50个CEO告诉我的秘密:他们用AI的方式,和你想的不一样(万字长文警告)

Silicon Valley Girl采访了50多位创始人和科技领袖,问他们同一个问题:哪个AI工具真正改变了你的工作方式和收入?答案出乎意料–差距从来不在工具本身,而在你怎么用它。

你每天打开ChatGPT的时候，通常会问什么？

“帮我写个周报。”“这段话帮我润色一下。””Python怎么读取Excel?”

如果你的使用方式大概就是这些，那么我想告诉你一件事：你和那些真正靠AI赚钱的人之间，差距不在于你们用的工具不同——你们用的可能是同一个ChatGPT——差距在于，你把它当成了一个高级搜索引擎，而他们把它当成了一个不拿工资的联合创始人。

最近看了一个很有意思的视频。Silicon Valley Girl——真名Marina Mogilko，一个在硅谷做科技内容的俄罗斯裔创作者——她花了一年时间，采访了五十多位创始人和科技行业的领军人物，问每个人同一个问题：

“哪个AI工具真正改变了你的工作方式和你赚钱的方式？不是你觉得酷的，不是你投资了的，而是你每天早上打开的那个。”

我看完整个视频，记了几页笔记，然后陷入了一种奇怪的感受——不是焦虑，而是一种类似于“原来这条路比我想象的宽得多“的顿悟。这些人不是在炫耀什么秘密武器，他们分享的工具你全都能用。ChatGPT、Claude、Gemini、Perplexity，没有一个需要邀请码。真正的差异，藏在使用方式的每一个细节里。

接下来这篇文章，我会把视频里最有价值的部分提炼出来，加上我自己的理解和思考。如果你只是想知道“该用什么工具”，这篇文章可能会让你失望——因为答案远比一个工具名称复杂得多。但如果你愿意花十几分钟，看看这些人到底是怎么把AI嵌入到自己的工作和思考中的，我保证你会有收获。

先剧透一下结论：整个视频看下来，被反复提及的工具就那么几个——ChatGPT、Claude、Gemini、Perplexity、Cursor。没有任何一个是你没听说过的。真正的差异，藏在使用方式的每一个细节里。而这些细节，正是我接下来要讲的。

——-

一、当你还在问一句话的时候，他们已经聊了二十轮

Yang Zhao,OpusClip的CEO。这家AI视频公司在两年半的时间里从零做到了5000万用户、2.15亿美元估值。当Marina问他最常用的AI工具是什么时，他给出了一个让很多人意外的答案：ChatGPT。

你可能会想：一个管着上亿估值AI公司的CEO，最爱用的竟然是ChatGPT？不应该是什么定制化的AI系统、多Agent编排平台吗？

Yang Zhao的解释很实在。他说，AI最核心的能力应该回到第一性原理——不管你用AI设计海报还是写代码，每个人都应该把AI当作自己的思考伙伴。当你遇到用户理解、团队管理、定价策略这些关键决策时，过去你可能去请教教练、前辈、有经验的朋友。但现在，你应该先跟AI聊一遍。

重点来了——他的使用方式和大多数人完全不同。他不是丢一句话进去等答案，而是：

“尽可能多地提供上下文，做超过20轮的来回对话。你会在这些对话中被震撼到。”

他会把团队讨论的截图丢进去，把产品需求文档的链接发给AI，把具体的决策背景一层层喂进去。这不是“问答”，这是深度的思维交锋。

更有意思的是他的月度仪式：每个月，他会让ChatGPT回顾自己过去一个月做的所有重大决策，给出反馈和评价。想象一下——你有一个记住了你所有决策的参谋，每个月帮你做一次复盘。

而Mustafa Suleyman，微软AI的CEO，做得更彻底。他每天都会跟Copilot聊天，告诉它今天做了什么决策、这些决策让他有什么感受。三个月后，当他遇到类似的问题时，Copilot会提醒他：“上次你做了类似的决定，后来你后悔了。这次，听我的。”

我读到这里的时候停了很久。

这不就是日记吗？但比日记强大太多。日记不会在你即将重蹈覆辙的时候拉你一把。日记不会交叉索引你三个月前写的东西和今天面对的问题。日记不会在你犹豫不决的时候说：“根据你过去的模式，你更擅长在信息不完全的时候快速决策，而不是等到所有信息都齐了再行动。”

