内容来源：2026年7月4日， 谢浩老师 受北大国发院邀请进行了主题为《指挥的艺术:AI时代你的杠杆和护城河》的分享。

分享嘉宾： 谢浩 ， 《AI大模型必知必会：从工具思维到智能协同》书籍作者。

责编| 柒 排版| 沐言

第 9743篇深度好文：4521字 | 17 分钟阅读

商业思维

一、 拥抱AI的人，已经领先同龄人

现在很多工作中，我们看到的所有点都是AI在完成。例如现在的Codex、Claude Code，腾讯的Workbuddy等等。

根据现场的调研，大家90%以上都在使用这些产品，至少领先于同行或者同龄人。

最近我有一些思考我自己最近有一个直观的感受：现在每天我消耗的token数量，多的时候可能接近一个亿。

因为像Codex和Claude Code这些工具，其实背后可以大量接入国内的模型。

比如DeepSeek，现在一级市场估值已经到500亿美金量级；

再比如智谱，前段时间港股市值一度破万亿；

还有MiniMax，也是几千亿市值；包括芯片公司寒武纪，都是破万亿的公司。

短短时间内市场为什么会发展这么快？我们作为个人，如何能抓住其中一点点机遇？

这就是今天想跟大家探讨的核心。

二、 张雪的启示：

用AI做杠杆，实现增长

我们举一个今天特别火的例子张雪。他是一位非常火爆的山村修车工，他的机车已经获得了几次世界冠军。

他在做发动机的时候有一个视频：改善发动机性能。我们一直觉得发动机是个技术门槛相对较高的领域，做研发需要一定的行业技术壁垒。

张雪在做发动机时遇到一个很大的问题：内窥镜的图像分析。

这种图像分析极其复杂，靠人分析极其困难。当时开会就拍板：如果图像分析这么难，我们应该借助AI。

于是团队借助AI视觉分析系统完成零部件检测，用技术工具突破行业传统技术壁垒。

这一案例印证核心逻辑：AI是撬动增长的核心杠杆。

企业、个人存在大量重复性、标准化工作卡点，搭建标准化AI工作流，即可实现任务自动化交付，大幅压缩人力成本、缩短项目周期。

斯坦福相关产业研究划分AI落地两类场景：

红灯区（涉及复杂决策、人际信任的场景，需延后布局），落地时优先深耕绿灯场景，依托AI杠杆快速实现业务增长。

三、 AI能力的摩尔定律：

每7个月翻一倍

我们再看另一个数据：METR2025年的研究。

METR是美国一个专门做AI安全和能力评估的第三方组织。他们的核心研究结论是：AI能处理的任务复杂度，大约每7个月翻一倍。

这张图由AI制作，我们看到他发布了一篇文章。他讲AI智能体的摩尔定律，在芯片领域每18个月芯片的性能提升一倍，体积可能减少一半。

区分不同赛道迭代差异：翻译、基础文案等简单任务迭代接近瓶颈；自动驾驶、复杂科研推理等领域迭代周期更长，约20个月。

METR在2025 年发布成果时预测：

2026年底：AI有望处理一天级别的复杂任务；

2028–2029年：可能连续处理一个月级别的活。

长期推演可见，未来AI可独立完成跨月度、跨季度连续性复杂任务。

同时AI幻觉、逻辑偏差等问题仍客观存在，多轮交互、跨模型交叉核验是优化输出质量的通用手段。

AI能力持续变强，意味着单纯执行类岗位价值持续缩水，人类核心价值将向顶层指挥、决策端转移。

我经常跟我们团队讲：你白天可能要让agent去跑一些任务，用Claude Code也行、用Codex也行。

在跑的过程中，有些任务需要交互，什么时候该AI干、主要时间是不是应该让它自主跑？

现在像long-horizon agent（长程智能体）这种模式也很火：你设一个目标，它通过多轮迭代去完成。

我们给它设置一个模式，今晚经过3轮、5轮或10轮迭代，最终能满足我的交付要求。所以AI时代的“摩尔定律”，意味着未来AI能做的事情会越来越多。

四、 角色转型：

从执行者到指挥者

在AI时代， 由于大量智能体（硅基员工）的涌现，我们能指挥的团队越来越大。

那么作为中层管理者，你的角色在哪里？

我想说，这时候作为中层管理者其实蛮危险的。

