最近读了 Claude 工程负责人 Felix Rieseberg 的一篇文章,叫《How to be more ambitious》,谈怎样更有野心地使用 AI。

文章不长,举的例子也很日常,但读完以后,我发现自己也有一个习惯:遇到一项工作,往往先想怎样让 AI 帮我完成,很少重新考虑,这件工作原本为什么要这样做。

过去两年,我们使用 AI 的能力进步得很快。写代码、整理材料、分析数据、制作报告,原本需要几天完成的事情,现在几个小时就能做完。最近 Agent 又发展得很快,一个人可以同时安排十几个任务,让 AI 分头去研究、执行、检查。

工作效率确实提高了不少。

可这些任务本身呢?

以前我们自己写 PPT,现在让 AI 写 PPT;以前自己研究财报,现在让 AI 分析财报;以前程序员逐个排查软件故障,现在让 AI 一个接一个地修复。

仔细看下来,很多工作还是十年前的样子。我们只是换了一个能力更强、速度更快的执行者。

技术变了,工作的组织方式却没有跟着变。

一、为什么一定要做季度汇报?

Felix 在文章里举了一个例子。

假设你在一家企业工作,每个季度都要准备经营汇报。按照现在的习惯,你可能会把财务报表和经营数据交给 Claude,让它制作一份 PPT。再进一步,让它分析收入、利润、客户流失率,找出几个异常指标,解释变化的原因。

这已经省去了很多工作。

Felix 建议继续往下问:既然报告是给管理层看的,能不能直接找出三个最需要管理层讨论的问题,分析每种选择的利弊?

再往前走一步,事情就有意思了。

企业为什么要做季度经营汇报?

无非是管理者需要了解企业发生了什么,哪些业务偏离了预期,资源应该怎样调整。如果问题发现得早一些,损失就可能小一些;如果能够提前发现新的机会,企业也可能更快采取行动。

那么,为什么一定要等一个季度结束,才能做这些事情?

能不能让 AI 持续读取经营数据,发现异常就开始分析,给出原因和调整建议,再根据后续经营结果检查原来的判断?

甚至可以把过去几年的数据拿出来,检验这套机制是否真的能够更早发现问题,然后让它和原有的季度汇报制度并行运行一段时间,看看实际效果。

从制作 PPT 出发,最后却开始讨论企业应该怎样管理经营风险、怎样分配资源。

原来我们想交给 AI 的那份 PPT,只是整个经营管理过程中的一个环节。

过去企业必须依靠这样的环节来组织工作。各部门定期汇总数据,财务和经营部门完成分析,管理层开会讨论,然后再把决策传递下去。整套机制经过多年发展,已经成为企业日常运行的一部分。

它的形成有很现实的原因。数据收集困难,分析需要大量人工,各部门之间的信息传递也有成本。管理者不可能每时每刻盯着所有业务,只能通过定期汇报掌握情况。

季度汇报是一种合理的安排,却未必是企业经营问题天然就该采用的解决方式。

如果信息处理和协作的成本发生了很大变化,原来的安排是不是也可以重新考虑?

二、从修复一个问题,到维持整个系统的稳定

Felix 讲了自己使用 Claude 的另一段经历。

以前应用程序出现崩溃,他会把问题交给 Claude,让它分析日志、定位原因、修改代码,然后检查修复结果。

一个问题处理完,再处理下一个。

后来他改变了提要求的方式,不再只是让 Claude 修复某一次崩溃,而是让它帮助维持整个应用的稳定。

这个要求听起来不过是把任务范围扩大了,实际做起来却需要改变许多东西。

AI 得能够访问崩溃日志,知道不同版本的代码做过什么修改,还要能够进入不同操作系统的测试环境,自己复现问题,验证修复是否有效。

原来由人来发现问题、分配任务、检查结果的工作,现在有一部分可以交给 AI 持续完成。

人所关心的也随之改变。

过去要知道某个错误有没有修好,现在更关心软件是否稳定,类似的问题有没有反复出现,新版本是否引入了其他故障。

我觉得这个例子很能说明 Agent 接下来的发展方向。

我们过去讨论 Agent,常常关心它能够调用多少工具、连续执行多少步骤、一个人能同时运行多少个 Agent。这些能力很重要,但工具调用得再多,最后还是要看解决了什么问题。

比如,让 Agent 自动收集新闻、整理财报、更新表格、发送邮件,确实能节省大量时间。但如果它始终按照人原来设定的流程工作,效率提高以后,工作的范围和结果未必会有相应的变化。

而当人开始直接提出一个持续性的目标,情况就不同了。

AI 需要自己发现问题,决定先做什么,使用哪些工具,并且根据执行后的反馈修正方法。

我们之前讨论过互联网服务从 find 到 do 的转变。过去互联网主要帮助人寻找信息、商品和服务,Agent 开始能够替人完成行动。

但行动完成以后,还有一个问题:结果怎么样?

