AI 时代，拉开差距的不是工具熟练度，而是在不确定里启动、验证和接力的能力。
原文链接：AI 小老六
我现在越来越不相信一种说法：只要把AI 工具用熟，人就会自然变强。
工具当然重要，但它解决的是“怎么做得更快”，没有自动解决“什么值得做”“该从哪里下手”“做砸以后怎么办”。真正拉开差距的，往往是更早一步的东西。
有人看到一个模糊问题，会先等需求、等分工、等资源、等一个明确负责人。也有人先做一个粗糙版本，把问题拎出来晒一晒，哪怕最后证明方向不对，也能留下判断依据。
AI 把执行成本降下来以后，这种差异会被放大。过去一个人慢一点、被动一点，还能靠组织流程兜住；现在机会窗口变短，等别人把题目出好，很多事情已经被做完了。
我觉得真正值得看的不是某家公司多会用 AI，也不是几个创始人多有激情。那些名字和故事只是外壳。
更有价值的是它背后的工作状态：在不确定里主动启动，也就是 Agency；在失败里收集信号，在争论里给出验证路径，在细节里训练 Taste，在协作里少一点“谁来负责”，多一点“我先往前推一步”。
放到任何一个正在被 AI 改写的团队里，本质问题都一样：当工具越来越强，一个人还能不能成为事情的发动机。这也是我理解的 AI Native，不是会几个工具，而是默认用新的方式启动、判断和协作。
图：AI Native 的核心不是工具清单，而是面对不确定时先把问题推到可讨论状态。
Agency：先动起来，比等条件成熟更重要
很多人的工作方式没有问题，但有上限：任务来了就推进，目标定了就拆解，排期排了就交付。这是合格执行者的状态，在稳定环境里很可靠。
可 AI 时代的很多机会，开始时并不像“任务”。它可能只是一个用户抱怨、一个效率黑洞、一个没人愿意碰的老问题，或者一个听上去有点离谱的小想法。它没有完整 PRD，也没有现成资源，更没有人保证你做了就有回报。
这时候看的是一个人的启动能力。这里可以借用Agency这个词，因为“主动性”还不够准确。Agency 不是积极响应，而是你真的把行动权拿在自己手里。
启动能力不是鲁莽。它不是看到什么都冲上去，而是在信息还不完整时，能先做一个足够小的动作：写一版 demo，跑一组 case，找两个用户聊聊，把问题拆成可验证的假设。
很多事只要被推进到“看得见”，讨论质量就会变。原来大家只能凭感觉争，后来可以对着证据改。
我觉得可以把个人状态分成三层：
| 状态 | 典型反应 | 对应能力 |
|---|---|---|
| 等任务 | “这个有人负责吗？” | 行动权在别人手里 |
| 做任务 | “需求明确我就能交付” | 执行力够，但 Agency 不一定够 |
| 推问题 | “我先做个最小版本看看” | 能把模糊问题变成可讨论对象 |
真正稀缺的是第三种人。不是因为他最忙，而是因为他能让事情从零到一地动起来。很多项目后来能成，并不是一开始方向多清楚，而是有人先把第一步踩出来了。
Fail Fast：失败不是标签，是下一轮判断的材料
做 AI 相关的东西，很难不失败。模型不稳定，用户不买账，成本压不住，交互方式不自然，评估指标也经常事后才发现不对。你可以提前分析，但很多边界只有动手以后才会露出来。
所以我不太喜欢把失败简单分成“成功的反面”。更准确地说，失败有两种：一种失败会留下材料，另一种失败只留下疲惫。
有材料的失败，至少回答了几个问题：
- 这个方向为什么走不通？
- 是模型能力问题，还是产品定义问题？
- 哪些代码、数据、流程、判断还能复用？
- 下一次要避开什么坑？
如果这些问题说得清，项目没上线也不算白做。
只留下疲惫的失败，则通常没有假设、没有记录、没有复盘，只是在同一个地方反复碰壁。最后大家用一句“试过了，不行”把事情盖掉。这样的失败最贵，因为它既消耗信心，也没有产生资产。
