即刻App年轻人的同好社区
下载
Sam Altman最新访谈，信息量太大了。
这两天，看到一段Sam Altman的最新深度访谈，聊了快一个小时，信息量真的太大了。
他现在很少做这种长对话了，但这次，他几乎把创业、管理、决策、AI未来这些话题全覆盖了。
比如Sam说，如果他现在还在给创业者做顾问，他最想让他们搞明白的只有一件事：相信指数增长。
1
指数增长，啥意思？
但Sam说的不是数学概念，而是一种观察世界的方式。
他有个习惯，每次认识一个新人，都会在脑子里给对方标一个坐标。
下次再见面的时候，看看这个人移动了多远。几千个人观察下来，他发现了一个规律：大部分人低估了人的成长速度，也低估了技术的迭代速度。
比如，他说他最近见了一个才两周的创业团队，做了一整套办公生产力工具，专门为AI能直接读取文档、表格、PPT的场景而设计。
这种东西放在两年前，一个创业公司可能要干一年，但现在两周就出来了。
反过来说，如果你今天的创业公司看起来跟十年前的创业公司差不多，那你基本上已经落后了。
这就是指数增长带来的直觉错位。
你的理性脑知道技术在加速，但你的情绪脑还停留在线性世界里。
Sam说，这也是为什么市场上对高成长年轻创始人的定价依然偏低，因为大多数人还是没有真正把指数增长内化成自己的决策依据。
2
访谈里另一个让我印象很深的部分是关于混乱的。
主持人问Sam，怎么才能学会在混乱中运转？
Sam想了想说，这东西没法教，只能学，而且只能通过亲身经历来学。
他说有些东西，你在道理层面完全理解，但情绪层面需要反复练习才能真正消化。
比如，公司遇到了一个看起来要命的危机，你还不知道怎么解决，但你就是得相信自己能搞定。这种能力不是听别人讲课讲出来的，是你自己一次次扛过来之后长出来的。
比如他在YC做办公时间的时候，经常能一眼看出哪些是新创始人，哪些是做了几年的老手。
区别不在于他们遇到的问题有多大，而在于他们谈论问题时的情绪状态。新手聊到困难的时候整个人是紧绷的，而老手可能遇到了更大的麻烦，但语气很平。
第一次遭遇那种公司可能要死掉的危机，感觉天都塌了。
等你扛过十次之后，你就会跟自己说，前九次都活下来了，这次大概率也没事。
这听起来好像是句废话，但Sam说这是年轻创始人最大的弱点。他们没有足够的职业经历来跟混乱和平共处，所以会在早期犯很多不该犯的错误。
3
大多数人觉得坏经历的反面是好经历，所以他们拼命追求好经历。
但如果你换个角度想，坏经历的反面其实是没有经历。在不太遥远的将来，你就会进入那个没有任何经历的状态。这么一想，坏日子其实也挺值得感恩的。
他提到纳瓦尔说过一句话：如果你的人生遥控器上有一个快进键，你一按，人生就直接结束了。
所以那些无聊的部分、痛苦的部分，都比什么都没有强太多了，它们是生命的厚度和情感深度的一部分。
同理，Sam谈到养孩子和工作的冲突时也很坦诚。
他说过去一年最痛苦的事就是一边拼命工作一边当爸爸，他基本上除了工作就是陪家人，已经没有别的社交了，但还是觉得错过了太多孩子成长中那些一次性的瞬间。
这种痛苦是真实的，他没有试图用什么大道理去化解它。
4
OpenAI内部有一个决策逻辑我觉得特别值得学习。
Sam说OpenAI历史上有很多重要时刻，都是在某件事开始起飞之后，把其他同样不错的项目砍掉，让资源全部集中到最有前景的方向上。
GPT-3跑通之后，他们砍掉了机器人项目。编程Agent开始爆发之后，他们砍掉了Sora和浏览器产品。
注意，被砍的不是失败的项目。Sora如果继续做下去会非常成功，但问题是，把算力和人力投入到编程Agent上更重要。
我觉得这个思维方式对每个人都适用，你手头同时在做五件事，其中三件都还不错。大部分人的本能是继续做下去，觉得放弃很可惜。
但真正厉害的决策是，砍掉那三件不错的，把所有力气押在最好的那一件上。
这比砍掉失败项目难多了。
5
最后一个我觉得特别受用的点，是Sam关于长期规划的思路。
他说他不做那种从未来倒推的规划。
他的方法是持有少数几个关于未来的强信念，然后从当下往前推。每年甚至每个月，看看现在能做什么，把它跟那几个大方向对齐就好。
他见过太多人的问题是信念太多、世界观太刚性。今天觉得这个领域有机会，明天觉得那个领域更好，后天就变成了一家从航天转型做AI的公司，这种摇摆本质上是因为没有真正想清楚自己深信什么。
他的策略是在核心信念上极其坚定，在其他所有事情上极其灵活。
Sam自己的核心信念就一条：充足的智能会带来人类繁荣，前提是不能让权力过度集中。
围绕这一条，他已经投入了超过十年，从来没有动摇过。
这种深度聚焦的力量是惊人的。
大部分人在一个方向上坚持不了三个月就开始怀疑自己，而真正做成事的人往往是那些在别人都放弃之后还在继续的人。
这是一种面对不确定性的姿态：承认混乱、拥抱痛苦、相信指数、少说多做。
这些东西听起来简单，做起来需要一辈子的练习。
这两天，看到一段Sam Altman的最新深度访谈，聊了快一个小时，信息量真的太大了。
他现在很少做这种长对话了，但这次，他几乎把创业、管理、决策、AI未来这些话题全覆盖了。
比如Sam说，如果他现在还在给创业者做顾问，他最想让他们搞明白的只有一件事：相信指数增长。
1
指数增长，啥意思？
但Sam说的不是数学概念，而是一种观察世界的方式。
他有个习惯，每次认识一个新人，都会在脑子里给对方标一个坐标。
下次再见面的时候，看看这个人移动了多远。几千个人观察下来，他发现了一个规律：大部分人低估了人的成长速度，也低估了技术的迭代速度。
比如，他说他最近见了一个才两周的创业团队，做了一整套办公生产力工具，专门为AI能直接读取文档、表格、PPT的场景而设计。
这种东西放在两年前，一个创业公司可能要干一年，但现在两周就出来了。
反过来说，如果你今天的创业公司看起来跟十年前的创业公司差不多，那你基本上已经落后了。
这就是指数增长带来的直觉错位。
你的理性脑知道技术在加速，但你的情绪脑还停留在线性世界里。
Sam说，这也是为什么市场上对高成长年轻创始人的定价依然偏低，因为大多数人还是没有真正把指数增长内化成自己的决策依据。
2
访谈里另一个让我印象很深的部分是关于混乱的。
主持人问Sam，怎么才能学会在混乱中运转？
Sam想了想说，这东西没法教，只能学，而且只能通过亲身经历来学。
他说有些东西，你在道理层面完全理解，但情绪层面需要反复练习才能真正消化。
比如，公司遇到了一个看起来要命的危机，你还不知道怎么解决，但你就是得相信自己能搞定。这种能力不是听别人讲课讲出来的，是你自己一次次扛过来之后长出来的。
比如他在YC做办公时间的时候，经常能一眼看出哪些是新创始人，哪些是做了几年的老手。
区别不在于他们遇到的问题有多大，而在于他们谈论问题时的情绪状态。新手聊到困难的时候整个人是紧绷的，而老手可能遇到了更大的麻烦，但语气很平。
第一次遭遇那种公司可能要死掉的危机，感觉天都塌了。
等你扛过十次之后，你就会跟自己说，前九次都活下来了，这次大概率也没事。
这听起来好像是句废话，但Sam说这是年轻创始人最大的弱点。他们没有足够的职业经历来跟混乱和平共处，所以会在早期犯很多不该犯的错误。
3
大多数人觉得坏经历的反面是好经历，所以他们拼命追求好经历。
但如果你换个角度想，坏经历的反面其实是没有经历。在不太遥远的将来，你就会进入那个没有任何经历的状态。这么一想，坏日子其实也挺值得感恩的。
他提到纳瓦尔说过一句话：如果你的人生遥控器上有一个快进键，你一按，人生就直接结束了。
所以那些无聊的部分、痛苦的部分，都比什么都没有强太多了，它们是生命的厚度和情感深度的一部分。
同理，Sam谈到养孩子和工作的冲突时也很坦诚。
他说过去一年最痛苦的事就是一边拼命工作一边当爸爸，他基本上除了工作就是陪家人，已经没有别的社交了，但还是觉得错过了太多孩子成长中那些一次性的瞬间。
这种痛苦是真实的，他没有试图用什么大道理去化解它。
4
OpenAI内部有一个决策逻辑我觉得特别值得学习。
Sam说OpenAI历史上有很多重要时刻，都是在某件事开始起飞之后，把其他同样不错的项目砍掉，让资源全部集中到最有前景的方向上。
GPT-3跑通之后，他们砍掉了机器人项目。编程Agent开始爆发之后，他们砍掉了Sora和浏览器产品。
注意，被砍的不是失败的项目。Sora如果继续做下去会非常成功，但问题是，把算力和人力投入到编程Agent上更重要。
我觉得这个思维方式对每个人都适用，你手头同时在做五件事，其中三件都还不错。大部分人的本能是继续做下去，觉得放弃很可惜。
但真正厉害的决策是，砍掉那三件不错的，把所有力气押在最好的那一件上。
这比砍掉失败项目难多了。
5
最后一个我觉得特别受用的点，是Sam关于长期规划的思路。
他说他不做那种从未来倒推的规划。
他的方法是持有少数几个关于未来的强信念，然后从当下往前推。每年甚至每个月，看看现在能做什么，把它跟那几个大方向对齐就好。
