从“会用AI”到“用AI创造价值”

大多数人用了一年 AI，效率提高了 30%。少数人围绕 AI 重新设计了工作方式，效率提高了 10 倍。区别不在工具，在方法。

斯斯 · 小私董 AI 内训 · 2026

电机刚发明时，工厂只是把蒸汽机换成电机，其他都没变。效率提高了 30%。

几十年后有人想明白了：电机可以做得很小。不需要围绕一个中心动力源来设计工厂，可以围绕生产流程重新设计。

流水线诞生了，效率提高了几十倍。

今天的 AI 是同样的局面。

大多数人在做的事：原来的工作方式不变，只是把某个环节换成「问一下 AI」。这就是把电机放到蒸汽机的位置。

真正的变革是围绕 AI 的能力，重新设计工作方式本身。

维度 | 聊天窗口（ChatGPT） | Agentic 工具（Cursor / Claude Code）

上下文 | 每次对话从零开始，你要重新解释背景 | 读整个文件夹，理解你的项目、规则、历史

持久性 | 输出在聊天窗里，用完就没了 | 输出写到文件里，下次还在，可以积累

自我修正 | 你说「不对」，它才改；你不说，它不知道 | 有验证环境，自己跑、自己检查、自己改

这不是两个产品的功能对比。这是两种工作方式的区别——一种是你驱动 AI，另一种是 AI 驱动、你审核结果。

传统方式：过程确定性

你写 prompt → 检查输出 → 手动修 → 再写 prompt → 再检查……

人控制每一步。听起来踏实，但 AI 产出的上限 = 你审核的带宽。

AI Native：结果确定性

你定义「什么叫做好」→ 给 AI 规则和上下文 → AI 自己跑、自己检查、自己迭代 → 你验收结果。

人的杠杆率最大的地方：定义终点线，而不是在过程中反复纠偏。

当 AI 每天产出的内容远超你能逐行审核的量，能跑起来靠的不是看得仔细，而是验收标准定义得清楚。

把团队「写得最好的那个人」的隐性标准，变成 AI 可以反复执行的流程。

AI 的本能是概括内容。它的训练让它想把核心意思用一句话说清楚。

但好标题的本质是藏起中心思想，放出情绪钩子。不加干预，AI 永远产出四平八稳的课程总结。

所以问题不在模型，在于你没有把「好标题到底长什么样」说清楚。

我们准备了三个文件

guideline.md — 听众画像、十条风格标准、好坏对比、红线禁用词

skill.md — 8 步工作流：挖卖点 → 选风格 → 广撒网 → 独立评审 → 迭代 → 终审

rhythm_check.py — 把「节奏好不好」变成可量化的数字检查

环节 | ChatGPT 做法 | 管线做法

输入 | 「帮我想 10 个标题」 | AI 读完逐字稿 + guideline + 过往好标题样本

生成 | 一次出 10 个，挑一个用 | 先挖 3 轮卖点，再按 5 种风格分别生成，100+ 候选

质检 | 你自己看 | 第二个 Agent 独立评审 + 脚本检查节奏数据

迭代 | 你说「再来几个」 | 评审把问题反馈回生成 Agent，AI 针对性改

产出 | 对话消失了 | 8-10 条终稿 + 完整决策记录，下次可复用

guideline 写一次，skill 写一次，以后每期播客都能复用，团队新人也能跑出老手 80% 的水平。这就是「资产积累」。

创意是工程，不是灵感

人定义了「什么叫好」，AI 穷举了所有可能性，人从 100 个里选出最好的。最好的创意产出方式不是等灵感，是建系统。

省下来的时间去了该去的地方

以前编辑花 30-60 分钟起标题。现在管线 2 分钟出 100 个候选，人花 5 分钟选一个。省下来的 50 分钟去做选题——真正重要的事。

你在培养 AI，AI 也在成长

Guideline 写一次，模型越强，同一条管线产出越好。你投入的时间不会白费。但你不能只等 AI 变强——「什么叫好」这个判断，永远需要人来定义。

用 AI 做深度调研、定制方案、生成专业交付物。

这个案例最能说明一件事：AI 的价值不是替你做重要的事，而是帮你把不重要但必要的事做掉，让你腾出时间做真正重要的事。

24 页主方案 Deck — 面向采购决策者

• 24 页主方案 Deck（现场演示 + 会后流转）
• 3 份独立方向详述 PDF（每份 5-6 页完整论证）
• 1 份提案文档（三个可选项目方向）
• 多轮需求调研、1v1 访谈、问卷分析

这些交付物的格式对齐、排版、文档标准化，全部用 AI 完成。人花时间在调研、分析、出方案、把控质量上。

🎯 重要 — 人做

调研 · 理解业务真实痛点归因 · 5 个人给 5 种答案，找统一根因设计 · 选方向、定边界、控节奏沟通 · 现场 30 分钟的信任建立

⚙️ 必要但不重要 — AI 做

PPT 排版和视觉对齐PDF 文档生成和格式统一访谈纪要结构化配色 / 字体 / 页脚的一致性

AI 最大的意义不是「帮你做内容」——而是 把必要但不重要的事做掉，让你的时间回到真正重要的事上。

方案中的诊断页：收集表象，提炼根因

腾讯游戏团队里，不同岗位对「AI 为什么不好用」的归因完全不同：

• 美术：「模型能力不够」
• 策划：「自己水平不行」
• 程序：「指令不够精确」

但真正的根因是同一个：团队缺少统一的 AI 协作方法和知识组织方式。

这种判断力是 AI 替代不了的。AI 可以帮你做归因聚类，但「这是不是真正的根因」，需要人来判断。

能力分层框架：从 AI Consumer 到 AI Architect

方向 A：从「碰运气」到可控的内容生产管线

这些页面的视觉系统（配色、字体、竖条、callout box、页脚格式）全部由 AI 从 PPT 反向提取后生成统一 CSS，再批量渲染三份 PDF。人定义设计规范，AI 保证一致性。

