AI领导者之路：从执行到决策
个人网站
个人微信
公众号
个人网站
个人微信
公众号
AI领导者之路：从执行到决策
作者：树懒老K（拙一）
出版：树懒老K
年份：2026
版权所有 · 未经许可不得转载
写给那个在深夜里还在刷AI资讯的你。
如果你正在读这些文字，我猜你大概是这样的人：
你在一家还不错的公司工作——技术岗也好，业务岗也罢——你的岗位描述里没有”AI”两个字，但你心里清楚，这个东西正在改变你所在行业的一切。
你关注了十几个AI公众号，收藏了上百篇文章，试过ChatGPT、Claude、Copilot、Midjourney……但你有一个说不出口的困惑：
学了很多，但感觉什么都没学会。
你知道怎么用AI聊天，知道怎么让它写代码、做PPT、总结邮件。但当老板问”你觉得AI对我们公司最大的机会在哪”的时候——你发现自己说不上来。
这不是你的问题。
你面对的根本困境是：信息太多，框架太少。你学了100个碎片，但没有一张地图告诉你这些碎片该怎么拼。你一直在”学”，但很少在”判断”——因为你没有一个可以用来判断的工具箱。
这本书就是来解决这个问题的。
它不是另一本AI工具教程——那些你已经学会自己找了。它是一张路线图，帮你从”知道”走到”做到”，再从”做到”走到”想到”。
全书分成四步：
第一步：认知突围。 先帮你建立一个坐标系，让你以后看到任何AI信息都能知道该放在哪里、值不值得看。
第二步：技能进化。 不是教你用更多工具，而是教你”怎么选工具”、”怎么把工具嵌入工作流”、”怎么让AI替你思考”。
第三步：角色跃迁。 这是这本书最核心的部分——从执行者到决策者的转变。你需要的不是更多AI技能，而是新的思维方式。
第四步：路线图。 给你一个30-90天的行动方案，让你知道明天早上该做什么。
这本书的目标不是让你变成一个AI专家——而是让你变成一个能用AI做决策的人。
当你能做到这一点的时候，你就已经不是”那个搞技术的”或者”那个做业务的”了。你是那个”既懂技术又懂业务”的人——而这是通往管理岗最短的那条路。
那么，我们开始吧。
—— 树懒老K（拙一），2026年春
学得越多，越不知道自己知道什么
—— 这不是你不够努力，是你没有地图。
§TOC1-1§
小张，后端开发，工作5年。
他每天早上在地铁上看AI资讯，关注了”机器之心”“量子位”“36氪AI”……周一到周五，每篇都不落下。三个月下来，他手机里有200多篇”稍后阅读”。他知道Claude 3.5的上下文窗口、知道MCP协议、知道RAG架构——但当组长问他”你说我们项目能不能用AI来减少线上问题的响应时间”，他发现自己没法用一句话回答。
他知道很多，但他不知道怎么把这些东西串起来。
小林，运营主管，工作6年。
她用了半年AI，已经能熟练写prompt、做自动化流程、甚至用GPT分析用户评论。同事觉得她是”AI大神”。但她自己清楚：她会的都是零散的操作技巧，如果公司真让她做一个AI方案，她不知道从哪里开始。她可以”做”很多事，但很难”判断”一件事该不该做。
小杨，数据分析师，工作4年。
他是朋友圈里的”AI极客”——第一时间用上所有新工具，Cursor、Claude Code、Perplexity……每出一个新模型他都知道参数。但他的leader问他”这些工具里，哪个对咱们团队最有价值”，他犹豫了很久，说”都挺有用的”。
三个人，三种背景，同一个困境：学了很多，但没有框架。
§TOC1-2§
你大概也有同感——过去两年，AI领域的信息量爆炸到了让人窒息的程度：
作为对比：2015年你学一个Docker只需要看一本书。2023年你想跟上AI的节奏，需要同时追踪OpenAI、Google、Anthropic、Meta、微软、苹果……每一家的论文、产品、发布会。
这不是你的学习能力不行——是输入量已经远远超过了任何人类的处理带宽。
更糟的是，这些信息是碎片化的。今天看一篇Agent框架的文章，明天看一篇RAG优化的教程，后天看一个AI安全的话题——它们之间没有连线。你脑海里的AI知识就像一堆散落在地板上的拼图块，你知道每一块长什么样，但你不知道它们拼起来是什么画面。
这就是碎片化学习的死结：知识点越多，你不知道的东西反而越多。
§TOC1-3§
那怎么解？
答案不是”学得更多”，而是”建立一个框架”。
什么是框架？框架是你用来”装”知识的容器。有了框架之后，你看到任何新信息都会先做一个判断：这个东西应该放在我的框架的哪个位置？它补充了我的哪个认知，还是推翻了我之前的哪个假设？
没有框架的人看到一篇AI文章：收藏。
有框架的人看到同一篇文章：哦，这个讲的是”智能体的决策层”的一个新方法，跟上周我学的”感知层”是互补关系。放到框架的第3格。
区别在哪？
没有框架的人收藏了100篇文章，每篇都是孤立的。 有框架的人读了10篇，但每篇都强化或修正了他的框架。
10篇深度大于100篇收藏。
这就是这本书要给你的第一样东西——一个你自己的AI坐标系。
§TOC1-4§
整本书都围绕一个核心学习方法展开：框架先行。
什么意思？
传统的学习路径是：先学一堆知识点，然后希望它们自己能拼成体系。路径是这样的：
碎片信息 → 更多碎片信息 → 更大的混乱 → 放弃
框架先行的路径是反过来的：
一个粗框架 → 用碎片信息充实 → 框架变精细 → 继续充实
就像先搭好书架，再往里放书。而不是先把书堆在地上，再想着怎么分类。
具体到这本书，我给你的框架分成三个维度：
第一个维度：认知层次。 你接触的任何AI信息，都可以归入”感知、分析、判断、行动”这四个层次中的至少一个。知道它在哪个层次，你就知道它跟其他信息的关系。
第二个维度：能力类型。 你正在学的东西，是在提升”信息处理能力”、”模式识别能力”、”决策辅助能力”还是”行动执行能力”？不同能力需要不同的学习方式。
第三个维度：角色阶段。 你现在的学习，是在帮你”做好执行”、”做好判断”，还是”做好决策”？知道自己处在哪个阶段，你就知道下一步该学什么。
这三个维度，就是你未来学习AI的坐标系。你不一定需要记住这个坐标系——读完整本书，你会自然内化它。但你现在需要知道的是：从今天开始，不要再用”收藏”代替”理解”。
§TOC1-5§
在正式开始之前，让我给你一张全书的地图，这样你读的时候始终知道自己在哪：
第一部：认知突围（第1-3章） ——先搭好你的AI认知框架，让碎片化知识自动归位。
第二部：技能进化（第4-6章） ——不教你用更多工具，教你”怎么选”、”怎么嵌入工作流”、”怎么让AI替你思考”。
第三部：角色跃迁（第7-9章） ——从执行者到判断者到决策者，这是这本书最核心的部分。
第四部：路线图（第10-12章） ——给你一个能落地的行动方案。
你不需要全部读完再行动。每读完一章，都可以停下来做一个小的实践。我会在每章的”本章小结”里告诉你该做什么。
§TOC1-6§
GPT不是锤子，它不是用来”敲”的。它是用来把你自己”撬”起来的。
§TOC2-1§
大部分人对AI的第一个反应是：”这是个什么工具？”
这很正常。我们从小到大接触新技术，都是从”工具”开始的。Word是写字的工具，Excel是算数的工具，浏览器是查信息的工具。每一种工具都有一个明确的”用途”，学会了就能干一件事。
AI不一样。
当你问”AI是个什么工具”的时候，你已经在用一个旧框架理解新事物了。AI不是一个”工具”——它是一组”能力”的集合。
工具和能力的区别是什么？
工具： 有一个固定的输入和固定的输出。你学会了怎么用，就能稳定地干好一件事。比如计算器——你按1+1，它一定等于2。
能力： 没有固定的输入输出。你怎么用它，取决于你拥有什么能力。比如一个优秀的分析师——他读同样的数据，能得出比别人更深的理解。这不是因为”分析师工具”更好，而是因为他拥有分析能力。
AI更像后者。
同样的GPT，有人用它写周报（最浪费），有人用它做用户评论的情感分析（还不错），有人用它搭建了一个自动化的市场情报系统（这才是杠杆）。
工具是一样的，区别在于使用者的能力层级。
这就是”工具思维”的陷阱：你始终在问”这个AI能做什么”，而不是在问”我能用AI放大我的什么能力”。
§TOC2-2§
要理解AI的能力杠杆本质，我们可以把AI的能力分解成四个层次。每一个层次都对应一种你能掌握的人类能力，AI的作用是”放大”它。
第一层：信息处理能力放大器
这是最基础的层次。AI可以比你更快地阅读、总结、翻译、提取信息。
这不是”AI会做摘要”，而是 “你的信息处理能力被放大了10倍” 。
