AI 是杠杆，但杠杆有代价，你的执行力越高，分给思考的时间就越少。

最近各种聊 AI 相关的话题聊的越来越多了，有一次和蒋老师出去吃饭，在一个政府国企附近的小馆子，听到隔壁桌两个人在讨论 AI。看穿着和聊天的口吻应该是某个国企的高管，我本来想听听不同行业的人对 AI 的理解到了什么程度，就悄悄竖着耳朵听了一会。结果听了半天，他们觉得 AI 最大的价值是可以帮自己润色发言稿，相比自己写提升空间巨大，台下人听讲时氛围比之前也好了不少。

说实话我当时的第一反应是有点无语的，AI 的能力明明远不止于此，怎么到了他们这里就变成了一个高级版的 WPS 呢？但静下来想了想，我又觉得这件事没那么简单。到底是他们真的这样想？还是只是饭桌上的谈资？毕竟一般来说，年纪越大或者说掌握资源越多的人，总是会更不习惯接触新事情的，但也不一定，可能是我观察的角色不对。我相信肯定有很多位高权重的人是真的了解 AI 能发挥什么价值的，只是这些人总体是少数。

那些接触前沿科技、了解前沿知识的人，始终都是少数，这一点跟 AI 无关，跟任何新技术都一样。

但后来我又多想了一层：他们对 AI 的理解，是建立在他们已有经验的基础上的。在他们的经验里，写发言稿是一件耗时且重要的事情，AI 能帮上忙，所以 AI 有价值。这个判断本身没有错，只是它只是冰山的一角。他们看不到冰山下面的部分，不是因为看不到，而是因为他们的经验没有给他们一个"往下看"的入口。

这件事其实反过来问我自己也一样。我一直在跟 AI 互动做项目、搞实验，有时候 AI 会动不动就夸我，说我很前沿、思维很新、理解很深。一开始我还挺受用的，后来慢慢觉得不对劲了起来。它夸我的依据是什么？其实还是我给它的输入。我问了一个有深度的问题，它说"你很前沿"；我做了一个有意思的尝试，它说"你的思维很新"。这些话不一定是假的，但它是被我的输入塑造出来的。AI 不会主动跟你说"其实你对 AI 的理解很浅"，因为它没有那个立场，也没有那个动机。

所以我一直会有一个担忧：以我目前对 AI 的了解可能也只是在产品经理这个岗位角色下排名一半的位置，我也没有把 AI 了解的很深入。但 AI 又会动不动就夸我，那这到底是我的经验还是我的偏见？还是我的路径依赖？

这其实就是我最近一直在想的那件事：经验是资本，但它同时也可能是偏见。

经验是一种软资产

在 AI 没有出现之前，快速响应、快速学习、快速分析好像是产品经理的基本功。你拿到一个需求，快速拆解、快速出方案、快速对齐、快速推进。这套流程跑了很多年，跑得很顺手。你的经验在这套流程里不断沉淀，慢慢变成了你的品味、你的思考方式、你的判断依据。这些东西不仅仅是历史案例，它们沉淀出来的品味、思考方式、习惯、判断依据，就像 RPG 游戏里主人公身上的装备和道具，你带着它们一路过关斩将、奋勇杀敌。

每一个你经历过的项目、踩过的坑、做过的决策，都给你加了一件装备。装备越多，你越觉得自己强大。

但 AI 出现之后，这件事变得有点割裂。一方面，你再快速也没有 AI 快速。你花好几天做的竞品分析，AI 十分钟就给你拉出来了。你花一周做的需求拆解，AI 几秒钟就能生成一份看起来像模像样的文档。你以前引以为傲的"快速"，在 AI 面前突然不值钱了。另一方面，人们好像都有一个短期的直觉：这些软资产的 gap 都可以被 AI 很快抹平，所以不重要了。

真的不重要吗？

品味这个东西，背后其实是要下结论、做决策的。AI 可以给你十个方案、二十个方向、一百种可能性，但最后那个"好，就这个方向"的决定，它做不了。因为决策不只是信息处理，还包含了对后果的承担。AI 不承担后果，所以 AI 给出的"品味"是悬浮的，它看起来很专业、很有说服力，但它没有在任何一次错误判断里吃过亏，也就没有真正学会什么是"对"。没有决策和拍板的品味，很难讲是不是真的品味。

空杯是一个伪命题

而且这里有一个更隐蔽的问题，就是我刚才说的，AI 的夸奖本身就是一种偏见放大器。

你跟 AI 互动的过程，其实是在一个被正向反馈包围的环境里验证自己的判断。你觉得自己理解 AI，AI 也告诉你你理解 AI，于是你更加确信自己理解 AI。但这个循环跟那两个在饭桌上互相确认"AI 就是润色发言稿"的高管没有本质区别，都像是在一个封闭的反馈回路里强化已有的认知。