AI 时代尤其需要一种实验账本意识。每次尝试都要尽量留下东西：一组失败样例、一段可复用脚本、一个成本估算、一条新的产品判断。
别急着给自己贴“做成了”或“做砸了”的标签，先问这次尝试有没有让下一次更聪明。很多时候，真正有价值的不是避免失败，而是让失败变成可以复用的 learning。
图：有记忆的失败会沉淀成资产，没有记录的失败只会变成消耗。
这也是我觉得很多团队最该补的一课：不是鼓励大家乱试，而是把试错做成一种有记忆的系统。没有记忆的试错叫折腾，有记忆的试错才叫探索。
Skepticism：好的怀疑，会把问题推向验证
AI 领域里，悲观很容易显得高级。说“这个不靠谱”“用户不会用”“模型肯定不稳”“成本一定压不住”，通常都能说中一部分事实。问题是，说中事实不等于推动问题。
我更愿意区分两种态度：Skepticism和 Pessimism。前者是怀疑，后者更接近泄气。
怀疑是带着路径的。它会继续追问：如果担心用户不用，能不能找五个真实场景试一下？如果担心模型不稳，能不能先抽一百个 case 看失败模式？如果担心成本，能不能把 token、缓存、调用链路算清楚？
泄气没有路径。它把不确定性翻译成“别做了”，把风险翻译成“我早就说过”。这种话听起来冷静，其实很安全，因为说的人不用承担下一步。
一个简单判断标准是：提出问题之后，有没有给出可验证动作。
| 说法 | 更像怀疑 | 更像泄气 |
|---|---|---|
| 用户价值 | “找几个真实场景试试复用率” | “用户不会用” |
| 模型效果 | “先看失败集中在哪类输入” | “大模型就是不稳定” |
| 成本风险 | “把调用链路和缓存方案算一遍” | “这个肯定太贵” |
| 方向判断 | “缩小范围做个实验” | “没意义，别试了” |
这件事对个人也很重要。一个人如果总能指出问题，却从不给验证路径，时间长了会变成团队里的阻尼器。
真正有价值的清醒，不是把别人浇灭，而是让大家少走弯路以后还能继续走。
Taste 与 Craft：品味不是玄学，是大量对照后的判断力
AI 让“产出很多版本”变得非常容易。文案可以出十版，界面可以出十版，代码实现也可以出十种。以前产量是瓶颈，现在选择反而成了瓶颈。
这时候，品味会变得很硬。
这里说的 Taste，不是穿衣、审美、调性这些表层东西，而是你能不能判断哪个版本更好，能不能说清楚为什么好，能不能看出“差一点”差在哪里。
一个空状态文案有没有敷衍，一个默认值会不会误导用户，一段代码是不是过度设计，一个 Agent 流程是不是把人绕晕了，这些都需要品味。
很多工程师不喜欢“品味”这个词，觉得它太虚。其实工程里到处都是 Taste：接口边界怎么切，异常怎么处理，抽象做到哪一层停，什么时候该复用，什么时候该重写。
Craft 也是同一件事的另一面，没人盯的时候，愿不愿意把“能用”再往“顺手、干净、可靠”推一小段。
AI 对新人有一个很现实的影响：过去靠重复做任务慢慢积累的机会会变少，但高频对照的机会变多了。你可以让工具给出多个方案，但不能只挑一个看起来顺眼的交差。
真正的训练在后面：为什么这个方案更稳？另一个方案为什么别扭？如果再改一轮，应该改哪里？
工具能给样本，不能替你长判断。判断力还是要靠你自己一轮一轮磨出来。
图：AI 提供更多样本，真正的差距在于能不能做出更好的判断和取舍。
Inner Drive：别把真正的热情误判成“又卷起来了”
现在讨论工作状态，很容易落到“卷不卷”。这个词当然有用，它提醒我们不要被系统推着消耗。但它也有副作用：很多人一旦对某件事真的着迷，反而会先怀疑自己是不是不健康。
被迫加班和主动沉进去，是两件完全不同的事。前者是外部压力，后者更像 Inner Drive，心里真的有一个想弄明白、想做成的东西。