第二层：模式识别能力放大器
这一层开始超出”快”的范畴，进入”准”的领域。AI可以从你发现不了的模式中找到规律。
这不是”AI会分析数据”，而是 “你的模式识别能力被放大了” 。
第三层：决策辅助能力放大器
这一层是大多数人低估的。AI不能替你决策（也别让它替你决策），但它可以显著提高你的决策质量。
这不是”AI帮你做决定”，而是 “你的决策质量被提升了” 。
第四层：行动执行能力放大器
这一层最容易被理解为”自动化”，但它远不止自动化。AI不仅帮你做，还能帮你做得更好。
这不是”AI替你干活”，而是 “你的执行力从1变成了N” 。
§TOC2-3§
现在我们回过头看，为什么同样用GPT，有人用它写周报（第一层），有人用它搭建市场情报系统（第一到第四层全覆盖）？
因为他们在用不同的”能力”问同一个工具。
工具思维的提问方式：“GPT能做什么？” → 答案是一堆功能列表。 杠杆思维的提问方式：“我需要放大什么能力？” → 答案是一个策略。
让我们看一个具体的例子：
小林（第一章里提到的那个运营主管）想用AI来提升竞品分析效率。
工具思维问法： “有什么AI工具能做竞品分析？” → 找到一个工具 → 试用一下 → 发现不太对胃口 → 又换一个工具 → 陷入工具疲劳
杠杆思维问法： “竞品分析需要我放大什么能力？” → 我需要放大信息收集能力（第一层）→ 用AI批量抓取竞品动态 → 我需要放大模式识别能力（第二层）→ 用AI识别竞品的战略变化趋势 → 我需要放大决策辅助能力（第三层）→ 用AI帮我评估竞品动作对我方的影响 → 也许还需要放大行动能力（第四层）→ 用AI自动生成竞品周报初稿
看到了吗？工具思维的答案是”找一个竞品分析工具”，而杠杆思维的答案是一个能力组合策略。
你不需要一个”竞品分析AI”——你需要的是”用AI放大你的竞品分析能力”。
§TOC2-4§
你需要做三个转变：
转变一：从”这个AI能做什么”到”我需要放大什么能力”
这是最基础的转向。下次你接触任何一个新的AI工具或能力时，别问”它能干啥”——先问自己”我现在最需要放大的能力是什么”。
如果你现在最缺的是信息处理能力（信息太多，处理不过来），那你不需要最新的Agent框架，你需要的是信息处理类的AI能力。
如果你最缺的是判断能力（信息都齐了，但你不知道怎么做决定），那你需要的是决策辅助类的AI能力。
先诊断，再选工具。
转变二：从”一个AI解决一个问题”到”一组AI能力放大一项工作”
你不是在用一个AI工具完成一个单一任务。你是在用一组AI能力，放大你的一项完整工作。
比如”写一份市场分析报告”这项完整工作，它包含： - 信息收集（第一层能力放大） - 数据分析和趋势识别（第二层能力放大） - 结论和建议的形成（第三层能力放大） - 报告撰写和格式整理（第四层能力放大）
每一层都可以用AI放大。你不是用一个AI”写报告”——你是用AI放大你写报告的每一个环节。
转变三：从”学工具”到”练能力”
这个转变最慢，但也最重要。
如果AI是能力放大器，那你自己的”原始能力”决定了放大器能放大的上限。
一个人自身的分析能力很弱，给他再好的AI分析工具，他也问不出好问题、判断不出好答案。
所以，学习AI的正确路径不是：学工具 → 会更多工具 → 成为AI专家。
而是：练好自己的核心能力 → 用AI放大它 → 能力更强 → 用AI放得更大。
AI不会让你从一个没有分析能力的人变成一个分析师。但它会让一个有分析能力的人变成一个顶级分析师。
AI不会替代你，但会用AI的人会替代不会用AI的人。
§TOC2-5§
读完这一章，停下来想一个问题：你现在的工作中，最常使用AI做的是哪一层的放大？
如果你只用在第一层（信息处理），那你的潜力还远远没有释放。这本书后面的章节，会带你逐步走向第二层、第三层、第四层。
但别急——先打好基础。下一章，我会给你一个具体的坐标系，让你可以”定位”任何AI信息和你自己的AI能力。
§TOC2-6§
框架不是束缚你的，是让你在面对海量信息时知道该站在哪。
§TOC3-1§
上一章我们讲了”能力杠杆思维”。这一章，我们要把它变成一个真实可用的工具。
先看两个场景：
场景一： 你在朋友圈看到一篇文章”AI Agent最新突破：自主决策能力提升300%”。你点开看，觉得挺厉害，转发了。但转完一想——这个”突破”到底突破在哪？它跟我有什么关系？你不知道，因为你没有判断这个信息价值的坐标系。
场景二： 老板让你评估”我们应该在客户服务中用AI吗”。你花了一天搜资料，找到RAG方案、找到Agent方案、找到传统Chatbot方案——三个方案都能用，但你不知道哪个更适合你们公司。你不知道，因为你没有评估AI方案的坐标系。
这就是没有坐标系的人面对的真实困境：你无法判断一个信息放在哪、它有多大价值、它跟其他信息是什么关系。
§TOC3-2§
任何AI信息，无论多复杂，都可以归入以下四个层次之一。
第一层：感知层
感知层处理的是”发生了什么”。
当你看到一篇文章讲”多模态模型的输入理解能力提升了”——这是感知层的信息。
对这个层次的判断标准：它获取信息的范围和精度，是否比我原来的方式更好？
第二层：分析层
分析层处理的是”这意味着什么”。
当你看到一篇文章讲”用AI分析客户流失的三大指标”——这是分析层的信息。
对这个层次的判断标准：它得出了我靠自己得不出（或更慢得出）的结论吗？
第三层：判断层
判断层处理的是”我们该怎么做”。
当你看到一篇文章讲”AI辅助投资决策的框架”——这是判断层的信息。
对这个层次的判断标准：它的建议有逻辑吗？它考虑了我没考虑的因素吗？
第四层：行动层
行动层处理的是”把它做出来”。
当你看到一篇文章讲”用Agent自动完成客户跟进流程”——这是行动层的信息。
对这个层次的判断标准：它真的能稳定地交付结果吗？出错了怎么处理？
你以后看到任何AI信息，第一反应应该是：这个信息在说哪个层次？
这么做的好处是什么？你立刻就知道这个信息在你的坐标系中放在哪一格。下次看到另一个相关信息，你知道它们是在同一层的不同方法，还是在不同层的互补关系。
§TOC3-3§
第二个维度是”AI相关的能力类型”。这个维度回答的是”你正在提升什么能力”。
我把AI相关的能力分为四类：
信息处理能力： 快速获取、筛选、整理信息的能力 - 典型场景：文献综述、竞品调研、数据清洗 - AI放大方式：用AI做批量处理和摘要 - 学习重点：提问能力、信息源选择、结果验证
模式识别能力： 从数据中发现规律和异常的能力 - 典型场景：用户行为分析、市场趋势判断、异常检测 - AI放大方式：用AI做统计分析和模式匹配 - 学习重点：数据分析基础、统计思维、结果解读
决策辅助能力： 利用信息做出更好判断的能力 - 典型场景：方案评估、风险判断、优先级确定 - AI放大方式：用AI做多维度分析和模拟推演 - 学习重点：逻辑推理、批判性思维、决策框架
行动执行能力： 将决策转化为实际成果的能力 - 典型场景：流程自动化、报告生成、任务管理 - AI放大方式：用AI编排工作流、生成交付物 - 学习重点：流程设计、工具集成、质量控制
这个维度的价值在于：当你决定”学点什么”的时候，你知道自己在学哪一类能力。 而不是盲目地”学AI”。
§TOC3-4§
第三个维度是”你当前的角色阶段”。这个维度回答的是”你处于哪个成长阶段”。
我根据技术/业务人员在AI时代的成长路径，把它分为三个阶段：
阶段一：执行者
你的任务是：把事情做对。
阶段二：判断者
你的任务是：做对的事情。
阶段三：决策者
你的任务是：确定方向。
你不需要现在就给自己贴标签。 大部分人在不同任务上处于不同阶段。但知道自己现在在哪，能帮你判断”下一步该学什么”。
§TOC3-5§
现在，让我们用这个坐标系做一个实战演练。
假设你看到这样一篇文章：“用AI Agent实现自动化客户服务，响应时间从24小时降到5分钟”
用你的坐标系来分析：
先看认知层次： - 它涉及感知层吗？可能——如果AI需要理解客户的问题 - 它涉及分析层吗？可能——如果AI需要分析客户意图 - 它涉及判断层吗？可能——如果AI需要决定怎么回复 - 它主要落在行动层——因为核心是”自动执行”
再看能力类型： - 它在提升什么能力？主要是行动执行能力（自动化响应） - 同时也涉及信息处理能力（理解客户输入）
