号，看看市场有没有回应。
过去创业你可能要花几个月甚至几年去打磨产品，然后才推向市场。
但现在AI工具让原型制作的成本几乎降到了零，你完全可以先用最小的成本把你的想法抛出去，看看有没有人愿意买单。
这其实跟精益创业里的MVP概念很像，但Daniel强调的重点不一样。
他说的信号更偏向于个人品牌层面，你这个人本身就是最大的信号源。
2️⃣ AI不是来抢你饭碗的，是来帮你「杠杆化」的
这个观点是整期内容里我觉得最值得反复品味的。
Daniel说，很多人看到AI的第一反应是恐惧，觉得自己要被替代了。但换个角度想，AI其实是有史以来最强大的个人杠杆工具。
过去你一个人能做的事情非常有限，写内容、做设计、搞数据分析，每一项都需要专门的人。
现在一个人加上AI，能干过去一个小团队的活。这不是夸张，很多独立创业者已经在这么干了。
不过他也提醒了一点：杠杆是中性的，放大的是你本身的能力。
如果你的判断力和方向感不行，AI只会让你更快地跑偏。这就像给一个不会开车的人一辆跑车，速度越快，翻车越狠。
3️⃣ 成为「关键影响力人物」比以往任何时候都重要
Daniel反复强调一个核心理念：在AI时代，人人都能用工具生成内容、搭建网站、做出看起来很专业的东西。
那问题来了，当所有人的产出质量都被AI拉平之后，什么才是真正的竞争壁垒？
答案是你这个人。
你的经验、你的观点、你的信任度，这些是AI没法复制的。他把这叫做成为你所在领域的Key Person of Influence，也就是关键影响力人物。
具体怎么做呢？
他给了一个很实操的路径：先写出你的核心观点，然后通过内容持续输出，建立起行业内的辨识度。
不需要你有百万粉丝，在你的细分领域里，哪怕只有几千个人认可你，就已经足够支撑一门不错的生意了。
4️⃣ 六步法的底层逻辑：从概念到规模化
Daniel的创业六步法大致是这样的：
第一步，明确你的概念和定位；第二步，用内容建立受众；第三步，设计一个低门槛的入口产品；第四步，通过交付建立口碑；第五步，优化商业模型；第六步，借助系统和团队实现规模化。
听起来好像没什么新鲜的，但他特别指出，AI改变了每一步的执行效率。
比如第二步的内容建设，过去你可能需要一个内容团队，现在你一个人用AI工具就能保持高频输出。
再比如第五步的商业模型优化，AI可以帮你快速分析数据、测试不同的定价策略，这在以前是需要花大量时间和预算去做的事情。
换句话说，框架没变，但AI把每一步的门槛都降低了。
这对普通人来说其实是个巨大的好消息。
5️⃣ 心态转变才是最难的那一关
整期内容最后，Daniel花了不少时间聊心态问题。
他说，工具和方法论都是现成的，真正卡住大多数人的是心理上的那道坎。
比如很多人会觉得，我又不是技术出身，AI这些东西跟我没关系。
还有人会想，市场上已经有那么多竞争者了，我现在进去还来得及吗？
Daniel对此的回应很直接：每一次技术变革都会重新洗牌，而洗牌期恰恰是新玩家入场的最佳窗口。
他举了一个很形象的比喻，大意是说，当游戏规则改变的时候，老玩家的经验反而可能变成包袱，因为他们太习惯旧的玩法了。新玩家没有这些包袱，反而能更快地适应新规则。
看完这期内容，我最大的感受是：AI时代的创业，拼的不是谁的技术更强，而是谁能更快地调整认知、拥抱变化。
几个关键趋势值得记住：
第一，个人品牌的价值会持续上升，因为信任越来越稀缺；
第二，AI工具让单兵作战能力大幅提升，小团队甚至个人创业者的黄金时代正在到来；
第三，速度比完美更重要，先跑起来再说。
至于未来会怎样，谁也说不准。但有一点是确定的，站在这个变革的窗口期，最不该做的事情就是什么都不做。
期待看到更多普通人借助AI工具，跑出属于自己的路。
最近刷到一个视频，是Daniel Priestley的一期演讲，叫《The New Rules of Business (AI Changes Everything)》。
Daniel Priestley这个人可能国内知道的不多，但在英国创业圈挺有名的，他自己创办过9家公司，写过好几本畅销书，其中《Key Person of Influence》算是他的代表作。
简单来说，这是一个真正下过场、踩过坑的连续创业者，不是那种只会纸上谈兵的商业导师。
这期内容的核心话题就一个：AI正在重写商业世界的底层规则，而大多数人还在用旧地图找新路。
他从心态到方法论，给出了一套非常清晰的六步创业框架，专门针对AI时代做了更新。
看完之后我最直接的感受是，这不是在贩卖焦虑，而是在帮你理清思路。很多观点乍一听觉得是常识，但仔细想想，真正能做到的人并不多。
1️⃣ 创业的第一步不是做产品，是找到你的「信号」
Daniel Priestley提了一个很有意思的概念：在AI时代，你不需要先有一个完美的产品，你需要的是先发出一个信号，看看市场有没有回应。
过去创业你可能要花几个月甚至几年去打磨产品，然后才推向市场。
但现在AI工具让原型制作的成本几乎降到了零，你完全可以先用最小的成本把你的想法抛出去，看看有没有人愿意买单。
这其实跟精益创业里的MVP概念很像，但Daniel强调的重点不一样。
他说的信号更偏向于个人品牌层面，你这个人本身就是最大的信号源。
2️⃣ AI不是来抢你饭碗的，是来帮你「杠杆化」的
这个观点是整期内容里我觉得最值得反复品味的。
Daniel说，很多人看到AI的第一反应是恐惧，觉得自己要被替代了。但换个角度想，AI其实是有史以来最强大的个人杠杆工具。
过去你一个人能做的事情非常有限，写内容、做设计、搞数据分析，每一项都需要专门的人。
现在一个人加上AI，能干过去一个小团队的活。这不是夸张，很多独立创业者已经在这么干了。
不过他也提醒了一点：杠杆是中性的，放大的是你本身的能力。
如果你的判断力和方向感不行，AI只会让你更快地跑偏。这就像给一个不会开车的人一辆跑车，速度越快，翻车越狠。
3️⃣ 成为「关键影响力人物」比以往任何时候都重要
Daniel反复强调一个核心理念：在AI时代，人人都能用工具生成内容、搭建网站、做出看起来很专业的东西。
那问题来了，当所有人的产出质量都被AI拉平之后，什么才是真正的竞争壁垒？
答案是你这个人。
你的经验、你的观点、你的信任度，这些是AI没法复制的。他把这叫做成为你所在领域的Key Person of Influence，也就是关键影响力人物。
具体怎么做呢？
他给了一个很实操的路径：先写出你的核心观点，然后通过内容持续输出，建立起行业内的辨识度。
不需要你有百万粉丝，在你的细分领域里，哪怕只有几千个人认可你，就已经足够支撑一门不错的生意了。
4️⃣ 六步法的底层逻辑：从概念到规模化
Daniel的创业六步法大致是这样的：
第一步，明确你的概念和定位；第二步，用内容建立受众；第三步，设计一个低门槛的入口产品；第四步，通过交付建立口碑；第五步，优化商业模型；第六步，借助系统和团队实现规模化。
听起来好像没什么新鲜的，但他特别指出，AI改变了每一步的执行效率。
比如第二步的内容建设，过去你可能需要一个内容团队，现在你一个人用AI工具就能保持高频输出。
再比如第五步的商业模型优化，AI可以帮你快速分析数据、测试不同的定价策略，这在以前是需要花大量时间和预算去做的事情。
换句话说，框架没变，但AI把每一步的门槛都降低了。
