0. 前言
本文起的名字很放肆，但这个阶段该聊一下这个话题了，此时26年7月，正值AI 变革。周遭的环境变化挺多，大家难免焦虑，尤其是老大哥和刚毕业的小朋友。
AI 出现之后，大家的重心和注意力，发生了大量变化，割裂感十足。“感觉需要会的更多、又感觉不需要学这么多”、“眼看明天要被淘汰、今天AI 就略微智障”、“AI 确实啥都懂，但也喜欢吹牛X”。
这些情况对于大多数同学，会有种找不到着力点的感觉。注意力和重心不是变化，而是“混乱” + “消散”，导致“假性生产力解放”、“ 原有竞争失势”。
我想说些什么？
最近一直在思考这个变革的环境，也看到自己团队冒出的种种现象，尝试给自己和大家解解焦虑，同时正值校招入职，尽可能不让萌新走弯路。
初始观点：AI 还远没有改变社会的竞争本质，它改变的只是竞争发生的位置。
竞争的核心，从「信息掌握和技能执行」到「有效判断和合理组织」，判断力会变成稀缺资源，组织能力会从TL逐渐下沉到一线，坚定的判断也是缓解焦虑最好的方式。因为AI 本质上是在优化答案空间，而不是优化问题空间。对于问题、环境、时机的判断去优化问题空间，利用AI对于答案空间进行高效填充，将是未来的关键。
本文从当下生存、生存延续、生存质量、团队变革，对于判断力给出了具体的拆解分析、构建技巧，还有我个人的一些观点，比如对于：「变革时哪些事儿更重要」「技术&业务预判的择时、择机、提前量」「变革时技术的潜在机会空间&成本变化」「如何跳出职能思维，从实用价值看变革」「模糊环境/问题中的决策建立」「个体/组织的变革差异性」，其中包含人性分析、业务理解、发展分析、势能分析、组织分析等不同的视角。
下面我们详细聊。
1. 生存问题 – 工程素养
- 观点一：对于工程师，AI Naitve 就是「AI 、工程师」融为一个整体，不做部分观察
AI Native 对自己最好的评价方式，就是忽略AI本身，你依然是一个工程师。重新、完全考虑个体的贡献，无论是效率、效果，又或者产出厚度，这才是完全用AI。虽然现在业内每家公司都在看AI 的过程指标，也只是想让大家正视AI，避免大多数人错失AI 机会，而导致公司错失 自下而上的AI 机会涌现、或者自上而下AI 无法落地，同时避免汰换成本 而已，与忽略个体AI 并不冲突。
对于一个工程师而言，之前的时候，基础的工程素养是必须的。抓住AI 机会之后，得重新审视「我和AI」的工程素养。过去一年，随着AI 热起来，出现了两个极端：
- 有一类工程师找到了自己的新注意力点，AI 用的如鱼得水，提了效率、做了改进点、甚至搭建出新的产品形态、商业模式；
- 有一类工程师，肉眼可见的工程素养下降，看似生产力解放，实则质量、生产力都在下降，大家AI Coding一时爽，我代码看到吐；
AI 时代很多能力变得没那么重要，比如那些shell熟练度、语言丰富特性、代码“熟练工”、信息获取能力、语法优雅糖等等吧，但是「守底线的工程基础」「更强逻辑思维」「更强学习能力」，将变得更加突出。大环境：高速变化、人心浮躁、浅尝辄止，对于当下“活下去”这个问题，我们的注意力应更多的放在守住底线、跟住变化、逻辑落地上，就是听起来可能有些“守旧”、“古典”
1.1 AI 并不担责：为性能、稳定、安全负责的工程基础
- 观点二：从人性出发去看AI 不擅长什么，而不是从能力边界去看，以此形成生存之道
AI 并不承担任何责任，每个工程师要为自己的代码负责，AI 能力越来越强，越来越少犯错，AI Coding 之后的一把梭越来越轻松，让大家习惯于good case编程，是当下逐渐丢失工程素养的重要源泉，一键采纳AI Coding、一键采纳豆包的“巴西能赢”，没有本质性差异。