他见过太多人的问题是信念太多、世界观太刚性。今天觉得这个领域有机会，明天觉得那个领域更好，后天就变成了一家从航天转型做AI的公司，这种摇摆本质上是因为没有真正想清楚自己深信什么。
他的策略是在核心信念上极其坚定，在其他所有事情上极其灵活。
Sam自己的核心信念就一条：充足的智能会带来人类繁荣，前提是不能让权力过度集中。
围绕这一条，他已经投入了超过十年，从来没有动摇过。
这种深度聚焦的力量是惊人的。
大部分人在一个方向上坚持不了三个月就开始怀疑自己，而真正做成事的人往往是那些在别人都放弃之后还在继续的人。
这是一种面对不确定性的姿态：承认混乱、拥抱痛苦、相信指数、少说多做。
这些东西听起来简单，做起来需要一辈子的练习。
3 00
最近打开 HuggingFace 的全球模型趋势榜，排在前面的两个项目，一个是月之暗面的 Kimi K3，一个是百度的 Unlimited OCR。
全球最大的 AI 开源社区里，热度最高的两个模型，都来自中国，这个组合被不少开发者称为中国开源模型双子星。
虽然听起来好像就是个榜单排名的事，但往深了想一步，会发现事情远没那么简单。
1
Kimi K3 是月之暗面开源的大模型，2.8 万亿参数，单 token 激活 1040 亿，原生多模态 MoE 架构，支持百万 token 上下文。
发布之后 30 分钟就冲上了 HuggingFace 趋势榜榜首，直接刷新了平台的增长纪录，连 HuggingFace 的 CEO 都专门发了一条帖子表示关注。
Vercel 创始人兼 CEO Guillermo Rauch 更是在网页工程评测里直接点名说，K3 综合表现排第一，代码任务成功率 92%，这是第一次有开源模型在这个榜单上超过所有海外闭源模型。
2
百度 Unlimited OCR 则走的是另一个路数，这个模型我之前也给大家分享过。
它是一个只有 30 亿参数的端到端 OCR 模型，但它做到了一件以前大家觉得很难的事：一次推理连续解析数十页文档，从头到尾不断不丢。
举个例子，你拿一本 100 页的 PDF 去做文字识别，传统 OCR 的做法是一页一页切开处理，最后再拼回去。
但问题是，跨页的表格会断掉，前后文的阅读顺序会乱，页与页之间的上下文全丢了。
更麻烦的是，随着页数增加，模型需要记住的信息越来越多，推理速度直线下降，显存成本也跟着飙升。
百度提出了一个叫 R-SWA 的机制来解决这个问题，让模型像人翻书抄写一样工作：眼睛始终盯着原文内容，手边只保留最近写过的那段作为参考，不去死记硬背前面所有抄过的东西。
这样一来，不管文档有多长，模型在解码阶段的 KV Cache 始终保持恒定规模，计算成本和显存占用不会随着输出长度无限膨胀。
就这么一个看起来不大的模型，发布第二天就拿下了 GitHub Daily Trending 总榜和 Python 榜的双料第一，GitHub Star 五天破万，HuggingFace 全球模型总趋势榜和多模态模型趋势榜也同时登顶。
四个榜单，全部第一。目前 GitHub Star 已经突破 1.97 万，HuggingFace 下载量达到 265 万。
而且发布一个多月之后，Unlimited OCR 的热度不降反升，又一次冲回了 HuggingFace 全球趋势榜前列，连图灵奖获得者杨立昆都亲自转发推荐。
知名 AI 工具制作人 RodmanAi 说了一句话，大意是中国直接终结了 OCR 这个赛道的竞争。
3
两个中国项目同时占据全球开源社区的头两把交椅，这在以前其实是很少见的。
如果只看单个项目，Kimi K3 登顶或者 Unlimited OCR 霸榜，你可能觉得就是一次正常的技术发布带来的流量高峰。
但这两件事在极短的时间窗口内连续发生，形成了一种叠加效应，才让全球开发者社区真正开始集体讨论一个话题：中国开源 AI 到底发生了什么？
HuggingFace 今年春天发布过一份全球开源 AI 生态报告，里面提到一个数据：过去一年，平台上 41% 的大模型下载量来自中国研发的模型。中国已经成为全球开源大模型供给最活跃、增长最快的地区之一。
全球那么多国家和机构在做 AI，中国一个地区的贡献就占到了接近一半，说明什么？
中国的 AI 公司在开源这件事上的投入力度和产出效率，已经走到了一个不容忽视的位置。
如果你平时关注海外 AI 行业的动态，其实会发现一个很清晰的趋势。
大洋彼岸的头部公司，走的基本是闭源加订阅的路线，模型能力锁在 API 后面，用多少付多少，这条路当然有它的商业逻辑。
但中国这边的打法明显不太一样。
越来越多的模型公司选择把核心能力开源出来，让全球开发者都能用、都能改、都能在自己的场景里落地。
Kimi K3 开放权重，Unlimited OCR 完全免费本地运行，都是这个思路的体现。
不是说哪条路更好，但从结果来看，中国开源模型正在用实际的社区影响力和下载数据，证明了一件事：当你真的把好东西拿出来、放到台面上，全世界的开发者是会用脚投票的。
全球最大的 AI 开源社区里，热度最高的两个模型，都来自中国，这个组合被不少开发者称为中国开源模型双子星。
虽然听起来好像就是个榜单排名的事，但往深了想一步，会发现事情远没那么简单。
1
Kimi K3 是月之暗面开源的大模型，2.8 万亿参数，单 token 激活 1040 亿，原生多模态 MoE 架构，支持百万 token 上下文。
发布之后 30 分钟就冲上了 HuggingFace 趋势榜榜首，直接刷新了平台的增长纪录，连 HuggingFace 的 CEO 都专门发了一条帖子表示关注。
Vercel 创始人兼 CEO Guillermo Rauch 更是在网页工程评测里直接点名说，K3 综合表现排第一，代码任务成功率 92%，这是第一次有开源模型在这个榜单上超过所有海外闭源模型。
2
百度 Unlimited OCR 则走的是另一个路数，这个模型我之前也给大家分享过。
它是一个只有 30 亿参数的端到端 OCR 模型，但它做到了一件以前大家觉得很难的事：一次推理连续解析数十页文档，从头到尾不断不丢。
举个例子，你拿一本 100 页的 PDF 去做文字识别，传统 OCR 的做法是一页一页切开处理，最后再拼回去。
但问题是，跨页的表格会断掉，前后文的阅读顺序会乱，页与页之间的上下文全丢了。
更麻烦的是，随着页数增加，模型需要记住的信息越来越多，推理速度直线下降，显存成本也跟着飙升。
百度提出了一个叫 R-SWA 的机制来解决这个问题，让模型像人翻书抄写一样工作：眼睛始终盯着原文内容，手边只保留最近写过的那段作为参考，不去死记硬背前面所有抄过的东西。
这样一来，不管文档有多长，模型在解码阶段的 KV Cache 始终保持恒定规模，计算成本和显存占用不会随着输出长度无限膨胀。
就这么一个看起来不大的模型，发布第二天就拿下了 GitHub Daily Trending 总榜和 Python 榜的双料第一，GitHub Star 五天破万，HuggingFace 全球模型总趋势榜和多模态模型趋势榜也同时登顶。
四个榜单，全部第一。目前 GitHub Star 已经突破 1.97 万，HuggingFace 下载量达到 265 万。
而且发布一个多月之后，Unlimited OCR 的热度不降反升，又一次冲回了 HuggingFace 全球趋势榜前列，连图灵奖获得者杨立昆都亲自转发推荐。
知名 AI 工具制作人 RodmanAi 说了一句话，大意是中国直接终结了 OCR 这个赛道的竞争。
3
两个中国项目同时占据全球开源社区的头两把交椅，这在以前其实是很少见的。
如果只看单个项目，Kimi K3 登顶或者 Unlimited OCR 霸榜，你可能觉得就是一次正常的技术发布带来的流量高峰。
但这两件事在极短的时间窗口内连续发生，形成了一种叠加效应，才让全球开发者社区真正开始集体讨论一个话题：中国开源 AI 到底发生了什么？
HuggingFace 今年春天发布过一份全球开源 AI 生态报告，里面提到一个数据：过去一年，平台上 41% 的大模型下载量来自中国研发的模型。中国已经成为全球开源大模型供给最活跃、增长最快的地区之一。
全球那么多国家和机构在做 AI，中国一个地区的贡献就占到了接近一半，说明什么？
中国的 AI 公司在开源这件事上的投入力度和产出效率，已经走到了一个不容忽视的位置。
如果你平时关注海外 AI 行业的动态，其实会发现一个很清晰的趋势。
大洋彼岸的头部公司，走的基本是闭源加订阅的路线，模型能力锁在 API 后面，用多少付多少，这条路当然有它的商业逻辑。
但中国这边的打法明显不太一样。
越来越多的模型公司选择把核心能力开源出来，让全球开发者都能用、都能改、都能在自己的场景里落地。
Kimi K3 开放权重，Unlimited OCR 完全免费本地运行，都是这个思路的体现。
