把AI用在增长上,重点不是多试几个工具,而是先想清楚用户需求没变、变的是交付方式,再把隐性经验写成AI能用的标准,并让组织激励跟上。
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。
需求没变,变的是怎么交付
陈唱在谈AI产品增长时指出,AI工具并没有生成更多需求,用户要写文案、做视频、做协作、做销售或营销,这些场景从SaaS时代到AI时代并没有变。变的是以前给用户一个工具,他要自己set up、点很多下、在页面间跳转,非常主动地操作1。对做增长的人来说,这意味着先别假设AI创造了新需求,而是看同一批用户场景里,哪些步骤可以交给AI承担。这是AI对材料的综合,不是陈唱的原话结论。
把模糊需求变成AI能执行的标准
立正在讲AI使用能力时给了一个可操作的模板:Context、Component、Criteria,把这三样清楚给到AI,agentic AI才能理解意图并自动迭代纠错;如果结果和想的不一样,通常是这三项出了问题2。他还强调“损失函数”思维:不能只告诉AI好还是不好,要讲清楚什么是好、什么是不好,这是evaluation的核心2。落到增长上,就是先把目标用户、场景、成功标准写清楚,再让AI去批量产出和迭代,而不是丢一句模糊需求等它猜。
组织不跟上,个人提效会被吃掉
AI推演立正在组织层面指出,AI提效的瓶颈不在工具而在组织:全职员工按时间付薪而非按产出付薪,把AI用到极致没有好处,激励和生产力提升不对齐;同时会议、审批等流程会让个人效率被流水线瓶颈抹平3。他给管理者的替代方案是三步:培训员工真正接受并会用AI、重构协作方式和角色定义让小队end to end own项目、用新指标衡量人与AI协作后的生产力4。另外,他提醒小体量时过早看竞对容易磨掉特色,真正的机会是更接近某群具体的人、看见大公司没看见的问题5。这些是立正本人的判断,用在增长上属于AI的推演。
陈唱那段文字稿的说话人未逐段确认,只能作为该期节目的内容参考,不能确定哪句是陈唱本人、哪句是立正。《从结果确定性到通用智能》6提到“不要把AI锁死在预设工作流里”等判断,但摘要未标明说话人,本次未用于回答。
出处
- 1AI产品增长:如何让别人了解你的产品、选渠道、讲故事、算回报、测上限、选红人、落地增长策略、理解增长本质?|Hockey Stick创始人陈唱
陈唱谈AI产品增长,指出用户需求从SaaS到AI时代没变,变的是交付和操作方式。
- 2能用好AI的人一定是个好领导和好伴侣
立正讲3C模板和损失函数思维,是让AI理解意图、判断好坏的直接方法。
- 3AI Native 的组织形态:当执行成本下降,组织必须重写
解释为什么个人提效会被激励错配和组织摩擦吃掉,是增长落地的组织约束。
- 42026,更多企业会用“裁掉一半人”的方式进行AI转型,但有更好的方法
给出管理者比裁员更好的三步转型方法,可对应增长中的组织调整。
- 5AI提效的危险,在于急功近利
可回到原文核对这部分判断
- 6从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
可回到原文核对这部分判断
追问2026年11月2日
AI产品增长里,怎么设计一套能衡量“人与AI协作后产出”的指标?
现有材料没有可直接套用的“人机协作产出”指标模板,但能拼出一条设计线索:先定义AI在运行时承担什么,再用“能否收口”衡量人的判断价值,最后把指标接到业务目标而非动作量上。
先分清AI在流程里做什么,指标才有对象
立正把AI产品按AI参与运行时的深度分成六层,从薄工具、带知识检索、能调工具,到固定工作流、智能体核心、AI原生系统;他也区分了开发时用AI写代码和产品运行时AI参与决策,认为判断是不是AI产品要看后者1。据此,指标该测什么取决于层级:薄工具层可看输出被采纳的比例,工作流层可看各环节通过率与人工介入点,智能体层才谈得上自主完成率与中断率。若把六层混在一起用一个“效率提升”指标,测到的多半是工具使用量,而不是协作产出。这是AI基于原文层次划分的推演。
人的那一半,用“能否收口”来量
AI推演Ethan在访谈中判断,AI能完成80%到90%的工作,最后5%到10%仍需人来close loop;他认为真正稀缺的是能判断AI结果好坏、给反馈、把事情收口的人,并以法律AI为例说明没有领域知识就判断不了两个答案哪个更好2。这是嘉宾的判断,不是立正的原创主张。落到指标上,可观察的是:AI产出被人工修改的比例、返工次数、需要升级给人处理的比率,以及同一类任务上人工修正量是否随使用下降。这些比“用了多少次AI”更接近协作产出,属于AI的应用建议。
指标要接业务目标,别追动作量
AI推演立正在一段较早的分享里说,多数人对数据的理解很浅,常见错误是追逐指标而不是用指标去衡量目标,并以搜索场景举例:什么行为才算一次搜索成功,需要走到细节里定义3。这是2024年的表述,作为方法原则仍可用。设计人机协作指标时,可以先问这次协作让哪个业务结果变好了,再倒推可观测行为。《AI Native 的组织形态》4还提到,开发者用AI后写得更多更快,但团队交付速度和业务结果没有可衡量的提升,个人效率可能被流程瓶颈吃掉4。因此指标最好同时看个人层与交付层,避免用前者代替后者。
材料只给出原则和零散案例,没有现成的指标清单、计算公式或已验证的评估框架;《2026,更多企业会用“裁掉一半人”的方式进行A…》5只提到要用新指标衡量员工与AI协作后的生产力,未展开具体指标。
出处
- 1AI产品的六个层次
提供AI产品六层次与人的能力分档,帮助确定指标该测哪一层。
- 2AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
Ethan关于close loop与判断力的判断,是衡量“人的那一半”的直接依据。
- 3看懂OpenAI的“指数级领先”|原标题:我为什么没有加入一家AI公司?
立正关于指标应衡量目标而非追逐指标的原则,可用于指标设计取向。
- 4AI Native 的组织形态:当执行成本下降,组织必须重写
说明个人效率提升未必转化为团队交付,提醒指标要分层看。
- 52026,更多企业会用“裁掉一半人”的方式进行AI转型,但有更好的方法
可回到原文核对这部分判断
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
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。