AI是参谋,不是指挥官

任正非有句很著名的话：让听得到炮火的人做决策。

这句话放在 AI 时代，会显得格外重要。

因为今天，我们第一次拥有了一个异常强大的“参谋部”。它会看地图，会读情报，会做推演，会写 briefing，会给方案，甚至还能很快搭出一个原型。它反应极快，知识极广，几乎不知疲倦。

问题也正在这里。

参谋越来越强了，很多人却在听完参谋汇报后，误以为自己已经会打仗了。

中国历史里，赵括“纸上谈兵”一直是个反面典型。后人拿它来提醒自己：不要把图上正确，误当成战场正确。到了 AI 时代，这个典故有了新版本：不再只是读了兵书就以为自己会打仗，而是听了超强参谋的汇报，看了沙盘推演、行动方案和路线拆解，就误以为自己已经具备了指挥能力。

我是在三个完全不同的场景里，越来越清楚地意识到这一点的：读书、写代码、还有试图理解一个行业并寻找创业方向的时候。

它们表面不同，底层却是一回事：AI 都在帮我快速生成某种结果的外观，而现实反馈才决定这套外观会不会真正长到我身上。

一、读书：AI给的是缩略图，实践后的反馈才形成认知

我第一次强烈意识到这一点，是在读《原则》的时候。

AI 把这本书嚼得很碎。导读、提要、框架，一层层铺开。那种感觉很容易让人上头：重点我知道了，结构我懂了，核心思想我也抓住了。这本书，我差不多已经读过了。

直到后来真正翻开原书，看到那句：“拥抱现实，应对现实。世界上最重要的事情是理解现实如何运行，以及如何应对现实。”我立刻知道，两者之间隔着很深的河。

AI 给我的，是缩略图。
原书给我的，是高清地形图。

缩略图让我快速知道这片地方大概长什么样。
高清地形图让我看见山脊、河谷、坡度、岔路和地貌细节。

但即便如此，这还不是真正属于我的认知。

真正让我开始理解这句话的，不是在导读里，也不只是翻开原书的那一刻，而是后来我试着按这些原则去看问题、做判断、处理事情时，现实不断给我的反馈。

有些判断，在脑子里觉得很顺，一落到现实里就撞墙。
有些原则，看起来懂了，真正用起来才发现自己并没有那么相信。
有些话，读的时候只是“有道理”，做过之后才变成“我知道它为什么对，也知道它哪里难”。

那时候我才明白：

知道一本书在说什么，不等于真的读过它；
读过它，也不等于真正理解它；
真正的理解，不是把书里的结论复述出来，而是你按书中的原则进入现实，在反馈里碰壁，在复盘中修正，最后把别人的原则慢慢变成自己的认知。

如果说 AI 导读给我的是缩略图，原书给我的是高清地形图，
那么实践之后留下的判断，才是真正属于我的地图和路感。

二、写代码：AI给的是原型，部署和修改中的反馈才形成掌控

借助 Claude Code，我很快搭出了一个股票投研系统原型。那种体验非常容易让人上头。脑子里原本模糊的设想，经过几轮来回，很快变成一个能跑的东西。流程出来了，功能出来了，界面和接口也开始像回事了。

这种速度会迅速把人的自信推高。
你会觉得：原来很多事情并没有想象中那么难。
再往前一步，就很容易滑向另一个更危险的判断：既然它已经跑起来了，那我应该已经掌握它了。

但后来我才明白，原型能跑，和系统在我掌控之中，是两回事。

原型成立，只能说明这套想法大致可行。
真正的工程掌控，考验的是另一套东西：多环境部署、依赖和配置、日志和异常、模块边界、改动影响面、客户需求变化后的维护路径。

这些问题，在原型阶段通常不会全部暴露。
可一旦系统开始接触真实环境，它们就会一个个站出来。

后来现实真的来了。

系统要跑在不同环境里。
客户开始提修改。
代码不再是一把梭跑通就结束，而是要反复改、持续改、带着约束地改。

这时候，问题已经不是“能不能再让 AI 生成一段代码”。
真正的问题变成了：我知不知道该改哪一层？知不知道这一处改动会牵动什么？脑子里有没有这套系统的内部结构图？

我很快发现，我没有。

问题刚出现的时候，我的第一反应不是回到系统内部，重新梳理结构、定位边界、判断影响面，而是继续向 AI 要答案：补一个 prompt，再试一版，换一种说法，再生成一段，也许这次就能把问题绕过去。