谁说 AI 生成的东西不专业？

24 页主方案 Deck + 3 份方向详述 PDF + 提案文档。面向腾讯游戏采购决策层。全部通过，没有人质疑过「这是不是 AI 做的」。

人做了真正该做的事

调研、归因、方案设计、关键叙事、现场沟通——这些决定项目成败的事，因为 AI 接管了排版和文档，人有了充足的时间和精力去做好。

人做了什么

标题管线定义好标题的标准设计工作流 腾讯培训调研、归因、方案设计关键叙事和沟通

AI 做了什么

大量生成、交叉评审节奏检查、格式对齐 文档排版、样式统一访谈结构化、方案草稿

核心资产 标题管线：guideline + skill 文件下次复用，新人可跑腾讯培训：设计系统 + 生成脚本下个客户直接复用

和 ChatGPT 的根本区别

从「帮我想几个标题」→ 可复制的生产管线从「帮我写个文档」→ 系统化的专业交付

排名最高的：选题、视频脚本、文案、播客、私域运营、知识库。没有一个是「模型不够好」能解决的——全是流程问题。

需求 | 瓶颈在哪 | 怎么开始

选题 / 标题 | 标准在人脑里，AI 没有上下文 | 先写 guideline，再搭管线

视频脚本 / 文案 | 每次从零开始，无法积累 | 沉淀品牌语料 + 风格规则文件

客服 / 私域话术 | 回复质量不稳定 | 标准话术库 + 自动质检规则

提案 / 方案 | 调研和排版都耗时间 | 设计系统复用 + AI 做格式活

共同点：先把「什么是好的」写下来，再让 AI 按这个标准跑。不要跳过第一步直接问 AI。

只用过 ChatGPT

把一个你每周都在做的任务，试着用 Cursor 来做。不是因为 Cursor 更好，而是它会让你发现「有上下文」和「没上下文」的巨大差距。

用过 Cursor 但还在逐条 prompt

挑一个场景，把「好的标准」写成文件，让 AI 读着这些规则去做。你会发现产出稳定性有质的变化。

已经在搭流程

加入自动质检环节——让第二个 Agent 来评审第一个的输出，或者用脚本做量化检查。从「能用」到「可复制」的关键一步。

你刚才看到的这份演示文稿，从调研分析到最终成稿，全程用 AI 完成。制作过程本身就在践行我们讲的每一条原则。

人做了什么 | AI 做了什么 | 对应产物

1 | 给了一份问卷 Excel | 分析 30+ 份问卷，提炼受众画像 | 小私董AI内训练调研.xlsx

2 | 描述两个 Demo 意图 | 读项目文件 + 逐字稿，生成大纲 | podcast_title/ 腾讯企业培训/

3 | 「不好看，换咨询风格」 | 整个 Deck 全量重写 | 内训演示.html → _咨询版.html

4 | 「太刻意，重点讲案例」 | 参考外部文章 + 素材，再次全量重写 | 内训演示_v3.html

5 | 「比例不对，要 16:9」 | 迁移 SlidePilot，16 页全部重排 | slides/ (reveal.js)

6 | 「总结成 Skill 复用」 | 沉淀 SlidePilot Skill + PDF 导出 Skill | ~/.cursor/skills/slidepilot-deck/

人均用时人：~30 分钟（判断 + 反馈）AI：完成全部编码、排版、重构

Deck 被完整重写了 3 次每次重写成本 ≈ 0如果是手工做 PPT？

重新生成 > 修改

Deck 被完整重写了 3 次——每次都是推倒重来，不是逐行修补。因为 AI 生成的边际成本几乎为零，重新生成比精细调试更快、质量更高。

资产积累，越用越快

这次用到的资产：播客标题 Skill、腾讯项目文件、SlidePilot 框架、PDF 导出脚本——全是过去沉淀的。做完之后又多了一个 Skill：SlidePilot Deck 生成。下次做 PPT 会更快。

人做判断，AI 做执行

人只做了高价值的事：选案例、定调性、给反馈（「不好看」「太刻意」「比例不对」）。HTML/CSS 编码、排版调整、文件管理——全部是 AI。

结果确定性，而非过程确定性

没人说「把第 3 页的 margin 改成 24px」——只说「横屏比例不对」「内容太集中」。描述期望结果，让 AI 自己找到路径。

结论：你不需要会写代码，也不需要会用 PowerPoint。你需要的是 清晰的判断力和 把经验变成可复用资产的习惯——剩下的，AI 来做。

重写三次，每次成本 ≈ 0

手工做 PPT，推翻重来一次就要几天。用 AI 生成，推翻重来的代价几乎为零。当重做不要钱，你对品质的要求会彻底改变。

代码是杠杆

用 PowerPoint 拖拽 19 页排版，很慢、很累、无法复用。用代码描述这 19 页，改一行 CSS 全局生效。这不是「用 AI」，这是换了一个做事的维度。

闭环：方法论自证

资产积累、结果确定性、人做判断 AI 做执行——这些不是口号，是刚才真实发生的事。如果一套方法能用自己证明自己，它大概率是对的。

谢谢 · 斯斯 · 2026