这对普通人来说其实是个巨大的好消息。
5️⃣ 心态转变才是最难的那一关
整期内容最后，Daniel花了不少时间聊心态问题。
他说，工具和方法论都是现成的，真正卡住大多数人的是心理上的那道坎。
比如很多人会觉得，我又不是技术出身，AI这些东西跟我没关系。
还有人会想，市场上已经有那么多竞争者了，我现在进去还来得及吗？
Daniel对此的回应很直接：每一次技术变革都会重新洗牌，而洗牌期恰恰是新玩家入场的最佳窗口。
他举了一个很形象的比喻，大意是说，当游戏规则改变的时候，老玩家的经验反而可能变成包袱，因为他们太习惯旧的玩法了。新玩家没有这些包袱，反而能更快地适应新规则。
看完这期内容，我最大的感受是：AI时代的创业，拼的不是谁的技术更强，而是谁能更快地调整认知、拥抱变化。
几个关键趋势值得记住：
第一，个人品牌的价值会持续上升，因为信任越来越稀缺；
第二，AI工具让单兵作战能力大幅提升，小团队甚至个人创业者的黄金时代正在到来；
第三，速度比完美更重要，先跑起来再说。
至于未来会怎样，谁也说不准。但有一点是确定的，站在这个变革的窗口期，最不该做的事情就是什么都不做。
期待看到更多普通人借助AI工具，跑出属于自己的路。
1 01
最近看到一篇文章，讲的是2028年的经济危机。
不是预测，是推演。
作者假设自己在2028年回头看，把2026到2028这两年发生的事梳理了一遍。读完之后你会发现一个很反常识的逻辑。
AI越好，经济越差。
听起来很荒谬？
我们一直以为技术进步会让所有人过得更好，生产力提高了，大家不是应该更富裕吗。
但这次可能不一样。
1
你看现在的公司都在干什么。
用AI裁员，然后用省下来的钱买更多AI，再裁更多人。
这个循环本身没问题，公司要活下去，要提高效率，这很正常。
但你有没有想过，那些被裁掉的人去哪了？
文章里举了个例子。
一个产品经理，原来在Salesforce拿18万美元年薪。失业后找了半年工作，最后去开Uber，年收入变成4.5万。
这不是个例，成千上万的白领都在经历同样的事。
而这些人，恰恰是美国消费的主力军。
美国收入前20%的人，贡献了全社会65%的消费。他们买房买车，度假吃饭，报私立学校，搞家装。整个消费经济都建立在他们的购买力上。
现在这群人失业了，或者收入打了五折。
你说他们会不会继续像以前一样花钱？
当然不会。
2
AI不只是让人失业，它还在干掉所有靠摩擦赚钱的行业。
什么叫摩擦？
就是人类的懒惰、习惯、信息不对称。
你懒得比价，所以用惯了的App。你没时间研究保险条款，所以续约时被多收钱。
你不懂房地产，所以要付6%的中介费。
这些都是摩擦。
AI不累，它可以24小时帮你比价、谈判、找最优解。它不在乎你用了多少年的App，它只看哪个便宜。
外卖app的护城河是什么？是你饿了懒得想，手机屏幕上就是这个App。
但AI没有手机屏幕，它会同时查DoorDash、Uber Eats、餐厅官网和二十个新平台，然后选最便宜最快的那个。
你以为的品牌忠诚度，在机器眼里就是多余的成本。
所以保险、房地产、金融顾问、旅游预订、各种订阅服务，这些行业都在崩塌。
不是因为它们做得不好，而是因为它们的商业模式建立在人类的局限性上。
AI把这个局限性抹掉了。
3
软件公司被AI替代，SaaS收入暴跌，私募基金买下来的那些软件公司，当时贷了几十亿美元，假设它们的年费会一直续下去。
结果客户不续了，因为他们发现自己的程序员用AI几周就能写出类似的东西。
那些贷款开始违约。
更大的雷是房贷。
美国有13万亿美元的房贷市场。
贷款的逻辑是什么？是假设你未来30年会持续有收入，能还得起月供。
现在这个假设正在崩塌。
那些780分信用分、首付20%、收入稳定的优质借款人，开始还不起房贷了。不是因为他们当初买不起，而是因为世界变了。
他们借钱的时候是产品经理，现在是Uber司机。
而且这个问题还会继续恶化。因为AI还在进步。自动驾驶开始普及，连Uber司机都要失业了。
4
你现在的工作，能被AI替代吗？
如果能，你的收入会怎样？你的房贷、车贷、孩子的学费，这些每个月的固定支出，还能撑多久？
你所在的公司，客户是谁？如果客户失业了，他们还会买你的产品吗？
你投资的股票基金，持有的是什么公司？它们的商业模式，是建立在人类摩擦上，还是真正的价值创造上？
这些问题，每个人都该想清楚。
因为这次不一样的地方在于，AI不只是替代某个行业，它在替代人类智力本身。
过去所有的技术进步，都会创造新工作。
ATM机让银行开更多网点，柜员就业反而上升了；互联网干掉了黄页，但创造了更多互联网公司的岗位。
但AI不同，它会做的事情，恰恰是那些被替代的人想转行去做的事情。码农被AI替代了，想转行做AI管理？抱歉，AI也会做管理。
这是第一次，最有生产力的资产不创造更多工作，而是减少工作，而且这个过程没有自然的刹车机制。
经济变差，公司更需要降本增效，就会买更多AI。AI变得更强，更多人失业。失业的人花钱更少，经济更差。
这是个负反馈循环。
5
时间是最大的敌人。
真正的问题不是AI会不会替代人类，而是我们能不能在崩溃之前，建立新的框架。
人类智力的稀缺性正在消失，整个经济系统、劳动市场、税收制度、金融体系，都是建立在智力稀缺这个假设上的。
现在这个假设不成立了，重新定价正在发生，而且会很痛苦。
但重新定价不等于崩溃。经济可以找到新的平衡点。
前提是我们得想清楚，在一个智力不再稀缺的世界里，什么才是真正稀缺的。什么是AI做不了的。什么是只有人类能做的。
这可能是留给我们为数不多的自由了。
你现在读到这篇文章的时候，还是2026年。
负反馈循环还没开始，我们还有时间去思考，去准备，去做出选择。
不是预测，是推演。
作者假设自己在2028年回头看，把2026到2028这两年发生的事梳理了一遍。读完之后你会发现一个很反常识的逻辑。
AI越好，经济越差。
听起来很荒谬？
我们一直以为技术进步会让所有人过得更好，生产力提高了，大家不是应该更富裕吗。
但这次可能不一样。
1
你看现在的公司都在干什么。
用AI裁员，然后用省下来的钱买更多AI，再裁更多人。
这个循环本身没问题，公司要活下去，要提高效率，这很正常。
但你有没有想过，那些被裁掉的人去哪了？
文章里举了个例子。
一个产品经理，原来在Salesforce拿18万美元年薪。失业后找了半年工作，最后去开Uber，年收入变成4.5万。
这不是个例，成千上万的白领都在经历同样的事。
而这些人，恰恰是美国消费的主力军。
美国收入前20%的人，贡献了全社会65%的消费。他们买房买车，度假吃饭，报私立学校，搞家装。整个消费经济都建立在他们的购买力上。
现在这群人失业了，或者收入打了五折。
你说他们会不会继续像以前一样花钱？
当然不会。
2
AI不只是让人失业，它还在干掉所有靠摩擦赚钱的行业。
什么叫摩擦？
就是人类的懒惰、习惯、信息不对称。
你懒得比价，所以用惯了的App。你没时间研究保险条款，所以续约时被多收钱。
你不懂房地产，所以要付6%的中介费。
这些都是摩擦。
AI不累，它可以24小时帮你比价、谈判、找最优解。它不在乎你用了多少年的App，它只看哪个便宜。
外卖app的护城河是什么？是你饿了懒得想，手机屏幕上就是这个App。
但AI没有手机屏幕，它会同时查DoorDash、Uber Eats、餐厅官网和二十个新平台，然后选最便宜最快的那个。