不是说哪条路更好，但从结果来看，中国开源模型正在用实际的社区影响力和下载数据，证明了一件事：当你真的把好东西拿出来、放到台面上，全世界的开发者是会用脚投票的。
0 00
最近刷到了一篇Forbes的文章，作者叫Lutz Finger，Cornell的驻校数据科学家，之前在Google、LinkedIn、Snap都做过产品，还自己创业退出过两次。
他今年四月在Forbes发了一篇关于AI工作流的文章，同一时期也上了一期叫Build AI的播客，聊了差不多同样的话题。
我花了点时间把文章和播客对照着看了一遍，发现他反复在讲同一件事：AI在企业里效果不好，问题根本不在模型，而在于大家只想换个工具，不想动流程。
其实我自己这两年观察到的现象也是这样的。
很多团队拿到AI之后的第一反应，就是把现有的操作手册拆成一串提示词，丢给大模型跑一遍，跑通一个Demo就觉得成了。
但真正上线之后，问题会从各个角落冒出来。
作者在文章里引用了两组数据。
Deloitte今年的调查发现，只有6%的企业能在一年内看到AI投资回报，大部分要等两到四年。
PwC那边的数据也差不多，真正把AI实验推到大规模生产的企业只有20%。
也就是说，绝大多数公司花了钱、投了人、搞了试点，然后就卡在那了。
所以，问题到底出在哪？
我顺着他的思路，加上自己的理解，大概拆成了下面几层。
1️⃣ 第一层：旧流程里藏着大量隐性知识，AI根本看不见
他举了一个1987年丹佛国际机场的例子，机场上了一套全自动的行李分拣系统，结果立刻出了问题。
不是技术故障，是因为设计者直接把人工操作的流程照搬了过来。他们没意识到，人类工人每天都在无意识地补大量的漏洞。
比如行李从传送带上掉了，工人随手捡起来扔回去，这个动作根本没写在任何手册里，所有人都觉得天经地义。但机器不知道，行李一掉，整条线就堵死了。
这个例子特别精准。
我来做个延伸：你去观察任何一家公司的客服流程，纸面上的SOP可能写着遇到投诉先道歉再转主管。
但实际操作中，老员工会根据客户的语气判断这个人是真生气还是在试探，会根据历史记录决定要不要直接给补偿，甚至会根据当天的工单量决定要不要跳过某些步骤。
这些全是隐性知识，从来没有人写下来过。你把SOP丢给AI，AI只能读到纸面上那层，底下那些真正让流程跑得通的东西，它完全碰不到。
2️⃣ 第二层：给AI加上下文，没有听起来那么简单
这时候你可能会想，那我把这些隐性知识也写进提示词不就行了？
理论上是的。但Lutz Finger在文章里指出了一个很实际的矛盾：上下文越多，幻觉概率越高，处理成本越贵，响应延迟越长。
这一点在播客里他聊得更透，他用邮件agent举了个例子。
他说我们都试过把一封邮件丢给大模型让它帮忙回复，出来的结果通常是能用但不像你写的。这个能用但不像你写的，对用户来说其实非常烦。
要解决这个问题，你需要让agent在后台读取你所有的历史邮件，建立一个关于你的沟通风格、对不同人的回复习惯的模型，然后基于这个模型去生成。
但你没法把上百万封邮件一股脑塞进上下文窗口，你必须先做提炼、结构化、分层索引。
光是把这一步做好，就已经远远超出了随便用用的范畴。
他在播客里讲了一个自己的经历，他问ChatGPT关于面试辅助工具的问题，ChatGPT不但批评了他，还把这个查询存进了记忆。
后面每次对话，模型都记得他曾经想过用AI辅助面试，他不得不手动去清除。
一个人的情况还好办，他接着说，想想如果Morgan Stanley这样的机构，把多年的研究报告全灌进AI系统，那些报告里的判断、偏见、过时结论都变成了模型的记忆基底，谁来决定该记什么该忘什么？
目前没有好的方案。
3️⃣ 第三层：规则越多，攻击面越大
这是很多人会忽略的一点。上下文多了，规则多了，代码就复杂了，安全漏洞也跟着来了。
他引用了Georgetown CSET的研究，五个主流模型生成的代码样本里，86%存在跨站脚本漏洞。
Agent越多、生成越快，暴露面不是缩小了，是成倍扩大了。
播客里他还提到了Chipotle的那个菜单agent被人用提示词注入的方式骗去写Python代码的案例。这种事情之所以会发生，本质上就是因为agent的输入控制没有做到位。
而当你让AI自动写输入校验的代码，它大概率会用最老套的关键词匹配方式来做，因为那是训练数据里最常见的做法。
能看出这个方案不够用，能判断什么场景需要什么级别的防护，这就是他说的AI替代不了的那部分能力。
4️⃣ 第四层：工具链还没准备好
他的判断是目前的工具生态类似于早期互联网的阶段，那时候建个网站得手写HTML，一直到Wix这类产品出现才真正平民化，中间花了大约15年。
现在AI工作流的工具面临的情况是：大型云平台的安全和权限体系很完善，但配置一个agent之前可能要先搞定企业身份认证，光这一步就很重。
传统自动化平台的架构偏线性，处理不好步骤之间的状态和失败重试。
开发者框架最灵活但门槛也最高，很多团队现在是把LangGraph叠在Temporal上面跑，两套系统拼在一起才能凑出一个完整方案。
而他认为整个链条里最缺的一环，是自动化测试。
现在验证一个AI工作流，基本就是手动跑一遍然后肉眼看结果。
没有任何工具能让你定义预期输入输出、批量跑测试集、自动报告失败在哪里。这意味着工作流的质量控制，在当下还完全依赖人的经验和耐心。
把这些层面放在一起看，我觉得贯穿始终的其实就一个判断：AI项目的成败，在你决定怎么设计流程的那一刻就已经定了。
Lutz Finger在播客最后做了一个快问快答，主持人问他给AI创业者的一条建议，他说：不要低估商业价值。
真正决定AI能不能在业务里活下来的，是你有没有从头到尾想清楚每一步的输入输出、权限边界、出错了谁负责、什么时候该喊人。
他今年四月在Forbes发了一篇关于AI工作流的文章，同一时期也上了一期叫Build AI的播客，聊了差不多同样的话题。
我花了点时间把文章和播客对照着看了一遍，发现他反复在讲同一件事：AI在企业里效果不好，问题根本不在模型，而在于大家只想换个工具，不想动流程。
其实我自己这两年观察到的现象也是这样的。
很多团队拿到AI之后的第一反应，就是把现有的操作手册拆成一串提示词，丢给大模型跑一遍，跑通一个Demo就觉得成了。
但真正上线之后，问题会从各个角落冒出来。
作者在文章里引用了两组数据。
Deloitte今年的调查发现，只有6%的企业能在一年内看到AI投资回报，大部分要等两到四年。
PwC那边的数据也差不多，真正把AI实验推到大规模生产的企业只有20%。
也就是说，绝大多数公司花了钱、投了人、搞了试点，然后就卡在那了。
所以，问题到底出在哪？
我顺着他的思路，加上自己的理解，大概拆成了下面几层。
1️⃣ 第一层：旧流程里藏着大量隐性知识，AI根本看不见
他举了一个1987年丹佛国际机场的例子，机场上了一套全自动的行李分拣系统，结果立刻出了问题。
不是技术故障，是因为设计者直接把人工操作的流程照搬了过来。他们没意识到，人类工人每天都在无意识地补大量的漏洞。
比如行李从传送带上掉了，工人随手捡起来扔回去，这个动作根本没写在任何手册里，所有人都觉得天经地义。但机器不知道，行李一掉，整条线就堵死了。
这个例子特别精准。
我来做个延伸：你去观察任何一家公司的客服流程，纸面上的SOP可能写着遇到投诉先道歉再转主管。
但实际操作中，老员工会根据客户的语气判断这个人是真生气还是在试探，会根据历史记录决定要不要直接给补偿，甚至会根据当天的工单量决定要不要跳过某些步骤。
这些全是隐性知识，从来没有人写下来过。你把SOP丢给AI，AI只能读到纸面上那层，底下那些真正让流程跑得通的东西，它完全碰不到。
2️⃣ 第二层：给AI加上下文，没有听起来那么简单
这时候你可能会想，那我把这些隐性知识也写进提示词不就行了？
理论上是的。但Lutz Finger在文章里指出了一个很实际的矛盾：上下文越多，幻觉概率越高，处理成本越贵，响应延迟越长。
这一点在播客里他聊得更透，他用邮件agent举了个例子。
他说我们都试过把一封邮件丢给大模型让它帮忙回复，出来的结果通常是能用但不像你写的。这个能用但不像你写的，对用户来说其实非常烦。
要解决这个问题，你需要让agent在后台读取你所有的历史邮件，建立一个关于你的沟通风格、对不同人的回复习惯的模型，然后基于这个模型去生成。
但你没法把上百万封邮件一股脑塞进上下文窗口，你必须先做提炼、结构化、分层索引。
光是把这一步做好，就已经远远超出了随便用用的范畴。
他在播客里讲了一个自己的经历，他问ChatGPT关于面试辅助工具的问题，ChatGPT不但批评了他，还把这个查询存进了记忆。
后面每次对话，模型都记得他曾经想过用AI辅助面试，他不得不手动去清除。
一个人的情况还好办，他接着说，想想如果Morgan Stanley这样的机构，把多年的研究报告全灌进AI系统，那些报告里的判断、偏见、过时结论都变成了模型的记忆基底，谁来决定该记什么该忘什么？