这才是记忆的真正用法。

说实话，我自己也在做类似的事——每天跟AI聊工作进展，把决策过程记录下来——但看到这些人把它做到这种系统化的程度，还是觉得自己差得远。大多数人把AI当成一个“有问必答“的工具，问完就关，像用完就扔的纸巾。但这些人把AI当成一个长期陪伴的顾问，喂它越来越多的上下文，让它越来越了解自己。

差距就是这么拉开的。不在于你用了什么工具，而在于你有没有把它变成“你的“工具。

我最近自己也在反思这个问题。作为一个软件工程师，我每天都在用AI——写代码、写文档、debug、做研究。但说实话，很长一段时间我用它的方式和“搜索引擎+“没有本质区别。问一个问题，拿到答案，关掉。再问一个，再拿到，再关掉。每次对话都是一次性的，没有累积，没有沉淀。

Yang Zhao和Mustafa Suleyman的做法提醒了我：AI的价值不在于单次回答的质量，而在于长期交互的累积效应。当你连续三个月每天都和同一个AI对话，把你的决策、困惑、反思都喂给它，它就不再是一个通用工具，而是一个专属于你的“外部大脑”。这个转变不需要任何技术能力，只需要一点点坚持和意愿。

——-

二、一个模型不够用，让三个AI互相吵架

如果说Yang Zhao和Mustafa Suleyman代表的是“深度喂养单一AI“的路线，那么Mo Gawdat代表的就是完全不同的哲学。

Mo Gawdat是Google X的前首席商务官，如果你不知道Google X，它就是Google内部那个专门搞“登月计划“的实验室。这个人的脑子本来就不一般，而他使用AI的方式更加不一般——他让三个AI互相辩论，然后从辩论中提炼真相。

他的流程大概是这样的：

先问Gemini。他觉得Gemini像一个科学家，但是一个“美国科学家”——严谨、有数据支撑，但可能有某种文化视角的盲区。

然后把Gemini的回答丢给DeepSeek。DeepSeek会说：“这太美国视角了。你漏掉了这个、那个，还有政治层面的影响，以及商业层面的机会。”

最后，他把综合了两方观点的东西交给ChatGPT来改写。为什么？因为ChatGPT“写得最漂亮”。Mo的原话非常有趣：ChatGPT就像一个加州女孩——“硅谷女孩”——它总是想让你听到你想听的，写出来的东西优雅、讨喜、让人舒服。

但他不会就此止步。他会把ChatGPT优化过的版本再扔回给Gemini，让科学家视角再审一遍。如此循环。

我觉得这个方法论的核心不在于“用了几个模型”——那只是技术细节——而在于Mo对AI输出的一个根本性认识：

“2016年你搜Google，它给你150万条结果然后说’我不知道答案，你自己判断’。2023年你问ChatGPT，它说’这就是答案，百分之百’。你说’不对’，它立刻说’啊对，你说得对’。所以，找到真相仍然是你的责任。”

这段话值得每个AI用户贴在屏幕上。

我们太容易被AI流畅自信的语气欺骗了。它用完美的语法、清晰的逻辑、笃定的口吻给你一个回答，你的大脑就自动给它加上了“可信“的标签。但它可能完全是在一本正经地胡说八道。多模型对抗不是为了炫技，而是为了给自己建立一个简单粗暴的“真相过滤器”。

Mo还分享了一个让我印象极深的类比。他说自己上学时，工程系不让用科学计算器。后来允许用了，解题速度快了50%。他的大多数同学拿那省出来的50%时间去约会了。而他用那50%把每道题做了两遍。

“AI会让你变蠢——如果你把思考外包给它的话。AI也能让你变成前所未有的聪明——如果你让它去做人脑不擅长的事（海量信息处理、高速检索），然后自己去做真正需要智慧的判断。”

然后他说了一句我反复回味的话：

“我相信现在我从AI那里借了大概80个IQ点。80个IQ点意义巨大，因为IQ是指数增长的。所以额外的80点，可能比我原来所有的IQ加起来都大。”

停下来想想这句话。

IQ不是线性的。一个IQ为100的人和一个IQ为130的人之间的差距，远小于IQ为130和IQ为160之间的差距。如果AI真的能给你“借”80个IQ点，那不是让你从“普通人“变成“聪明人”，而是让你从“聪明人“变成“超级大脑”。