你越是觉得自己理解 AI，你越难发现自己理解的边界在哪里，因为你的经验会帮你过滤掉那些"不符合你认知"的信息，而 AI 的正向反馈又会让你觉得自己的认知是对的。

这其实也是一种路径依赖。做产品的人，必须要习惯从"需求-场景-用户"的角度去看 AI，这虽然能看到很多别人看不到的东西，但同时也很难让自己换做从"技术实现""商业模式""组织变革"的角度去看。你的经验帮你建立了一条高效的认知路径，但这条路径同时也限定了你能看到的风景。

而且这里还有一个很少有人提的观点：有人说张小龙或者马化腾都能瞬间把自己变成一个完全没有上下文的用户，以小白的视角来 review 产品提供建议。但仔细想想，这不也是一种偏见吗？把自己变成小白这件事，本质上是用经验模拟无知。但模拟出来的无知，永远带着模拟者的影子。人们说张小龙们那种"把自己当成一个什么都不懂的用户"超级牛逼，但他脑子里的"什么都不不懂"，是他理解的"什么都不懂"，也就是一个见过无数产品、理解无数交互逻辑的人，选择性地忽略某些信息之后的结果。

我感觉这不是空杯，这其实有选择地倒空，倒掉哪些、留哪些，本身就是经验在做决定。

而且这里面有一个更尖锐的问题：你怎么能确认用户真的就是你所以为的这么蠢呢？ 用户不是蠢，用户只是没有你的上下文。而产品经理又很容易把"没有我的上下文"等同于"认知水平低"，这两件事差很远。你越是觉得用户需要被简化引导，你就越会设计出"把用户当傻子"的产品，然后用户的反馈又会验证你的判断"你看，他们果然搞不定"。又是一个封闭的反馈回路，不断强化你已有的认知，但如果只是按照上下文的场景来分析，在用户的视角里，这些躲在产品背后 YY 需求的产品经理们，是不是也很蠢？

所以空杯心态可能是一个伪命题。真正的空杯不是倒空自己，而是承认我们压根就没法空杯。我知道自己的经验在帮我过滤信息，我知道我的判断带着路径依赖，我知道我的"用户视角"只是我的视角。承认这件事，比假装自己能做到空杯，有用得多。

跟着人走的和冻在原地的

说到经验作为资本，有一个例子我一直觉得挺有意思的。

我经常在想，快递员在每天的工作里熟悉了地图、了解了每一个收件人在家的时间和喜好，但假如遥远的那一天真的到来，快递机器人普及了，这些软资产真的能被一个"快递员.skill"替代吗？表面上看，地图可以精确到厘米，时间可以学习历史数据，偏好可以通过反馈积累。但快递大姐知道 3 单元的李阿姨下午三点在家、她喜欢把快递放在门口鞋柜旁边、她签收的时候喜欢聊两句，这些知识不是从文档里学来的，是在每天重复的互动里长出来的。李阿姨今天心情不好不想聊天、她家今天有客人不方便开门、她临时改变了收货地址，这些即时的、一次性的、上下文相关的变化，似乎只有快递员才能秒级响应。

这里引出来一个更本质的问题：有些软资产的价值不在于它本身有多复杂，而在于它是"活的"，它在持续跟环境互动、持续更新、持续适应。

一旦这个互动停止了，这些知识就冻结了，变成了一个静态的数据集。而静态数据集和活的经验之间的差距，就是"知道"和"懂"的差距。

顺着这个思路想下去，我发现可以这样区分一个人的经验。一种是跟着人走的资本，比如你怎么拆解问题、怎么理解用户、怎么做取舍判断、怎么在信息不完整的时候做决策，这些能力不依附于任何具体工具，换一个工具、换一个平台、换一个行业，它们依然有用。另一种是冻结在场景里的资本，比如你对某个特定工具的熟练度、对某个平台规则的掌握、对某个 API 的了解，这些技能的价值依附于那个场景还在，场景变了，它们就贬值了。

所以市面上那么多的 skill，判断通用性的标准其实就是看它到底在固定什么东西，是思考方式，还是其他具体答案？如果一个"快递员.skill"编码的是"怎么规划路线""怎么处理突发情况""怎么跟人沟通"，那它是通用的。但如果它编码的是"3 号楼李阿姨下午三点在家"，那它是专用的，场景一变就 GG 了。