目前没有好的方案。
3️⃣ 第三层：规则越多，攻击面越大
这是很多人会忽略的一点。上下文多了，规则多了，代码就复杂了，安全漏洞也跟着来了。
他引用了Georgetown CSET的研究，五个主流模型生成的代码样本里，86%存在跨站脚本漏洞。
Agent越多、生成越快，暴露面不是缩小了，是成倍扩大了。
播客里他还提到了Chipotle的那个菜单agent被人用提示词注入的方式骗去写Python代码的案例。这种事情之所以会发生，本质上就是因为agent的输入控制没有做到位。
而当你让AI自动写输入校验的代码，它大概率会用最老套的关键词匹配方式来做，因为那是训练数据里最常见的做法。
能看出这个方案不够用，能判断什么场景需要什么级别的防护，这就是他说的AI替代不了的那部分能力。
4️⃣ 第四层：工具链还没准备好
他的判断是目前的工具生态类似于早期互联网的阶段，那时候建个网站得手写HTML，一直到Wix这类产品出现才真正平民化，中间花了大约15年。
现在AI工作流的工具面临的情况是：大型云平台的安全和权限体系很完善，但配置一个agent之前可能要先搞定企业身份认证，光这一步就很重。
传统自动化平台的架构偏线性，处理不好步骤之间的状态和失败重试。
开发者框架最灵活但门槛也最高，很多团队现在是把LangGraph叠在Temporal上面跑，两套系统拼在一起才能凑出一个完整方案。
而他认为整个链条里最缺的一环，是自动化测试。
现在验证一个AI工作流，基本就是手动跑一遍然后肉眼看结果。
没有任何工具能让你定义预期输入输出、批量跑测试集、自动报告失败在哪里。这意味着工作流的质量控制，在当下还完全依赖人的经验和耐心。
把这些层面放在一起看，我觉得贯穿始终的其实就一个判断：AI项目的成败，在你决定怎么设计流程的那一刻就已经定了。
Lutz Finger在播客最后做了一个快问快答，主持人问他给AI创业者的一条建议，他说：不要低估商业价值。
真正决定AI能不能在业务里活下来的，是你有没有从头到尾想清楚每一步的输入输出、权限边界、出错了谁负责、什么时候该喊人。
1 00
最近发现了一个特别有意思的访谈，是Opendoor的CEO Kaz Nejatian的一段对话。
Kaz之前是Shopify的高管，后来空降到一家距离破产只剩几个月的上市公司当CEO，然后用不到一年时间把它救活了。
但让我觉得值得专门写一篇文章的，不是这个逆转本身，是他在访谈里提到的几个观点。
这些观点乍一听是在讲企业管理，但仔细想想，其实是在讲一个更底层的东西：人是怎么在不知不觉中，把一手好牌打烂的？
不管你是做管理的、做产品的，还是只是在经营自己的人生，我觉得都能从里面捞到点东西。
1
Kaz到Opendoor的第一天，干了一件事：把公司过去12个月所有的开支、所有的合同、所有员工名单全部调出来看了一遍。
结果他发现了一个让他震惊的事实，这家科技公司最大的外部支出，不是云服务器，不是研发工具，而是几百万美元付给了一家管理咨询公司。
这家咨询公司建议Opendoor大量外包岗位、增加行政开支、削减工程团队。
你仔细想想这意味着什么？
一家科技公司，把最多的钱花在了让自己变得不像科技公司的事情上。
Kaz说，很多创始人离开之后的公司，本质上会变成一种宿主。寄生在上面的，是一群职业经理人和外部顾问，他们的核心工作不是让公司变好，而是让管理层看起来不错。
这个过程是缓慢的、安静的，甚至是舒适的，因为没有人会在这个过程中感到痛苦。公司在变差，但每个人都觉得自己在做正确的事。
2
这个观察非常深刻，它揭示了一个反直觉的事实：公司衰败的过程，往往不是痛苦的，而是舒服的。
你想想看，什么时候一个人会开始走下坡路？不是遇到困难的时候，而是所有事情都刚刚好够过得去的时候。
公司也一样，当业绩不好不坏、流程不快不慢、团队不死不活的时候，反而是最危险的，因为没有任何一个信号足够强烈到让人惊醒。
Kaz说：所有成功都是独特的，但所有失败都押着同样的韵脚。好员工慢慢走了，创新停了，管理费用上去了，最后公司开始怪客户、怪市场、怪环境。
他到的时候，Opendoor弥漫着一种受害者心态，全公司都在生外面世界的气。
这让我想到一个更普遍的现象。
你有没有注意到，不管是公司还是个人，一旦开始把问题归因到外部，基本就进入了一个死循环。因为外部环境是你控制不了的，一旦你认定问题出在那里，你就等于放弃了改变的可能性。
而这恰恰是最舒服的姿势，因为你什么都不用做，只需要继续抱怨就行了。
3
那Kaz是怎么打破这个循环的？
他的方法论非常简单粗暴，总结起来就一句话：如果你要改变一个默认状态，就不能温柔。
他到任第一个周一，直接宣布全员回办公室，不来的人自动离开。
他改掉了公司的招聘页面，之前写的是温暖的大家庭、彼此关爱之类的话，他改成了两个字：很难。
他说他的工作是劝退你，如果你看完这些还想来，那才说明你是对的人。
你想想，为什么Opendoor之前试过好几次回办公室的计划，每次都失败了？
因为每次都是七步计划、八个月过渡期、照顾所有人感受。结果就是计划本身比问题还复杂，最后大家就在无穷无尽的讨论中把这事聊没了。
这其实就是温水煮青蛙的反面应用。
如果你想让青蛙跳出来，你不能慢慢加热，你得一下把水烧开。因为渐进式的改变，给了所有人适应和抵抗的时间。而突变不给你这个机会，你只能选择接受或者离开。
4
但这里有一个很关键的前提，Kaz并不是在盲目地搞破坏。
他做这些事的同时，一直在寻找公司里真正干活的人。
他说他经常在那几周里找到一些让他惊喜的员工，然后问他们一个问题：你为什么还在这里？
这些人是在整个公司衰败的过程中，靠一己之力撑着业务没有彻底崩塌的个体贡献者。Kaz后来围绕这些人重建了整个公司。
所以他的逻辑其实很清晰：先用震动把不合适的人筛掉，然后找到那些真正有价值的人，围绕他们重新搭建。
5
访谈最后，Kaz引用了四季酒店创始人Isadore Sharp的一句话，我觉得可以作为整期对话的总结：卓越就是承受痛苦的能力。
他说把一件事做到极好和做到平庸之间的差距，没有大多数人想象的那么大。
区别往往只在于，大多数人放弃得太早了。能把手放在火上多坚持一秒的那个人，往往就是最后赢的那个。
他讲了一个自己的故事。
他小时候从伊朗移民到北美，那时候什么圈子也进不了。等他长大了、有能力进那些圈子的时候，他已经不在乎了。他说他把这种被排斥的经历，变成了一种能力。
后来他在高中打橄榄球，个子不大但速度快、扛得住疼，而且特别享受一群人一起赢的感觉。
他说那种膝盖在流血但球队在得分的时刻，有一种很深的快乐。
我觉得这段话之所以打动我，是因为它指向了一个很多人不愿意面对的事实：舒适和卓越之间，存在一种根本性的矛盾。
一个公司之所以慢性死亡，是因为所有人都在追求舒适。
一个人之所以停滞不前，也往往是因为他已经找到了一个刚好够舒服的位置。
而打破这种舒适，不管是对一个组织还是对一个个体，都需要主动选择痛苦。不是盲目吃苦，而是清醒地知道你在为什么扛着，然后比别人多扛一秒。
这大概就是这期访谈留给我最大的一个感受。我们总以为问题出在方法论上，出在战略上，出在资源上。
但很多时候，问题只出在一个地方：你愿不愿意面对那个让你不舒服的事实，然后真的去做点什么。
没什么秘密，但做到的人确实不多。
Kaz之前是Shopify的高管，后来空降到一家距离破产只剩几个月的上市公司当CEO，然后用不到一年时间把它救活了。
但让我觉得值得专门写一篇文章的，不是这个逆转本身，是他在访谈里提到的几个观点。
这些观点乍一听是在讲企业管理，但仔细想想，其实是在讲一个更底层的东西：人是怎么在不知不觉中，把一手好牌打烂的？
不管你是做管理的、做产品的，还是只是在经营自己的人生，我觉得都能从里面捞到点东西。
1
Kaz到Opendoor的第一天，干了一件事：把公司过去12个月所有的开支、所有的合同、所有员工名单全部调出来看了一遍。
结果他发现了一个让他震惊的事实，这家科技公司最大的外部支出，不是云服务器，不是研发工具，而是几百万美元付给了一家管理咨询公司。
这家咨询公司建议Opendoor大量外包岗位、增加行政开支、削减工程团队。
你仔细想想这意味着什么？
一家科技公司，把最多的钱花在了让自己变得不像科技公司的事情上。
Kaz说，很多创始人离开之后的公司，本质上会变成一种宿主。寄生在上面的，是一群职业经理人和外部顾问，他们的核心工作不是让公司变好，而是让管理层看起来不错。
这个过程是缓慢的、安静的，甚至是舒适的，因为没有人会在这个过程中感到痛苦。公司在变差，但每个人都觉得自己在做正确的事。
2
这个观察非常深刻，它揭示了一个反直觉的事实：公司衰败的过程，往往不是痛苦的，而是舒服的。
你想想看，什么时候一个人会开始走下坡路？不是遇到困难的时候，而是所有事情都刚刚好够过得去的时候。