对于新入行的同学，初生牛犊不怕虎，也没有经历什么故障的毒打，只知道AI 又快又好，对AI 的代码质量充分信任，也就更不会关心AI Coding 背后那些语言、操作系统、数据库、网络的基础知识。
恰恰就是这些计算机基础的掌握，代表了一个工程师的基本素养，建立起基本的生存能力，更准确来说：「源于计算机基础的工程质量判断力」，这些东西不能丢，同时你可以用AI 做的更好。
当然某些设施、某些环节、某些角色能为 性能、稳定性、安全负责，让AI 间接完全可靠时；或者AI 的犯错概率已经远超人在机制下的犯错概率；这些能力可能会退化为更高天花板的基础支撑，但至少会提升逻辑思维、学习能力、触类旁通的能力。
1.2 逻辑思维不是一蹴而就
- 观点三：都练了葵花宝典，谁的葵花宝典更厉害？
AI 在特定环境和约束之下，完全解决了很多问题，AI Replace，完成了新老模式更替。但是原始AI（包括其他原始技术），并不是开箱即用的，是需要工程建设和应用逻辑的，这些技术、工具的建设和应用姿势是工程师所设计出来的，coding 只是工程师的一小部分工作。
这些建设和应用逻辑，来源于工程师对世界、问题的理解、技术的掌握，以此完成方案的构建。这些“建设/应用逻辑”本质是工程师素养中逻辑思维的一个具象化表现，比如harness 就是个落地代表。
这些逻辑思维就是工程师画像的底色，而且逻辑思维这东西，是需要刻意、大量训练的，并且需要在特定的环境、场景下的训练。
并不是让大家不用AI，自己学自己练，而是把AI 当个人，当成同事，我们要关注AI 背后的逻辑，让他说服你，多关注AI 背后的推理逻辑，多看看为什么，在采纳过程中，训练逻辑思维，是AI 时代的一种建立方式。逻辑思维的价值在变革时代，会更加凸显，想的通透、讲的清晰、落得调理，是这个阶段最需要的。
1.3 学习能力仍然是基本盘
持续学习，并且能学会的能力，一直是工程师这帮人的核心竞争力。AI 时代是同样的，所谓“知识平权”，AI 只是降低了信息获取的难度，一定程度的平权，并不代表学习能力的平权。
2. 生存延续 – 架构素养
之前写的那篇《这些年对架构的思考》中的观点，供需的价值视角、问题&手段、技术执行、技术视野、技术判断这些仍然有效，补充一些新的观点。
在AI 时代，架构的重心和注意力发生的变化更大，作为一个架构师，你看到的会是：新技术稳定冲击现有体系、架构，并且新技术高频迭代，每周都有新词儿、每月都得做个大更新已经成了常态，甚至上个月的决策还没落地，这个月就推翻了，同时我们面对的不再是“稳定的交付行为”、“稳定的交付产物”。我们应该在这种环境里，去看到那些架构素养的新要求。
2.1 抬头看路：加强技术预判，学会留白
- 观点四：AI 变革，关键是「时机」，“领先第一步先烈、领先半步是先进”，打好提前量、学会等待，应对好冲击
之前聊架构，讲的总是技术给业务发展，打出至少半年的提前量，技术体系是相对稳定的，方案选择差异而已，但今天时代变了。
技术变化当下是更迅猛、不可控的，但是技术发展趋势是相对确定的，我们清楚基模的发展方向、应用厂商的发展预判。最近出现的词儿有点多，prompt、mcp、harness、skills、意图识别、记忆机制，别被分散精力，聚焦在目的就行，总之就是“又快又好又便宜”、“泛用度”。
提前量怎么打：
多问下自己，如果模型能力提升50%、100%，哪些建设会被颠覆、哪些扩展位有效、当下设计是否兼容、质量是否得到保障。
