发现 AI 特别适合用来同时赶 n 个 deadline。

只赶一个的时候最折磨：眼看 deadline 一点点逼近，它还在不紧不慢地查资料、做计划，人很容易着急上火。

但同时赶 n 个就不一样了——根本没时间盯着它。把需求说清楚，立刻切到下一个窗口继续派活。等 n 个任务都布置完，第一个 Agent 差不多也回来汇报了，再赶紧批改、反馈、PUA，循环往复。

虽然全程手忙脚乱，像同时在听 n 个下属汇报，但心理健康程度反而比盯着两三个 Agent 慢悠悠干活好多了。

AI 治不了 deadline，但可以用更多的 deadline 缓解等待 AI 的焦虑 [偷笑]

#我这么懒的人为什么会这么忙

小家伙在 WAIC 分享自己怎么用 AI 做鸡汤大作战游戏。比老父亲早一步登上大舞台，感谢百度秒哒：）

大部分人很热衷于追逐 AI 新闻，但其实是浪费时间。

如果真的是大新闻，“知道它“其实并没有价值。

如果是圈内人，要考虑的其实是”这意味着什么，有什么新机会可以抓“，生态位在哪里，新的稀缺是什么。比如看到 Frontier Labs 越来越强越来越有钱，判断他们会花更多的钱买数据，就可以考评是否可以卖数据给他们赚钱（比如 Mercor）。如果没有参与的能力，最直接的问题则是去思考”意味着哪些投资机会“，”哪些已经被 Price In 了，哪些还没有“（我就总判断错这个问题）。

如果不是圈内人，就更不用浪费时间去纠结最前沿几个技术的细微差距，而是要去想“我要解决的问题是什么，我能抓到的市场机会是什么，这玩意儿能在哪些地方帮上忙“。这是个提效工具？还是个创新创造新市场武器？还是个来把我根基颠覆掉的威胁（赶紧卖公司）？——总而言之，重点应该放在”这玩意儿和我的关系“上。

圈内人不思考机会，圈外人不去看关系，那么”看 AI 新闻“和”看明星八卦“其实没啥区别。

公司这种东西，本质上是"协调太贵"逼出来的。

科斯 1937 年就讲透了：市场本来什么都能办，但每笔交易都要找人、谈价、立约、防赖账——这些摩擦贵到一定程度，干脆把人圈进一家公司、用命令代替交易。公司的边界，就画在"内部协调"和"市场协调"一样贵的那条线上。

这条线，正在被 AI 往回推。

当 AI 能在不统一标准、不开对齐会的前提下，把两个素不相识的系统实时接上，跨组织协调的成本就开始坍塌。坍塌到一定程度，原来非得养在公司里的能力，现在张嘴就能从外面调。

移动互联网时代，滴滴可以把大量司机和私家车协调到自己的网络里，打败最大的出租车公司；airbnb 可以把大量的民宅协调到自己网络里，打败最大的酒店集团。这些机会都很大，但路径都非常艰难——滴滴需要司机配合加入到网络中，airbnb 需要房东配合加入到网络中。

如果 AI 可以赋予我们”无需共识配合，就能协调“的超能力呢？

比如一个销售软件，要求销售按照标准填写客户拜访单，然后根据数据来构建 CDP 客户画像，这就要求销售的共识和配合——如果让 AI 录音拜访记录自动填写，是不是就无需销售配合自动生效了？比如你要打一个大客户帮他做 AI 转型，你知道他是”AI 炼金术“的粉丝，是不是就可以直接让 AI 根据 AI 炼金术里提到的方法论和表达方式给他出方案呢？这样是不是约等于不经我允许就直接和我合作（白嫖）了呢？

真正的机会是：这世界上早就堆满了现成的能力——产能、专业、履约、算力——它们一直在那儿，只是调不动、摩擦太大。谁能把"调用全世界沉睡能力"的摩擦抹平，谁就拿到了一个比任何单个公司都大的编排权。