公司也一样，当业绩不好不坏、流程不快不慢、团队不死不活的时候，反而是最危险的，因为没有任何一个信号足够强烈到让人惊醒。
Kaz说：所有成功都是独特的，但所有失败都押着同样的韵脚。好员工慢慢走了，创新停了，管理费用上去了，最后公司开始怪客户、怪市场、怪环境。
他到的时候，Opendoor弥漫着一种受害者心态，全公司都在生外面世界的气。
这让我想到一个更普遍的现象。
你有没有注意到，不管是公司还是个人，一旦开始把问题归因到外部，基本就进入了一个死循环。因为外部环境是你控制不了的，一旦你认定问题出在那里，你就等于放弃了改变的可能性。
而这恰恰是最舒服的姿势，因为你什么都不用做，只需要继续抱怨就行了。
3
那Kaz是怎么打破这个循环的？
他的方法论非常简单粗暴，总结起来就一句话：如果你要改变一个默认状态，就不能温柔。
他到任第一个周一，直接宣布全员回办公室，不来的人自动离开。
他改掉了公司的招聘页面，之前写的是温暖的大家庭、彼此关爱之类的话，他改成了两个字：很难。
他说他的工作是劝退你，如果你看完这些还想来，那才说明你是对的人。
你想想，为什么Opendoor之前试过好几次回办公室的计划，每次都失败了？
因为每次都是七步计划、八个月过渡期、照顾所有人感受。结果就是计划本身比问题还复杂，最后大家就在无穷无尽的讨论中把这事聊没了。
这其实就是温水煮青蛙的反面应用。
如果你想让青蛙跳出来，你不能慢慢加热，你得一下把水烧开。因为渐进式的改变，给了所有人适应和抵抗的时间。而突变不给你这个机会，你只能选择接受或者离开。
4
但这里有一个很关键的前提，Kaz并不是在盲目地搞破坏。
他做这些事的同时，一直在寻找公司里真正干活的人。
他说他经常在那几周里找到一些让他惊喜的员工，然后问他们一个问题：你为什么还在这里？
这些人是在整个公司衰败的过程中，靠一己之力撑着业务没有彻底崩塌的个体贡献者。Kaz后来围绕这些人重建了整个公司。
所以他的逻辑其实很清晰：先用震动把不合适的人筛掉，然后找到那些真正有价值的人，围绕他们重新搭建。
5
访谈最后，Kaz引用了四季酒店创始人Isadore Sharp的一句话，我觉得可以作为整期对话的总结：卓越就是承受痛苦的能力。
他说把一件事做到极好和做到平庸之间的差距，没有大多数人想象的那么大。
区别往往只在于，大多数人放弃得太早了。能把手放在火上多坚持一秒的那个人，往往就是最后赢的那个。
他讲了一个自己的故事。
他小时候从伊朗移民到北美，那时候什么圈子也进不了。等他长大了、有能力进那些圈子的时候，他已经不在乎了。他说他把这种被排斥的经历，变成了一种能力。
后来他在高中打橄榄球，个子不大但速度快、扛得住疼，而且特别享受一群人一起赢的感觉。
他说那种膝盖在流血但球队在得分的时刻，有一种很深的快乐。
我觉得这段话之所以打动我，是因为它指向了一个很多人不愿意面对的事实：舒适和卓越之间，存在一种根本性的矛盾。
一个公司之所以慢性死亡，是因为所有人都在追求舒适。
一个人之所以停滞不前，也往往是因为他已经找到了一个刚好够舒服的位置。
而打破这种舒适，不管是对一个组织还是对一个个体，都需要主动选择痛苦。不是盲目吃苦，而是清醒地知道你在为什么扛着，然后比别人多扛一秒。
这大概就是这期访谈留给我最大的一个感受。我们总以为问题出在方法论上，出在战略上，出在资源上。
但很多时候，问题只出在一个地方：你愿不愿意面对那个让你不舒服的事实，然后真的去做点什么。
没什么秘密，但做到的人确实不多。
1 00
这两天，我看了一期很长的视频。
一个做营销漏斗分析的博主，花了两年时间拆解了116个知识付费类的生意，月收入从20万美金到300万美金不等，把自己的核心发现全部分享出来。
视频信息量很大，但看完之后让我反复琢磨。
2026年，真正赚钱的知识付费生意，做的都不像是在卖东西。
我慢慢讲。
1
视频里提到一个叫William Brown的人。
这个人月入50到60万美金，全部来自YouTube，没有投广告。
他的视频几乎没有剪辑，就是一个人端着咖啡杯对着镜头讲东西。缩略图直接截的视频画面，标题也没什么技巧。他的落地页简单到让人觉得是不是还没做完，一个标题，一段10分钟的视频，一个预约按钮。
而且他的标题写的是：这是我可能可以帮到你的方式。
但他确实卖得动，而且卖得非常好。
我想了很久，为什么？
2
答案可能藏在另一个数据里。
视频里提到一个理论叫7-11-4法则，大致是：一个人在买你的东西之前，平均需要消费大约7个小时你的内容。
意味着，当一个用户最终点进你的落地页、填了表单、接了销售电话的时候，他其实已经在过去几周甚至几个月里，断断续续看了你很多内容。
他对你讲话的方式、你的思维方式、你帮客户解决问题的过程，已经有了一个比较完整的感知。
这就是为什么William Brown的漏斗那么简单却能赚那么多钱。
他的内容替他完成了80%的销售工作，落地页只需要接住最后那20%就够了。
你再回头看那些花大量精力优化每一个页面像素、测试每一种弹窗文案、搞三层订单增销的人，他们可能从一开始就搞反了优先级。
他们把精力花在了最后那20%上，却忽略了前面那80%。
这就好比一个厨师，菜做得一般，但他花了巨大的精力去设计菜单的排版、餐具的摆放、服务员的话术。
这些东西有用，但如果菜本身不好吃，再精致的摆盘也留不住客人。
内容就是你的菜，漏斗只是盛菜的盘子。
3
理解了这一层之后，视频里另一个观察就变得特别好理解了。
过去几年知识付费行业有一个非常流行的打法：用夸张的保证来降低客户的决策门槛。
保证你赚到10万，否则全额退款，30天没效果双倍赔偿。
听着很诱人，但这个套路正在失效。
原因也不复杂。
你的潜在客户不是第一天上网，在找到你之前，他大概率已经被三四个类似的承诺骗过了。
别人也保证过，也承诺过，结果课买了，承诺没兑现，退款流程又极其麻烦
。几次下来，这些人在心里已经形成了一个很强的关联：一个产品越需要靠夸张的保证来卖，它本身就越可能不行。
所以视频里提到的那些月入几十万美金的案例里，有一些根本没有任何保证条款。他们把所有过去用来写保证话术的精力，全部转移到了一件事上：展示真实的客户成果。
这个转变的本质是从告诉别人我有多好，变成了让别人自己看到我有多好。
这也是为什么它有效，因为它没有捷径可走。
4
2026年，你教的那些策略和方法，你的潜在客户花五分钟问一下AI，就能得到80%的答案。
知识本身已经不是稀缺资源了。你精心打磨的课程内容、你总结的方法论框架、你踩过的坑提炼出的经验，在AI时代都可以被低成本地获取。
那人们为什么还要付费找你？
这个问题的答案，是整个视频里最有价值的一个洞察：人们买的不是你的信息，是你这个人。
他们买的是在你的内容里看到了自己的影子，你帮助客户的过程让他们相信你能帮到自己。
这种东西，AI做不到。
这其实就是经济学里常说的那个道理：当一种资源变得极度廉价的时候，跟它互补的那种资源就会变得极度值钱。
在一个信息免费、注意力稀缺的时代，信任是最值钱的货币。
5
想明白了上面这些，视频里另一个策略就完全说得通了。
他发现，过去一年里获客效果最好的单一动作，不是投广告，不是搞直播，而是在油管上发一个3到6小时的免费完整课程。
大部分人第一反应是：你都免费讲完了，人家为什么还要买你的付费课？
这个问题的答案恰恰就在前面说的那个逻辑里。
用户花了5个小时看完你的免费课，他得到的不只是一堆知识点，他得到的是对你这个人的完整感知。
看完之后，他面临的选择是：我可以自己拿着这些信息慢慢摸索，也可以花钱让这个我已经信任的人带着我系统地走一遍。很多人会选后者，不是因为他缺信息，而是因为他已经确认了你值得信任。
你投资了5个小时的免费内容，换回来的是一个已经被深度培育过的高质量潜在客户。
这比你花钱投广告获取一个冷流量，然后费尽心思在漏斗里把他转化，效率高太多了。
6
这里还有一个值得单独说的点，关于平台。
视频里很明确地说：油管是2026年最强的获客引擎。Hormozi、Charlie Morgan、TJR这些月入百万美金级别的玩家，全都重仓YouTube。
原因其实跟前面聊的逻辑是一致的。
更关键的是，2025到2026年有一个底层变化。社交平台的推荐逻辑从关注逻辑变成了兴趣逻辑。
算法不再优先推大V，而是把可能让用户感兴趣的内容推给他。这意味着一个5000订阅的小频道，只要内容对味，也能拿到几万甚至几十万的播放。
这对做知识付费的人来说是一个巨大的机会窗口，粉丝数不再是门槛，内容质量本身就是入场券。
想通了这一点，你会发现做知识付费这件事，本质上和做任何一种需要人际信任的生意都是一样的。
而建立信任这件事，从来没有捷径。
一个做营销漏斗分析的博主，花了两年时间拆解了116个知识付费类的生意，月收入从20万美金到300万美金不等，把自己的核心发现全部分享出来。
视频信息量很大，但看完之后让我反复琢磨。