第一，「可控」，让自己所持有的系统、使用习惯，拥有“可迁移”特质，换个模型能不能玩的转、如何保证灰的明白、怎么diff出差异；
第二，「留白」，当下模型达不到不代表方案不合理，方案设计不能以当下为基准，要考虑模型发展速度，等模型来填充最后一步；
第三，「不破不立」，不要为历史包袱、沉默成本，影响当下的判断，尤其那些“上一代系统”、“弥补模型不足”，推倒重建更快；
第四，「动态保障」，AI 时代的质量体系，并不是围绕一次性需求交付发生的，准确来说模型的每次调用，都是一次交付，不管模型怎么变，控好出口；
时机怎么选：
“等一等，就不用学、也不用做”，并不是一个玩笑观点。学会等「时机」非常关键，适当的预判模型的成长速度和成长方向，之前给业务打提前量大约是半年，现在看AI 大概在4个月左右，如果是业务应用，要综合业务提前量一起看，做实验的时候多留几个空白组，保留新AI 技术的涌现可能。
2.2 低头捡钱：不仅供需价值，更得“快速变现”
当下，你不围绕AI 做点事儿，总感觉差点意思，已经快成“多数共识”了，AI 肯定得做，但是除了前面提到的时机，更重要的是「切入点」。思路上与此前技术赋能的大思路相似，但是节奏上比此前更急、更没耐心，大家都在抢空白、抢收益，又或者被动推着走，这个是不得不承认的事实，也是每次变革时的正常现象。越变革、越蓝海、越得抢。
这种环境里，靠逻辑、靠故事，仅有终期一次性、远大的价值是不够的，要有短期、中期、长期价值的持续涌现。最好你做的这个事儿，能随着AI 成长，不断的涌现新价值。一定要低头看看自己手里的牌，你掌握哪些资源、原本的站位、业务的环境，既有的业务借势、资源优势、上下卡位、组织定位 都是最好的切入点，你做的东西应该是“顺势、擅长且合理的”。
那围绕AI，除了基模、基础GC，我们还可以从哪些视角搞事情，同时做出正确决策，避免被误判犯错，看看大思路
- 观点五：“金矿门口卖铁锹” 总是没错的，甚至还可以抽水卖配套，在潮流中站稳脚跟
做AI 的补全角色，多维度思考AI 到底不擅长、不适合什么，从人性、能力边界分别去思考。过去harness 工程、skills建设、记忆机制，还有最近在炒的潜意识啥的都是在解这些问题，当下AI 不是“全能”，还需要配套的辅助。
- 站的近点，就围绕AI 能力缺口做控制/扩展工程，for 理解、生成 做事儿；比如，harness工程；比如，个性化记忆机制；
- 站的远点，就去关注“人用AI时的阵痛、靠近人性” 的那些基建，麻烦、惰性、责任都行；把前两年不要随便造轮子的观念丢掉，现在变革阶段，需要大量的轮子涌现和选择。比如，DevOps的AI 友好；比如，AI 的质量鉴别&管控；
- 站商业视角，做加工和配套，把AI 当作电机，他可以是剃须刀、也可以电动车，配套往往会有「基础产品 + 增值服务 + 快消服务」
- 「 + 配套」变「服务」才是我们该做的，生视频、生图片、做推理、做策划，甚至虚拟员工；
- 再进一步，更牛逼的“品味”和“审美”、配套的知识，做升级付费；
- 对于快消服务，除了token外，哪些东西是AI 的易耗品，有限才能快消，比如有限个性化记忆空间，卖session位、分身数量、上下文宽度、长期记忆空间。
2.3 耐住波折：变革时期的成本学
交付产物、交付模式，在变革阶段都变得不太稳定，各种AI 产品、各种跨站交付，不稳定交杂在一起，方方面面的波折都是难免的，谁先过河、谁经波折。如果你是一个团队的架构师，而不仅仅是一线工程师，除了守住底线、逻辑思维、学习能力以外，要更关注和容忍成本、犯错上的波动。