你要么需要一些能力去把事情落地、形成闭环；要么可能需要往高层管理走，那时候你有更多的资源。两者之间会有区别。

1.执行者vs指挥者

我们原来设定一个目标,比如给他做一个视频，我大概知道交付对标的结果是什么样的，可以找个视频让他去看；甚至有人会问：你能不能直接帮我把这个钱赚回来？

所以流程是：定义问题→ 设计工作流→ 判断结果→ 承担结果。真正的竞争力，是设计这套协作系统的能力。

AI时代，人的价值从亲自执行转向了定义问题、判断结果、承担责任。这才是一个管理者真正要做的事。

2.未来团队形态：一人+ AI团队

举个很小的例子。以前可能是多人团队,我们当年做公司时，每个月员工的开支可能就需要50万，创业门槛相对较高。

现在呢？未来很多事情可能是一个人+一个AI团队。

编程、研究、写作,这些事情本质没变，你依然是定目标、派任务、验收、担责。但“验收”和“担责”极度依赖你对行业的理解和本身的专业知识。

我现在基本上很少会用到助理，也很少用到程序员帮我做什么,因为我觉得这些东西，大家都会用AI的方式去做。

3.一个美国大三学生的选择

前段时间我跟美国一线的学生交流，其中一位来自全球前50的学校。他大三，计算机系。我问他未来计划是什么,是不是因为国内比较卷、想去读个硕读个博？

他给我的反馈是：“现在发展实在太快，我觉得去读硕士、读博，可能会错过这一波的时间和机遇。”

所以他说自己三年就想毕业去工作，我觉得这个想法非常好。

我说：你如果三年毕业能在美国找到大厂工作，应该立马去工作,因为现在AI发展极其迅速。

我问他平时用AI的情况，他说很多作业不能让AI做,因为如果让AI做，闭卷考试的时候就不会做了。

这也是未来教育行业值得探讨的问题，即未来的教育方式和学生需要学习什么，这也是我们重点需要关注的一个问题。

五、 指挥的四要素

指挥有四个要素：

1.判断力

判断力，就是知道要做什么。

有时候讲“选择比努力更重要”,无论你是来读MBA，还是找工作，还是切换赛道，你要想清楚你应该做什么。这决定的是战略。

2.提问力

这是把问题说清楚、定义清楚的能力。无论是提示词（prompt），还是其他方式,你以怎样更清晰 、更好的方式去表达需求。

3.鉴别力

鉴别力就是判断结果的好坏。

当Codex、Claude Code，或者国产的Workbuddy、通义千问这些工具给你做出结果时，你怎么让它进一步优化？

这里面要么可能需要经过很多轮对话。

如果你带偏了，AI可能很快做到70、80分；

但你发现从70、80分做到90分，达到交付标准，并没有那么简单。

判断结果极度依赖于你的个人经验和行业经验,这是把70分优化到90分的关键。

4.责任力

责任力，就是对结果负责。

为什么每个行业都拥抱AI？举个例子:医生现在也用AI。但医生看完AI的结果再给出来，是不是比你更有信服力？

反过来，如果你没有医疗背景，作为医疗服务的提供者，你要想：怎么让别人相信你这个结果、能为它负责？

管理的本质是定目标、配置资源、判断结果、承担责任。AI可以把这个能力放大,但前提是，你得有这个能力。

六、个人增长的三重杠杆

我们再看AI给个人的三重杠杆。

我们怎么优于同行、怎么领先于对手？做企业怎么让产品、技术、利润领先于市场？这些都来自哪里？

个人的三重杠杆分别是：

L1：时间杠杆（省时间）

如果AI可以迅速做完这样一个交付，我为什么要用人去做？你给员工布置的工作里，如果AI本身能做，为什么要布置给员工？

L2：能力杠杆（能力放大）

这是用AI放大现有能力的能力。我们看到很多领域其实拥抱AI，但你却很难杀进去。

比如材料科学。如果你本来没有材料科学的背景，又如何做到？所以你肯定要选择自己的专业能力去做杠杆放大，否则别人凭什么相信你有这个能力？

L3：认知杠杆（破认知）

作为“思维的外骨骼”，我们看到大量顶尖科学家在用AI方面用得非常好，他们是如何挖掘到那些足够领先于市场、足够创新的方法和点的？他们是超人吗？这里面，AI就是认知的杠杆。