订到了机票,不代表旅行安排就一定合理;替企业调整了广告投放,不代表获客成本真的下降;修复了代码,也要看应用程序之后是否恢复稳定。

从行动到结果之间,还需要验证和反馈。

如果这几个环节逐渐连接起来,Agent 所承担的工作,就会从一个个彼此分离的任务,变成围绕目标持续运行的过程。

三、很多工作分工,是过去能力有限的结果

Felix 的文章里还有两个建议。

一个是深度。让 AI 真正使用专业人士的方法、工具和原始数据,而不是简单模仿专家说话的方式。

另一个是广度。让 AI 把不同专业领域的研究方法结合起来,完成过去需要多人协作才能完成的事情。

例如研究一家企业,我们可以要求 AI 采用记者的调查方法寻找外部线索,用数据科学家的方法检查经营变化,用做空者的思路寻找财务和商业模式中的疑点,再用法务会计的方法核查异常交易。

这些方法过去都存在,只是要把它们放在一起使用,成本很高。

一个普通投资者不可能为了研究一家企业,专门组织记者、行业专家、数据科学家和法务会计共同工作。即使大型投资机构有这样的人员配置,跨团队协作也需要大量沟通。

现在 AI 可以承担其中一部分研究和数据处理工作,让原本很昂贵的协作变得容易。

这件事情让我联想到企业内部的专业分工。

现代企业的组织方式,是在长期发展中逐渐形成的。销售负责客户,财务负责核算,法务负责合同,技术部门负责系统,管理层负责协调和决策。

这样的分工有专业能力和责任边界上的必要性,同时也受到人的能力限制。

一个人不可能熟悉所有专业,也没有足够的时间处理所有信息,所以企业需要把工作拆开,再通过流程、报表、会议和审批重新连接起来。

组织规模越大,这些连接工作往往越复杂。

AI 开始改变其中的一部分条件。

如果一个 Agent 能够读取多个业务系统的数据,综合不同领域的方法,协助完成跨部门任务,那么原来必须由多个岗位接力才能完成的工作,就有机会重新安排。

企业仍然需要专业人员,也需要必要的授权、监督和责任机制。但过去那些为了传递信息、协调步骤而设置的环节,未必还需要全部保留。

更重要的是,原来因为协作成本太高而无法开展的一些工作,现在有机会成为常规工作。

比如持续检查经营异常、针对某个复杂问题同时使用多种专业方法、为大量小客户提供过去只有大客户才能获得的定制服务。

效率提高固然重要,原来做不起的事情开始变得做得起,也许会带来更大的市场变化。

四、企业软件会发生什么变化?

沿着这个思路继续想,企业软件是一个很值得观察的领域。

过去几十年,大量企业软件都是围绕既有工作流程设计的。

销售人员使用 CRM,财务人员使用 ERP 和财务系统,管理层使用 BI 系统查看经营数据,员工通过邮件、文档、表格和会议交换信息。

这些软件帮助企业把工作流程数字化,形成了庞大的市场。

不过,大部分软件仍然要求人去适应它的操作方式。

想完成一件事,需要进入某个系统,找到相应功能,填写数据,提交审批,再切换到其他系统继续处理。跨部门任务更麻烦,常常需要在多个软件之间来回操作。

如果 Agent 能够理解人的目标,并且在获得授权后调用不同系统,这种关系就可能改变。

举个例子,销售负责人希望提高某个地区的客户转化率。

过去他可能需要从 CRM 导出客户数据,让市场部门分析投放效果,再找财务计算客户获取成本,和产品部门讨论价格方案,最后组织会议决定行动。

现在可以设想一种新的工作方式。

Agent 直接访问相关系统,把销售、投放、价格和客户反馈放在一起分析,找出转化率下降的环节,提出几套可以执行的方案。负责人批准以后,再由 Agent 协助调整投放、安排客户跟进,并持续观察结果。

在这个过程中,CRM、财务系统、数据库仍然存在。客户资料、财务记录、权限管理和交易数据都需要可靠的系统来承载。

变化发生在用户与这些系统之间。

过去用户必须理解不同软件的功能和流程,未来也许可以直接提出目标,由 Agent 组织软件完成工作。

如果这种方式逐渐普及,企业软件市场的价值分配也可能发生变化。

过去软件厂商主要出售功能和使用权,企业购买多少席位、使用哪些模块,是常见的收费依据。

Agent 如果能够承担完整任务,软件服务就有机会向按使用量、交易量甚至按实际完成结果收费的方向发展。

例如,一家企业购买获客软件,过去可能按照账号数量和订阅期限付费;未来部分服务可以根据实际带来的有效客户收取费用。

这里有不少问题需要解决。有效客户怎样定义,销售结果如何归因,Agent 执行错误造成损失由谁承担,都涉及合同、支付和责任安排。

也正因为如此,Stripe 这样的支付基础设施公司,以及我们此前关注的 Personal Agent Protocol 等代理协议探索,值得放在这条变化中一起观察。

当软件开始从提供工具走向完成任务,支付、授权、身份、记录和验证,就会变得越来越重要。

谁能够把这些环节可靠地连接起来,谁就可能在新的软件生态中占据更有利的位置。

五、下一轮投资机会可能从哪里产生?