观点六：路径依赖会放大旧模式的价值，增加新模式的转换成本
经济学里有个绕不开的概念：转换成本。它不仅包括钱，更包括时间、习惯、组织流程，乃至整个公司协作的重新适配，这个东西会和摩擦成本做个乘法，导致总成本直线上升。不要小看，旧体系经过漫长时间，多次磨合后的「成本压缩能力」。
一个广泛使用的软件、一套通用的行业标准、员工多年积累的默会知识，构成了巨大的“默认技能”，这里的默认提效是巨大的。而AI 的新研发体系哪怕在试验田里，指标再漂亮，一旦泛化大量真实场景，就可能陷入“叫好不叫座”的窘境，这是正常的。甚至站在人性，会有人为了“保护自己”，拒绝提效。
要接受短期的成本上升、要接受大量嘘声，大量的蛰伏、磨合期都是正常的，变革阶段，有人骂、有人否定是好事儿。你所设计的：模式、产品、体系，这些东西的优势只有在整个系统（包含使用者）共同进化到某个临界点后才会显现。
心理按摩一下：提前测算转换成本，做好假设声明；容忍短期不足，先跑起来再说；成本上升&效果下降别慌，能解释的通；短期失败别踌躇，理性放弃/坚持；弯路嘛，换谁也得走一下。
2.4 成为“意见领袖”：创新的扩散
观点七：提高自己的影响力，是在变革阶段想法落地、产品推广，成本最低、最有效的方式
即使你做了一个很有效的产品、体系、功能，哪怕已经落地了，逻辑十分自洽，实验证明不错，但是离成功还很远。
就传播学来看，这种变革、创新的扩展，不仅是个“推广”的技术活，更是一个社会化的过程，是需要认真研究下接纳人群的社会模型的。
在传播视角看，本质是在极短时间传播、通过政策&导向&口口&宣发，在公司/社区传播的过程。是一种特殊类型的传播，具有大量新奇、不稳定、功利性带来的不确定性。即使优势尽显，也可能会推广失败、扩散缓慢，酒香也怕巷子深。
尤其面临的是技术创新点，不容易被端到端的定义，但是一个大版本、一个技术创新包是相对容易的。同时要关注创新的属性和用户对他的认知，其中的一致性决定了创新被采纳的速度，有竞争者时，要关注相对优势。
最简单的方式，是提升技术影响力，自己成为这个领域的意见领袖，并让其他的背景更相似的意见领袖完成首批推广，传播的关键是受众，而不是创新本身。每次变革阶段都会涌现出一批新的意见领袖，也会有很多意见领袖失信。
3. 生存质量 – 业务素养
在变革阶段，总会模糊上一代的很多边界，AI 来了尤其明显。目前，别管是前后端、测试、算法，总之研发内部一通互干，码奸频出，产品也觉着自己能干技术，前端也在拉设计下水，销售觉着都有AI了你们怎么还这么挫，一家比一家敢整活。
不管怎么操作，就两个方向：成本端压下限，收益端拿上限。两个方向都做是肯定了。前面聊了比较多的都是站在成本端去做描述，第一反应都是不想被行业甩下车，其次现在每家成本空间都很厚。而且技术/HC 这件事儿，在有限市场本质就是个成本的活，就算不计投入，也只不过在增长时，打规模/扩张逻辑而已。
真正值得好好布局的，尤其是个人发展布局的，我认为是要锚定收益端。成本端大概率会在1-2年内，收敛为专项团队，且交付模式完成转型、重新的边界会再次形成，像是此前的infra、最佳范式一样的走向。身在其中，改变不了啥，如果没兴趣，倒不用危机感那么强。
3.1 把视角放在「业务域」，而非「职能角色」
弱化职能思维、弱化自身职能角色，不是让你去干掉其他职能，而是更多放在创造业务价值上，成为一个非典型的工程师：“从现在起，你首先对业务成长负责，然后对技术演进负责”。