2026年，真正赚钱的知识付费生意，做的都不像是在卖东西。
我慢慢讲。
1
视频里提到一个叫William Brown的人。
这个人月入50到60万美金，全部来自YouTube，没有投广告。
他的视频几乎没有剪辑，就是一个人端着咖啡杯对着镜头讲东西。缩略图直接截的视频画面，标题也没什么技巧。他的落地页简单到让人觉得是不是还没做完，一个标题，一段10分钟的视频，一个预约按钮。
而且他的标题写的是：这是我可能可以帮到你的方式。
但他确实卖得动，而且卖得非常好。
我想了很久，为什么？
2
答案可能藏在另一个数据里。
视频里提到一个理论叫7-11-4法则，大致是：一个人在买你的东西之前，平均需要消费大约7个小时你的内容。
意味着，当一个用户最终点进你的落地页、填了表单、接了销售电话的时候，他其实已经在过去几周甚至几个月里，断断续续看了你很多内容。
他对你讲话的方式、你的思维方式、你帮客户解决问题的过程，已经有了一个比较完整的感知。
这就是为什么William Brown的漏斗那么简单却能赚那么多钱。
他的内容替他完成了80%的销售工作，落地页只需要接住最后那20%就够了。
你再回头看那些花大量精力优化每一个页面像素、测试每一种弹窗文案、搞三层订单增销的人，他们可能从一开始就搞反了优先级。
他们把精力花在了最后那20%上，却忽略了前面那80%。
这就好比一个厨师，菜做得一般，但他花了巨大的精力去设计菜单的排版、餐具的摆放、服务员的话术。
这些东西有用，但如果菜本身不好吃，再精致的摆盘也留不住客人。
内容就是你的菜，漏斗只是盛菜的盘子。
3
理解了这一层之后，视频里另一个观察就变得特别好理解了。
过去几年知识付费行业有一个非常流行的打法：用夸张的保证来降低客户的决策门槛。
保证你赚到10万，否则全额退款，30天没效果双倍赔偿。
听着很诱人，但这个套路正在失效。
原因也不复杂。
你的潜在客户不是第一天上网，在找到你之前，他大概率已经被三四个类似的承诺骗过了。
别人也保证过，也承诺过，结果课买了，承诺没兑现，退款流程又极其麻烦
。几次下来，这些人在心里已经形成了一个很强的关联：一个产品越需要靠夸张的保证来卖，它本身就越可能不行。
所以视频里提到的那些月入几十万美金的案例里，有一些根本没有任何保证条款。他们把所有过去用来写保证话术的精力，全部转移到了一件事上：展示真实的客户成果。
这个转变的本质是从告诉别人我有多好，变成了让别人自己看到我有多好。
这也是为什么它有效，因为它没有捷径可走。
4
2026年，你教的那些策略和方法，你的潜在客户花五分钟问一下AI，就能得到80%的答案。
知识本身已经不是稀缺资源了。你精心打磨的课程内容、你总结的方法论框架、你踩过的坑提炼出的经验，在AI时代都可以被低成本地获取。
那人们为什么还要付费找你？
这个问题的答案，是整个视频里最有价值的一个洞察：人们买的不是你的信息，是你这个人。
他们买的是在你的内容里看到了自己的影子，你帮助客户的过程让他们相信你能帮到自己。
这种东西，AI做不到。
这其实就是经济学里常说的那个道理：当一种资源变得极度廉价的时候，跟它互补的那种资源就会变得极度值钱。
在一个信息免费、注意力稀缺的时代，信任是最值钱的货币。
5
想明白了上面这些，视频里另一个策略就完全说得通了。
他发现，过去一年里获客效果最好的单一动作，不是投广告，不是搞直播，而是在油管上发一个3到6小时的免费完整课程。
大部分人第一反应是：你都免费讲完了，人家为什么还要买你的付费课？
这个问题的答案恰恰就在前面说的那个逻辑里。
用户花了5个小时看完你的免费课，他得到的不只是一堆知识点，他得到的是对你这个人的完整感知。
看完之后，他面临的选择是：我可以自己拿着这些信息慢慢摸索，也可以花钱让这个我已经信任的人带着我系统地走一遍。很多人会选后者，不是因为他缺信息，而是因为他已经确认了你值得信任。
你投资了5个小时的免费内容，换回来的是一个已经被深度培育过的高质量潜在客户。
这比你花钱投广告获取一个冷流量，然后费尽心思在漏斗里把他转化，效率高太多了。
6
这里还有一个值得单独说的点，关于平台。
视频里很明确地说：油管是2026年最强的获客引擎。Hormozi、Charlie Morgan、TJR这些月入百万美金级别的玩家，全都重仓YouTube。
原因其实跟前面聊的逻辑是一致的。
更关键的是，2025到2026年有一个底层变化。社交平台的推荐逻辑从关注逻辑变成了兴趣逻辑。
算法不再优先推大V，而是把可能让用户感兴趣的内容推给他。这意味着一个5000订阅的小频道，只要内容对味，也能拿到几万甚至几十万的播放。
这对做知识付费的人来说是一个巨大的机会窗口，粉丝数不再是门槛，内容质量本身就是入场券。
想通了这一点，你会发现做知识付费这件事，本质上和做任何一种需要人际信任的生意都是一样的。
而建立信任这件事，从来没有捷径。
1 00
这两天，我看了一期很长的视频。
一个做营销漏斗分析的博主，花了两年时间拆解了116个知识付费类的生意，月收入从20万美金到300万美金不等，把自己的核心发现全部分享出来 。
视频信息量很大，但看完之后让我反复琢磨。
2026年，真正赚钱的知识付费生意，做的都不像是在卖东西。
我慢慢讲。
1
视频里提到一个叫William Brown的人。
这个人月入50到60万美金，全部来自YouTube，没有投广告。
他的视频几乎没有剪辑，就是一个人端着咖啡杯对着镜头讲东西。缩略图直接截的视频画面，标题也没什么技巧。他的落地页简单到让人觉得是不是还没做完，一个标题，一段10分钟的视频，一个预约按钮。
而且他的标题写的是：这是我可能可以帮到你的方式。
但他确实卖得动，而且卖得非常好。
我想了很久，为什么？
2
答案可能藏在另一个数据里。
视频里提到一个理论叫7-11-4法则，大致是：一个人在买你的东西之前，平均需要消费大约7个小时你的内容。
意味着，当一个用户最终点进你的落地页、填了表单、接了销售电话的时候，他其实已经在过去几周甚至几个月里，断断续续看了你很多内容。
他对你讲话的方式、你的思维方式、你帮客户解决问题的过程，已经有了一个比较完整的感知。
这就是为什么William Brown的漏斗那么简单却能赚那么多钱。
他的内容替他完成了80%的销售工作，落地页只需要接住最后那20%就够了。
你再回头看那些花大量精力优化每一个页面像素、测试每一种弹窗文案、搞三层订单增销的人，他们可能从一开始就搞反了优先级。
他们把精力花在了最后那20%上，却忽略了前面那80%。
这就好比一个厨师，菜做得一般，但他花了巨大的精力去设计菜单的排版、餐具的摆放、服务员的话术。
这些东西有用，但如果菜本身不好吃，再精致的摆盘也留不住客人。
内容就是你的菜，漏斗只是盛菜的盘子。
3
理解了这一层之后，视频里另一个观察就变得特别好理解了。
过去几年知识付费行业有一个非常流行的打法：用夸张的保证来降低客户的决策门槛。
保证你赚到10万，否则全额退款，30天没效果双倍赔偿。
听着很诱人，但这个套路正在失效。
原因也不复杂。
你的潜在客户不是第一天上网，在找到你之前，他大概率已经被三四个类似的承诺骗过了。
别人也保证过，也承诺过，结果课买了，承诺没兑现，退款流程又极其麻烦
。几次下来，这些人在心里已经形成了一个很强的关联：一个产品越需要靠夸张的保证来卖，它本身就越可能不行。
所以视频里提到的那些月入几十万美金的案例里，有一些根本没有任何保证条款。他们把所有过去用来写保证话术的精力，全部转移到了一件事上：展示真实的客户成果。
这个转变的本质是从告诉别人我有多好，变成了让别人自己看到我有多好。
这也是为什么它有效，因为它没有捷径可走。
4
2026年，你教的那些策略和方法，你的潜在客户花五分钟问一下AI，就能得到80%的答案。
知识本身已经不是稀缺资源了。你精心打磨的课程内容、你总结的方法论框架、你踩过的坑提炼出的经验，在AI时代都可以被低成本地获取。
那人们为什么还要付费找你？
这个问题的答案，是整个视频里最有价值的一个洞察：人们买的不是你的信息，是你这个人。
他们买的是在你的内容里看到了自己的影子，你帮助客户的过程让他们相信你能帮到自己。
这种东西，AI做不到。
这其实就是经济学里常说的那个道理：当一种资源变得极度廉价的时候，跟它互补的那种资源就会变得极度值钱。
在一个信息免费、注意力稀缺的时代，信任是最值钱的货币。
5
想明白了上面这些，视频里另一个策略就完全说得通了。
他发现，过去一年里获客效果最好的单一动作，不是投广告，不是搞直播，而是在油管上发一个3到6小时的免费完整课程。
大部分人第一反应是：你都免费讲完了，人家为什么还要买你的付费课？
这个问题的答案恰恰就在前面说的那个逻辑里。
用户花了5个小时看完你的免费课，他得到的不只是一堆知识点，他得到的是对你这个人的完整感知。