这时竞争优势不再是你拥有多少，而是你多快、多准地把外部的标准模块和自己的编排能力，拼成一张新的价值网络。资产仍归拥有者，但价值，归那个编排系统的人。

1950 年 Otis 推出自动电梯，整个"电梯操作员"这个职业，变成了一个按钮。曲线从十万峰值一路归零。同一段历史里，会计师占美国就业的比例，却从 0.1% 一路涨到 1.4%。同样是自动化，一个把职业抹掉，一个让职业膨胀。区别到底在哪？

第一刀：看这份工作是"一个完整任务"，还是"一个任务包"。电梯操作员的整个工作就是一个任务——在对的楼层开关门。任务被自动化，残值为零，工作整体蒸发。会计是个任务包：算术、过账，加上判断、合规、筹划。自动化吃掉的是包里那件无聊的（算术），留下并放大了高判断的那部分。单任务被吃就死，任务包被吃只是换内核。

第二刀，看需求弹性。如果需求有弹性，就可能满足杰文斯悖论，效率提高、单价下跌，需总需求反而暴涨。会计吃到了这口：记账变便宜，更多公司请得起、财务能做得更复杂，对会计的总需求涨了。但电梯不一样：楼就那么高，没人因为电梯便宜就多坐几趟，需求没有弹性，省下的人力没有新需求接住，直接归零。

所以别再问"我的工作会不会被 AI 取代"。问：我的工作是单任务还是任务包？包里哪些任务既有需求弹性，又暂时 AI 搞不定？然后主动围绕剩下的这些任务，来重新定义自己的工作。

最后提个醒：会计那条曲线 2000 年后走平了……弹性也有限度，”机器搞不定“也只是暂时的，没什么一劳永逸的事情，唉。

Benedict Evans 问了个好问题：新技术到底拿来干嘛？他说历史上我们部署新技术，永远是同一个模式，三步：先 Absorb，用新科技做老工作；再 Innovate，做只有新科技才可能的新事；最后 Disrupt，重新定义问题本身。

这跟我一直讲的"帮手、换路、改题"几乎是同一条梯子——但中间一格有个值得说清的差别。

换路改的是"怎么做"：目标没变、交付物没变，但工作流为 AI 重排了。Innovate 改的是"做什么"：产出物本身是新物种——NotebookLM 把文档变成播客，这个东西以前根本不存在。一个是 how 的升级，一个是 what 的跳变。

根源是两条梯子站的位置不同：帮手换路改题是组织内视角，同一拨人怎么一步步升级用法；Absorb-Innovate-Disrupt 是市场视角，技术进来后行业怎么换代。对内用前者，对外看后者。

经典案例还是电：工厂先用电动机原位替换蒸汽轴，用了将近三十年才有人反应过来——没有传动轴，机器根本不必挤在一起，于是重排厂房，流水线才诞生。AI 版本正在重演：今天的 Copilot 是换电机，vibe coding 是新物种，而"软件从买变成长出来、用完即弃"是重排厂房——大多数公司还在换电机

AI 在组织里有个超能力——"无需共识的协调"。

以前做数字化转型，最累的就是得先达成共识：先洗几个月数据、把口径统一，再开一堆会让大家"统一思想"，最后逼所有人按一个格式填表。为什么这么累？因为工业时代的协调，前提就是先对齐成一套标准——集装箱能跑起来，也是全球的港口、船公司、卡车花了几十年才统一成一个标准箱。共识很值钱，可建立共识，慢得要命、贵得吓人。

AI 把这个前提给拆了。它能分别学会每个部门的"方言"——客服写客服的工单，工程写工程的 bug——然后在中间实时翻译，谁都不用改自己。你现在只要把原始素材丢给它，中间就有一个 Coordinator 帮你把这些接上了。

这套东西的红利，不在"老活儿省了多少钱"，而在那些聊了几十年都对不上话的部门和系统，突然能凑到一起干活了。而且更神奇的是——这种翻译能力，未必只能用在组织内部，组织和组织之间一样能用。