对打工人来说，核心还是要抽取通用资本，除非你觉得你一辈子都能在一家公司待着，那专用资本确实有必要。

但这个就是每个人自己的选择了，或者说就是对品味的选择？选择积累哪种资本，本身就是一种品味的体现，选择留在一家公司深耕专用资本是一种品味，你赌的是这个场景的持续性；选择不断跳出来抽取通用资本是另一种品味，你赌的是自己的迁移能力。没有对错，但这是一个必须做的决策。品味不是审美，品味是一连串决策的总和。你之所以有品味，不是因为你见得多，而是因为你在见的过程中不断做了选择。而这些选择本身，就是 AI 做不了的事。

出了问题算谁的

这里还有一个很少有人正面讨论的事情。

很多公司现在都要求员工要用 AI，要求你把自己的经验总结成 skill，训练成 agent，沉淀成 RAG。我想本质上和以前要求你写文档、建知识库是一样的逻辑，你在公司环境里做的所有产出都归属于公司，无非以前是格式规范和经验文档，现在是 skill 和 agent。跟程序员在代码里写的注释没什么区别：什么场景写了这个代码，这个代码到底是有用还是没有用，到底建不建议后面的人去修改。

但有一个更尴尬的事情：就算你用了前人总结出来的 skill，出了问题呢？代码可以回退，但你的判断经验、你基于 skill 建立出来的新品味，能回退吗？如果经验被 AI 学会了，那学会的到底是好经验还是不好的经验？

更尴尬的是，当你发现自己的经验对 AI 不值一提的时候，你怎么办？是继续优化 skill 觉得是工具没写好？是埋怨 AI 觉得它不过如此？还是顾影自怜开始怨天尤人？其实我也不知道。

我觉得这三种反应分别对应三种人。第一种是工程师思维，工具不好就改工具；第二种是防御思维，不是我不行，是 AI 不行；第三种是老实人的思维，是不是我的问题？但其实三种反应都不完全对。

真正该问的问题是：我这段经验，到底是通用资本还是专用资本？它在这个场景里不值钱，是因为它真的没价值，还是因为它被放错了地方？

杠杆的代价

写到这里我想起了一件跟 AI 没什么关系的事。

很久以前我和蒋老师一起出门，和门口保安打招呼的时候，保安顺口说了一句"很久没有见到你们骑车出门了"。我们和保安说因为最近都在开车有点忙了。他说"怪不得"。但这件事不会出现在任何 skill 里，也不会被任何 AI 学习。但这就是小区保安师傅的经验和资本，是他在这个位置上积累的、只属于自己的东西。

AI 是杠杆，这一点毫无疑问。它让执行力的效率提升了很多，你以前要花一天做的事情，现在一个小时就能搞定。但任何杠杆都是有代价的。你的执行力越高，你分给慢下来仔细思考的时间就越少。这看起来是一个正向飞轮，做得快、反馈快、迭代快，但它在隐隐之中稀释了你的思考和判断，同时悄悄重塑了你的经验和习惯。

不论你是和 AI 讨论方案、设计 skill、写代码，还是跟它瞎聊，甚至你完全不用 AI 而是在线下跟一个同事交流，那些写得漂亮的、讨好你的、让你感到开心的 AI 或者人类，都会让你不知不觉地把有限的注意力和精力更多地给到他们。你觉得自己在高效产出，但你产出的方向，可能早就被这些东西悄悄拽走了。

但你说这件事是不是跟自己的经验有关？我觉得是。

那些真的让你觉得有价值、有意义的经验，应该是在你犯错或者承担了代价之后才形成的。你做错了一个判断，产品翻车了，客户骂你了，你花了很长时间才想明白问题出在哪里，这个过程是痛苦的，但它留下来的东西是真的。而那些没有成本、一路顺风顺水形成的"经验"，真的是经验吗？还是只是你在一个被正向反馈包围的环境里，以为自己学到了什么？

我不知道。但我觉得有一件事至少是对的：在用 AI 的时候，记得要停下来问问自己，AI 说的到底对不对。不是去问 AI 来验证 AI，而是用自己的判断去验证。每问一次，你自己的通用资本就多一点。那些能跟着你走的、不被任何工具取代的能力，也就多一点。

至于保安大哥记得我们好久没有骑车出门这件事，以后会不会被某个 APP 取代，那是以后的事。至少在今天，他让我们觉得小区的保安不仅仅是保安，也是真的在关注我们的生活。

经验不分好坏。它帮过你，改变过什么，让你成为了现在的你，那它就是对的经验。对的经验没有发挥出价值，也许唯一的原因是它被放到了错的地方。

人也是这样。