看完之后，他面临的选择是：我可以自己拿着这些信息慢慢摸索，也可以花钱让这个我已经信任的人带着我系统地走一遍。很多人会选后者，不是因为他缺信息，而是因为他已经确认了你值得信任。
你投资了5个小时的免费内容，换回来的是一个已经被深度培育过的高质量潜在客户。
这比你花钱投广告获取一个冷流量，然后费尽心思在漏斗里把他转化，效率高太多了。
6
这里还有一个值得单独说的点，关于平台。
视频里很明确地说：油管是2026年最强的获客引擎。Hormozi、Charlie Morgan、TJR这些月入百万美金级别的玩家，全都重仓YouTube。
原因其实跟前面聊的逻辑是一致的。
更关键的是，2025到2026年有一个底层变化。社交平台的推荐逻辑从关注逻辑变成了兴趣逻辑。
算法不再优先推大V，而是把可能让用户感兴趣的内容推给他。这意味着一个5000订阅的小频道，只要内容对味，也能拿到几万甚至几十万的播放。
这对做知识付费的人来说是一个巨大的机会窗口，粉丝数不再是门槛，内容质量本身就是入场券。
想通了这一点，你会发现做知识付费这件事，本质上和做任何一种需要人际信任的生意都是一样的。
而建立信任这件事，从来没有捷径。
一个做营销漏斗分析的博主，花了两年时间拆解了116个知识付费类的生意，月收入从20万美金到300万美金不等，把自己的核心发现全部分享出来 。
视频信息量很大，但看完之后让我反复琢磨。
2026年，真正赚钱的知识付费生意，做的都不像是在卖东西。
我慢慢讲。
1
视频里提到一个叫William Brown的人。
这个人月入50到60万美金，全部来自YouTube，没有投广告。
他的视频几乎没有剪辑，就是一个人端着咖啡杯对着镜头讲东西。缩略图直接截的视频画面，标题也没什么技巧。他的落地页简单到让人觉得是不是还没做完，一个标题，一段10分钟的视频，一个预约按钮。
而且他的标题写的是：这是我可能可以帮到你的方式。
但他确实卖得动，而且卖得非常好。
我想了很久，为什么？
2
答案可能藏在另一个数据里。
视频里提到一个理论叫7-11-4法则，大致是：一个人在买你的东西之前，平均需要消费大约7个小时你的内容。
意味着，当一个用户最终点进你的落地页、填了表单、接了销售电话的时候，他其实已经在过去几周甚至几个月里，断断续续看了你很多内容。
他对你讲话的方式、你的思维方式、你帮客户解决问题的过程，已经有了一个比较完整的感知。
这就是为什么William Brown的漏斗那么简单却能赚那么多钱。
他的内容替他完成了80%的销售工作，落地页只需要接住最后那20%就够了。
你再回头看那些花大量精力优化每一个页面像素、测试每一种弹窗文案、搞三层订单增销的人，他们可能从一开始就搞反了优先级。
他们把精力花在了最后那20%上，却忽略了前面那80%。
这就好比一个厨师，菜做得一般，但他花了巨大的精力去设计菜单的排版、餐具的摆放、服务员的话术。
这些东西有用，但如果菜本身不好吃，再精致的摆盘也留不住客人。
内容就是你的菜，漏斗只是盛菜的盘子。
3
理解了这一层之后，视频里另一个观察就变得特别好理解了。
过去几年知识付费行业有一个非常流行的打法：用夸张的保证来降低客户的决策门槛。
保证你赚到10万，否则全额退款，30天没效果双倍赔偿。
听着很诱人，但这个套路正在失效。
原因也不复杂。
你的潜在客户不是第一天上网，在找到你之前，他大概率已经被三四个类似的承诺骗过了。
别人也保证过，也承诺过，结果课买了，承诺没兑现，退款流程又极其麻烦
。几次下来，这些人在心里已经形成了一个很强的关联：一个产品越需要靠夸张的保证来卖，它本身就越可能不行。
所以视频里提到的那些月入几十万美金的案例里，有一些根本没有任何保证条款。他们把所有过去用来写保证话术的精力，全部转移到了一件事上：展示真实的客户成果。
这个转变的本质是从告诉别人我有多好，变成了让别人自己看到我有多好。
这也是为什么它有效，因为它没有捷径可走。
4
2026年，你教的那些策略和方法，你的潜在客户花五分钟问一下AI，就能得到80%的答案。
知识本身已经不是稀缺资源了。你精心打磨的课程内容、你总结的方法论框架、你踩过的坑提炼出的经验，在AI时代都可以被低成本地获取。
那人们为什么还要付费找你？
这个问题的答案，是整个视频里最有价值的一个洞察：人们买的不是你的信息，是你这个人。
他们买的是在你的内容里看到了自己的影子，你帮助客户的过程让他们相信你能帮到自己。
这种东西，AI做不到。
这其实就是经济学里常说的那个道理：当一种资源变得极度廉价的时候，跟它互补的那种资源就会变得极度值钱。
在一个信息免费、注意力稀缺的时代，信任是最值钱的货币。
5
想明白了上面这些，视频里另一个策略就完全说得通了。
他发现，过去一年里获客效果最好的单一动作，不是投广告，不是搞直播，而是在油管上发一个3到6小时的免费完整课程。
大部分人第一反应是：你都免费讲完了，人家为什么还要买你的付费课？
这个问题的答案恰恰就在前面说的那个逻辑里。
用户花了5个小时看完你的免费课，他得到的不只是一堆知识点，他得到的是对你这个人的完整感知。
看完之后，他面临的选择是：我可以自己拿着这些信息慢慢摸索，也可以花钱让这个我已经信任的人带着我系统地走一遍。很多人会选后者，不是因为他缺信息，而是因为他已经确认了你值得信任。
你投资了5个小时的免费内容，换回来的是一个已经被深度培育过的高质量潜在客户。
这比你花钱投广告获取一个冷流量，然后费尽心思在漏斗里把他转化，效率高太多了。
6
这里还有一个值得单独说的点，关于平台。
视频里很明确地说：油管是2026年最强的获客引擎。Hormozi、Charlie Morgan、TJR这些月入百万美金级别的玩家，全都重仓YouTube。
原因其实跟前面聊的逻辑是一致的。
更关键的是，2025到2026年有一个底层变化。社交平台的推荐逻辑从关注逻辑变成了兴趣逻辑。
算法不再优先推大V，而是把可能让用户感兴趣的内容推给他。这意味着一个5000订阅的小频道，只要内容对味，也能拿到几万甚至几十万的播放。
这对做知识付费的人来说是一个巨大的机会窗口，粉丝数不再是门槛，内容质量本身就是入场券。
想通了这一点，你会发现做知识付费这件事，本质上和做任何一种需要人际信任的生意都是一样的。
而建立信任这件事，从来没有捷径。
2 02
你们有没有思考过一个问题，在AI时代，让AI可以帮我们做大部分的工作，如何才能让自己变得更值钱。
Every公司的CEO Dan Shipper，最近在作客Lenny播客的时候，分享了他对AI如何改变工作的预测。
这期对话很有深度，他既不认为「AI会干掉所有人」，也不认为「我们都无事可做了」。
听完这期，我觉得有必要把这些观点整理出来，因为这可能会影响很多同学将来如何规划自己的职业路径。
1
先说一个背景，Dan的公司Every，过去一年把团队从15人扩张到了将近30人，几乎翻了一倍。
Every是业内公认的「最激进拥抱AI」的公司之一，团队里所有人不管什么岗位，设计师、编辑、销售、客服，都是在用Claude Code和Codex完成日常工作。
按理说，这么高度自动化的公司，应该越来越少雇人才对，结果他们反而在拼命扩招。
这是第一个反直觉的结论：AI让工作效率提升的同时，往往也带来了等量甚至更多的新工作。
Dan说，他同时既极度相信AI，也极度看好人的价值，这两件事在他眼里根本不矛盾。
2
那么，未来工作的形态会发生怎样的变化？
Dan预测，工作方式会沿着两条线分裂。
第一条线：你会有一个专门帮你干活的异步智能体。
这可能是一个常驻在Slack里、你可以随时把任务扔给它、它会自己去执行、然后汇报结果的存在。有点像给你配了一个永远不下班、永远不抱怨的小助手。
比如Dan现在处理邮件的方式：他打开一个AI渲染的邮件摘要页面，然后对着每封邮件像跟人说话一样说出自己的意图——「这封律师来的，你去把过去四年的相关文件都整理成报告发过去」——然后智能体就去执行了。
第二条线：你大部分的日常工作，会逐渐迁移到Codex或Claude Co-work这类工具里完成。
他的意思不是说，你要去学写代码，而是这类工具会变成你工作的「操作系统」，你的邮件、文档、数据分析、各种SaaS应用……都在这个环境里打开和操作，旁边还有个AI随时能帮你处理任何事。
3
现在有一种流行观点：AI智能体会替代SaaS软件，因为以后都是智能体直接帮你干活，你根本不用打开那些工具了。
Dan的态度很直接：「SaaS不会死，我现在就会去买SaaS的股票。」
在他看来，智能体不会减少SaaS的用户，反而会增加。因为当你的AI助手也在帮你操作Notion、PostHog、Slack的时候，这些工具实际上多了一个更高频的「用户」。
以后用户自己带着AI来使用SaaS，消耗的是用户自己的API token，不是SaaS公司的算力成本。这反而可能让SaaS公司的利润率好转，因为他们不用再给每个用户补贴AI调用费了。