但前提是——你得知道怎么用那额外的80点。

大多数人用AI是为了少干活。聪明人用AI是为了多赚钱。这不是Mo说的鸡汤，这是他观察到的现实。

说实话，多模型对抗不是每个人都需要的。如果你只是写一封邮件或者写一段代码，用一个模型就够了。但如果你在做重大决策——商业策略、投资判断、产品方向——那么单一模型的偏见就是一个真实的风险。每个LLM都有自己的“性格”，都有自己的训练数据偏差。ChatGPT偏乐观、偏支持；Claude偏严谨、偏保守；DeepSeek带有不同的文化视角；Gemini在某些科学问题上表现出色。当你把它们放在一起，让它们互相挑战对方的观点，你就获得了一个粗糙但有效的“真相过滤器”。

我自己现在也开始这么做了。特别是写重要文章或者做重大决定的时候，我会故意把同一个问题丢给不同的模型，看它们的回答有哪些分歧。分歧之处，往往就是我需要更深入思考的地方。这个方法比单纯信任任何一个AI的回答都更靠谱。

——-

三、Claude Projects：当AI真正理解你的生意

如果前面两部分讲的是个人层面怎么用AI，那么接下来这个故事讲的是团队层面的变革——而且直接和收入挂钩。

Marina说，从Claude开始，她整个团队的工作方式被重构了。同样的人数，产出翻倍，收入翻倍。而这一切的起点，是一次播客采访。

她采访的是Guillaume Catan-Farouche，一个和吴恩达在斯坦福共同创立AI课程的人。Guillaume在自己创办的公司Workera里，推行了一个叫”Skills文件“的系统。这个概念现在Anthropic官方也在用，但他们做得更早、更深。

所谓Skills文件，就是把组织的知识标准化成AI可以理解的文档。招聘标准是一个Skills文件。品牌指南是一个Skills文件。字体、配色、说话风格、写作规范，全部是Skills文件。

Guillaume举了一个很生动的例子：以前工程师做完一个网页，要喊市场部的人来看字体对不对、颜色对不对、文案风格对不对。这个沟通来回可能要一整天。现在呢？工程师直接让Claude去检查，Claude读取品牌指南的Skills文件，自动判断。市场部的人从“每天审查字体“中解放出来，可以去思考“我们要不要换一套视觉风格“这种更高层次的问题。

“它削减了沟通成本，释放了巨大的速度。”

Marina听完这期播客后，回去重建了整个团队的工作流程。她为每一个社交媒体平台都建了一个独立的Claude Project。YouTube一个，LinkedIn一个，Newsletter一个，Instagram一个。

以YouTube的Claude Project为例，它里面包含了：

• Marina的说话风格和语气特征
• 过去每期节目的表现数据（直接对接Notion数据库）
• 观众真正参与互动的话题清单
• 她的采访风格特点

当这个Claude Project积累了足够的上下文后，它给出的策略建议比很多收费昂贵的专业顾问都好。Marina提到一个细节：有外部策略顾问建议她做GEO（生成式引擎优化）,Claude不仅理解了这个策略，还帮她制定了完整的执行方案，省了再雇一个专门顾问的钱。

我觉得这里面最重要的洞察不是”Claude好用”——换一个足够强的模型也能做到类似效果——而是Skills文件的哲学。

想想看，大多数团队的知识在哪里？在人的脑子里。新人入职要老人带，核心员工离职整个项目就断了，部门之间的协作全靠“找对的人问对的问题”。这些隐性知识从来没有被结构化过。

Skills文件就是把这些隐性知识变成显性知识，而且是机器可以理解和执行的显性知识。你可以把它想象成给AI写的SOP——不是给人看的那种模糊的“注意事项”，而是足够精确、足够完整、AI可以直接执行的操作手册。

这不是什么新概念。管理学教了几十年的“知识管理”，但从来没有真正做好过，因为写文档太痛苦了，而且写完没人看。但现在不一样了——你写的文档有一个永远不嫌烦、随时在线、严格执行的读者，就是AI。这个改变让“知识管理“第一次变得真正有实操价值。

反过来想，如果你的团队还在用纯人工沟通的方式协作——每次出了问题开个会，每次有新人写个手册，每次换个供应商重新解释一遍需求——那你的竞争对手一旦用上了这套体系，效率差距会迅速拉大。不是两三倍，可能是五到十倍。

我特别想强调一点：Marina说的“同样的团队，产出翻倍，收入翻倍”——这不是因为她换了更厉害的员工，而是因为她改变了团队的工作方式。这对管理者的启示很大：你不需要招更多的人，你需要重新设计现有人的工作流程。而这个设计的核心，就是把团队的隐性知识变成AI可读取的Skills文件。

