先别把问题定成“要不要摆脱打工人思维”。更可行的顺序是:在现职里把fake work压到最低、留出做agent的时间;同时用副业或小项目验证“离结果更近”的能力,再决定是否换环境。
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。
fake work是结构性的,不是你一个人的失败
立正讲过,知识工作的价值难衡量,组织只能看周报、会议、上线这些替代指标,人就会围着指标生产动作1,2。杨天楠补充了一个条件:人才密度高但增速慢的地方,意义感稀缺,聪明人只能靠更勤奋和互相比较来获得合法性,fake work会被成倍生产3。这解释了你的疲惫为什么不像“再努力一点”能解决。立正还判断,AI会先极大膨胀fake work,再让它贬值3。
但要注意,这是对组织激励的分析,不是替你断定你所在团队的具体情况。
先缩短与结果的距离,而不是先逃离
AI推演立正给的做法不是“别做诚实的人”,而是看清游戏:该保留的数据保留、该提的建议提到该知道的人那里,然后做甲方需要的事,适可而止4。他把工作分成高价值和低价值两部分,主张反复做那10%真正决定产出的工作,把低价值的挤掉4。
对fake work,他给的具体顺序是“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,到期没发生就删掉;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1。他还建议闭合一个小循环:做出改动、让真实用户使用、观察结果、再改一次,练的是从判断一路负责到结果1。
这正好接上你想做agent开发的方向:与其等下班后攒动力,不如在现职里挑一个真实的数据分析问题,自己定义、自己跟到结果。
换环境能解决一部分,但解决不了“只被训练过一种努力”
立正自己走过跳槽、创业公司、自己做事的路径,他说前提是先增加选择环境的能力,比如把简历做到想跳哪家都能跳,再探索副业和事业4。他离开腾讯时管30多人,主要工作是上传下达、互相翻译,做得挺好但自问“我有什么进步”,于是去了更靠近结果的创业公司5。他也说,离开大厂才发现fake work不是大厂独有5。
所以“逃离是故事重演”这个担心有依据:如果换环境后仍然是等别人给分、靠动作证明自己,问题会跟着走6。但换到离结果更近的位置,确实是他本人验证过的解法之一5。
关于收入:你希望年入50W+持续到40+岁,这个目标在材料里没有对应证据,不能替你判断哪条路更稳。可参考的是杜磊的判断——执行层工作会消失,但有行业背景的超级个体会被吸纳到外部供应商,少数人支撑整个行业;他也强调技术扩散很慢,是十年尺度7。Indigo 转述的观察是,好的AI工程师以“IT家政”方式同时服务几家企业,单个客户付得不比大厂多,加起来可能更高8。这些是方向性描述,不是收入承诺。
材料没有你所在公司的具体激励、涉密范围和岗位可调空间,也没有中国年入50W+的可靠数据,所以无法判断该不该现在离职或转岗。
出处
- 1如何识别与消灭 fake work
最具体的操作:先删除再自动化、缩短与结果的距离、闭合小循环。
- 2从大厂高薪到自己赚钱,中间差的是什么?
可回到原文核对这部分判断
- 3杨天楠:看似体面的工作,实则都是在表演?
解释fake work为何在低增速高密度团队里被成倍生产,以及AI先膨胀后贬值的判断。
- 4离开大厂之后,我才发现,没有Fake Work的工作其实很开心|对话课代表立正
立正讲跳槽、增加选择能力,以及数据科学家在fake work环境里如何保留专业度。
- 5职场不再奖励表演式工作,晋升要对结果负责
立正本人从管30多人到去创业公司、追求离结果更近的经历。
- 6假学习的终结
可回到原文核对这部分判断
- 7AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下
可回到原文核对这部分判断
- 8Agent 时代的投资与生存法则|Indigo 西雅图线下分享 Notes & Insights
可回到原文核对这部分判断
追问2026年11月13日
领导甚至想让我100%干fake work,专门设计给领导看的报告的格式
领导要你专门做“给领导看的报告”,这本身就是fake work的典型形态;但不必硬顶,先把它压到最低成本,再把省下的时间投到能对结果负责的agent项目上。
先看清:这份报告是表演,不是价值
材料里的观点立正把fake work直接翻译成“表演型工作”:不是为了赚钱或真正影响人,而纯粹是向上管理、向上汇报的工具1。他还说,知识工作的价值难衡量,组织只好看进度、报告、会议这些看得见的动作,人就开始生产动作2。所以领导让你设计报告格式,问题不在你不够努力,而在这类工作被结构性地奖励了。他讲过一个对照案例:在Meta时他准备花两周做一份博士训练式的详实分析,结果上级半小时用表格加颜色排版、发内部文章tag老板,五分钟就拿到点赞1。这说明这类报告要的是“被看见”,不是“被验证”。
别用AI把fake work做得更漂亮
立正明确提醒:AI很善于生产这类输入,但它不能帮你选对目标,通常只是把现有目标执行得更便宜;组织奖励出报告,就会出现更多报告3。他还说,自动化fake work只是把缓慢的浪费变成高速的浪费3。所以“用agent把报告格式自动化”要小心:如果只是让表演更省力,你会更快地生产代理信号,却没让自己离结果更近。他给的方向是:把点击、复制、同步和检查交给agent,把目标、例外、验收和最终批准留给人4。
对你的处境:压低表演,留出做agent的时间
AI推演立正给过一条可操作路径:先意识到只有约10%的工作有价值,用这些高价值工作反复做,把低价值工作挤掉5。他还说,对低风险、可恢复的周期性工作,最直接的办法是停一轮,停之前写清“少做一轮会在什么时候造成什么后果”,到期没发生就删掉4。结合你的情况(这是AI的应用建议,不是立正对你个人的判断):报告格式这类活,可以先问领导“这份报告要支持哪个具体决定”,把交付从“详实专业”压到“一页结论加关键数字”;格式模板做一次就复用,不要每轮重做。省下的时间,用来做能闭合小循环的agent项目——做出改动、让真实用户用、观察结果、再改一次4。这比再多做一份漂亮报告更接近你“持续赚钱”的目标。
材料没有涉及你所在公司的具体考核方式、领导风格,也没有年入50万的具体路径;《从高薪打工到自己赚钱,要过这三关》6提到从打工到赚钱分三阶段,但字幕未经逐字核实,只能作方向参考。
出处
- 1杨天楠:看似体面的工作,实则都是在表演?