最后看角色阶段： - 对执行者：有用——可以学习怎么搭建 - 对判断者：需要评估——这个方案适合我们公司的客户场景吗？ - 对决策者：需要判断——投资回报率如何？风险在哪？
当你用坐标系分析了这篇文章，你就不再只是”哦，好厉害”。你会知道：
这就是坐标系的价值。 不是告诉你该学什么，而是让你在被海量信息轰炸时，知道该怎么选择。
§TOC3-6§
读完这一章，我建议你做一件事：
打开一个笔记（或者就一张纸），画一个三列的表格：
| 认知层次 | 能力类型 | 角色阶段 |
|---|---|---|
| 感知层 | 信息处理 | 执行者 |
| 分析层 | 模式识别 | 判断者 |
| 判断层 | 决策辅助 | 决策者 |
| 行动层 | 行动执行 |
然后，在未来一周里，每看到一篇AI相关文章，做三件事： 1. 标注它在”认知层次”的哪一层 2. 标注它对应什么”能力类型” 3. 标注它对哪个”角色阶段”最有价值
一开始可能有点麻烦。但一周之后，你就会发现自己的大脑不再是一团浆糊——你有了一个坐标，知道每一个新知识该放在哪里。
这就是”框架先行”的真实效果。
§TOC3-7§
追新是本能，选对是能力。
§TOC4-1§
你有没有这种感觉：过去两年，你换AI工具的频率比换手机还高？
今天ChatGPT出了新版本，明天Claude有了新能力，后天Cursor推出了Agent模式……每一个都声称”颠覆性升级”。你试了这个试那个，每次都觉得”这次真的不一样”。
然后过了一周，你发现真正改变你工作方式的，还是那两三个最基础的工具。
这就是”工具疲劳”——在无尽的选择中消耗了大量时间和注意力，却没有真正提升能力。
工具疲劳有三个成本，很多人没算过：
切换成本： 每次换工具，你都要花时间学习新界面、新操作方式、新限制条件。这些时间加起来，够你读完一本专业书。
注意力成本： 每次新工具发布，你都要判断”我要不要试”。这个决策消耗的是你宝贵的注意力带宽。
深度成本： 你花在”试新工具”上的时间，本可以用来把现有工具用深10倍。
这一章要做的就是解决这个问题：给你一套选工具的方法论，让你不再被工具牵着走。
§TOC4-2§
大部分人选AI工具的方式：
这根本不是一个”选择”的过程，这是一个”碰运气”的过程。
真正的工具选择，应该是一个决策过程。而任何好的决策，都需要一个框架。
下面是给AI工具选型的四步决策框架：
第一步：定义问题，而不是定义工具
在打开任何一个新工具之前，先回答三个问题： - 我要解决的具体问题是什么？（不是”提升效率”这种空话，是”每周花5小时做数据汇总”这种具体问题） - 这个问题属于哪个认知层次？（感知？分析？判断？行动？） - 我想要放大的是什么能力？（信息处理？模式识别？决策辅助？行动执行？）
不要回答”我想找一个能写代码的AI”——这是工具出发的。 回答”我每周花8小时写重复性的CRUD代码，我想放大我的行动执行能力”——这是问题出发的。
第二步：列出约束条件
任何选择都是在约束条件下做优化。你的约束条件可能是： - 预算：公司能报销吗？还是自费？ - 数据安全：能上传公司数据吗？数据存在哪里？ - 技术能力：团队有维护它的能力吗？ - 集成需求：需要跟现有系统打通吗？ - 团队规模：是一个人用还是十个人用？
约束条件决定了一半以上的选择。
第三步：用三个维度评估候选工具
当你有了候选工具，用三个维度评估：
功能覆盖度： 它能在多大程度上解决你定义的问题？ - 刚好够用 = 3分 - 超出需求 = 2分（功能过剩也是成本） - 差一点 = 1分
总拥有成本： 从”开始用”到”持续用”的总投入 - 上手快，用得顺，维护少 = 3分 - 需要一定学习成本 = 2分 - 需要持续投入大量维护精力 = 1分
扩展潜力： 未来用得更多更深的空间 - 可以从一个人扩展到团队 = 3分 - 可以随着需求变化灵活配置 = 2分 - 只能做这一件事 = 1分
选总分最高的那个。不是功能最多的，不是最便宜的，是最适合你的。
第四步：给自己一个”试用合约”
选了工具之后，不要无限制地试用。给自己一个合约： - 试用期：15天 - 目标：解决一个具体问题（不是”学习使用”） - 检查点：15天后如果解决了 → 继续用。没解决 → 换方案，不纠结
工具是为问题服务的，不是为了让你”拥有”的。
§TOC4-3§
让我用一个真实案例演示这个框架怎么用。
小杨（第一章里的数据分析师）想找一个AI来做数据分析辅助。
第一步：定义问题 - 具体问题：他每周花10小时做常规的数据报表和分析 - 认知层次：分析层（从数据中发现趋势和异常） - 需要放大的能力：模式识别能力
第二步：约束条件 - 预算：500元/月以内 - 数据安全：不能把客户数据上传到公有云 - 技术能力：Python没问题 - 集成需求：需要能读数据库和导出Excel - 团队规模：先一个人用，未来可能推广
第三步：评估候选 候选A：ChatGPT Plus — 20美元/月 - 功能覆盖度：2分（能做基础分析，深度不够） - 总拥有成本：3分（上手极快） - 扩展潜力：1分（数据安全限制，不能上传敏感数据） 总分：6
候选B：本地部署的开源模型 — 0元 - 功能覆盖度：2分（能跑基础模型，复杂分析不够） - 总拥有成本：1分（需要自己维护环境） - 扩展潜力：2分（可以定制，但需要技术投入） 总分：5
候选C：某数据分析AI平台 — 300元/月 - 功能覆盖度：3分（专为数据分析设计） - 总拥有成本：2分（需要学习平台操作） - 扩展潜力：3分（可以对接多种数据源，支持团队共享） 总分：8
选C。不是因为功能最多，而是综合最合适。
这个框架的价值不在于选出一个”完美的工具”，而在于让你有一个决策过程。 即使选错了，你也知道是哪个环节出了问题，下次可以改进。
§TOC4-4§
最后，我想说一个最重要的观点：
工具不等于能力。
你能用GPT写一篇漂亮的周报，不等于你具备了”周报能力”——因为如果GPT明天不能用了，你连一个自然段都写不出来。
真正属于你的能力是： - 你知道了周报应该包含什么结构（信息处理能力） - 你能判断哪些数据值得放在周报里（分析判断能力） - 你能在AI不在的时候，自己完成这件事（自身能力）
AI放大了你的能力，但没有替代你的能力。
所以，选工具的时候，选择那些能帮你建立能力的工具，而不是那些替代你能力的工具。
好的工具让你做完事情之后，自己也变得更强了。坏的工具让你做完事情之后，发现自己什么都不会了。
§TOC4-5§
最高效的方式不是”学AI工具”，而是”把你每天做的事变成AI可以参与的系统”。
§TOC5-1§
大多数人在工作中引入AI的方式是这样的：
这个模式的问题在哪？它是以”工具”为中心的。你在围绕工具重新设计自己的工作方式——让工作去适应工具。
正确的方式是反过来：以你的工作流为中心，让AI嵌入到现有流程中。
你不需要因为换了一个AI工具而改变你写代码的方式。你需要的是，无论用什么AI工具，它都能在你写代码的过程中自然地出现、帮忙、然后消失。
这一章教你怎么做到这一点。
§TOC5-2§
在把AI嵌入工作流之前，你先要知道你的工作流长什么样。
做一次”时间审计”：拿出一周的时间，记录你每天的工作内容，按以下分类：
高价值 + 高重复度： 这类任务最适合AI嵌入 - 例：数据汇总、报告生成、邮件回复、信息检索、代码模板 - 这是AI的”甜蜜区”
高价值 + 低重复度： 这类任务需要AI辅助，但不能完全交给AI - 例：方案设计、客户沟通、团队协调、问题诊断 - AI的角色是”副驾驶”，你是主驾驶
低价值 + 高重复度： 这类任务直接用自动化干掉 - 例：数据录入、格式整理、会议纪要 - 不需要”嵌入”，用脚本或自动化工具直接解决
低价值 + 低重复度： 这类任务需要考虑是否必要 - 例：某些不必要的汇报、格式调整、某些审批 - 不是AI的问题，是流程设计的问题
大多数人的发现是：高价值高重复度的任务，占了30%以上的时间。 这就是AI嵌入的战场。
§TOC5-3§
把AI嵌入工作流的核心方法是：把一项完整工作拆解成步骤，找出那些AI可以接管的环节。
让我们用一个具体例子演示。
小林（运营主管）每周要完成的任务之一：制作竞品分析周报。
她原来怎么做： 1. 打开6个竞品网站和公众号 → 逐个查看更新 → 30分钟 2. 把重要更新复制到Excel → 整理分类 → 20分钟 3. 分析每个更新的含义和影响 → 30分钟 4. 写分析结论和建议 → 20分钟 5. 排版、检查、发送 → 20分钟 总共：120分钟