这也让我想到一个更广泛的问题：我们每个人其实都可以为自己建立“个人版“的Skills体系。你的写作风格是一个Skills文件。你的工作流程是一个Skills文件。你对某个领域的理解和见解也可以是一个Skills文件。当你把这些都给到AI，它就不再是一个泛用的助手，而是一个了解你、知道你的规矩、能在你的框架内做出高质量工作的“协作者”。

——-

四、从“问AI问题“到“让AI替你上班”

如果说Claude Projects代表的是”AI辅助人类工作”，那么Allie Miller的故事就是”AI替代人类工作流“的活标本。

Allie Miller是Amazon AI的前负责人。她给自己搭建的系统让我听完之后沉默了大概一分钟。

她有36个主动工作流，28个主Agent，每个Agent平均会启动两个子Agent，总共大约100个Agent在为她工作。

但重要的不是数字。重要的是一个理念上的转变。

“最大的变化不是AI能做什么任务。而是你不需要主动去启动它。”

她举了个例子：如果你每天早上都会打开AI问“今天有什么行业新闻”，那这个“打开AI、输入问题“的过程本身就应该被自动化。你根本不应该还在手动问。

她的周五邮件Agent每到周五早上会自动扫描她过去五天的Gmail，找出所有未回复的紧急邮件，按紧急程度排序，甚至草拟好回复。如果她没有回复，Agent还会发提醒。

她的晨间简报Agent在她睡觉的时候就已经开始工作了。等她醒来，手机上已经有一份完整的报告：行业动态、当天纽约或旧金山的社交活动(“好让我还能有点社交生活，上帝保佑”，她说）、今天会议的准备材料。如果今天要跟一个世界500强的CFO开会，Agent还会自动准备好那个人的背景资料。她只需要回复一个关键词，就能启动另一个Agent去制作会议素材。

但最让我觉得有价值的，不是这些炫酷的自动化。而是Allie分享的三份文件——她说每个用AI的人都应该抄作业的三份文件：

第一份：反AI写作风格指南。 告诉AI哪些话绝对不要说——没有通用AI腔、没有空洞的填充句、没有陈词滥调。如果你读到“在当今这个快速变化的时代”，那一定不是出自她的系统。

第二份：个人声音档案。 她真正的写作方式是什么样的——语气、节奏、开头习惯、结尾习惯、常用词汇、喜欢引用的内容。这不是让AI“模仿“她，而是让AI在她的约束空间内工作。

第三份：事实档案。 所有关于她的经过验证的信息——工作经历、成就、受众特征、合作关系。确保AI在任何场景下引用的关于她的信息都是准确一致的。

我为什么觉得这三份文件比那100个Agent更重要？

因为Agent是执行层，你可以慢慢搭建。但这三份文件是基础层——没有它们，你搭建出来的每一个Agent都会输出通用的、没有灵魂的内容。有了它们，哪怕你只用最基本的ChatGPT，输出质量都会好一个量级。

这里面有一个更深层的道理。我们总说AI输出有“味”——那种无处不在的、人界都能闻出来的AI腔。为什么会这样？因为AI默认生成的是“统计平均值”——所有人的写作风格的混合体。当你不给它任何约束时，它就会回归到这个平均值。但当你给它明确的风格指南、禁用词列表、个人词汇库，它就会被“拉“到你的频率上，输出就会开始“像你”。

所以如果你只带走一个行动项，不是去建100个Agent，而是今天就开始写你自己的三份文件。花不了一个小时，但会彻底改变你每一次与AI的交互质量。

想想你平时让AI帮你写的东西——邮件、文案、方案——是不是总觉得“像AI写的”？不是工具的问题，是你没有告诉它你是谁。你给了它一个任务，但没给它上下文。它只能给你一个“平均值“的输出——一个适用于所有人但不属于任何人的回答。

Allie的做法等于告诉AI:“这是我的声音、我的规则、我的事实。在这个框架里，替我工作。“这不是定制化，这是人格化。

关于自动化工作流，我还想多说两句。很多人听到”100个Agent“会觉得这是另一个世界的事，与自己无关。但其实你不需要一下子建100个Agent。你只需要从一个开始。

想想你每天早上第一件重复做的事是什么？查邮件？看行业新闻？梳理今天的待办事项？把这一件事自动化，让它在你醒来之前就完成。等你习惯了这种“醒来就有一份报告等着我“的感觉，你自然会想：还有什么可以自动化的？然后第二个、第三个Agent就会自然而然地出现。