立正本人对表演型工作的定义,以及Meta报告案例的完整对照。
- 2假学习的终结
解释fake work为何是结构性的,以及它骗的是“进步的感觉”。
- 3职场不再奖励表演式工作,晋升要对结果负责
说明AI会加速fake work而非消除它,提醒别把报告自动化做偏。
- 4如何识别与消灭 fake work
给出删除、缩短与结果距离、把信息税交给agent的具体做法。
- 5离开大厂之后,我才发现,没有Fake Work的工作其实很开心|对话课代表立正
可回到原文核对这部分判断
- 6从高薪打工到自己赚钱,要过这三关
可回到原文核对这部分判断
追问2026年11月13日
给2个大团队做vibe coding saas,把制造页的各个环节通过数据 串起来是有价值的事情吗?因为发现普通同事也不是很积极参与,就好像做了,但是大家参与度一般,很多使用者的工程师 根本不关注 数字化产品 更不关注AI产品,让我感觉这个数据分析软件这甚至都是表演的一部分
把制造页各环节用数据串起来,本身可能有价值;但“同事不积极参与”说明它还没成为他们愿意反复使用的工具。先别把它当表演,也别急着推广全员,先找一两个真实卡点做出可核对的节省。
价值不在“串起来”,在有人愿意反复用
你描述的现象——工程师不关注数字化产品、参与度一般——恰好说明“把环节串起来”只是你的设计意图,还不是使用者的需求。立正提醒过,不能因为工具好用就假定推广已经成功;人要改变的不只是点哪个按钮,还包括遇到问题时先想什么、先找谁、愿不愿意让AI试一遍1。所以判断这件事有没有价值,不能看你把数据链路搭得多完整,而要看有没有具体的人因为某个环节被串起来而少花了时间、少扯了皮。如果找不到这样的例子,你的“表演感”就不是错觉。
先做悬赏板,而不是全员培训
AI推演立正给那支已经会用AI的小团队的建议是:先把现有能力用足,不把“教会所有人”当成创造价值的前提;把同事反复遇到的真实问题做成内部悬赏任务板,记录哪个组、原来预计多久、实际用了多久、交付了什么、对方是否认可1。放到你的场景,就是先挑制造页里一两个工程师真的会抱怨的卡点,用数据串起来解决一次,留下可追问的记录。愿意学的人会自己来问;不愿学的人至少把真实需求交出来。这比继续扩大覆盖面对你判断“值不值得做”更有信息量。
“表演”和“中段工作”要分开看
立正区分过Vibe Coding内容最容易展示的“从想法到第一版”,和真正决定系统能否运转的权限、迁移、数据、客服、异常处理、长期维护2。你做的数据串联如果落在这些中段工作上,它不天然是表演,只是不容易被看见;如果它主要是给领导看的报告格式,那才是你历史里说的fake work。徐老师在讨论中国SaaS时提到,企业软件推不进去,部分原因是替代方案(比如Excel表哥表姐)够用、人力便宜,以及一些非市场化的推动方式3。这可以解释为什么工程师不积极:他们手里已经有能用的办法,你的系统还没证明比它省事。
现有材料没有你所在团队的具体使用数据,也没有关于中国制造业内部数字化产品采用率的研究,所以无法判断这个SaaS本身的市场价值;以上只是把立正和徐老师的原则套到你的处境上。
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“同事不积极参与”时该先做什么:不假定推广已成功,用悬赏板记录真实需求与节省。
- 2想获得超线性回报,先打下可以坚持的地基
区分容易被看见的演示和决定系统能否运转的中段工作,帮你判断“表演感”从哪来。
- 3大佬亲身经历剖析,中美科技创业差异?|中国SaaS为什么不赚钱?
解释中国企业软件采用率低的一种原因:替代方案够用、非市场化推动,对应工程师不关注的现象。
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
- 要不要辞掉现在的薪水更高岗位?从而有更多时间时间?
资料不支持直接回答“该不该辞”,但立正反复讲的是:先分清你追的是自己的目的,还是别人给的标准;钱不够时它很重要,过了某个点继续加码可能买来的是更复杂的绑定。
- 在无聊的大厂工作 假期回来啥也不想做了 很想辞职 怎么办?
假期后的倦怠更像一个信号:你可能在追一个别人设定的目标。先别急着辞职,先分清这份工作让你难受的是哪一层,再决定要不要走。
- 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。