用AI嵌入后： - 步骤1（信息收集）：AI自动抓取6个信息源的新内容 → 小林浏览确认 → 10分钟 - 步骤2（信息整理）：AI按预设分类自动整理 → 小林调整分类 → 5分钟 - 步骤3（分析）：小林用AI辅助分析（”帮我对比这几个更新的共性”）→ 20分钟 - 步骤4（结论）：小林自己写，用AI检查逻辑 → 15分钟 - 步骤5（输出）：AI生成周报初稿 → 小林确认修改 → 10分钟 总共：60分钟
时间从120分钟降到60分钟。但更重要的是：小林把精力从”信息搬运”转移到了”分析和判断”上。
这就是工作流改造的核心价值：不是做更快，而是做更有价值的事。
§TOC5-4§
把”竞品分析周报”这个工作流变成可重复运行的系统，就是”搭建一个辅助Skill”。
不需要写复杂的代码。只需要四个步骤：
步骤一：定义输入和输出
步骤二：确定AI在每个环节的角色
步骤三：建立可复用的提示词
不用每次重新写prompt。建立一套”提示词模板库”：
竞品分析采集提示词：
你是一个竞品分析师，请从以下信息源中提取过去一周的更新：
[信息源列表]
请按以下分类整理：[分类标准]
输出格式：[模板格式]
分析辅助提示词：
我是[岗位]，正在分析竞品动态。
请帮我识别以下更新中的共性趋势：
[更新内容]
并提供3个可能的分析角度。
步骤四：建立质量控制点
AI的输出不能直接使用。在每个环节设置一个”人确认”的节点： - 信息收集：浏览确认没有遗漏 - 整理结果：确认分类正确 - 分析结果：确认逻辑合理 - 最终输出：确认数据和表述准确
这就是Skill工程的入门——不是写代码，是设计一个人机协作的工作流。
你不需要成为一个工程师才能做这件事。你只需要成为一个”会拆解工作的人”。
§TOC5-5§
案例一：运营人员的工作流改造
改造前：每天花1小时刷行业资讯，手动整理到Excel，再写日报。 改造后： - 早上：AI已经抓取好昨日行业热点，10分钟浏览 - 日报：AI根据当日工作要点生成初稿，5分钟调整 - 周报：AI自动汇总一周数据，20分钟完成分析和撰写 效果：每天省40分钟，每周省3小时
案例二：数据分析师的工作流改造
改造前：每份报表从取数到出结论需要2小时，全程手动。 改造后： - 取数：AI自动从数据库获取常用数据（需配置一次） - 分析：AI按预设模板生成基础分析 - 异常检测：AI自动标记数据异常，分析师只关注异常点 效果：标准报表从2小时降到30分钟
案例三：研发人员的工作流改造
改造前：写代码→编译→查错→修复，循环。 改造后： - 代码生成：AI辅助生成框架代码 - Code Review：AI自动检查常见问题 - Bug定位：AI根据错误日志推荐修复方案 效果：开发效率提升40-60%
§TOC5-6§
误区一：想让AI一次完成全部工作
AI适合做”环节”而不是”链条”。把一个工作拆成多个环节，AI只做其中几个，人做剩下的。不要追求”一键生成”。
误区二：流程设计好了就不调整
工作流是活的。第1版可能效率提升只有20%，每两周优化一次，半年后可能提升80%。
误区三：只嵌入了一个工具
如果你的工作流完全依赖某一个AI工具，一旦它变了（API改版、收费模式变化、下线），你的整个流程就瘫痪了。设计的时候留一个”替换层”——核心工作流不绑定特定工具。
§TOC5-7§
自动化省的是你的手，增强省的是你的脑。后者的价值大10倍。
§TOC6-1§
大多数人用AI只做一件事：把原来自己做的事，让AI替自己做。
写邮件、做PPT、写代码、整理数据……这些都是”自动化”。它有用，但它只解放了你的”手”。
还有一个更高层次的AI应用：让AI帮你做得更好，而不是替你做。
这一层叫”增强”。
自动化和增强的区别是什么？
自动化： AI完成了你的输出，你变成了”审核者”。你做的事情变少了，但你的能力没有提升。
增强： AI帮你打开了思路、发现了你忽略的角度、提供了你没想到的方案。你做的事情可能没变少，但你做得更深了。你的能力在提升。
大多数人停留在”自动化”的层次，因为他们把AI看作一个”更快的手”。只有少数人进入了”增强”的层次，因为他们把AI看作一个”更广的脑”。
这一章就是帮你完成这个跃迁。
§TOC6-2§
分析的本质是：从数据到洞察。
传统的分析方式是：你看数据，得出结论。AI增强的分析方式是：AI先做初步分析，指出值得关注的模式，你再深入挖掘。
具体怎么做：
方法一：AI做”第一遍阅读”
拿到一份数据或文档，不要自己从头读到尾。先让AI读一遍，给你一个”值得关注清单”。
你不需要相信AI的结论。你只需要它帮你”标记值得关注的点”。然后你自己去验证。
方法二：AI做”反方辩手”
人有一个天然的思维弱点：我们倾向于只看到支持自己观点的证据（确认偏差）。AI可以作为你的”反方辩手”——在你得出结论后，让AI帮你找漏洞。
这不是让AI”替你分析”，而是让AI”帮你把分析做得更周全”。
方法三：AI做”跨界连接器”
人的另一个思维局限是：我们只知道自己知道的。AI知道的东西比你多——它可以帮你把不同领域的信息连接起来。
这是AI最强的地方：它不局限于一个行业的认知边界。 它可以帮你发现那些”跨界的洞察”。
§TOC6-3§
综合的本质是：把多个信息源整合成统一的判断。
你有没有这样的经历：做一份行业分析，你读了20篇文章、看了5份报告，但让你”用一句话总结”的时候，你发现说不出来？
这不是你信息不够——是你”综合”的能力需要提升。
AI可以帮你做两件事：
第一件事：帮你梳理矛盾点
当你从不同来源得到不同结论时，AI可以帮你列出”这些观点在什么问题上存在分歧”。
AI不判断谁是对的。它帮你看清楚分歧在哪里。然后你自己判断。
第二件事：帮你构建综合框架
当你有了多个角度的信息，让AI帮你把它们放进一个框架。
综合不是”凑在一起”，是”找到结构”。 AI擅长帮你找到结构，但最终的结构是否合理，需要你的判断。
§TOC6-4§
判断的本质是：在不确定的条件下做选择。
这是AI最不该”替你做”的事，却是AI最能”辅助你做”的事。
辅助一：拓展选项空间
做判断的第一步往往不是”选哪个”，而是”还有哪些选项”。AI可以帮你拓展选项空间。
大多数情况下，你选了一个方案，只是因为你想不出来别的方案。AI帮你”看到更多可能”。
辅助二：模拟不同选择的后果
你无法预测未来，但你可以模拟。
AI不能替你做决定，但它可以让你在做决定之前”看过更多剧本”。
辅助三：做优先级排序
当一个任务有几十个待办事项，你不知道从哪开始——AI可以帮你做第一轮排序。
排序结果不一定对。但AI的第一轮排序可以帮你打破”排不下去”的僵局。你可以在AI排序的基础上调整。
§TOC6-5§
心理学家把人类和AI的最佳协作状态称为”半人马模式”——就像希腊神话中的半人马，人类的大脑加上马的力量和速度。
在AI时代，半人马模式对你意味着： - 你负责：定义问题、判断质量、做最终决策 - AI负责：扩展信息、提供角度、加速执行
具体操作原则：
原则一：不让AI做你没有能力复核的事情。
如果AI写了一段代码，而你看不懂这段代码——不要用。如果AI做了一个数据分析，而你不能验证这个分析——不要直接引用。
你能复核什么，AI就能帮你增强什么。 你不能复核的，AI只是你的黑盒。
原则二：让AI做”初稿”，你做”终稿”。
无论AI完成得多好，永远把它当作”初稿”。你是最终的编辑。 - AI生成的分析报告 → 你判断结论是否合理 - AI写的邮件 → 你调整语气和重点 - AI排的优先级 → 你根据实际情况调序
原则三：持续训练你的AI搭档。
AI用得越久，你对它的了解越深——你知道它擅长什么、不擅长什么、什么时候该用它、什么时候别依赖它。
这不只是在学”怎么用工具”，这是在建立一种新的工作关系——你和一个AI搭档的关系。
好的搭档，需要磨合。
§TOC6-6§
你在一件事上做了100次优化，但这件事本身就错了。那100次优化，全白费了。
§TOC7-1§
我观察到一个规律：在AI时代，技术/业务人员的成长瓶颈，往往不是技术能力不够，而是他们问的问题类型没变过。
世界上有三种问题：
“How”问题：怎么做？ - 这个AI工具怎么用？ - 这个方案怎么实现？ - 这个代码怎么写？ - 这个数据怎么分析？
“Whether”问题：该不该做？ - 这个方案适合我们吗？ - 这个工具值得投入吗？ - 现在做还是等三个月？ - 选A还是选B？