你以为的品牌忠诚度，在机器眼里就是多余的成本。
所以保险、房地产、金融顾问、旅游预订、各种订阅服务，这些行业都在崩塌。
不是因为它们做得不好，而是因为它们的商业模式建立在人类的局限性上。
AI把这个局限性抹掉了。
3
软件公司被AI替代，SaaS收入暴跌，私募基金买下来的那些软件公司，当时贷了几十亿美元，假设它们的年费会一直续下去。
结果客户不续了，因为他们发现自己的程序员用AI几周就能写出类似的东西。
那些贷款开始违约。
更大的雷是房贷。
美国有13万亿美元的房贷市场。
贷款的逻辑是什么？是假设你未来30年会持续有收入，能还得起月供。
现在这个假设正在崩塌。
那些780分信用分、首付20%、收入稳定的优质借款人，开始还不起房贷了。不是因为他们当初买不起，而是因为世界变了。
他们借钱的时候是产品经理，现在是Uber司机。
而且这个问题还会继续恶化。因为AI还在进步。自动驾驶开始普及，连Uber司机都要失业了。
4
你现在的工作，能被AI替代吗？
如果能，你的收入会怎样？你的房贷、车贷、孩子的学费，这些每个月的固定支出，还能撑多久？
你所在的公司，客户是谁？如果客户失业了，他们还会买你的产品吗？
你投资的股票基金，持有的是什么公司？它们的商业模式，是建立在人类摩擦上，还是真正的价值创造上？
这些问题，每个人都该想清楚。
因为这次不一样的地方在于，AI不只是替代某个行业，它在替代人类智力本身。
过去所有的技术进步，都会创造新工作。
ATM机让银行开更多网点，柜员就业反而上升了；互联网干掉了黄页，但创造了更多互联网公司的岗位。
但AI不同，它会做的事情，恰恰是那些被替代的人想转行去做的事情。码农被AI替代了，想转行做AI管理？抱歉，AI也会做管理。
这是第一次，最有生产力的资产不创造更多工作，而是减少工作，而且这个过程没有自然的刹车机制。
经济变差，公司更需要降本增效，就会买更多AI。AI变得更强，更多人失业。失业的人花钱更少，经济更差。
这是个负反馈循环。
5
时间是最大的敌人。
真正的问题不是AI会不会替代人类，而是我们能不能在崩溃之前，建立新的框架。
人类智力的稀缺性正在消失，整个经济系统、劳动市场、税收制度、金融体系，都是建立在智力稀缺这个假设上的。
现在这个假设不成立了，重新定价正在发生，而且会很痛苦。
但重新定价不等于崩溃。经济可以找到新的平衡点。
前提是我们得想清楚，在一个智力不再稀缺的世界里，什么才是真正稀缺的。什么是AI做不了的。什么是只有人类能做的。
这可能是留给我们为数不多的自由了。
你现在读到这篇文章的时候，还是2026年。
负反馈循环还没开始，我们还有时间去思考，去准备，去做出选择。
0 00
如果你最近正在为 AI 会不会抢走你的饭碗而焦虑，那么你可能需要听听 Ryan Roslansky 怎么说。
这位 LinkedIn 的 CEO，手握全球最大职场社交平台的数据库，看着 13 亿用户的职业轨迹。
他对就业市场的判断，不是预测，而是正在发生的现实。
1
在达沃斯论坛上，当所有人都在讨论 AI 会让多少人失业时，Roslansky 给出了一个截然相反的答案：AI 正在创造就业，而不是摧毁就业。
这不是空口白话。
LinkedIn 的数据显示，过去一段时间里，平台上新增了 130 万个与 AI 直接相关的工作岗位，数据标注员这个你可能都没听说过的职业，正在成为新的香饽饽。
与此同时，超过 60 万个数据中心相关的岗位也在疯狂招人。
至于大家最担心的入门级岗位，确实在萎缩，降幅大约 12%。但这锅不能让 AI 来背，真正的罪魁祸首是宏观经济环境、利率政策这些老生常谈的因素。
换句话说，该来的裁员潮，AI 不来也会来；而 AI 带来的新机会，倒是实实在在的增量。
这就像是一场置换游戏。旧的岗位在消失，新的岗位在涌现，关键在于你能不能跟上这波转换的节奏。
2
Roslansky 说了一个扎心的事实：LinkedIn 上被问得最多的问题是，给我看看典型的职业发展路径应该是什么样的。
但数据告诉他们，这玩意儿根本不存在。
所有人的职业轨迹都是乱七八糟的，没有什么标准答案。
你以为的那条从基层到高层的阶梯，在现实中更像是一张蜘蛛网，到处都是岔路和意外转折。
更要命的是，这个世界变化的速度快得吓人。
LinkedIn 的数据显示，过去几年里，一个岗位所需的技能已经变化了 25% 以上，到 2030 年，这个数字会飙升到 70%。
AI 是最大的推手，但不是唯一的因素。
所以，当你还在琢磨五年后要坐上什么位置时，聪明人已经在想下个月要学什么新技能了。
职业发展的逻辑，从垂直攀登变成了水平扩展。通才比专才更吃香，这不是趋势，是现实。
3
在 AI 可以写代码、做设计、分析数据的时代，什么技能是机器学不会的？
Roslansky 给出了五个 C：好奇心（Curiosity）、勇气（Courage）、创造力（Creativity）、沟通（Communication）、同情心（Compassion）。
这些被称为软技能的东西，其实一点都不软。它们是你在职场上能否脱颖而出的硬通货。
Roslansky 自己就是个例子。他大学没读完就辍学创业，靠的不是文凭，而是这些所谓的软技能。
当然，他也不否认大学的价值，社交体验、学会如何与人相处、在试错中成长，这些都是大学能给你的东西。但如果你以为一张名校文凭就能保你一辈子，那可就大错特错了。
现在的招聘者，越来越少地关注你毕业于哪所学校，而是更在意你会什么技能，你在 LinkedIn 上发了什么内容。
你的专业能力和思考深度，都写在你的每一条动态里。
4
美国有个数据挺吓人：今年 50% 的大学毕业生，要么找不到工作，要么找到的工作配不上他们的学历。
更夸张的是，助学贷款债务有史以来第一次超过了信用卡债务。
这说明传统的教育体系和就业市场之间，出现了严重的脱节。
但 Roslansky 并没有一棍子打死大学教育。
他认为，如果你有条件，大学还是值得上的，但理由变了。不是为了学那些很快就会过时的硬技能，而是为了在那个环境里学会如何做人、如何沟通、如何在社交中建立自己的网络。
5
如果你现在正在考虑转行或者选专业，Roslansky 给了三个方向。
第一个是数据标注员，这个职业的需求正在爆炸式增长。简单说，就是给 AI 当老师。
每一个大语言模型想要变得更聪明，都需要大量的人类专家来评估它的输出结果，告诉它哪里对了哪里错了。
你可能是个心脏科医生，白天看病，晚上兼职给 AI 的医疗问答打分，这就是数据标注员的日常。
第二个是数据中心相关的岗位。
AI 的基础设施建设正在如火如荼地进行，从技术岗到维护岗，从工程师到技工，整个产业链都在招人，这是个实打实的蓝海市场。
第三个是前沿部署工程师。
这个职位有点像是企业里的 AI 翻译官，一边懂业务，一边懂技术，负责把 AI 真正落地到公司的各个部门里，让它产生实际价值，而不是只是个摆设。
Roslansky 还加了第四个：创作者。
没错，就是你现在看到的这些在社交平台上生产内容的人。LinkedIn 上已经有 400 万人把创作者当成全职工作，还有 7500 万人在个人简介里提到自己是创作者。
这不是副业，这是一个正在崛起的新职业。
6
