你的直觉在材料里有支撑:只把AI用于提效,省下的时间往往被新任务填满,收益归组织而非个人。更值得做的是用AI删掉不值得做的事,并把它用于过去不值得服务的小需求。
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。
省下的时间算谁的,取决于激励结构
材料里的观点立正转述社区成员的观察:全职员工按时间付薪,不按产出付薪。工程师用AI三天做完两周的活,薪水不变,大概率被塞更多活;把省下的时间用来摸鱼反而日子更好过。他引用的Faros AI对一万名开发者的研究显示,代码写得更多、任务完成更快,但团队交付速度和业务结果没有可衡量的提升;EY调查中88%的员工用AI,只有5%真正用它转变工作方式1。所以“省下的时间算谁的”不是个人心态问题,是激励没对齐时,提效的收益自然流向组织。
只提效会强化复制,压制做新东西
材料里的观点立正另一篇写价格竞争的文章指出:发现尚未被满足的需求,需要时间去理解没说清的问题、注意力离开眼前交付、利润承担失败、容错允许走弯路,他把这些合称“松弛”。价格战把利润压薄后,每笔投入都被要求立刻回本,组织只能选已被证明的需求,形成“复制更容易→产品同质→更看价格→利润变薄→更不敢探索”的循环。行业不是不会用AI,而是越来越会用AI复制和降价,失去的是在市场没给答案时提出不同问题的能力2。这正好解释你说的“大家用AI提效、很少做新东西”:不是不会,是松弛不够。
可以怎么用:先删,再交给AI,并缩短到结果的距离
AI推演立正给消灭fake work的顺序是:先删除,再自动化。对低风险、可恢复的周期性工作,先停一轮,写清少做一轮会在什么时候造成什么后果,到期没事就删掉;不要先让agent把它做得更便宜,因为成本越低,没用的工作越容易永久存在。他还建议缩短人与结果的距离:定义问题的人跟到结果出现,结果不好责任一路回到最初判断;暂时改不了组织,就先闭合一个小循环——做出改动、让真实用户使用、观察、再改。把点击、复制、同步、检查交给agent,把目标、例外、验收和最终批准留给人3。这是AI综合出的应用方向,前提是你对某项工作有删减和验收的权力。
材料主要讨论组织激励和个体工作方式,没有给出裁员规模或宏观就业数据;关于“短期内带来不好影响”的判断,只能从激励错配和松弛消失的机制上理解,不能当作已量化的预测。
出处
- 1AI Native 的组织形态:当执行成本下降,组织必须重写
解释按时间付薪下,提效收益为何不归个人,并给出开发者研究与企业调查。
- 2AI提效的危险,在于急功近利
说明只提效、只复制为何会挤压做新东西所需的空间。
- 3如何识别与消灭 fake work
给出先删再自动化、缩短责任距离的具体做法。
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。