“Why”问题：为什么做？ - 我们为什么要解决这个问题？ - 为什么这个方案比那个好？ - 为什么客户真正需要的是这个？ - 为什么这个方向是对的？
一个人在不同阶段，主要问的问题类型完全不同：
执行者主要问”How”——怎么把事情做对。 判断者主要问”Whether”——怎么选对的事做。 决策者主要问”Why”——怎么定对的方向。
大部分技术/业务人员的问题在于：他们非常擅长回答”How”，但很少问”Whether”和”Why”。
这不是能力问题，是思维习惯问题。在工作中，”How”是有确定答案的——你问”怎么做”，总能找到一个方法。而”Whether”和”Why”是没有标准答案的——你问”该不该”，没人能给你一个现成的答案。
于是你习惯了待在”How”的舒适区。
§TOC7-2§
“只会做how”在职业生涯的某个阶段是非常好的品质。刚入行的前几年，你靠”能把事情做好”脱颖而出。你是团队里最靠谱的执行者。
但到了某个节点——通常是工作4-6年——你会发现”靠谱的执行者”不再够了。
同样升职的机会，给了那个”技术没那么好但更会判断”的同事。 同样重要的决策会议，叫了那个”不那么懂技术但知道怎么讨论”的人。 同样有挑战的项目，交给了那个”能判断该不该做”的人。
这些场景的共同点是什么？问题变了。
在执行的层面上，你的”How”能力让你出色。但在判断和决策的层面上，问题不再是”怎么做”，而是”该不该做”和”为什么做”。
如果你只擅长回答”How”，在需要讨论”Whether”的会议上，你会发现自己无话可说。因为你的大脑没有建立”Whether”的思考肌肉。
这不是你的错——从来没有人教过你”怎么从how切换到whether”。
§TOC7-3§
让我们用一个具体的例子来说明。
你是一个技术团队的骨干，老板让你评估”在我们产品的客服环节引入AI Agent”。
如果你只习惯”How”思维，你会想： - 用什么技术架构？RAG还是微调？ - 数据准备怎么搞？需要清洗多少历史数据？ - 开发周期需要多久？需要几个人？ - 效果怎么评估？准确率多少算及格？
这些都是”How”的问题，而且你是回答这些问题的最佳人选。
但会议桌上，老板和更资深的同事在讨论的是”Whether”的问题： - 客服环节是不是我们当前最该用AI的地方？ - 自制方案还是采购第三方？ - 现在做还是等产品更成熟再做？ - 风险在哪？最大损失是什么？
你发现没有？”How”的问题和”Whether”的问题，是在完全不同的层面上讨论同一个方案。如果你只会回答”How”，你在这次会议上的贡献就是”技术支持”——你不是在做判断，你是在提供判断所需的”材料”。
而要成为能做判断的人，你需要主动进入”Whether”的讨论。
§TOC7-4§
怎么练？从今天开始，每次遇到一个”How”问题的时候，强迫自己跟着一个”Whether”问题。
练习一：在”How”之后加一个”Whether”
加上”Whether”：”而且，这个工具真的适合我们现在的情况吗？”
不只用”How”：”这个方案怎么实现？”
每次问完”How”，停三秒，加一个”Whether”。
练习二：把”怎么做”换成”该不该”
下次同事问你”这个功能怎么做”，不要直接回答。先说： “让我先确认一下——我们该不该做这个功能？”
你会发现，这一个问题能打开完全不同的讨论。你们可能会发现这个功能根本不需要，或者可以换个更简单的方式。
练习三：每周找一个决策场景复盘
每周找一个你参与过的决策（不管大小），问自己： - 当时的决策是基于什么信息？ - 我提了什么类型的问题？How还是Whether？ - 如果让我重新来一次，我会问什么不同的问题？
§TOC7-5§
“从How到Whether”的核心方法其实很简单：往上一层看问题。
你在执行层看到的是一个任务怎么做。往上一层（管理层），看到的是多个任务怎么选。再往上一层（决策层），看到的是多个方向怎么定。
每次你觉得自己在纠结”怎么做”的时候，试着往上一层问： - “我们为什么要做这个？” - “这是目前最重要的事吗？” - “如果我不做这个，而是做那个，结果会怎样？”
这不是让你放弃执行能力。恰恰相反——保留你的”How”能力，在上面叠加”Whether”和”Why”的能力。 这样的组合才是最稀缺的：一个既能做出来、又能判断该不该做的人。
这就是第一章说的”技术+业务=天花板最高”的路径。
§TOC7-6§
AI不仅仅是你用的工具，它背后有一套思考方式。最好的AI使用者不是”会用AI的人”，而是”像AI一样思考的人”。
§TOC8-1§
过去两章我们讲的是”怎么用AI”。这一章我们要讲一个更底层的东西：AI背后那套思考方式，本身就是一套强大的决策工具箱。
你有没有想过一个问题：为什么AI能在很多任务上表现得越来越好？
不是因为AI”记得更多”——实际上，AI的”记忆力”（上下文窗口）非常有限。也不是因为AI”算得更快”——速度确实是优势，但不是本质。
AI强大的根本原因是：它采用了一套非常高效的思考方式。
概率思维、反馈循环、模式识别、反事实思考——这些不是AI的”算法”，它们是任何好的决策者都应该掌握的思维方式。
好消息是：你不一定需要懂AI的技术细节，就可以学会这套思维方式。而且，一旦你学会了，不管技术怎么变，这套思维方式都不会过时。
§TOC8-2§
人类有一个强烈的思维倾向：我们想要”确定的答案”。
这个方案行不行？——给我一个确定的答案。 这个项目能不能成功？——告诉我肯定能还是肯定不能。 这个AI工具值不值得学？——说清楚值还是不值。
但现实世界几乎没有任何事情是确定的。在大多数情况下，你只能做概率判断。
AI的思考方式就是概率判断。当AI告诉你”这段文本的情感倾向是正面的”，它背后不是在做”是或否”的绝对判断，而是”正面的概率是87%”的概率判断。
把这个思维方式用到业务判断上：
从”行还是不行”到”多大的概率行”
问：”这个方案成功的概率有多大？概率来自什么？”
不问：”这个工具值得买吗？”
从”一点风险都没有”到”风险可控”
很多技术人不敢做判断，是因为他们想要”零风险”的方案——但这个世界上没有零风险的方案。
概率思维告诉你：接受风险，但管理风险。
这是技术人员转向管理者的第一课：学会在不确定中做判断，而不是等确定后再行动。
§TOC8-3§
AI的训练方式跟传统软件开发完全不同。
传统软件开发：需求分析 → 设计 → 开发 → 测试 → 上线。一个大循环。
AI的训练方式：做一个预测 → 看结果 → 调整参数 → 再做预测。上千个小循环。
这个”反馈循环”的思维，是你做业务判断时最强大的工具之一。
在业务中应用反馈循环：
传统的判断方式是：收集所有信息 → 做决定 → 执行 → 看结果。
问题出在第一步——“收集所有信息”。在一个快速变化的环境里，你永远不可能收集”所有”信息。等你觉得信息够了，时机已经过了。
反馈循环的判断方式是：做一个小决定 → 看结果 → 调整 → 做下一个决定。
它不是在做”一次性的正确决定”，而是在做”一系列可以修正的小决定”。
具体怎么用：
不要做一个大试点，做三个小试验。
如果你想在公司推广AI工具，不要等完美的方案才启动。先做三件小事： - 第一周：让一个团队试用一个工具，收集反馈 - 第二周：根据反馈调整，扩大到两个团队 - 第三周：再调整，确定推广方案
每件事都是一个小反馈循环。你不需要在开始时知道全部答案——你只需要知道下一步该测什么。
不要怕做错，要怕不知道错了。
反馈循环思维的一个关键心态：错误不是失败，错误是信息。 每个小错误都告诉你下一步该怎么调整。只有一种错误是真正的失败——犯了错却没有从中学习。
§TOC8-4§
AI最强的能力之一是模式识别——从海量数据中发现人类肉眼看不到的规律。
你不需要AI也能做模式识别——但你需要像AI一样”系统地”寻找模式，而不是靠直觉。
方法一：找异常，而不仅仅是找平均
大多数人的分析习惯是看”平均值”。但这个月平均销售额增长了10%——这个信息几乎没什么用。
AI会看的是”哪些数据点偏离了正常范围”。那个突然增长的地区，那个突然下降的产品线，那个异常活跃的用户群体——这些”异常”往往比”平均”更有价值。
业务判断训练：每个月审视数据时，别只看平均值。找出前三个”最大异常值”，问”为什么”。
方法二：找相关性，而不只是找因果
人类大脑偏向因果思维——我们想知道”A导致了B”。但很多时候，你不需要知道因果关系，只需要知道相关性就够了。