Roslansky 给了一个简单的自测方法：把你的工作拆解成一个个具体的任务，然后问自己，这些任务有多少可以被 AI 自动化？
如果你的工作就是总结、改写、翻译这些 AI 已经做得很好的事情，那你可能需要开始考虑 Plan B 了。
但好消息是，LinkedIn 也在通过数据帮助那些处于危险区的人，告诉他们应该往哪个方向转型，该学习什么新技能来给自己加一层保险。
7
Roslansky 写了一本书，叫《Open to Work》，专门讲在 AI 时代怎么规划职业。
他说，这本书不是水晶球，没法预测未来，但它能帮你理清思路，知道在这个充满不确定性的时代，什么是你应该抓住的，什么是你应该放下的。
归根结底，职业发展这件事，从来都没有标准答案。你不能指望一个平台、一家公司、一张文凭给你铺好路，你得自己去探索、去试错、去调整。
AI 不是洪水猛兽，它是工具，是机会，也是筛选器。它会淘汰那些只会机械重复的人，但也会成就那些懂得利用它、同时保持人性优势的人。
就像 Roslansky 说的，未来属于那些既掌握 AI 技能，又不失人类温度的人。技术可以学，但好奇心、勇气、创造力、沟通能力和同情心，这些才是你真正的护城河。
所以，别再焦虑 AI 会不会抢你的饭碗了。
真正该问的是：你准备好在这个新时代里，成为一个更有价值的人了吗？
这位 LinkedIn 的 CEO，手握全球最大职场社交平台的数据库，看着 13 亿用户的职业轨迹。
他对就业市场的判断，不是预测，而是正在发生的现实。
1
在达沃斯论坛上，当所有人都在讨论 AI 会让多少人失业时，Roslansky 给出了一个截然相反的答案：AI 正在创造就业，而不是摧毁就业。
这不是空口白话。
LinkedIn 的数据显示，过去一段时间里，平台上新增了 130 万个与 AI 直接相关的工作岗位，数据标注员这个你可能都没听说过的职业，正在成为新的香饽饽。
与此同时，超过 60 万个数据中心相关的岗位也在疯狂招人。
至于大家最担心的入门级岗位，确实在萎缩，降幅大约 12%。但这锅不能让 AI 来背，真正的罪魁祸首是宏观经济环境、利率政策这些老生常谈的因素。
换句话说，该来的裁员潮，AI 不来也会来；而 AI 带来的新机会，倒是实实在在的增量。
这就像是一场置换游戏。旧的岗位在消失，新的岗位在涌现，关键在于你能不能跟上这波转换的节奏。
2
Roslansky 说了一个扎心的事实：LinkedIn 上被问得最多的问题是，给我看看典型的职业发展路径应该是什么样的。
但数据告诉他们，这玩意儿根本不存在。
所有人的职业轨迹都是乱七八糟的，没有什么标准答案。
你以为的那条从基层到高层的阶梯，在现实中更像是一张蜘蛛网，到处都是岔路和意外转折。
更要命的是，这个世界变化的速度快得吓人。
LinkedIn 的数据显示，过去几年里，一个岗位所需的技能已经变化了 25% 以上，到 2030 年，这个数字会飙升到 70%。
AI 是最大的推手，但不是唯一的因素。
所以，当你还在琢磨五年后要坐上什么位置时，聪明人已经在想下个月要学什么新技能了。
职业发展的逻辑，从垂直攀登变成了水平扩展。通才比专才更吃香，这不是趋势，是现实。
3
在 AI 可以写代码、做设计、分析数据的时代，什么技能是机器学不会的？
Roslansky 给出了五个 C：好奇心（Curiosity）、勇气（Courage）、创造力（Creativity）、沟通（Communication）、同情心（Compassion）。
这些被称为软技能的东西，其实一点都不软。它们是你在职场上能否脱颖而出的硬通货。
Roslansky 自己就是个例子。他大学没读完就辍学创业，靠的不是文凭，而是这些所谓的软技能。
当然，他也不否认大学的价值，社交体验、学会如何与人相处、在试错中成长，这些都是大学能给你的东西。但如果你以为一张名校文凭就能保你一辈子，那可就大错特错了。
现在的招聘者，越来越少地关注你毕业于哪所学校，而是更在意你会什么技能，你在 LinkedIn 上发了什么内容。
你的专业能力和思考深度，都写在你的每一条动态里。
4
美国有个数据挺吓人：今年 50% 的大学毕业生，要么找不到工作，要么找到的工作配不上他们的学历。
更夸张的是，助学贷款债务有史以来第一次超过了信用卡债务。
这说明传统的教育体系和就业市场之间，出现了严重的脱节。
但 Roslansky 并没有一棍子打死大学教育。
他认为，如果你有条件，大学还是值得上的，但理由变了。不是为了学那些很快就会过时的硬技能，而是为了在那个环境里学会如何做人、如何沟通、如何在社交中建立自己的网络。
5
如果你现在正在考虑转行或者选专业，Roslansky 给了三个方向。
第一个是数据标注员，这个职业的需求正在爆炸式增长。简单说，就是给 AI 当老师。
每一个大语言模型想要变得更聪明，都需要大量的人类专家来评估它的输出结果，告诉它哪里对了哪里错了。
你可能是个心脏科医生，白天看病，晚上兼职给 AI 的医疗问答打分，这就是数据标注员的日常。
第二个是数据中心相关的岗位。
AI 的基础设施建设正在如火如荼地进行，从技术岗到维护岗，从工程师到技工，整个产业链都在招人，这是个实打实的蓝海市场。
第三个是前沿部署工程师。
这个职位有点像是企业里的 AI 翻译官，一边懂业务，一边懂技术，负责把 AI 真正落地到公司的各个部门里，让它产生实际价值，而不是只是个摆设。
Roslansky 还加了第四个：创作者。
没错，就是你现在看到的这些在社交平台上生产内容的人。LinkedIn 上已经有 400 万人把创作者当成全职工作，还有 7500 万人在个人简介里提到自己是创作者。
这不是副业，这是一个正在崛起的新职业。
6
Roslansky 给了一个简单的自测方法：把你的工作拆解成一个个具体的任务，然后问自己，这些任务有多少可以被 AI 自动化？
如果你的工作就是总结、改写、翻译这些 AI 已经做得很好的事情，那你可能需要开始考虑 Plan B 了。
但好消息是，LinkedIn 也在通过数据帮助那些处于危险区的人，告诉他们应该往哪个方向转型，该学习什么新技能来给自己加一层保险。
7
Roslansky 写了一本书，叫《Open to Work》，专门讲在 AI 时代怎么规划职业。
他说，这本书不是水晶球，没法预测未来，但它能帮你理清思路，知道在这个充满不确定性的时代，什么是你应该抓住的，什么是你应该放下的。
归根结底，职业发展这件事，从来都没有标准答案。你不能指望一个平台、一家公司、一张文凭给你铺好路，你得自己去探索、去试错、去调整。
AI 不是洪水猛兽，它是工具，是机会，也是筛选器。它会淘汰那些只会机械重复的人，但也会成就那些懂得利用它、同时保持人性优势的人。
就像 Roslansky 说的，未来属于那些既掌握 AI 技能，又不失人类温度的人。技术可以学，但好奇心、勇气、创造力、沟通能力和同情心，这些才是你真正的护城河。
所以，别再焦虑 AI 会不会抢你的饭碗了。
真正该问的是：你准备好在这个新时代里，成为一个更有价值的人了吗？
1 02
我最近看到了一些用OpenClaw的海外案例，真的有点被震撼到了。
OpenClaw你可以把它理解成一个能自主思考、自主决策的智能助手。但真正让我震惊的，是这个工具在金融投资领域的表现......