这就是Allie说的那个理念转变的核心：不是“我可以问AI什么”，而是“我不需要问AI什么，因为它已经在自动工作了”。 从被动使用到主动工作，这是一个本质上的跳跃。

我自己在日常工作中也越来越体会到这一点。给AI的上下文越丰富、约束越清晰，它的输出就越接近“你自己做的”。那种”AI味“不是AI的错，是我们自己懒——懒得告诉它我们到底要什么。

——-

五、不会写代码的人，正在建造帝国

接下来这个话题，可能是整个视频里最让人热血沸腾的部分——Vibe Coding。

先说一个词：Gary Vaynerchuk。如果你不知道他是谁，他是Facebook、Twitter、Uber的早期投资人，互联网创业圈的传奇人物。他说了一句话：

“学会Vibe Coding，就是现在，这是一个真实的建造财富的窗口。但这个窗口不会永远开着。”

什么是Vibe Coding？简单说就是：你用自然语言描述你想要什么，AI替你写代码。你不需要懂Python、不需要懂JavaScript、甚至不需要知道API是什么。你只需要能够清楚地表达“我想要一个能做XYZ的东西”。

Gary的洞察是：我们正处于一个“微型财富爆发“的窗口期。普通人可以用Vibe Coding快速造出产品，然后用社交媒体免费获客。他说如果他失去了所有的名声和个人品牌，只保留对社交媒体的理解，他会做一个月费5到50美元的小应用，然后疯狂在LinkedIn、TikTok上做内容引流。

他还引用了传奇投资人Bill Gurley的观察：你无法想象有多少网站只是做密码管理、照片存储这种简单功能，收费6美元一个月，但因为用户习惯了“去网站付费”，这些网站每个月能赚数万美元。AI确实可能在某天让这些网站过时，但那一天不是今天，也不是明天。

“我们作为消费者，适应新现实需要时间。而这个适应期，就是你的机会窗口。”

但比Gary的话更有说服力的，是Duolingo的故事。

Duolingo的CEO Luis von Ahn跟Marina分享了一件事：Duolingo现在教国际象棋了。这个课程是由两个员工发起的——两个既不会编程也不会下棋的员工。

你没看错。不会编程，不会下棋。

他们用Vibe Coding在Cursor上做出了原型。先做了棋题，发现AI生成的棋题质量不行，就用网上的棋题数据库训练了一下，然后越做越好，最终做出了一个完整的移动端原型。

最终上线的版本当然有正式工程师参与打磨，但这两个人在六个月内完成了课程设计和产品原型——从零开始。而现在，Duolingo的国际象棋课程有700万日活跃用户，是平台上增长最快的课程。

六个月。两个非技术人员。七百万日活。

Luis von Ahn说这个项目的缘起也很有意思。这两个员工之前就跟他提过想加象棋课程，他拒绝了，因为“象棋只是游戏，我们是教育应用”。后来他跟危地马拉（他的祖国）的教育部长聊天，部长说：“我们的公共教育体系太烂了，我在考虑给每个学生发一副棋盘，至少让他们学会逻辑思维。”

这句话改变了Luis的想法。他告诉那两个员工：“行，你们可以做，但我没有工程师给你们。”

他们就自己搞定了。

这个故事对我的冲击，不仅仅是“非技术人员也能做产品“这个表面结论。更深层的启示是：创意和执行之间的鸿沟正在消失。 过去，一个好想法从诞生到变成产品，中间隔着招聘、开发、测试、迭代无数个环节。现在，你可以在一个下午验证一个想法到底行不行。

这不是在说工程师会失业。Duolingo最终还是让工程师来打磨产品了。但那些被“我不会编程“挡在门外的人，现在可以进场了。而在任何市场里，参与者的增加意味着创新的加速。

对于我们这些本来就懂点技术的人来说，这更是一个信号：如果不会编程的人都能做出700万日活的产品，那我们的护城河到底在哪里？ 答案不在代码能力上——AI会抹平这个差距——而在领域知识、审美判断、用户洞察这些“人“的能力上。

但这里面也有一个微妙的张力。Gary Vaynerchuk提到了一个很重要的警告：这个窗口不会永远开着。他说的是，现在Vibe Coding还有红利，是因为大多数人还没反应过来。当所有人都能随手做一个应用的时候，竞争就会转移到其他维度——品牌、分发、用户信任。而这些，永远不是工具能解决的。

