爬梯子快不快,多半不取决于你多努力,而取决于你选没选对赛道、老板和那块能出结果的事;觉得到顶,常常是当前环境的天花板,不是你的。
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。
先看你在哪条赛道上爬
材料里的观点职业选择有层级:宏观和行业趋势、公司、业务、老板,最后才是具体技能。层级越靠上,影响越大——选对行业和公司,比在差赛道里精挑岗位更管用;同一家公司里做不同业务,所需人才和文化可能像两个世界。所以“到顶”的感觉,先要分清是个人能力到顶,还是所在业务和行业本身见顶。如果公司进入成熟或衰退期,销售额和利润下滑,你再努力也难有增量,这时换赛道比在原地加压更有效1,2。
升职靠的是能被看见的硬结果
材料里的观点升职加薪通常要在两件事里至少死磕一件:一是手里有可量化的业务增量,能指着结果说这是我做的;二是对上的可见度,让你老板的老板知道你是谁、在做什么。很多人的成果被直属上级过滤后才往上走,上面看到的版本和你经历的完全不同。所以别只闷头做事,要主动争取在更高层级面前汇报和表达的机会。年轻同事显得更强,可能只是他更早占住了这两件事之一,而不是天赋差距3。
到顶感也可能是该换视角了
AI推演如果确实卡住,值得用发展的眼光重看方向,而不是在已有经历上做小步优化——过去的经历是财富,也可能是累赘。一个可试的做法:每半年重写一次简历,或找人做一次访谈式复盘,逼自己把做过的事凝练成能讲清楚的成果。这个过程会暴露你到底是缺机会、缺可见度,还是缺一块真正拿得出手的硬结果,从而判断该换环境还是补能力4,5。
材料没有你的行业、岗位和年限信息,以上是判断方向而非针对你处境的具体结论。
出处
- 1第11课(下)|强者成事先做选择:道天地将法·实践篇
讲清行业、公司、业务、老板的层级影响,适合判断“到顶”是个人问题还是环境问题。
- 2第11课(上)|强者成事先做选择:道天地将法·理论篇
可回到原文核对这部分判断
- 3高阶升职加薪的三个底层逻辑
给出升职要死磕的两件事和可见度机制,适合对照自己缺哪一块。
- 4想通过跳槽升职加薪,要先做好这件事
讲用发展眼光看方向、不被沉没成本绑住,适合卡住时重估路径。
- 5CPO是什么体会?|如何步步高升?|大模型的市场行业应用| @YC_Talk 新访谈
提到定期写简历和复盘来凝练成果,适合作为可操作的自我检验。
你也有想问的?
卡住的时候,问问立正:回答只从立正讲过、写过的东西里来,每一段都能点回原文。
问类似的问题也可以接着问:
别人还问了
- 還有人在追求升職加薪嗎
有,但追求的方式和理由已经分化:有人仍在组织内往上走,有人把升职加薪当作焦虑来源,也有人转向别的目标。
- AI测试这个岗位前景如何?agent评测前景如何,适合深入吗?
AI测试与agent评测是正在变稀缺的方向,但它的价值不在“会跑测试”,而在能定义什么叫可用、判断质量取舍。适合深入,前提是你愿意练判断力,而不只是执行流程。
- 想从零到一成为你, 需要具备哪些核心认知, 执行哪些核心动作.
没有一条“成为某人”的固定路径;可迁移的是三层能力:自己出题、用效率而非忙碌判断方向、以及把想法快速做成可验证的东西。
- share your project 会不会有点子被别人复制的风险?我觉得是有的 所以现在论坛里share的project都是不痛不痒 甚至有点同质的 例如外语学习ai 工具等。真正有价值的project 似乎都没有被公开出来。
复制风险确实存在,但公开分享换来的反馈和连接,往往比被抄走的点子更值钱;真正难复制的不是点子,是你在构建中形成的判断和体感。
- 数据科学、数据分析在AI时代的价值是什么
数据科学的价值不在写模型或做报表,而在把数据变成更好的决策;AI压缩了执行环节,反而放大了判断、归因和把问题翻译成可执行方案的能力。
- 现在在美国做电商的基础设施,仓储和物流给国内的opc提供基础设施,有机会吗?
有机会,但机会不在“美国物流差”本身,而在把国内供应链的灵活性和美国本地履约的碎片化需求接起来;能不能成立取决于你服务的客户是否真愿意为省事付费。