我花了些时间研究了几个海外的案例，发现这个技术的应用场景比我想象的要广泛得多。更重要的是，国内现在也有了相对简单的部署方式。
所以今天想和大家聊聊这个话题，看看 AI 在投资这件事上，它到底能做到什么程度。
1️⃣ Polymarket 高频交易：AI 如何在预测市场中赚钱
先说一个最典型的案例，在海外有个叫 Polymarket 的预测市场平台，用户可以对各种事件的结果下注。
有人用 OpenClaw 搭建了一个自动化交易系统，专门在这个平台上做高频交易。
这个系统的逻辑其实不复杂。它会实时监控市场上的赔率变化，当发现定价偏差的时候，就会自动下单套利。
听起来和传统的量化交易有点像，但关键区别在于，OpenClaw 可以处理非结构化的信息。
比如说，它能读懂新闻标题，能理解社交媒体上的情绪变化，甚至能分析不同信息源之间的矛盾。这些能力让它在判断市场情绪和趋势的时候，比传统的量化模型要灵活得多。
据说这个系统在运行的前几周，就实现了稳定盈利。虽然具体数据没有完全公开，但从一些社区讨论来看，收益率确实相当可观。
这让我开始思考，AI 在金融市场上的应用，可能真的到了一个新的阶段。
2️⃣ 一夜赚 24.5 万美元：真实案例背后的技术逻辑
更夸张的案例来了，有个开发者在 Twitter 上分享了自己的经历，他用 OpenClaw 搭建了一个自动化投资系统，在某次市场波动中，一夜之间赚了 24.5 万美元。
这个数字听起来有点不可思议，但如果你了解背后的逻辑，就会发现其实是有迹可循的。
这个系统的核心能力在于，它能同时监控多个数据源，包括股票价格、期权数据、新闻事件、社交媒体情绪等等。
当系统检测到某个特定的信号组合时，比如某只股票的期权交易量突然激增，同时社交媒体上出现了相关的讨论热度，它就会自动判断这可能是一个交易机会。然后在毫秒级的时间内完成下单操作。
关键是，这整个过程完全不需要人工干预。系统会自己决定买什么、买多少、什么时候卖。这种自主决策的能力，是传统的程序化交易很难做到的。
当然，我也要说句公道话，这种高收益的案例肯定不是常态。
金融市场本身就充满不确定性，任何工具都不可能保证稳赚不赔。但这个案例至少证明了一点，AI 在处理复杂金融决策方面，已经具备了相当强的能力。
3️⃣ OpenClaw 的技术想象力：不只是炒股这么简单
说到这里，你可能会好奇，OpenClaw 到底有什么特别的？为什么它能做到这些事情？
其实核心在于它的架构设计。
OpenClaw 不是一个简单的交易机器人，而是一个完整的 AI Agent 框架。它可以调用各种外部工具和 API，可以进行多步骤的推理，可以根据反馈不断调整策略。
用个比喻来说，传统的量化交易系统就像是一个按照固定程序运行的机器，而 OpenClaw 更像是一个有思考能力的助手。它不仅能执行指令，还能理解上下文，能根据情况灵活应变。
这种能力的想象空间其实非常大，除了炒股和投资，它还可以用来做市场调研、竞品分析、舆情监控等等。有些公司甚至用它来做自动化的客户服务和销售跟进。
这才是 OpenClaw 最有价值的地方，它不是为某个特定场景设计的工具，而是一个通用的智能框架。你可以根据自己的需求，训练它去完成各种复杂任务。
4️⃣ 国内的机会：百度等平台提供的极简部署方式
说了这么多海外案例，可能有人会问，国内能用吗？答案是肯定的，而且比你想象的要简单。
最近百度推出了一套基于文心大模型的 Agent 开发平台，提供了非常友好的部署方式。
你不需要深厚的技术背景，也不需要从零开始搭建系统。平台已经把底层的模型能力、工具调用、任务编排等功能都封装好了。
你只需要定义好自己的业务逻辑，比如你想监控哪些数据源，想根据什么规则做决策，然后通过可视化的界面配置一下就可以了。整个过程可能只需要几个小时，就能搭建出一个可用的 AI Agent。
当然，国内的金融监管环境和海外不太一样，在实际应用的时候还是要注意合规性。但从技术可行性来说，门槛已经大大降低了。
我觉得这是一个很积极的信号，技术的普及往往需要降低使用门槛，当更多人能够接触和使用这些工具的时候，才会有更多创新的应用场景出现。
但我也想提醒一点，技术本身是中性的。AI 可以帮助我们更高效地处理信息、做出决策，但它不能替代我们对风险的判断和对市场的敬畏。任何投资都有风险，AI 工具只是辅助手段，不是万能钥匙。
从趋势来看，AI Agent 在各个行业的应用会越来越广泛。金融只是一个开始，未来可能在医疗、教育、制造业等领域，都会看到类似的智能化应用。
技术的发展速度可能比我们想象的要快，关键是我们要保持开放的心态，去了解、去尝试、去思考。
你怎么看这个趋势？
OpenClaw你可以把它理解成一个能自主思考、自主决策的智能助手。但真正让我震惊的，是这个工具在金融投资领域的表现......