“用户浏览了A页面后，购买转化率高了3倍”——这不一定说明A页面”导致”了购买。但它告诉你：这两个现象之间有关联。这个关联本身就值得关注。
在业务中，先发现相关性，再验证因果性。不要因为”没有因果证据”就忽视明显的相关性。
方法三：找模式变化，而不只是找静态模式
业务中的模式不是一成不变的。重要的是发现”模式在变”。
不要把模式看作”静态的规律”，把模式看作”动态的信号”。模式的变化，往往比模式本身更有价值。
§TOC8-5§
AI做决策时，经常使用一种叫”反事实推理”的方法——它会在脑子里模拟”如果做了不同选择，结果会怎样”。
这不是AI的专利。优秀的决策者也在用这种方法，只是他们可能没有意识到。
反事实思考在业务中的应用：
方法一：预演失败
任何一个重要决定做出之前，先问：”如果这个决定在一年后被证明是错的，最可能的原因是什么？”
这种”预演失败”的方法——诺贝尔奖得主丹尼尔·卡尼曼称之为”事前验尸”——能帮你提前发现那些你忽略的风险。
你不需要AI也能做这个。你只需要在每次做重要决定之前，花5分钟问这个问题。
方法二：对比未选择的路线
大多数人在做出选择之后就不再想”没选的那条路”了。但在AI的思考方式里，每条未被选择的路线都是有价值的信息。
这些”反事实”的思考，不是为了让你后悔，而是为了让你对已做的决定更有信心——或者发现已经做出的决定有问题。
方法三：时间缩放
把时间尺度拉长或缩短来看同一个问题： - “如果一年后回来看这个决定，我还会觉得它重要吗？” - “如果只有一周时间做决定，我会选什么？” - “如果这是未来五年最重要的决定，我现在该怎么做？”
时间缩放能帮你判断什么事真正重要、什么事只是”看起来很紧急”。
§TOC8-6§
把以上四种思维方式整合成一个可以日常使用的判断框架：
第一步：概率定位 — 不追求确定，做概率判断 - “我对这个判断的信心有多少？（60%？80%？）” - “不确定性主要来自哪里？”
第二步：反馈设计 — 不追求完美，追求可修正 - “这个判断能不能用一个小试点来验证？” - “如果错了，我多久能发现？能调整吗？”
第三步：模式扫描 — 不只看表面，找深层规律 - “数据里的异常在哪？” - “模式是在变还是稳定？”
第三步（对，重复第三步）：反事实验尸 — 不只有正向思考 - “如果一年后发现这个判断错了，最可能的原因是什么？” - “我没选的那个方案，会不会其实是更好的选择？”
这个框架不需要每次都用。但在重要判断的时候，花15分钟走一遍，你会发现自己的判断质量明显提升。
这不是一套”AI的思考方式”。这是一套”优秀决策者的思考方式”，只不过AI把它们系统地、有意识地运用了。 你学会它，你就拥有了AI最值钱的那部分——不是工具，是思维。
§TOC8-7§
你做得到，不等于团队做得到。真正的价值不在你有多强，在你能让多少人变强。
§TOC9-1§
小张（第一章里的后端开发）是团队里的”AI大神”。他跟GPT配合默契，用Cursor写代码效率极高，同事有问题都找他。他觉得挺好——技术好、能干活、被需要。
但有一次复盘的时候，Leader跟他说了句话，让他不舒服了很久：
“小张，你开发的代码质量确实好，但如果你不在的时候，团队效率就降一大截。这不是一个健康的状态。”
小张的问题在哪？他把自己的能力变成了团队的依赖。
这不是小张的错。大多数技术人员天然的成长路径就是”个人技术越来越强”。但在某个节点上，你需要意识到：
一个人的能力强，不等于组织的能力强。
这个跃迁，就是从”个人能力”到”组织能力”的跃迁。
§TOC9-2§
在推动团队用AI之前，你首先要知道：AI在你们团队能做什么、该做什么。
这里有一个简单的方法：AI机会扫描三问法。
第一问：时间花在哪了？
找到团队里”高价值+高重复度”的任务。这些是AI嵌入的最佳切入点。 - 团队每周花在哪些事务上的时间最多？ - 这些事务中，哪些是重复性的？ - 哪些可以”拆一半”给AI？
第二问：信息断在哪？
找到团队里”信息不畅通”的环节。AI在连接信息方面很强。 - 团队做决策时，经常缺少什么信息？ - 有没有信息存在但没人知道的情况？ - 有没有跨部门的信息壁垒？
第三问：经验流失在哪？
找到团队里”人走了经验就没了”的环节。知识管理是AI的天然战场。 - 团队里最有经验的几个人，他们的判断依据是什么？ - 这些”隐性经验”有没有记录和传承的方式？ - 新员工进来，学习曲线最陡的是哪部分？
§TOC9-3§
发现机会之后，你需要把想法变成行动的提案。
很多技术人写AI提案的通病：全是技术细节，没有商业价值。
老板不关心你用RAG还是微调——老板关心的是这个投入能带来什么回报。
一个好的AI提案应该包含这五个部分：
第一部分：问题定义（2句话） - 一句话：现在存在什么问题？ - 一句话：这个问题造成了什么可量化的影响？
例：”我们客服团队平均处理一个工单需要30分钟（行业平均是15分钟），导致客户等待时间长、满意度低，团队也疲惫。”
第二部分：AI能做什么（3句话） - 一句话：AI在这个场景的具体作用 - 一句话：落地方案（简述，不用技术细节） - 一句话：预期效果（必须有数字）
例：”用AI辅助客服回复，预计将平均处理时间从30分钟降到12分钟，同时保持人工审核的环节确保质量。”
第三部分：投入和风险（清晰列出） - 需要什么资源（工具成本、时间投入、人员配合） - 最大的风险是什么（数据安全？效果不稳定？团队抗拒？） - 怎么降低风险（小范围试点、分阶段推进）
第四部分：小范围试点方案 - 不要求”全面推开”，只要求”试一个小组” - 试点的目标和时间线 - 怎么评估试点是否成功
第五部分：一句话总结 - “用XX的成本，花XX时间，在XX范围做试点。如果成功，预计可以带来XX效果。”
提案的长度不要超过一页A4纸。 如果一页说不清楚，说明你没想清楚。
§TOC9-4§
不管你提的方案多好，推动AI落地都会遇到阻力。常见的阻力有三种：
阻力一：”我们不需要AI”
有些团队认为AI跟自己没关系。他们不是真的不需要，而是”没见过AI能做什么”。
应对方法：不要说服，要演示。 找一个他们每天做的重复工作，当他们的面用AI做一次。不用提前准备，用真实的工作演示。效果比任何PPT都好。
阻力二：”AI不靠谱”
有些团队试用了一下免费版AI，效果一般，就下了”AI不行”的结论。
应对方法：不是AI不行，是用法不对。 帮他们做一次”工作流拆解”，把AI嵌入到适合的环节。同一个AI工具，用对了方法，效果可能天差地别。
阻力三：”我学会了会不会被替代”
这是最真实也最容易被忽视的阻力。AI焦虑是真实的——有些同事担心自己的岗位会被替代。
应对方法：不要回避这个问题。 坦诚地跟同事讨论：AI不会替代他们，但会用AI的人会替代他们。最好的防御是学会用AI。你不是在帮老板”降本增效”，你是在帮同事”装备武器”。
§TOC9-5§
这个过程最难的是心态的转变。
当你是一个执行者的时候，你的满足感来自”我做到了”——我写的代码跑起来了，我做的分析报告很漂亮，我搭建的AI流程很顺畅。
当你开始带人的时候，你的满足感需要转移到”他们做到了”——我教的人能独立用AI了，我的团队效率提升了，我不在的时候事情依然在往前推。
这个转变需要时间。做执行者的满足感是即时的、确定的。带人的满足感是延后的、不确定的。
但如果你想要从”一个人强”变成”一群人强”，这是必经之路。
怎么开始？ - 找一个你做得好的AI任务，教一个人做 - 每周花30分钟回答同事关于AI的问题 - 把你常用的prompt模板整理出来，共享给团队 - 在团队里建立一个”AI实践分享”的习惯
不需要一步到位。每个月做一件”从我做变成我们做”的事就好。
§TOC9-6§
知识不是一天学完的。但如果你有路线图，90天可以走很远。
§TOC10-1§
读完前面9章，你已经有了一个完整的认知框架和一套工具箱。但”知道”和”做到”之间，隔着一个东西：行动。
很多人读完一本书，热血沸腾，然后……就没有然后了。不是他们不想做，是他们不知道”明天早上该做什么”。
这一章解决的就是这个问题。
我把你的AI成长分为三个阶段：30天打基础、60天出成果、90天建系统。
每个阶段都有一个明确的目标和一些具体的行动项。你不需要全部做完——挑最适合你的几个，先行动起来。
§TOC10-2§
目标： 不再被碎片信息牵着走，有了自己的AI坐标系。