过去几年,AI 产业的投资线索相对集中。

模型能力不断提升,带来算力需求增长,进一步推动 GPU、HBM、数据中心、光通信、电力等基础设施的投入。

这些需求有比较明确的物理载体,也容易通过订单、产能和资本开支观察。

但 AI 如果开始改变企业的日常工作方式,下一轮机会就会分散得多。

它可能出现在企业软件,也可能出现在支付、云服务、专业数据、医疗、法律、金融服务,以及一些目前还没有形成独立市场的领域。

研究这些变化,我想可以先从成本入手。

每一次重要的技术突破,都会让原来昂贵的某种能力变得便宜。

当能力成本下降到一定程度,原来只能偶尔使用的服务,就可能变成高频服务;原来只有大企业能够负担的工作,小企业甚至个人也可以使用。

需求由此扩大,又会带来新的约束。

比如,AI 可以显著降低分析企业经营数据的成本,但要持续改善经营结果,还需要及时、准确地获得数据,需要系统之间能够互相协作,也需要可靠的权限管理和结果验证。

推理能力越来越便宜以后,数据获取、系统连接、执行可靠性和责任安排,反而可能成为新的瓶颈。

这也是我们此前反复讨论的一条观察链:

能力突破,单位成本下降,原来受到限制的需求开始显现,使用规模扩大,瓶颈转移,新的商业结构逐渐形成。

沿着这条线寻找企业,比单纯统计哪些公司已经推出 AI 产品,可能更有帮助。

但还需要区分需求增长和企业价值增长。

某项服务因为 AI 变得便宜,使用量可能迅速扩大,服务价格却也可能大幅下降。如果进入门槛很低,竞争者很快涌入,新增需求未必能为原来的服务商带来更多利润。

所以,需要继续观察新的需求最终会集中在哪些环节,哪些企业掌握了难以替代的数据、客户关系、分发渠道或基础设施,又有哪些企业只是利用暂时的技术优势提供容易复制的服务。

对投资者来说,机会经常出现在市场仍然按照过去的业务结构理解一家企业,而企业未来的需求、成本和竞争关系已经开始改变的时候。

这种变化一开始未必反映在财务报表里。

等到所有人都能从收入和利润中看到结果,市场可能已经重新定价了。

六、我们习惯了怎样工作,也就习惯了怎样想象未来

回过头来看 Felix 的文章,最打动我的还是他提出问题的方式。

一个长期从事软件工程的人,最初很自然地让 AI 帮他修复代码。因为在过去的经验里,应用程序出了问题,就应该由工程师分析日志、定位故障、修改代码。

这套工作方法曾经非常有效。

但当 AI 有能力持续观察、分析和执行以后,他开始重新考虑,自己究竟应该要求 AI 完成什么。

这让我想到,职业经验有时候会形成一种很隐蔽的限制。

我们花了很多年学习怎样完成某项工作,逐渐熟悉其中的规则、步骤和评价标准。经验越丰富,做起来越熟练,也越容易把这些方法当成工作本来的样子。

遇到新技术时,我们首先想到的,往往是怎样让它适应原来的工作。

程序员想让 AI 更快地写代码,分析师想让 AI 更快地生成报告,设计师想让 AI 更快地出图。

这些需求都很合理,也已经带来了巨大的生产率提升。

但技术能力继续发展以后,我们或许需要偶尔离开这些熟悉的流程,重新看看工作的起点。

企业要的是经营改善,还是一份经营报告?

客户要的是问题解决,还是一次软件操作?

投资者要的是更多财务分析,还是更早理解那些正在发生、却尚未被市场充分认识的变化?

问题重新打开以后,可选择的方法也会随之增加。

这里仍然有一条需要守住的边界。AI 能够承担更完整的工作,不代表所有判断都应该交给 AI。经营目标之间存在取舍,投资决策需要承担风险,很多社会活动还涉及法律责任和人与人之间的信任。

Felix 也特别强调外部验证的重要性。模型写出的方案再漂亮,最后还是需要真实数据和实际结果来检验。

我们可以让 AI 探索更多实现目标的方法,但目标怎样确定,哪些代价可以接受,最终责任由谁承担,仍然需要人作出选择。

而人需要学习的,也不再只是怎样使用一个工具。

过去,我们通过长期训练掌握某种工作方法,依靠经验不断提高熟练程度。这些能力在相当长的时间里都很有价值。

现在,具体方法更新的速度越来越快。一个人积累十几年的工作经验,依然能够帮助他理解行业、辨认风险、作出判断,却也可能让他过于依赖熟悉的流程。

当 AI 的执行能力不断扩大,我们或许应该把更多精力放在理解问题、确定目标和判断结果上。

毕竟,许多今天看来理所当然的工作方式,只是过去技术条件下形成的安排。

那些条件正在改变。

下一次让 AI 帮忙完成一项熟悉的工作时,不妨先问自己:

这件事为什么一定要这样做?

也许我们会发现,自己真正想完成的事情,从来就不只是一份 PPT。