我花了些时间研究了几个海外的案例，发现这个技术的应用场景比我想象的要广泛得多。更重要的是，国内现在也有了相对简单的部署方式。
所以今天想和大家聊聊这个话题，看看 AI 在投资这件事上，它到底能做到什么程度。
1️⃣ Polymarket 高频交易：AI 如何在预测市场中赚钱
先说一个最典型的案例，在海外有个叫 Polymarket 的预测市场平台，用户可以对各种事件的结果下注。
有人用 OpenClaw 搭建了一个自动化交易系统，专门在这个平台上做高频交易。
这个系统的逻辑其实不复杂。它会实时监控市场上的赔率变化，当发现定价偏差的时候，就会自动下单套利。
听起来和传统的量化交易有点像，但关键区别在于，OpenClaw 可以处理非结构化的信息。
比如说，它能读懂新闻标题，能理解社交媒体上的情绪变化，甚至能分析不同信息源之间的矛盾。这些能力让它在判断市场情绪和趋势的时候，比传统的量化模型要灵活得多。
据说这个系统在运行的前几周，就实现了稳定盈利。虽然具体数据没有完全公开，但从一些社区讨论来看，收益率确实相当可观。
这让我开始思考，AI 在金融市场上的应用，可能真的到了一个新的阶段。
2️⃣ 一夜赚 24.5 万美元：真实案例背后的技术逻辑
更夸张的案例来了，有个开发者在 Twitter 上分享了自己的经历，他用 OpenClaw 搭建了一个自动化投资系统，在某次市场波动中，一夜之间赚了 24.5 万美元。
这个数字听起来有点不可思议，但如果你了解背后的逻辑，就会发现其实是有迹可循的。
这个系统的核心能力在于，它能同时监控多个数据源，包括股票价格、期权数据、新闻事件、社交媒体情绪等等。
当系统检测到某个特定的信号组合时，比如某只股票的期权交易量突然激增，同时社交媒体上出现了相关的讨论热度，它就会自动判断这可能是一个交易机会。然后在毫秒级的时间内完成下单操作。
关键是，这整个过程完全不需要人工干预。系统会自己决定买什么、买多少、什么时候卖。这种自主决策的能力，是传统的程序化交易很难做到的。
当然，我也要说句公道话，这种高收益的案例肯定不是常态。
金融市场本身就充满不确定性，任何工具都不可能保证稳赚不赔。但这个案例至少证明了一点，AI 在处理复杂金融决策方面，已经具备了相当强的能力。
3️⃣ OpenClaw 的技术想象力：不只是炒股这么简单
说到这里，你可能会好奇，OpenClaw 到底有什么特别的？为什么它能做到这些事情？
其实核心在于它的架构设计。
OpenClaw 不是一个简单的交易机器人，而是一个完整的 AI Agent 框架。它可以调用各种外部工具和 API，可以进行多步骤的推理，可以根据反馈不断调整策略。
用个比喻来说，传统的量化交易系统就像是一个按照固定程序运行的机器，而 OpenClaw 更像是一个有思考能力的助手。它不仅能执行指令，还能理解上下文，能根据情况灵活应变。
这种能力的想象空间其实非常大，除了炒股和投资，它还可以用来做市场调研、竞品分析、舆情监控等等。有些公司甚至用它来做自动化的客户服务和销售跟进。
这才是 OpenClaw 最有价值的地方，它不是为某个特定场景设计的工具，而是一个通用的智能框架。你可以根据自己的需求，训练它去完成各种复杂任务。
4️⃣ 国内的机会：百度等平台提供的极简部署方式
说了这么多海外案例，可能有人会问，国内能用吗？答案是肯定的，而且比你想象的要简单。
最近百度推出了一套基于文心大模型的 Agent 开发平台，提供了非常友好的部署方式。
你不需要深厚的技术背景，也不需要从零开始搭建系统。平台已经把底层的模型能力、工具调用、任务编排等功能都封装好了。
你只需要定义好自己的业务逻辑，比如你想监控哪些数据源，想根据什么规则做决策，然后通过可视化的界面配置一下就可以了。整个过程可能只需要几个小时，就能搭建出一个可用的 AI Agent。
当然，国内的金融监管环境和海外不太一样，在实际应用的时候还是要注意合规性。但从技术可行性来说，门槛已经大大降低了。
我觉得这是一个很积极的信号，技术的普及往往需要降低使用门槛，当更多人能够接触和使用这些工具的时候，才会有更多创新的应用场景出现。
但我也想提醒一点，技术本身是中性的。AI 可以帮助我们更高效地处理信息、做出决策，但它不能替代我们对风险的判断和对市场的敬畏。任何投资都有风险，AI 工具只是辅助手段，不是万能钥匙。
从趋势来看，AI Agent 在各个行业的应用会越来越广泛。金融只是一个开始，未来可能在医疗、教育、制造业等领域，都会看到类似的智能化应用。
技术的发展速度可能比我们想象的要快，关键是我们要保持开放的心态，去了解、去尝试、去思考。
你怎么看这个趋势？
2 00
最近看到一篇关于字节 Seed 团队的深度报道，这个团队在去年经历了不小的调整，吴永辉接手后带来了一些新变化。
你可能听说过 Seed 团队之前的一些波折，但这一年他们到底做了什么，外界知道的并不多。我觉得这些变化背后的逻辑，对理解大厂 AI 团队的运作方式挺有参考价值。
看完之后我也对吴永辉的管理思路有了新的认识，他不是那种喜欢搞大动作的人，但每一步都挺扎实的。
文章开头就提到，吴永辉接手后做的第一件事是调整团队方向。之前 Seed 团队更偏研究型，发了不少论文，但产品落地这块一直不太理想。
这个转变其实挺难的，你想啊，一个习惯了做研究的团队，突然要开始关注用户需求、产品体验，这不是换个 KPI 那么简单。
文章里提到，吴永辉花了好几个月时间跟团队成员一对一聊，了解大家的想法和困惑。
这个做法很聪明，很多管理者上来就直接定新规矩，但吴永辉选择先听、再说。这种方式虽然慢一点，但能让团队更容易接受变化。毕竟做 AI 的人都挺有想法的，硬推肯定不行。
从结果来看，这个转型还算成功。团队现在的重心已经转移到了几个核心产品上，而不是像之前那样什么都想做。专注度提高了，效率自然也上来了。
第二个变化是关于协作方式的，吴永辉把之前那种各自为战的工作模式改成了小组制。
具体怎么做呢？
他把团队拆成了几个小组，每个小组负责一个完整的产品模块。这样做的好处是责任更清晰，大家不会互相推诿。而且小组内部的沟通成本也降低了很多。
不过这里有个问题，就是小组之间怎么协作。
文章提到，吴永辉设立了一个技术委员会，专门负责协调各小组之间的资源和技术方案，这样既保证了小组的自主性，又避免了各自为政。
我之前在其他公司也见过类似的组织架构调整，但很多都失败了。为什么？
因为只改了形式，没改文化。吴永辉这次做得比较彻底，不光调整了组织结构，还重新梳理了评价体系。现在团队成员的绩效不只看个人产出，还要看对整个产品的贡献。
第三点是关于技术路线的。文章里提到一个挺有争议的决定，就是 Seed 团队在某些场景下放弃了自研模型，转而使用开源方案。
这个决定在团队内部引起了不小的讨论，毕竟对于一个技术团队来说，自研是很有成就感的事情。
但吴永辉的逻辑很清楚，他认为技术选型要服务于产品目标，而不是为了炫技。
现在开源社区的发展速度太快了，很多时候自研不一定比开源方案更好。与其花大量时间重复造轮子，不如把精力放在真正有价值的创新上。
当然，这不是说完全放弃自研，文章也提到，在一些核心技术点上，团队还是坚持自主研发。
最后一点是关于人的。
文章末尾提到，吴永辉很重视团队氛围的建设。他会定期组织技术分享会，鼓励大家交流想法。