越往上层杠杆，越难被AI替代。

每个人都是24小时，都需要休息、运动、健身，时间是有限的。有了杠杆，怎么放大？

以前的工业革命可能是10倍，这一次的AI革命可能不再是10倍,可能是十倍、百倍、千倍，就看你怎么用这个杠杆。

所以三重杠杆总结：L1，省时间；L2，对能力放大；L3，破认知。

七、 AI时代的四大护城河

我们为什么要讲护城河？

比如你学了Claude Code一个月，可能觉得学得还不错 。

但AI工具发展非常快，早期你帮人装一个Claude Code，还能收点钱；后来你发现装这个工具已经收不到钱了。

为什么？因为国产的一些工具一键就能装，像腾讯Workbuddy这类，不用学如何安装。

我们有时候开玩笑：一键化发展特别快，如果你学得慢，你的工具就不用学了，因为立马就可以直接用了。

现在你不装那些复杂的东西了，Claude Code也变成桌面板了，使用越来越简单。

以前你要学怎么用CLI配置，现在有更好的，比如接智谱GLM-5.2的方案， 我有时候也用，发现挺好用 。

你说有没有差距？也许会有一点，但大量的情况下你根本用不到它的上限。所以“会用工具”已经不构成护城河 。

真正的护城河是这四个：

1.场景理解

解决什么问题，永远比答案更重要。有了AI，寻找答案很方便，但判断场景该不该用、怎么用，才是核心竞争力 。

2.判断标准

为什么医生用AI出的结果，人家愿意买单；而你出的结果，可能就没人买单？判断标准便是你的核心竞争力之一。

3.信任关系

今天班上十几名同学来了，线下的价值更多是用来建立链接的。

这个课你听不听其实无所谓，但来了以后，可能给你一个更深的认知、更好地触动你；同时你建立了一个链接，你会更加确信你的方式是对的。深度信任， 靠的是线下、面对面。

4.整合加飞轮（数据飞轮）

无论对个人还是组织都一样，最后一定是一个数据飞轮。当你把个人知识库 、把工作流的每一项都标准化以后，你就可以直接产出、自动交付。

护城河不是“会用多少AI”，而是场景× 标准× 信任× 数据飞轮。

结语

从理解到行动，

三件今天就能开始的事

前面讲了三大杠杆，又讲了四大护城河 。

现在的关键是直击问题本质：如果你不用杠杆，个人能力比别人强一点，无论时间、智商、还是资源，可能多一点，但不够。

加上杠杆以后：人家用得好可能乘以3，你用得好可能是乘以10 。10和3的差距，就不再是每天24小时能比的。

给大家四条行动建议：

1.All in AI

立即增加对AI 的投入使用和学习 。如果有可能，尽量All in AI，任何人都应该这么做。

2.聚焦一两个垂直场景

这个场景一定是你最理解的。

今天在座的每一位，在你的行业里都有积累，你有资源、有人脉、也懂得行业的门道 。设计自己的AI工作流：哪些交给AI，哪些必须自己做，怎么达到交付要求？

3.自动化交付

一旦做到交付要求，就让它自动实现。这项工作最后变成多长时间，取决于算力当时紧不紧张：有可能是十几秒，也有可能是十几分钟甚至更多。

4.建立个人数据飞轮（第二大脑）

现在有很多知识库工具：

腾讯把ima放到Workbuddy里；

Codex 、ClaudeCode 接入到Obsidian这类知识库，那就变成你“第二大脑”。

这些我经常在用，效果非常好，大家可以去实践。

把可自动化的执行交给系统，把时间投向问题的定义，这是战略。

真正的护城河，不在于你用了多少工具， 而在于你能指挥多大的系统，承担多大的判断与责任。

三大杠杆+ 四大护城河（场景理解×判断标准×信任关系×数据飞轮）是我们长期需要关注、实践并落地的事情 。

*文章为作者独立观点，不代表笔记侠立场。

接下来，笔记侠要举办《AI十倍增长营02期》，地点杭州，帮助更多的企业实现AI转型。

如果你想知道全部的AI实操细节、踩过的坑、避坑指南和落地工具包。