一开始，这种方式看起来是有效的。
局部问题被临时补上了。
新代码也能继续跑。
但系统并没有因此变得更清晰，反而越来越像一层层补丁叠上去的东西。

我开始越来越依赖“下一版答案”，而不是越来越理解这套系统本身。每一次修改，看起来都解决了一个点，实际上却让我更不清楚：这套系统的边界在哪里，真正的脆弱点在哪里，哪些模块是牵一发动全身的，哪些地方只是表面问题。

直到后来我想自己动手改，才真正撞见那个事实：这些代码虽然在我的电脑里，也确实是我借助 AI 搭出来的，但它们并没有在我脑子里形成一张清晰的内部结构图。

所谓“不真正属于我”，不是说它不是我生成的，
而是说一旦它出问题，我无法独立判断该从哪里下手，无法预估改动会带来什么连锁反应，也无法在没有 AI 帮助的情况下继续稳定推进。

那时我才真正意识到：

AI 很擅长帮我把一个想法迅速压成一个原型，
但它不会自动把系统的结构理解、工程 ownership 和维护判断，一起迁移到我身上。

原型是方案。
部署、报错、耦合、客户真实需求，才是炮火。
原型能跑，不等于我已经会打这场仗。

三、创业：AI给的是赛道地图，真实推进中的反馈才形成判断

第三次，是在我试图理解一个行业、寻找创业方向的时候。

在这件事上，我并没有一个足够完整的创业案例，可以拿出来证明我已经真正打过这场仗。
但也正因为如此，我反而更清楚地看见了另一件事：AI 太容易在真正上场之前，就给人一种“我已经看懂了”的感觉。

一段行业分析出来，赛道格局清楚了。
一份方案出来，切入路径清楚了。
几轮来回，玩家、模式、风险、机会点都像被摊平在眼前。
那种感觉很像突然开了全图：行业像是看懂了，方向像是有了，剩下只差执行。

可问题在于，这种“看懂”，大部分还停留在参谋部里。

客户还没真正见。
需求还没被反复验证。
钱还没真正收进来。
取舍还没在资源约束下被逼出来。
失败信号也还没真正出现。

我并不是已经打过这场仗。
我只是先听了一场非常精彩的战前汇报。

这时最危险的事就发生了：
虽然没有真实案例支撑，我却已经开始拥有一种近似成熟判断的感觉。
我能讲出赛道逻辑，能复述商业模式，能分析机会和风险，甚至能说出几条看起来很像样的路径。
但真到要决定先做什么、先验证什么、先放弃什么时，我并没有一套真正经过现实检验的判断框架。

那时我才意识到，AI 很擅长帮我把一个行业迅速压成地图，
但它不会自动把创业者在不确定中形成的判断力，一起迁移到我身上。

分析是参谋报告。
真正的炮火，是用户反馈、付费行为、推进受阻和失败信号。
地图展开，不等于我已经会打这场仗。

四、AI时代最大的风险，不是参谋太弱，而是指挥官忘了去前线

所以我后来越来越明白，AI 最大的风险，不是它偶尔会错，而是它太容易制造一种“我已经会了”的感觉。

它给你全局，给你结构，给你提要，给你原型，给你像样的答案。
但它不会自动把能力迁移到你身上。

于是我们把提要误认成阅读，把原型误认成掌控，把视野误认成经验，把参谋意见误认成自己的判断。

这也是为什么，任正非那句“让听得到炮火的人做决策”，到了 AI 时代会变得格外重要。

它今天的新含义，不是不要 AI，也不是不要参谋部，
而是：不要让参谋汇报替代炮火反馈。

真正有效的决策，从来不是参谋部单方面生成出来的，而是参谋分析、前线反馈和指挥官判断之间，不断往复校正的结果。

所以 AI 时代最重要的，不是“会不会用 AI”。

而是你能不能守住自己作为指挥官的职能。

参谋可以越来越强。
地图可以越来越清楚。
推演可以越来越漂亮。
但最后下判断、担责任、承受后果的，仍然只能是指挥官。

离开 AI，你还能不能把问题讲清楚？
还能不能解释自己的取舍？
还能不能推进下一步，而不是停在解释里？

如果不能，那你拥有的多半只是能力的外观，而不是真正的能力。

AI 是参谋，不是指挥官。
任正非提醒我们：让听得到炮火的人做决策。
赵括提醒我们：不要把图上正确，误当成战场正确。

把这两句话合在一起，就是 AI 时代一条新的生存原则：

可以用最强的参谋部，但不要脱离炮火做决策。
地图要看，推演要做，参谋意见要听；但真正让判断变得可靠的，始终是进入现实、接收反馈、不断修正。
不然，参谋越强，人越容易变成高配版的赵括。