这个看起来很常规，但实际操作起来并不容易。尤其是在经历了一些波折之后，团队成员的心态可能都比较微妙。吴永辉的做法是坦诚沟通，不回避问题。
另外，他还调整了招聘策略。
之前 Seed 团队更倾向于招科研背景的人，现在开始更多考虑工程能力和产品思维，这个变化其实也反映了团队定位的转变。
吴永辉这一年做的事情，说白了就是在做减法。减掉不必要的项目，减掉低效的流程，减掉不合适的人。但同时，他又在做加法，加强团队协作，加深产品理解，加大核心技术投入。
这种一减一加之间的平衡，我觉得是最难把握的。
做得好，团队就能重新焕发活力。做不好，可能就会陷入混乱。从目前的情况看，Seed 团队的调整还算成功。
至于未来会怎样，现在还不好说。但至少现在，这个团队找到了自己的节奏，这本身就是一件值得肯定的事情。
你可能听说过 Seed 团队之前的一些波折，但这一年他们到底做了什么，外界知道的并不多。我觉得这些变化背后的逻辑，对理解大厂 AI 团队的运作方式挺有参考价值。
看完之后我也对吴永辉的管理思路有了新的认识，他不是那种喜欢搞大动作的人，但每一步都挺扎实的。
文章开头就提到，吴永辉接手后做的第一件事是调整团队方向。之前 Seed 团队更偏研究型，发了不少论文，但产品落地这块一直不太理想。
这个转变其实挺难的，你想啊，一个习惯了做研究的团队，突然要开始关注用户需求、产品体验，这不是换个 KPI 那么简单。
文章里提到，吴永辉花了好几个月时间跟团队成员一对一聊，了解大家的想法和困惑。
这个做法很聪明，很多管理者上来就直接定新规矩，但吴永辉选择先听、再说。这种方式虽然慢一点，但能让团队更容易接受变化。毕竟做 AI 的人都挺有想法的，硬推肯定不行。
从结果来看，这个转型还算成功。团队现在的重心已经转移到了几个核心产品上，而不是像之前那样什么都想做。专注度提高了，效率自然也上来了。
第二个变化是关于协作方式的，吴永辉把之前那种各自为战的工作模式改成了小组制。
具体怎么做呢？
他把团队拆成了几个小组，每个小组负责一个完整的产品模块。这样做的好处是责任更清晰，大家不会互相推诿。而且小组内部的沟通成本也降低了很多。
不过这里有个问题，就是小组之间怎么协作。
文章提到，吴永辉设立了一个技术委员会，专门负责协调各小组之间的资源和技术方案，这样既保证了小组的自主性，又避免了各自为政。
我之前在其他公司也见过类似的组织架构调整，但很多都失败了。为什么？
因为只改了形式，没改文化。吴永辉这次做得比较彻底，不光调整了组织结构，还重新梳理了评价体系。现在团队成员的绩效不只看个人产出，还要看对整个产品的贡献。
第三点是关于技术路线的。文章里提到一个挺有争议的决定，就是 Seed 团队在某些场景下放弃了自研模型，转而使用开源方案。
这个决定在团队内部引起了不小的讨论，毕竟对于一个技术团队来说，自研是很有成就感的事情。
但吴永辉的逻辑很清楚，他认为技术选型要服务于产品目标，而不是为了炫技。
现在开源社区的发展速度太快了，很多时候自研不一定比开源方案更好。与其花大量时间重复造轮子，不如把精力放在真正有价值的创新上。
当然，这不是说完全放弃自研，文章也提到，在一些核心技术点上，团队还是坚持自主研发。
最后一点是关于人的。
文章末尾提到，吴永辉很重视团队氛围的建设。他会定期组织技术分享会，鼓励大家交流想法。
这个看起来很常规，但实际操作起来并不容易。尤其是在经历了一些波折之后，团队成员的心态可能都比较微妙。吴永辉的做法是坦诚沟通，不回避问题。
另外，他还调整了招聘策略。
之前 Seed 团队更倾向于招科研背景的人，现在开始更多考虑工程能力和产品思维，这个变化其实也反映了团队定位的转变。
吴永辉这一年做的事情，说白了就是在做减法。减掉不必要的项目，减掉低效的流程，减掉不合适的人。但同时，他又在做加法，加强团队协作，加深产品理解，加大核心技术投入。
这种一减一加之间的平衡，我觉得是最难把握的。
做得好，团队就能重新焕发活力。做不好，可能就会陷入混乱。从目前的情况看，Seed 团队的调整还算成功。
至于未来会怎样，现在还不好说。但至少现在，这个团队找到了自己的节奏，这本身就是一件值得肯定的事情。
4 00
最近听了一档鹅厂的播客「以鹅传鹅」讲 To B 的一期内容，意外发现了一个有意思的现象。
你有没有发现，不管去哪家公司，打开手机基本都绕不开这几个应用：企微聊客户、腾讯会议开会、腾讯文档协作。
用得太顺手了，以至于我们都快忘了，这背后其实是腾讯精心布局的一整套商业闭环。
说起腾讯，大家第一反应可能还是游戏、社交这些 To C 业务。但如果你仔细观察身边的职场环境，会发现腾讯的 ToB 基因早就渗透到工作的每个角落。
今天想跟大家聊聊，腾讯是怎么把 To B 这盘棋下得如此巧妙的。
先说点实在的数据吧，很多人觉得腾讯没有 ToB 基因，这个印象其实停留在好几年前了。马化腾在今年的员工大会上谈到 To B，有这么一句话，“2025 年 CSIG 已经实现了规模化的盈利”。
播客里腾讯金融云的负责人代大海分享了一个细节：他从 2017 年加入腾讯到现在，见证了整个 To B 业务从被质疑到逐渐被认可的过程。最让人印象深刻的是，他提到自己做过的最长的一个项目，从最开始启动到最后一笔款收回来，用了整整 7 年时间。
这个时间跨度听起来有点夸张，但恰恰说明了 To B 业务的本质——它就像种树，10 年前种下，10 年后才能成林。而腾讯愿意为此投入耐心和资源，本身就是一种战略选择。
看最近几年的财报，腾讯的金融科技及企业服务板块增速一直保持在 30% 以上。2023 年这块业务的收入已经超过 2000 亿人民币，占总营收的比重接近 35%。
这个体量已经超过了很多专门做企业服务的公司全年营收。从 2018 年到现在短短五六年时间，腾讯云的市场份额已经稳居国内前三。企业微信的活跃用户突破 8 亿，服务企业数量超过 1200 万家。
更值得关注的是在金融这个对技术要求最严苛的领域，腾讯云已经服务全球超 10000 家金融客户。
在国内银行领域，与央行、六大国有银行都建立了合作关系，TOP200 银行中 90% 以上选择了腾讯云。
腾讯云数据库 TDSQL 已服务近半国内 TOP 20 银行，企业微信服务了 17 家国有大型银行和全国性股份制银行总行，覆盖比例超过 90%。
所以当有人说感觉不到腾讯做 To B 的时候，我反而觉得这恰恰证明了它做得有多成功。因为真正好的企业服务，就应该是无感的，就像你不会每天感谢水龙头提供自来水一样。
现在我们来拆解一下这套组合拳到底妙在哪里。
想象一个典型的工作场景：早上你用微信和客户确认了会议时间，然后切换到企业微信拉了个内部群讨论方案，接着在腾讯文档里多人实时编辑 PPT，最后又回到微信把定稿发给客户。
整个流程行云流水，你甚至没意识到自己在不同产品之间跳转了多少次。
这就是腾讯最厉害的地方，它不是简单地推出几个独立的企业工具，而是基于微信这个超级入口，构建了一条完整的工作动线。
微信解决外部沟通，企业微信负责内部协同和客户管理，腾讯文档提供内容生产能力。三者之间的切换成本几乎为零，数据可以无缝流转。
这种能力的价值在实际案例中体现得淋漓尽致。比如华兴银行用腾讯云打造的大模型信贷尽调助手，把原本需要 7-10 天才能完成的百页授信尽调报告，压缩到 1 天内完成，人工审核采纳率达到 93%，工作效率提升了 10 倍。
