把成功定义成"某个具体的人或事发生了可验证的改变",而不是活动量、成员数或影响力这类感觉。指标只是衡量策略的代理,不能当目标本身。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
成功要能追到真实结果,而不是动作量
材料里的观点fake work 最容易长在责任被反复交接的地方:每交接一次,原本要解决的问题就被翻译成一个更容易验收的交付物,用户问题变成需求,需求变成功能,功能变成上线,所有交付物都按时完成,最初的问题却原封不动。所以定义成功时,要问这份产出完成后,下游会作出什么不同的决定或行动;如果多生产十份,真实结果会不会更近。对低风险、可恢复的周期性工作,可以先停一轮,停之前写清:如果它有用,少做一轮会在什么时候造成什么后果,到期什么都没发生就删掉。不要先让工具把它做得更便宜,成本越低,没用的工作反而越容易永久存在1。
指标是衡量策略的,不是目标本身
立正讲过一个区分:组织的 goal 是你要服务什么,你定的 metrics 是用来衡量你的 strategy,但 metrics 不是 goal。你的 goal 永远不是增加百分之十的用户,而是服务更多的用户;为了衡量朝策略前进的进度才做那个指标。本末倒置时,动作就会变形2。放到一个打算做几十年的社群上,这意味着"成员数""活动场次""内容产量"这类数字只能当代理信号,而且要定期和真实的人发生了什么变化对账,并且随时可以取消——一个永远不会失效的指标,迟早会变成一台 fake work 制造机1。
先想清楚成功是什么,否则会把成功看成失败
立正在讲自媒体时提过:你一开始如果没有想清楚成功是什么,就会觉得这是失败,因为虽然有了,但笔记只有十个赞。他给周洁定的成功不是流量,而是少数精准、认可你的人带来的高价值连接——一条视频促成一个以前很难建立的合作,在他看来就是成功3。对非营利社群,可以照这个思路把成功说具体:不是"影响力更大"这种抽象说法,而是某个具体的人因为社群做了什么、某个问题被推进到什么程度。同时要分清作品账、故事账和商业账,一本账上的成功不能自动替另外两本作证4。
材料没有专门针对非营利社群的成功定义,以上是从 fake work、指标与目标的关系、以及自媒体成功定义中迁移过来的;具体到你的社群,还需要你补充它实际服务谁、想改变什么。
出处
- 1如何识别与消灭 fake work
直接讲 fake work 怎么识别和消灭,包括停做测试、责任交接、指标要定期对账
- 2立正本人的话 · 打工人如何获得财富自由?|什么才是真正的财富和真正的自由?(中文字幕)|Multiple-Fire系列
立正本人区分 goal 与 metrics 的发言,是"指标不是目标"这一判断的原始出处
- 3做自媒体,先想清楚你要放大什么
用周洁案例说明怎么把抽象的成功说具体,以及想不清成功会误判失败
- 4想获得超线性回报,先打下可以坚持的地基
提供检查自己在积累什么的几个问题,包括作品账、故事账、商业账的区分
追问2026年10月16日
现在人人都在用 AI agent,到处都在自动化。往后看,哪些变化是长期的、真的,哪些只是热闹和噪音?一个想领先几十年的人应该盯着什么?