回归计算机出现初期，没有那么多的职能区分，从现实（业务）视角去定义问题、解决问题。尤其在技术逐渐平权的趋势下，业务理解和认知会变得愈发重要，从大业务域出发去理解，从子业务域出发去解决。
- 学会定义问题：业务建模、问题定义
观点八：“这是一个怎样的生意”、“我的客户是谁”、“我面临哪些问题和机会”
下面给一些初步让自己懂业务的基础方法，高阶的对于业务的理解、认知、直觉，需要大量的训练和实践，总会出现方法大家都懂，有的人很简单判断出机会点、有的人一脸懵逼，这东西依赖经验背后的“业务直觉”、“方法迁移”，一点视角差异、灵光一现，差异就会很大。
当要深入业务，但无从下手时，简单的技巧是，把你做工程师时所擅长的架构建模技术拿出来。用工程师的语言，更结构化、清晰的描述出运作逻辑，运行视图的各种流拓扑、用例图、逻辑结构构成，都是你可以用的技巧。然后去关注那些“不合理、长路径、带杠杆”的业务点，锚定去做就好了。
第一，业务建模，至少应该知道一个怎样的生态；生态中有哪几类角色；角色的群体构成（可以有的分类逻辑）、个体特征是怎样；各角色的服务路径是怎样的；群体/个体间的连接关系&影响关系；
第二，数据填充，围绕前面建立的模型，把洞察体系建立起来，个体/群体/连接关系/关键路径都要有，围绕路径看漏斗、围绕群体看特征、围绕个体看现象、围绕时间看趋势、围绕场景看差异、围绕交互看体验、围绕竞对看优劣和竞/争，看渗透、看分布、看趋势、看对比、看奇异点；
第三，定义问题，问题分为两层，第一层是既定事实，第二层是可求解对象。既定事实，需要被总结、归纳、分类、量化；可求解对象，需要定义差距、可被拆解；从既定事实到可求解对象，简单来说就是一个因果推断的关系，要有影响的逻辑链路、要有佐证的数据基础；
- 学会解决问题：技术是重要手段之一
观点九：“聚焦当下解决问题的方法/方式，而不是对应的角色，更不是替掉对应职能”
在脑海/文档中大致完成全盘的问题定义，再看清手里的牌，技术手段是重要的，但技术只是手段之一。不迷信技术，不聚焦在技术实现的这个产品系统内，才能更好的应用技术。
把视野拓宽至每个环节/方面，“这些同学/工作分别在解决什么问题”，销售同学做了什么？运营同学做了什么？产品同学做了什么？政策同学做了什么？资管同学做什么？法务同学做了什么？客服同学做了什么？重点是工作日内容。
第四，改善/变革，任何能改善或变革现有问题的手段都不错，聚焦问题本身，「效率提升、效果提升、ROI提升」都行，聚焦现在解决问题的方法/方式，而不是对应的角色。你的目标应该是更好的去解决相同问题，最大改善、不轻易变革、不妄想一步到位。
剩下的就是问题的具体解决执行了，不展开，关注好优先级、量化、问题引入、逻辑自洽、风险卡点就可以了。
3.2 AI 在业务中扮演什么角色？
观点十：这波AI 技术热，大概率会看到预期的自我实现，沿着对业务的渗透提前布局
变革类的技术落地，往往会“热”两波，第一次预期的建立（当下），第二次具体的业绩兑现。预期阶段是主动参与的，高赔率、容易夭折；业绩兑现是被动参与的，只能喝汤但路径清晰，看个人/团队/公司风格，选哪个时机都没问题，个人判断是这次大概率会看到“预期的自我实现”，倾向于早点去吃螃蟹。
按照过往技术的渗透模式，从新兴技术、到有用技术、到实用技术、到变革技术，AI 会从话题、到工具、到手段、到新生产力，角色是在不断变化的。
分别对应：首先，AI 是具有变革潜力的技术，重点是潜力；其次，AI 是一种新的技术手段，可以用来更好的解决问题；然后，AI 是一种新的产品形态，衍生出AI 产品/服务；最后AI 真的是一种变革技术，有生产爆发带来的产品/服务的形态变革。沿着这条路径做建设程度的布局会相对稳妥。