再比如长生人寿基于腾讯乐享 AI 知识库，上线了智能展业助手“AI-长小生”，将单证处理时间从小时级缩短至分钟级，人工录入与复核工作量减少了 80% 以上。
这些案例背后的逻辑是一致的：腾讯把原本分散在不同系统、不同人员手中的知识和流程，通过企业微信、腾讯文档、腾讯云等工具链整合起来，变成了可管理、可传承、可智能化的企业资产。
而且你发现没有，这套工具链覆盖的不只是某个环节，而是职场人的完整工作流。从获客、沟通、协作到交付，每个步骤都有对应的产品支撑。
这种全链条的覆盖能力，才是腾讯 To B 战略的核心竞争力。
说到这里，我们可以回答开头那个问题了：为什么感觉企业微信无处不在？
答案其实很简单，因为腾讯选择了一条和传统企业服务完全不同的路径。
以前做 To B，大家都想着怎么卖软件、卖系统，恨不得在企业里刷存在感。但腾讯反其道而行之，它要做的是基础设施，是那种你用着用着就忘了它存在的东西。
这个策略太聪明了，因为微信已经有 12 亿用户，这意味着企业微信天然就有最低的学习成本。
员工不需要培训，老板不用担心推广难度，IT 部门也省去了复杂的部署流程。这种基于社交关系链的企业服务，本身就具备病毒式传播的基因。
最能说明问题的是在金融这种对安全性、稳定性要求极高的行业，腾讯也站稳了脚跟。
中国农业银行完成了全球最大规模的银行核心分布式迁移，采用腾讯云数据库 TDSQL 实现全栈国产化；张家港农商行在银行传统核心数据库领域首次实现国产化，成本缩减到传统架构的 1/5。
腾讯的 To B 能力不只是停留在协同办公层面，而是深入到了企业最核心的业务系统。这种粘性一旦形成，就很难被替代。
从商业角度看，这是一个教科书级别的案例。腾讯用社交优势撬动企业市场，用免费策略快速占领心智，用生态思维构建长期壁垒。
这套打法看起来很慢，但一旦跑通了，就是指数级的增长。
往后看，随着数字化转型的深入，企业服务市场还会继续扩大。腾讯这条微信-企业微信-腾讯文档的工具链，可能会变得更加不可或缺。
到那时候，我们或许会发现，所谓的 ToB 基因，从来不是天生的，而是在正确的战略和持续的投入中逐渐生长出来的。
你有没有发现，不管去哪家公司，打开手机基本都绕不开这几个应用：企微聊客户、腾讯会议开会、腾讯文档协作。
用得太顺手了，以至于我们都快忘了，这背后其实是腾讯精心布局的一整套商业闭环。
说起腾讯，大家第一反应可能还是游戏、社交这些 To C 业务。但如果你仔细观察身边的职场环境，会发现腾讯的 ToB 基因早就渗透到工作的每个角落。
今天想跟大家聊聊，腾讯是怎么把 To B 这盘棋下得如此巧妙的。
先说点实在的数据吧，很多人觉得腾讯没有 ToB 基因，这个印象其实停留在好几年前了。马化腾在今年的员工大会上谈到 To B，有这么一句话，“2025 年 CSIG 已经实现了规模化的盈利”。
播客里腾讯金融云的负责人代大海分享了一个细节：他从 2017 年加入腾讯到现在，见证了整个 To B 业务从被质疑到逐渐被认可的过程。最让人印象深刻的是，他提到自己做过的最长的一个项目，从最开始启动到最后一笔款收回来，用了整整 7 年时间。
这个时间跨度听起来有点夸张，但恰恰说明了 To B 业务的本质——它就像种树，10 年前种下，10 年后才能成林。而腾讯愿意为此投入耐心和资源，本身就是一种战略选择。
看最近几年的财报，腾讯的金融科技及企业服务板块增速一直保持在 30% 以上。2023 年这块业务的收入已经超过 2000 亿人民币，占总营收的比重接近 35%。
这个体量已经超过了很多专门做企业服务的公司全年营收。从 2018 年到现在短短五六年时间，腾讯云的市场份额已经稳居国内前三。企业微信的活跃用户突破 8 亿，服务企业数量超过 1200 万家。
更值得关注的是在金融这个对技术要求最严苛的领域，腾讯云已经服务全球超 10000 家金融客户。
在国内银行领域，与央行、六大国有银行都建立了合作关系，TOP200 银行中 90% 以上选择了腾讯云。
腾讯云数据库 TDSQL 已服务近半国内 TOP 20 银行，企业微信服务了 17 家国有大型银行和全国性股份制银行总行，覆盖比例超过 90%。
所以当有人说感觉不到腾讯做 To B 的时候，我反而觉得这恰恰证明了它做得有多成功。因为真正好的企业服务，就应该是无感的，就像你不会每天感谢水龙头提供自来水一样。
现在我们来拆解一下这套组合拳到底妙在哪里。
想象一个典型的工作场景：早上你用微信和客户确认了会议时间，然后切换到企业微信拉了个内部群讨论方案，接着在腾讯文档里多人实时编辑 PPT，最后又回到微信把定稿发给客户。
整个流程行云流水，你甚至没意识到自己在不同产品之间跳转了多少次。
这就是腾讯最厉害的地方，它不是简单地推出几个独立的企业工具，而是基于微信这个超级入口，构建了一条完整的工作动线。
微信解决外部沟通，企业微信负责内部协同和客户管理，腾讯文档提供内容生产能力。三者之间的切换成本几乎为零，数据可以无缝流转。
这种能力的价值在实际案例中体现得淋漓尽致。比如华兴银行用腾讯云打造的大模型信贷尽调助手，把原本需要 7-10 天才能完成的百页授信尽调报告，压缩到 1 天内完成，人工审核采纳率达到 93%，工作效率提升了 10 倍。
再比如长生人寿基于腾讯乐享 AI 知识库，上线了智能展业助手“AI-长小生”，将单证处理时间从小时级缩短至分钟级，人工录入与复核工作量减少了 80% 以上。
这些案例背后的逻辑是一致的：腾讯把原本分散在不同系统、不同人员手中的知识和流程，通过企业微信、腾讯文档、腾讯云等工具链整合起来，变成了可管理、可传承、可智能化的企业资产。
而且你发现没有，这套工具链覆盖的不只是某个环节，而是职场人的完整工作流。从获客、沟通、协作到交付，每个步骤都有对应的产品支撑。
这种全链条的覆盖能力，才是腾讯 To B 战略的核心竞争力。
说到这里，我们可以回答开头那个问题了：为什么感觉企业微信无处不在？
答案其实很简单，因为腾讯选择了一条和传统企业服务完全不同的路径。
以前做 To B，大家都想着怎么卖软件、卖系统，恨不得在企业里刷存在感。但腾讯反其道而行之，它要做的是基础设施，是那种你用着用着就忘了它存在的东西。
这个策略太聪明了，因为微信已经有 12 亿用户，这意味着企业微信天然就有最低的学习成本。
员工不需要培训，老板不用担心推广难度，IT 部门也省去了复杂的部署流程。这种基于社交关系链的企业服务，本身就具备病毒式传播的基因。
最能说明问题的是在金融这种对安全性、稳定性要求极高的行业，腾讯也站稳了脚跟。
中国农业银行完成了全球最大规模的银行核心分布式迁移，采用腾讯云数据库 TDSQL 实现全栈国产化；张家港农商行在银行传统核心数据库领域首次实现国产化，成本缩减到传统架构的 1/5。
腾讯的 To B 能力不只是停留在协同办公层面，而是深入到了企业最核心的业务系统。这种粘性一旦形成，就很难被替代。
从商业角度看，这是一个教科书级别的案例。腾讯用社交优势撬动企业市场，用免费策略快速占领心智，用生态思维构建长期壁垒。
这套打法看起来很慢，但一旦跑通了，就是指数级的增长。
往后看，随着数字化转型的深入，企业服务市场还会继续扩大。腾讯这条微信-企业微信-腾讯文档的工具链，可能会变得更加不可或缺。
到那时候，我们或许会发现，所谓的 ToB 基因，从来不是天生的，而是在正确的战略和持续的投入中逐渐生长出来的。
0 00