第一周：搭建坐标系 - 回看第3章，建立你自己的AI坐标系表格 - 这周看到的每一篇AI文章，都做”坐标定位”——它在哪个认知层次？对应什么能力类型？ - 目标：一周后，你看到AI信息的第一反应不是”收藏”，而是”定位”
第二周：做一次时间审计 - 用第5章的方法，记录一周的时间分配 - 找出”高价值+高重复度”的任务——这是AI嵌入的甜蜜区 - 针对其中一个任务，设计AI嵌入方案
第三周：选一个工具深入 - 不要试新工具，把你已经在用的核心AI工具用深 - 用第4章的评估框架，确认这个工具对于你当前的任务是最合适的 - 学习这个工具的三个你不常用的功能
第四周：完成第一个工作流改造 - 选第二周识别出的一个任务，用第5章的方法做改造 - 目标：让AI在这个任务上省你至少30%的时间 - 记录：改造前需要多少时间，改造后需要多少
30天检查点： - [ ] 我有一个可以使用的AI坐标系 - [ ] 我知道自己的时间花在哪 - [ ] 我完成了至少一个工作流改造 - [ ] 我的AI工具使用深度提升了
§TOC10-3§
目标： 不只是AI学习者，开始用AI产出可交付的成果。
第五到六周：做一次”AI增强”实践 - 选一个需要深度分析的任务 - 用第6章的方法：让AI做”反方辩手”和”跨界连接器” - 对比：用AI辅助 vs 自己独立做的产出质量差异
第七到八周：写一个提案 - 用第9章的方法，写一个一页纸的AI提案 - 不需要真的提交——先写出来，找一个信任的同事或给自己看 - 重点检查：提案里有”商业价值”吗？还是只有”技术细节”？
60天检查点： - [ ] 我用AI辅助完成了一个深度分析任务 - [ ] 我有一个完整的一页纸AI提案 - [ ] 我的工作流改造成果稳定运行了至少两周
§TOC10-4§
目标： AI不再是”偶尔用用”的工具，而是你日常工作系统的一部分。
第九到十周：实现”半人马模式” - 养成习惯：日常工作中的固定环节，先用AI做一遍 - 建立你自己的prompt模板库——至少3个常用场景的模板 - 找到你的AI”舒适区”——哪些任务你习惯用AI辅助，哪些你仍然自己做
第十一到十二周：带一个人 - 用第9章的方法，选一个你用AI做得最好的任务，教给一个同事 - 目标是：你不在的时候，他也能做 - 分享你的prompt模板和经验
九十天检查点： - [ ] AI已经融入我的日常工作流 - [ ] 我有自己的prompt模板库 - [ ] 我教会了至少一个人用AI做一件事 - [ ] 我能清楚地跟别人分享”AI对我工作的价值”
§TOC10-5§
技术岗（开发/运维/数据工程师）的90天重点： - 30天：用AI辅助代码编写和调试 - 60天：用AI做代码审查和架构设计讨论 - 90天：你的AI工作流成为团队参考
运营岗（运营/市场/客服）的90天重点： - 30天：用AI做信息收集和初稿生成 - 60天：用AI做用户分析和内容策略 - 90天：建立可复用的AI工作流
分析岗（数据分析/商业分析/产品分析）的90天重点： - 30天：用AI辅助数据整理和基础分析 - 60天：用AI做深度分析和报告生成 - 90天：将AI分析工作流标准化
§TOC10-6§
每个阶段结束时，花15分钟做一次自检：
认知层面： - 我对AI的认知从”工具”变成了”能力放大器”吗？ - 我有自己的坐标系了吗？ - 我能判断什么AI信息值得看、什么不值得吗？
技能层面： - 我完成了至少一个完整的工作流改造吗？ - 我用AI做过一次”增强”（不只是自动化）吗？ - 我能写一个让别人听得懂的AI提案吗？
角色层面： - 我开始问”Whether”问题了吗？ - 我尝试过用”AI思维”做业务判断吗？ - 我带人了吗？
你不用全部”是”。但每个”Yes”都意味着你在这个维度上往前走了一步。
§TOC10-7§
最稀缺的不是纯技术人才，也不是纯业务人才。是那个在技术里懂业务，在业务里懂技术的人。
§TOC11-1§
“T型人才”不是新概念。横杠代表”广度”，竖杠代表”深度”。
但到了AI时代，T型人才的含义需要重新定义——因为AI本身就是”广度的加速器”。
在你的语境下，T型人才的四个维度是：
技术深度（竖杠）： 你至少有一个领域的技术能力是扎实的。不管你是什么岗位——写代码、做分析、搞运营——你在这个领域应该有”没有AI我也能做好”的能力。这是你的根基。
AI能力（横杠的左半）： 你能用AI放大你的技术深度，也能用AI拓展你的技术广度。你不一定需要理解transformer架构，但你需要知道什么场景用什么AI工具、怎么评估AI输出的质量。
业务理解（横杠的右半）： 你能理解你所在行业的业务逻辑——钱从哪来、环节怎么流转、利益相关者是谁、什么指标真正重要。这个理解是你从”做”到”想”的桥梁。
沟通能力（横杠的连接层）： 你既是技术的翻译者，也是业务的翻译者。你能跟老板讲清楚技术方案的价值，也能跟工程师讲清楚业务需求。这个能力决定了你的影响范围。
四维当中，大多数技术/业务人员已经具备”技术深度”（这是他们吃饭的本事），但对其他三维的准备不足。
这本书前面部分已经帮你搭建了”AI能力”和”业务理解”的基础，这一章重点讲沟通。
§TOC11-2§
这是技术人员最普遍的痛点：你脑子里很清楚AI能做什么，但跟老板一讲，老板要么听不懂、要么觉得太玄乎。
问题通常不在老板——在你讲的方式。
原则一：先讲”为什么”再讲”怎么做”
技术人的本能：老板问”AI对我们有什么用”，你一开始说”我们可以用RAG+Agent+KnowledgeHub……”
老板想听的是：”客服响应时间可以从2小时降到15分钟，客户满意度预计提升20%。”
先讲价值，再讲方案。老板不需要理解你的方案，他需要相信你的方案能带来价值。
原则二：用量化代替技术描述
不要说：”我们可以用AI Agent来自动化客服流程，通过MCP协议对接现有工单系统……”
要说：”我们团队目前每天花4小时回复重复性客服问题。AI可以接管其中60%，预计每周省出12小时给团队做更有价值的事。”
量化意味着三样东西：现状（4小时）、变化（60%）、结果（12小时）。没有量化，就是空话。
原则三：给选择，不要让老板做”技术”判断
不要问：”老板，我们用RAG还是微调？”
要问：”老板，我们有两个方案：方案A花2周、成本低但效果一般；方案B花6周、成本高但效果好。你倾向哪个？”
老板不关心技术方案的区别，他可以关心的是成本、时间、效果。你要把这个信息翻译给他。
向上沟通的一个简单模板：
目前我们（现状问题），导致（影响）。 我们可以用AI（方案简述），预计（量化效果）。 我们需要（资源投入），风险是（风险描述）。 建议（推荐方案），先花（时间）做试点。 你觉得怎么样？
§TOC11-3§
AI项目往往跨部门——你需要跟产品聊场景、跟运营聊流程、跟数据聊可用性。每个部门的语言体系都不一样。
跟产品聊：用场景代替技术
不要说：”我们的Agent框架支持MCP协议……” 要说：”用户在客服场景下的完整流程是1-2-3-4。AI可以在步骤3介入，把响应时间缩短到这个数。”
产品团队关心的是”用户流程、体验、场景”——用这套语言跟他们对话。
跟运营聊：用效率代替指标
不要说：”模型准确率达到了93%，F1 Score是0.89……” 要说：”这个AI方案可以把你们团队每天花在××上的时间省掉50%。”
运营团队关心的是”省不省事、快不快、团队能不能接受”——用他们的语言。
跟数据聊：用质量代替概念
不要说：”我们需要一个向量数据库来做语义搜索。” 要说：”我们有这些数据需要建立关联，质量怎么样？规不规范？谁来清洗？”
数据团队关心的是”数据质量、数据安全、谁来干活”——不要跳过这些实际问题。
§TOC11-4§
成为”既懂技术又懂业务”的人，不是一劳永逸的事。技术在变，业务在变，你需要持续学习。
以下是三个你应该建立的学习习惯：
习惯一：信息源管理
你不是信息太少，你是信息太多且不懂得过滤。
习惯二：实践闭环
学了就用。每次学到一个新知识点，问自己三个问题： 1. 这个知识在我的坐标系里放在哪一层？ 2. 我能不能在接下来一周里”用”它一次？ 3. 用了之后，我的判断变了还是没变？
如果没有”用”这个环节，你学的新知识一周后就忘了。
习惯三：输出倒逼输入
最好的学习方式不是”输入更多”，而是”输出倒逼输入”——通过写、讲、教，让你知道自己真正理解了没有。