要结合当下AI 发展的阶段，去预判该解决哪一层的问题，当下应该是实用技术，锚定产品形态/服务升级。
3.3 每个人都要有自己的“商业模式”
延续我们在业务中，如何提升业务素养，在变革期，岗位边界模糊、职能重构频繁，沿用“我是什么角色”的思路很容易被困住。反过来，从“我能解决什么问题”出发，更容易看清楚自己的生存空间。
把你变成“产品”，定义你的“服务”、识别你的“客户”、设计“盈利模式”，就是现在该做的，这同样是业务素养的一种。
观点十一：尽早选择自己的商业模式，建立成长路径
在AI 逐渐解放生产力的过程，独立贡献者的价值会加倍的被放大。每个人都应该有自己的商业模式，找到交付自己价值的方式，建立个人的核心竞争力。
- 业务路线
- 类似前面提到的，把技术变为业务成果，比业务更懂技术，比技术更懂业务，最终成为那个“对业务成长负责”的非典型工程师
- 专家路线
- 在特定领域拥有超越AI的判断力和兜底能力，拥有深度、稀缺的领域知识，在边界场景、风险场景下“AI做不到或做不好”的那部分判断力
- 管理路线
- 通过构建组织，“让一群人和AI协同得更好”的组织环境、流程机制和决策框架，放大集体产出
另外有个小观察，“独立小作坊”的量级正在快速上升。
4. 个人转型和团队转型的差异
前面聊的「当下生存、生存延续、生存质量」都是for 个人的，个人的转型的过程中，会碰到大量的阵痛，对于个体而言，克服一下困难、容忍下试错就好了。大不了我就等等，市场又不关门、又不是原地淘汰，等机会再次出现、等环境推着自己改变、等路径清晰模式照抄，和解焦虑就可以了。
但是团队转型完全不一样，大量阵痛依旧存在，但责任和代价会更大、试错更难被容忍、负面情绪会蔓延、质疑声会放大、团队步调一定会不一致，这都是肉眼可见的问题。
4.1 责任主体变大 + 情绪传染：容错空间急剧收窄
成本上：个人自身的试错成本一般都是隐性的，加加班、下次好好干往往就能搞定，但是团队的不是，立项、汇报、人力消耗，都是显形成本。
组织上：大多数老登组织，都会追求即期绩效、主流一致，天然与新兴变革冲突，如果直接发生冲突，要么压抑技术、要么组织失序。
情绪上：失败往往比成功更容易传播、焦虑情绪这些负面情绪更是会传染和放大。转型初期，一定会有大量的外界负面的质疑噪声。这些都是人性的惯性。而且转型这个事儿，团队也会比个人更难，不能更激进、也不能一动不动。
- 观点十二：“找确定性成果” 避免夭折，“重塑容错”保持延续
事情的落地机制上，一个机会点只要方向对，一定会有一些相对低垂的果实或者确定性的成果存在，锚定这些事儿，去开个好头，首先建立相对积极的团队情绪，对外界也是一种合理的“自证”。
对于深水区的内容，要有合理的容错机制，“虽然开始打了胜仗，但是后面是深水区，小面试的试错是正常的”，容忍短时间的炼丹、容忍过程性的试错。
接受有些阶段“效率不升反降”、有些阶段“质疑比成果多”。只要大方向没错，只要团队在持续往前挪动，这场转型就还是良性状态。
其次，找对责任人，让那些“败不馁”的同学抗住关键的责任，选人的时候，不能套所谓的能力动力余力成长的分工公式，这个阶段更要看哪些人能“磨得起心性”，把阵痛的影响面缩小。
4.2 认知偏差 + 步调差异：团队畸形发展
现阶段大家对AI，存在大量的认知偏差，个人转型的时候，靠自驱力、靠自身认知，直接做出改变就可以了。但是团队不行，大家是一个做事儿的整体，小的认知偏差可以拉齐，大的认知偏差很难共识。