那一层的想象空间，可能比组织内还大得多。

AI 在公司里用不起来，很多时候不是模型不行，是尺子不对。

组织是一个萝卜一个坑，每个人守着自己坑的形状。AI 的能力却是锯齿形的——它不是按你这个坑塑造的：坑里总有三成它搞不定，坑外它却能顺手覆盖别人的几十个坑。用坑的形状去量锯齿，结论永远是"不及格"；从系统整体角度看，可能反倒是”超预期“。

假设是 100 个岗位的活儿，AI 能搞定每个岗位的 70%，我们给它的评分可能是 70 分，还会嫌弃说”你看吧，就只能帮帮忙，没法完全搞定“。

但站在系统角度，哪怕每个人都是 100 分，交接时会损耗至少一半上下文，整体效果至少损失 10% 吧。每交接一下，损失整体效用 10%，也就是 （100 + 100）* (1 - 10%) = 180。交接 10 次，就是（100 x 10）* （1 - 10%）^10 = 1000 x 0.349 = 350。10 个人合作，其实只能做出来 3.5 个人的效果。AI 则反过来，70 x 10 = 700，虽然每个岗位可能都没有人类强，但上下文传递更有效，很可能总体来说更强（700 vs. 350）。

这也是为什么大部分公司搞 AI 搞那么轰轰烈烈，但落地没有实效的原因——不敢动流程、不敢动岗位设计，硬是想把一个七十二变孙悟空 AI 赛道老黄牛萝卜坑里，自然效果欠佳。

更自然的让 AI 发挥效用的路径，应该是把每个个体喂成超级个体，允许能力外溢，打破原有组织——简单讲就是让个体或者小组织可以做完整的大事儿，一个人扮演 n 个角色，而不局限在具体的萝卜坑里。比如美图的设计师变成产品负责人，特赞的 marketing 变成 Marketing Engineer，安克的非程序员一个人三个月搭完整套供应链系统——打破岗位边界，才能把 AI 真的用下去。

所以更好的方法是自下而上：不是把人框住，而是给责权利、让可能性生长出来。不是用传统的组织限制 AI，而是根据目的重新定义组织、工作流和岗位。

人的思维默认是串行的，脑子一次只能想一件事，所以我们做事的本能是"想清楚做，做完不对改，改了再做"。只有少数高位的同学（比如张一鸣），资源很多，才会想着“这个方向不错，搞 5 个团队同时试 5 种打法赛马吧”。

AI 其实给了所有人这个新的可能性，但因为我们穷惯了（之前没这么多资源），所以经常忘掉——其实我们可以并行开很多线，用数量来提高质量。

最简单的例子，写文案，手艺人思路是憋一版改到满意；并行思路是同时生成 20 个版本、再从里面挑出最好的、或把几版的好句子拼起来。一个难题，与其逼自己想出唯一正解，不如让 AI 并行铺开十几条不同思路，让好方案从"量"里筛出来。质量，不一定要靠一次想对，可以从足够多的尝试里选出来。

所以真正的瓶颈，已经从"你能不能想出最好的那一个"，变成了"你敢不敢用并行去铺开规模、再把最好的收回来"。多数人还卡在串行的老习惯里——这恰恰是用好 AI 的认知差。

效率提高，对很多生意不见得是好事。

有些生意，恰恰因为"有成本"才存在。打印是有成本的，所以才有杂志——这道成本筛掉了大部分竞争者。一旦互联网把分发成本剥到零，这道墙塌了，留下的只有"内容到底值不值"这个裸问题，于是大量杂志死掉，只有真有内容的活了下来。

Benedict Evans 把它拆成两层：CD、印刷、线缆、门店，是”不得不支付的成本“；音乐、新闻、电视、商品，是 JTBD 是用户想要的。危险就在这：很多公司以为自己在满足用户需求，其实只是在更有效地“支付这些成本”。

这种情况下，降本增效的终点，其实是把自己真正的门槛做没掉。

每一轮降本增效成本降低，这个生意的基石——有效率地搞定这些成本——就弱化几分。