写作用具（这一章的最后，给你一个秘密）： 这个习惯本身，就是你成长的加速器。当你每周都要输出的时候，你不会再被动地”刷信息”——你会主动地找”值得写的东西”。这种主动，就是T型人才和普通执行者的分界线。
§TOC11-5§
这本书不是终点。当你迈出从”做”到”想”这一步，下一个战场是什么？
§TOC12-1§
在读完11章之后，停下来回顾一下你走过的路：
你在第一部（第1-3章）完成了认知突围。 你不再是一个被碎片信息淹没的学习者。你有了自己的AI坐标系，知道每一篇AI文章该放在哪个格子里。你不再问”这是什么工具”，你问”它能放大我的什么能力”。
你在第二部（第4-6章）完成了技能进化。 你不再被工具牵着走。你会选工具、会把AI嵌入工作流、会让AI替你思考而不是只替你干活。你已经是一个”会用AI”的人——而且是用得不错的人。
你在第三部（第7-9章）开始了角色跃迁。 你开始问”Whether”问题，你学会了用AI思维做业务判断，你开始从”我做”转向”我带人做”。你已经不是一个纯粹的”执行者”——你正在成为一个”判断者”。
你在第四部（第10-11章）有了明确的行动路线。 你知道明天早上该做什么，你知道怎么跟老板和同事沟通AI的价值。你有了持续学习的方法。
如果你认真走完了这本书，你现在应该已经是一个”能用AI做决策的人”了。
但这不是终点。
§TOC12-2§
这本书的核心是帮你个人从执行者成长为决策者。但当你真的成为管理者之后，你的战场变了：
不再是你个人怎么用AI，而是你的团队怎么用AI。
这些都是《高管的第一本决策书》的主题——那里的读者不是在位的高管，而是”即将成为高管”的你。
§TOC12-3§
成为管理者之后，你需要在四个方向上持续学习：
方向一：技术与工具的进化
AI技术在以指数的速度进化。你不需要跟每一个新模型，但你需要保持对行业方向的感知。每月花2小时深度阅读一篇行业报告或技术趋势分析，就够了。
方向二：组织与人的管理
管理一个”AI增强型团队”跟管理传统团队不一样。员工会用AI做更多的事，但也需要新的管理和评估方式。当AI能完成40%的日常工作，你怎么评价员工的表现？怎么分任务？怎么培养人？
方向三：战略与决策的进阶
从”做判断”到”定方向”，是一个更大的跃迁。这本书帮你完成了第一次跃迁（从执行者到判断者），下一次跃迁（从判断者到决策者）需要更系统的战略思维训练。
方向四：输出与影响
当你成为某个领域的AI实践者，你的经验对其他人是宝贵的。通过写作、分享、带人，把你的经验变成组织的能力。这不是”额外的负担”——这是你巩固自己学习效果的最好方式，也是建立个人影响力的最佳路径。
§TOC12-4§
这本书我写得很克制。
它不是工具的罗列——那些几天就过时了。 它不是技术的堆砌——那些有文档就够了。 它也不是”速成”的许诺——那是骗人的。
它是一张地图。
地图不会替你走路，但它能告诉你在哪里、往哪走。
当你合上这本书的时候，你会有很多”我想试试”的想法。那很好。但我想给你一个更具体的建议：
今天晚上，用15分钟做一件事。
打开一个文档，写一个标题：《我的AI成长路线图》。然后写下三件事： 1. 我现在在哪？（哪一章你最有共鸣？） 2. 下一步我想做什么？（30天计划里的哪一条？） 3. 明天早上第一件事是什么？
不是”下周”，不是”下个月”。——明天早上。
因为读完整本书之后的第二天早上，是最容易”继续昨天”的时刻。闹钟响了，你打开手机，刷刷朋友圈，看看AI资讯——然后一天就过去了。
打破这个循环的力量，不在书里，在你身上。
书只是地图。迈出第一步，是你的事。
祝你的AI领导者之路，顺利启程。
—— 树懒老K（拙一），2026年春
| 术语 | 英文 | 定义 |
|---|---|---|
| AI坐标系 | AI Coordinate System | 一个三维分析框架（认知层次×能力类型×角色阶段），用于定位任何AI信息和评估自己的AI能力 |
| 框架先行 | Framework-First | 先建立粗框架再用知识填充，而不是先收集碎片知识再找框架的学习方法 |
| 能力杠杆 | Capability Leverage | 把AI视为放大自身能力的工具，而非替代自己的工具 |
| 四层放大模型 | Four-Level Amplification | AI放大能力的四个层次：信息处理、模式识别、决策辅助、行动执行 |
| 工具思维 | Tool Mindset | 把AI当成固定用途工具的思维模式，限制了使用AI的深度 |
| 工具疲劳 | Tool Fatigue | 在无尽的AI工具选择中消耗大量时间和注意力的状态 |
| 四步选型框架 | Four-Step Selection Framework | 定义问题→约束条件→三维评估→试用合约的工具选择方法论 |
| 时间审计 | Time Audit | 按价值×重复度四象限分类记录工作时间，找出AI嵌入的甜蜜区 |
| 工作流拆解 | Workflow Decomposition | 把一项完整工作拆解成步骤，找出AI可以接管的环节 |
| 辅助Skill | Assistant Skill | 一个人机协作的工作流系统，包含输入输出定义、AI角色分配、提示词模板和质量控制点 |
| 自动化 | Automation | AI替人完成输出，人变成审核者 |
| 增强 | Augmentation | AI帮人做得更好，人变成协作者 |
| 半人马模式 | Centaur Mode | 人机协作的最佳状态——人负责判断，AI负责增强；人不做AI擅长的事，AI不做人擅长的事 |
| 反方辩手 | Devil’s Advocate | 让AI从对立角度分析自己的结论，发现忽略的漏洞 |
| 跨界连接器 | Cross-Domain Connector | 让AI连接不同领域的知识和模式，产生跨界洞察 |
| 概率思维 | Probabilistic Thinking | 不做”行还是不行”的绝对判断，做”多大概率行”的概率判断 |
| 反馈循环 | Feedback Loop | 做小决定→看结果→调整→再做。不追求一次性正确，追求可修正 |
| 反事实思考 | Counterfactual Reasoning | 模拟”如果做了不同选择会怎样”，预演失败、对比未选的路线 |
§TOC14-1§
认知与方法类： - 《思考，快与慢》— 丹尼尔·卡尼曼。理解自己的思维偏差 - 《原则》— 瑞·达利欧。决策和判断的系统方法论 - 《深度工作》— 卡尔·纽波特。在分心的时代保持专注
AI与商业交叉类： - 《拐点：站在AI颠覆世界的起点》— 万维钢。建立AI时代的”世界观” - 《精益创业》— Eric Ries。小步快跑的方法论，完美适配AI落地
技术与思维类： - 《超预测》— 菲利普·泰特洛克。怎么做出更准确的预测和判断 - 《框架思维》— 肯尼斯·库克耶。框架不是限制，是路径
§TOC14-2§
§TOC14-3§
注：工具变化很快，以下仅作参考，请根据实际需求和选型框架选择
通用AI助手类： ChatGPT、Claude、Gemini 编程辅助类： Cursor、Copilot、Claude Code 知识管理类： Obsidian + AI插件、Notion AI 自动化工作流类： 各平台的AI自动化能力
§TOC15-1§
提案标题： [用AI解决什么问题]
1. 现状与问题（2句话） - 目前：[具体问题描述] - 导致：[可量化的负面影响]
2. AI方案（3句话） - AI作用：[一句话说清AI做什么] - 落地方案：[简述，不用技术细节] - 预期效果：[必须有数字]
3. 投入与风险
| 投入项 | 说明 | 预估 |
|---|---|---|
| 工具成本 | ||
| 时间投入 | ||
| 人员配合 | ||
| 最大风险 | ||
| 风险应对 |
4. 试点方案 - 范围：[哪个团队/哪个场景先试] - 周期：[多长时间] - 成功标准：[怎么判断试点成功]
5. 一句话总结
[预算/投入] — [时间] — [范围] — [预期效果]
模板说明：此模板可自由复制使用。填写时，每一部分控制在3-5句话内。重点在”量化”（数字）和”结果”（价值），不要写技术细节。
树懒老K（拙一）
30年企业服务经验 · 专注AI智能体与组织变革
个人网站
个人微信
公众号
慢一点，深一度