其次，团队成长的步调差异，会随着AI 的发展逐渐放大，这个不仅仅是对于AI 的掌握，会表现在方方面面，业务理解、技术能力、AI 实用、生产效率都会有，有的人极速成长、有的人极度缓慢，硬要拉到一致只会拉慢最快的人、拉崩最慢的人。
认知偏差、步调差异，会导致项目落地过程中，引发内部的质疑，并且态度不一致、行动不一致，进而导致“执行力”，极大概率会用不到一块儿去。
观点十三：高潜提前配高压 + 建立底线，找一个合理区间，良性转型
我的风格是相对“强硬”的，我认为要明确导向（提升结果论占比）、底线（至少接受），文化和制度，软硬皆施构成筛选，否则对立之后，团队的内部摩擦成本会急剧上升，团队的转型的难题，会从“业绩攻关”变成了“内部消耗”。
关键问题：转型中最危险的不是“有人走得慢”，而是“走得快的人被走得慢的人拖到失去耐心”、“高潜在变革中发展过快导致的内源性脆弱”。高潜在变革期往往是最先觉醒、最先动手、最先出成果的那批人，但他们的处境也最脆弱，要么几次失败放弃、要么被磨平锐气、要么忍不了环境选择离开。
给高潜提前配高压，这里的“高压”并不是压榨，而是把最难啃的骨头、最不确定的方向、最需要探索的深水区，有意识地交给这批人，让他们有足够的空间去试、去撞南墙，而不是让他们在团队的平均速度里干耗着，不仅趟了路，还在成长的初期，足够的受挫，拿到的是贡献感、而不是优越感。
4.3 利益格局的变化：否定“谁做AI 谁拿好绩效”
个体转型、团队转型，在利益层面个人是选择、团队面临所谓“公正性”。
首先树立转型的导向，并不代表着谁做AI 谁拿好绩效，除了AI 项目以外仍然有非常多值得深度投入的事项，还是前面的观点，我们的核心是解决问题，而不是用什么做了什么事儿，提高结果论占比 + 态度占比。
观点十四：躺赢的功劳是大家的、啃硬骨头功劳是个人的
我近期的思路是废弃小组制，采用更扁平的项目制，一旦切入项目制，从就会从原定的组内执勤，到抢活模式。在利益分配上，无论是否是AI 项目，关键看成果和难度，难不难、脏不脏、累不累、成果咋样是很容易共识的，这时候就看谁愿意、谁有能力扛大旗的竞标模式了，功劳逻辑是躺赢的功劳是大家的、啃硬骨头功劳是个人的。
4.4 面对中立者：关注沉默的大多数
积极支持、积极否定只是占小部分，那些沉默大多数才是大部分，要么没观点、要么等“赢”的信号。大多数环境里，团队内如此，团队外协同、甚至上下左右均是如此。这些中立者的太多是求稳，少数是等时机。
这是再正常不过的状态，自己当中立者没问题，但如果我们是先驱，我们需要学会利用这种势能。
观点十五：潜在势能：“谁赢他们帮谁”
就怕兄弟开路虎，我们可以让沉默的大多数，看到站在新方向的人，正在获得不对称的好处。会有大量不甘、跟风引发的，更大规模的模仿、跟随。同时要刻意的在团队内部制造赢的感觉，并不是所谓的“赢学”。这算是前面找确定性成果的一种软应用。
5. 写在最后
之前看过的一个对于变革的总结，工业时代重心是体力和规模，信息时代是知识和效率，当下是判断和决策，组织能力贯穿其中。变革时代，更需要保持清醒、耐住波折。
会用AI 并不会构成竞争优势，效率上优化也会被追平，技术平权、高速发展下也会有所谓技术卡位的效果，AI 的上限很高，上限取决于人，而不是AI 技术本身。
当你一定程度上驾驭AI之后，AI 以外的，那些认知、判断、决策，才是核心。接下来充分训练自己的思辨和判断力吧，多去求解那些模糊问题、多去挖掘那些位置问题，让自己从经验/信息/熟练优势，变为判断和决策优势，长期有耐心。