SaaS公司现在要做的准备，是让自己的产品同时对「人」和「智能体」友好。
当一个用户的AI助手在帮他查数据的时候，你的产品能不能顺畅地被调用，会变成一个真正的竞争门槛。
4
命令行时代已经结束了？
过去两年，当Claude Code和各种终端工具崛起的时候，很多人以为「CLI才是未来」，以为未来的工作模式就是在黑屏里打命令。
Dan说：不是这样的，我们只是快进了一遍CLI的短暂流行期。
他观察到，Even.so团队里那些技术最强的工程师，现在主要用的也是Codex、Claude Code的图形界面，而不是终端。
原因很简单：图形界面是有原因存在的，它就是比命令行更好用。
当AI能力被集成进一个好的GUI里，你能得到一样的能力，但体验要好得多，尤其是对于非技术岗位的人来说。
5
那么，模型在做什么？
「模型做的事情，是把昨天的人类能力变得廉价。」
举个例子，五年前，能写一篇流畅的英语商业邮件，是需要一定英语水平的。现在AI帮你写，分分钟的事，这个能力被「商品化」了，不再稀缺，自然也不再值钱。
同理，过去只有工程师能做的事，现在任何人打几行自然语言就能完成。
这部分能力，已经不是竞争优势了。
那么什么才是竞争优势？
他的答案是：能用「昨天被冻住的人类能力」，去创造出新的、有意思的东西的人。
你的核心价值不再是「会做什么」，而是「能判断做什么、为什么做、做出来是不是真的好」，这正好引出他对具体职位的判断。
6
所以，谁会在AI时代过得最好？
Dan的答案是：产品经理，以及全栈设计师。
他们公司有一个叫Marcus的人，PM出身，之前在Axios负责产品，管过大团队，做到了几千万收入规模。后
来他花了一年时间专注学习AI工具，现在负责Every旗下的写作产品Spiral。
Marcus不是程序员。他能大概看懂代码，知道什么是数据库迁移，但仅此而已。放在一年前，他根本没法胜任这个「独立负责一款产品」的角色。
但现在，他的发布速度比团队里几乎任何一个人都快，同时他还保持着对用户、对产品方向、对细节体验的极高敏感度，这些是AI替代不了的判断力。
Dan的总结是：AI帮他们把「执行」这件事做掉了，但「判断做什么、为什么做、做出来好不好」这件事，依然只有人能做，而且做好这件事的人，现在比以前更值钱。
第二，就是设计师。
Dan说，他见过太多设计师，有无数好想法，却长期因为「工程师不想做」或者「实现出来不是那个感觉」而苦恼。
现在他们可以自己直接提交代码，让设计直接变成产品，不需要中间反复传递和妥协。
全栈设计师，既有审美和用户洞察，又能自己动手落地的人，他认为会是AI时代最「危险」的一类人才。
Dan在对话快结束时被问到一个问题：面对AI可能改变自己工作这件事，你怎么处理内心的焦虑？
他说他很喜欢一个句子：从充裕感和力量感出发去面对它。
技术会变，工具会变，岗位定义会变，但你怎么跟这种变化相处，这件事本身，不会因为AI更聪明就自动解决。
Every公司的CEO Dan Shipper，最近在作客Lenny播客的时候，分享了他对AI如何改变工作的预测。
这期对话很有深度，他既不认为「AI会干掉所有人」，也不认为「我们都无事可做了」。
听完这期，我觉得有必要把这些观点整理出来，因为这可能会影响很多同学将来如何规划自己的职业路径。
1
先说一个背景，Dan的公司Every，过去一年把团队从15人扩张到了将近30人，几乎翻了一倍。
Every是业内公认的「最激进拥抱AI」的公司之一，团队里所有人不管什么岗位，设计师、编辑、销售、客服，都是在用Claude Code和Codex完成日常工作。
按理说，这么高度自动化的公司，应该越来越少雇人才对，结果他们反而在拼命扩招。
这是第一个反直觉的结论：AI让工作效率提升的同时，往往也带来了等量甚至更多的新工作。
Dan说，他同时既极度相信AI，也极度看好人的价值，这两件事在他眼里根本不矛盾。
2
那么，未来工作的形态会发生怎样的变化？
Dan预测，工作方式会沿着两条线分裂。
第一条线：你会有一个专门帮你干活的异步智能体。
这可能是一个常驻在Slack里、你可以随时把任务扔给它、它会自己去执行、然后汇报结果的存在。有点像给你配了一个永远不下班、永远不抱怨的小助手。
比如Dan现在处理邮件的方式：他打开一个AI渲染的邮件摘要页面，然后对着每封邮件像跟人说话一样说出自己的意图——「这封律师来的，你去把过去四年的相关文件都整理成报告发过去」——然后智能体就去执行了。
第二条线：你大部分的日常工作，会逐渐迁移到Codex或Claude Co-work这类工具里完成。
他的意思不是说，你要去学写代码，而是这类工具会变成你工作的「操作系统」，你的邮件、文档、数据分析、各种SaaS应用……都在这个环境里打开和操作，旁边还有个AI随时能帮你处理任何事。
3
现在有一种流行观点：AI智能体会替代SaaS软件，因为以后都是智能体直接帮你干活，你根本不用打开那些工具了。
Dan的态度很直接：「SaaS不会死，我现在就会去买SaaS的股票。」
在他看来，智能体不会减少SaaS的用户，反而会增加。因为当你的AI助手也在帮你操作Notion、PostHog、Slack的时候，这些工具实际上多了一个更高频的「用户」。
以后用户自己带着AI来使用SaaS，消耗的是用户自己的API token，不是SaaS公司的算力成本。这反而可能让SaaS公司的利润率好转，因为他们不用再给每个用户补贴AI调用费了。
SaaS公司现在要做的准备，是让自己的产品同时对「人」和「智能体」友好。
当一个用户的AI助手在帮他查数据的时候，你的产品能不能顺畅地被调用，会变成一个真正的竞争门槛。
4
命令行时代已经结束了？
过去两年，当Claude Code和各种终端工具崛起的时候，很多人以为「CLI才是未来」，以为未来的工作模式就是在黑屏里打命令。
Dan说：不是这样的，我们只是快进了一遍CLI的短暂流行期。
他观察到，Even.so团队里那些技术最强的工程师，现在主要用的也是Codex、Claude Code的图形界面，而不是终端。
原因很简单：图形界面是有原因存在的，它就是比命令行更好用。
当AI能力被集成进一个好的GUI里，你能得到一样的能力，但体验要好得多，尤其是对于非技术岗位的人来说。
5
那么，模型在做什么？
「模型做的事情，是把昨天的人类能力变得廉价。」
举个例子，五年前，能写一篇流畅的英语商业邮件，是需要一定英语水平的。现在AI帮你写，分分钟的事，这个能力被「商品化」了，不再稀缺，自然也不再值钱。
同理，过去只有工程师能做的事，现在任何人打几行自然语言就能完成。
这部分能力，已经不是竞争优势了。
那么什么才是竞争优势？
他的答案是：能用「昨天被冻住的人类能力」，去创造出新的、有意思的东西的人。
你的核心价值不再是「会做什么」，而是「能判断做什么、为什么做、做出来是不是真的好」，这正好引出他对具体职位的判断。
6
所以，谁会在AI时代过得最好？
Dan的答案是：产品经理，以及全栈设计师。
他们公司有一个叫Marcus的人，PM出身，之前在Axios负责产品，管过大团队，做到了几千万收入规模。后
来他花了一年时间专注学习AI工具，现在负责Every旗下的写作产品Spiral。
Marcus不是程序员。他能大概看懂代码，知道什么是数据库迁移，但仅此而已。放在一年前，他根本没法胜任这个「独立负责一款产品」的角色。
但现在，他的发布速度比团队里几乎任何一个人都快，同时他还保持着对用户、对产品方向、对细节体验的极高敏感度，这些是AI替代不了的判断力。
Dan的总结是：AI帮他们把「执行」这件事做掉了，但「判断做什么、为什么做、做出来好不好」这件事，依然只有人能做，而且做好这件事的人，现在比以前更值钱。
第二，就是设计师。
Dan说，他见过太多设计师，有无数好想法，却长期因为「工程师不想做」或者「实现出来不是那个感觉」而苦恼。
现在他们可以自己直接提交代码，让设计直接变成产品，不需要中间反复传递和妥协。
全栈设计师，既有审美和用户洞察，又能自己动手落地的人，他认为会是AI时代最「危险」的一类人才。
Dan在对话快结束时被问到一个问题：面对AI可能改变自己工作这件事，你怎么处理内心的焦虑？
他说他很喜欢一个句子：从充裕感和力量感出发去面对它。
技术会变，工具会变，岗位定义会变，但你怎么跟这种变化相处，这件事本身，不会因为AI更聪明就自动解决。
1 00
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。
1 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 10
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