被迫加班的底色是耗损：你不想做，但不得不做；你越做越空，第二天只剩疲惫。
主动沉进去的底色是好奇：你想知道它还能不能再往前一点，想试一个新方法，想看看那个奇怪的想法会不会跑通。它也会累，也需要节制，但它不是同一种累。
AI 让这种好奇心变得更容易被点燃。以前一个想法要找人、排期、搭环境，现在可能半小时就能跑出一个样子。一个人如果心里本来有问题、有欲望、有判断，工具会把这种能量放大。反过来，如果心里只有任务，工具再强也只是更快地完成任务。
所以我觉得更好的问题不是“我有没有又卷了”，而是：我最近有没有一件事，是因为真想知道答案才多做了一会儿？它和 KPI、晋升、汇报暂时无关，只是我想把它弄明白。
如果完全没有，可能不是工作太轻松，而是你离真正让自己兴奋的问题太远了。
Jazzlike：协作可以少一点流程，但不能少责任感
有一种协作状态很值得借用，可以叫 jazz，也可以理解成 jazzlike collaboration：大家不完全靠会议、排期、负责人推进，而是在一个共同方向里即兴接力。
这个比喻很漂亮，但也很容易被误读。
不是所有团队都适合少流程。密度不够、共识不够、责任感不够时，流程一少，事情就会掉地上。群里很热闹，想法很多，最后没人收口。这样的“自由协作”只是松散，不是高效。
真正好的轻流程，前提是每个人都愿意多拿一点责任。看到一个缺口，不是先问谁负责，而是先补一版；听到一个想法，不是等会后纪要，而是顺手推到下一步；发现别人卡住，不是旁观评价，而是接一下力。
这类协作表面上少了很多管理动作，底层其实要求更高。它要求人有自驱、有判断、有边界感，也有互相信任。否则流程拿掉以后，暴露出来的不是创造力，而是没人兜底。
对个人来说，最小的练习很简单：
- 下一次开会前，问问这件事能不能不等会议，先往前推一小步。
- 下一次想拉群前，问问自己能不能先写一个草稿。
- 下一次看到一个好想法，问问自己能不能先把它变成别人接得住的东西。
这不是逞能，而是在训练自己成为一个能让协作变轻的人。
最后，AI Native 首先是一种行动习惯
如果把上面这些收束成一句话，我会说：AI 时代更需要能在不确定里持续推进的人。
不是最会追热点的人，也不是最会背工具清单的人，而是那种遇到模糊问题能启动，遇到失败能复盘，遇到风险能验证，遇到粗糙方案能打磨，遇到好想法能接力的人。
可以从几个很小的动作开始：
| 旧习惯 | 可以换成 |
|---|---|
| 等需求明确 | 用 Agency 先写一个最小假设 |
| 等资源到位 | 用 Resourcefulness 先找替代路径试一版 |
| 失败后归因 | 失败后留下样例和判断 |
| 只说不行 | 用 Skepticism 补一句“怎么验证” |
| 差不多就交 | 用 Craft 多做一轮对照和打磨 |
| 等别人负责 | 先把下一步做成可接力的东西 |
这些动作都不宏大，也不像“组织变革”那么有气势。但个人能力的变化，很多时候就是从这些小地方开始的。
AI 会继续变强，工具会继续换，今天熟悉的工作流明天可能又要重来。
真正不容易过时的，是一个人的默认反应：面对不确定，是退回等待，还是先把问题往前推一点。
差距常常就从这一点开始。
推荐阅读
Agentic Skill Routing 实战：别再把所有 Skill 塞进 AI Agent 上下文
Harness Engineering：Agent 真正能交付，靠的不是更强模型，而是上下文、执行协议和验收闸门
AI Coding 如何影响交付链路重构：写代码更快了，为什么人反而觉得更累了？
Agent 工具链工程化： Skill 负责编排判断，CLI 稳定交付的执行边界
业务 Agent 搭建指南：别急着重造 Agent，用知识、工具与评测跑通闭环