长期真实的变化是需求被重新定价、执行成本下降;热闹多是工具名和采用率数字。想领先几十年,盯的是判断力、把真实任务交出去的能力,以及组织是否愿意改决策权。
真实的变化是长尾需求开始值得被服务
材料里的观点立正把 AI 看成人类调度算力的第三个接口:编程要会写代码,图形界面要有人先把软件做出来,自然语言则可以直接描述目标、让 AI 调工具接着做。关键不在今天有没有现成 SaaS 好用,而在于过去因为开发成本太高、大家忍一忍就过去的小需求,现在终于值得被满足1。所以判断一个方向是不是长期真实,可以问:它服务的是原本没人愿意做的需求,还是只是把已有产品换个说法。技术能力出现和它进入大多数人的工作并不在同一天,很多看起来突然的事,是早就看得见的变化终于落到身边1。
热闹在采用率,真实在个人效率与组织重构的落差
2026 年最值得注意的悖论是个人更快了、公司没变快:调研显示七成企业声称在用 AI,其中近九成说没看到可衡量的生产力影响,而个人任务层面的提升是真实的2。组织真正改变通常要走到第三步——触碰决策权与责任,砍掉重复汇报、让交付替代协调成为升迁信号;卡住的原因不是技术,是靠协调和信息不对称生存的角色会受损3。所以“到处都在自动化”里,大量是工具采购和治理项目,未必等于结构变化。
盯判断力,而不是盯工具名单
AI推演立正把认知校准放在第一位:面对新模型、新工具,要能分辨哪些是信号、哪些是流量驱动的热闹,判断标准不是它厉害不厉害,而是能不能嵌进你现有的价值创造链条4。方法上,他更强调把真实任务交出去、逐步积累 agent 需要的上下文,再建立判断结果好坏的方法,否则知道很多工具名字,工作方式却没变1。他提到技巧之上是方法:能不能用结果确定性的方式把任务委派出去、理解 context architecture、提供高质量原料5。对想领先几十年的人,这意味着可迁移的是这套判断和委派能力,而不是某个当下最火的工具。
材料集中在 2025 至 2026 年,无法判断此后哪些方向真正胜出;关于个人该盯什么,是据其判断作的推演,不是他给出的具体职业建议。
出处
- 1从大厂高薪到自己赚钱,中间差的是什么?
解释第三个接口与长尾需求为何值得做,是理解“什么变化真实”的核心。
- 2AI Native 的组织形态:当执行成本下降,组织必须重写
给出个人效率与组织生产力脱节的具体数据,用于区分真实与热闹。
- 3在大公司,AI 到底会不会“真正改变组织”?
说明组织真正改变要走到决策权与责任那一步,解释为何多数自动化停在表面。
- 4AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
讲认知校准与信噪过滤,直接回答“该盯什么”。
- 5人人都有50个博士为自己打工,为什么多数人的工作没什么变化?|硅谷徐老师年度对话
说明技巧之上是方法与 context 管理,支撑可迁移能力的判断。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 大家都在抢着用 AI agent,把能自动化的都自动化了。往后看十年二十年,这个世界会缺什么?什么会变得真正稀缺?
稀缺的不是会用 AI 的人,而是能判断 AI 结果好坏、能收口负责的人,以及愿意把时间还给身体、关系与思考的人。
- 有个投资人讲 alexzandra wang
最直接的是周楠那期访谈,标题就点明他讲 Alexandr Wang 为什么是顶级创始人;片段里还提到 Scale AI 在 2021 到 2022 年因自动驾驶降温而客户变少的转折。
- 找到10%高价值的工作,但是在AI时代,对于data scientist来说,高价值的工作是什么呢?我觉得我之前很多的高价值的工作现在都没有价值了,而且留不下来,而且别人不会觉得是我做的。
AI 让“处理信息”这件事变便宜,所以数据科学里原来值钱的分析、建模、报表正在贬值;新的高价值位置是判断该做什么、把模糊问题变成可执行系统,并对结果负责。
- 为什么个体AI用的很好但是整个公司团队没有上来?
个人用得好,是因为他一个人就能把背景、判断和反馈闭环起来;团队上不来,是因为这些能力散在每个人脑子里,组织结构和激励又没跟着改。
- 职业院校实训科教师(体制内)+ 个人开发者/IP 运营者。想请您诊断我这套工作流架构:① 最脆弱、迟早出事的一环是什么?② 最过度建设(投入产出最差)的一环是什么?③ 如果只能再做一件事,您建议做什么?
最脆弱的是学生数据与云服务混用的那条链路;最过度建设的是多设备、多模型、多平台的全互联架构;如果只做一件事,先给「学生数据不可上云」划出一条可验证的物理边界。
- 我每天很忙,但不知道工作有没有价值,怎么识别 fake work?
识别 fake work 的关键不是看你有多忙,而是追问:这份产出完成后,下游会做出什么不同的决定或行动?如果多生产十份,真实结果也不会更近,那它很可能只是让你感觉在前进。