别把“教会每个人”当成用 AI 的前提。先用小团队解决真实问题、留下可查的结果,再让愿意学的人顺着自己的问题进来。
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。
先交付价值,再谈全员接受
立正更倾向于让已经会用 AI 的小团队先把现有能力用足,而不是把“教会所有同事”当作下一步创造价值的前提。他举的做法是内部悬赏任务板:哪个组遇到什么难题、原来预计多久、小团队用了多久、交付了什么、对方是否认可,每项都能点进去看。这样别人暂时不会用 AI,也不妨碍公司先获得价值;愿意学的人可能在自己的问题被解决后主动来问怎么做1。这是 AI 对原文建议的归纳:推广不必依赖每个人先接受同一种工作方式。
“好用”不等于“会用”
材料里的观点原文提醒,把工具放进同事熟悉的编辑器能降低一些门槛,但不能因此假定采用和习惯的问题已经解决。“东西好用,所以大家一定会用”相当于预先假定推广已经成功。人需要改变的可能不只是点哪个按钮,还包括遇到问题时先想什么、先找谁、愿不愿意让 AI 试一遍;工具之上是方法,方法之上是习惯,习惯之上是 mindset。一次培训也承担不了全部习惯改变,环境和持续尝试是其中一部分1。
培训要改的是判断方式,不只是操作
立正谈企业培训时,把顺序说成先从 mindset 和 skillset 入手,认为这两者改变后,工具使用更容易水到渠成;同时提到要重构协作方式与角色定义、让更多人端到端负责项目,并用新指标衡量人与 AI 协作后的生产力2。另一篇则把会用 AI 分成几层:能进入新的协作方式,以及能把自己的隐性判断外化成 AI 可复用的规则和上下文3。对团队来说,这意味着培训若只教按钮,很难改变“遇到问题先找谁、先做什么”的习惯;这是 AI 基于上述两篇的综合。
这些材料谈的是推广思路和培训方向,没有给出可直接照搬的课程安排或考核表;具体做法需结合团队的实际问题再设计。
出处
- 1你赚哪份钱,决定了产品该怎么做|切问·立正02
直接讨论小团队推广不顺、任务板和习惯改变,是回答的核心依据。
- 22026,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
给出管理者视角的培训、协作重构和指标调整顺序。
- 32026,如何在面试中证明自己"真的懂AI"
说明会用 AI 不只是工具操作,还包括协作方式和外化判断。
追问2026年11月10日
如何重构协作方式和角色定义?
重构协作方式的核心不是重画组织架构图,而是把角色从“守住自己那一段流程”改成“围绕同一个可运行结果端到端推进”,并把个人判断外化成 AI 可复用的上下文。
先改协作节奏,再谈头衔
立正描述的高效团队,协作不再是设计做完交给产品、产品交给工程、工程交给数据的线性传递,而是围绕同一个原型在几小时内来回几十次:有人改界面,有人改逻辑,有人写提示词,有人补上下文,有人把反馈直接转成可执行修改1。在这种节奏下,企业要的不是边界特别清楚的人,而是能把自己的专业判断嵌进端到端流程的人1。所以重构的第一步可以落在协作方式上:让反馈明确到工程师或 AI 能直接执行,而不是把需求往下游一丢1。这是 AI 对原文的归纳,原文本身讲的是个人在团队中的工作方式,不是一套组织改造流程。
角色重定义:从执行者到编排者
材料里的观点立正列举了三种组织重构思路。一种是把开发执行层剥离到子公司,部门只保留核心落地团队,负责对接需求、管理 AI 工具链、维护核心架构2。一种是 Meta 在约 1000 人的开发者工具团队中取消工程师、设计师、PM 等职能头衔,统一为 AI Builder、AI Pod Lead、AI Org Lead 三个角色,Pod Lead 管日常执行,Org Lead 管绩效和晋升2。还有一种是只保留 Conductor/AI Architect,其工作是编排 AI Agents、设定成功标准和终点线、建立度量体系、管理上下文2。这三种做法的共同点是把“亲手执行”让给 AI,把判断、编排和上下文管理留给人2。注意第三种观点——还在亲手写代码说明没真正用好 AI——原文自己加了适用条件:更适用于新产品、新代码、新公司2。
为什么只改人不够:结构会稀释效率
材料里的观点立正指出,光提高个人能力不够,还要改变组织结构、角色分工和协作方式;一个程序员写代码快十倍,但八成时间花在对齐、开会、沟通上,整体生产力并没有多大提高3。他用“不可能三角”说明取舍:顾及每个人的岗位和面子,AI 带来的效率会被冗余流程稀释;全员都是顶尖 AI 先行者、自觉重构工作流,在多数企业里不现实;剩下的现实路径是打破和谐换效率,他预测 2026 年会有更多管理者选择直接裁掉一半人来做转型3。这是他对趋势的判断和预测,不是已经发生的事实。
材料给的是三种组织案例和趋势判断,没有给出角色重定义的具体步骤、评估指标或失败案例;案例中的公司规模和条件也不同,不能直接照搬到任意团队。
出处
- 12026,如何在面试中证明自己"真的懂AI"
说明协作从线性交接转向围绕原型的快速来回,以及反馈要结构化到可执行。
- 2AI Native 的组织形态:当执行成本下降,组织必须重写
三种组织重构案例和 Builder/Pod Lead/Conductor 等角色定义,是角色重写的主要依据。
- 32026,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
解释为什么只提升个人能力不够,以及组织层面的取舍与预测。
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。