我最近自己也在用Vibe Coding做一些小项目，体感很明显：从想法到原型的时间被压缩到了几个小时。过去一个周末项目可能需要一个月的周末，现在真的可以在一个周末完成。但我也发现，真正难的不是“把代码写出来”，而是“知道要写什么”。Duolingo那两个员工的成功，不是因为他们学会了Cursor，而是因为他们花了大量时间做市场调研、研究现有的国际象棋学习工具、发现现有方案的不足，然后才开始写代码。工具只是最后一步。思考才是前面的所有步骤。

——-

六、那些被低估的个人效率工具

聊完了大的哲学和方法论，最后聊聊一些看起来不那么性感但极其实用的工具和技巧。

Perplexity Computer：你的AI CFO

Marina的用法让我印象深刻。每个月15号，Perplexity自动从她的QuickBooks（记账软件）里拉数据，生成一份完整的财务报告：利润率、预计应缴税额、本月可执行的节税策略、和去年同期的对比、利润侵蚀分析。

这原本是她的会计按小时收费才会做的事。

更有意思的是，她先用Claude制定了投资策略（主投标普500，加上Google、Meta、微软的个股），然后用Perplexity来执行定投。Perplexity会追踪市场波动，在出现回调时提醒她买入。

她说了一个我觉得很关键的心理学洞察：因为定期收到这些邮件，她在投资上变得更自律了。 这不是AI在帮她做投资决策——策略是她自己定的——而是AI在帮她执行纪律。对大多数人来说，投资失败不是因为策略错了，而是因为执行不到位——该买的时候犹豫，该卖的时候贪心。AI不会有这些情绪。

Granola：不只是会议记录

Granola是一个会议工具，每次开会自动录音、转录、整理。但Marina把它用出了花。每次和同一个人再次开会时，她面前已经有了：上次达成的共识、她还欠对方什么、对方还欠她什么。不用从头回忆“上次我们聊到哪了”。

她进一步把每个团队成员的所有会议记录整理成文件夹，定期上传到Claude，和那个人的KPI做交叉分析。她说Claude现在就像她的“数字COO”——虽然她还有真正的COO，但有了这个AI分析层之后，两个人能做的事多了太多。

这让我想到一个原则，其实Marina最后也总结了：如果一件事是重复性的，而且不依赖于你的创造力，就应该被自动化。 2026年了，这不是可选项。

语音输入：最被低估的杀手级技巧

在所有这些工具和方法论里，Marina说如果让她列一个“过去几个月改变最大的三件事“的榜单，不再打字会排在前三。

她在所有设备上装了一个叫WhisperFlow的应用，从此所有的AI交互都用语音完成。

这个改变带来的效果远比“打字变快“要深刻。当你说话的时候，你自然而然会提供比打字多得多的上下文。因为说话不费力——你不会在脑子里编辑句子、删减信息、把三段话压缩成一句——你会把真实的、完整的、带情绪的想法全部倒出来。

Allie Miller给了一个特别好的建议：对AI抱怨。

“你知道说话的时候抱怨有多容易吗？比打字容易一百倍。而当你抱怨的时候，你会自然地给出大量的背景信息。”

她举了个例子：你可以对AI说“天哪，Marina和Allie让我做那些什么上下文文档，感觉要花好多时间，烦死了”。Claude大概会回答：“等等，我问你三个问题，只占用你五分钟，至少先帮你搭一个初稿。”

然后你就从“完全通用的AI输出“进入了”50%定制化”，之后再慢慢迭代到”100%你自己的风格”。但关键是——你得先迈出那一步。

说到底，语音输入解决的不只是效率问题，更是一个心理门槛问题。打字的时候你会下意识地编辑自己的表达——这句话是不是太啰嗦了？那个背景是不是不必要？结果你发给AI的内容被你自己“压缩“过了，AI拿到的信息就打了折扣。但说话不一样，你会跑题、会补充、会把前因后果都述一遍。不是因为你刻意要给更多信息，而是因为说话的时候大脑就是这么运作的。

所以如果你的AI交互还停留在打字阶段，试试用语音。不需要什么特殊工具，手机自带的语音输入就行。你会发现，同样一个问题，说出来的版本和打出来的版本，AI给你的回复质量会有明显差异。

Alex Mashrabov也分享了他的体验。他在九个月内把Hicksville做到了2亿美元收入。作为一个移民，英语不是他的母语，构建一个逻辑清晰的叙事对他来说一直很费力。O3 Mini成了他的沟通教练——这是他的第一个“啊哈时刻”。第二个是Gemini 3 Pro模型。他说自己的经济产出直接取决于他使用Gemini 3的时间长度——那个模型能处理语音、生成图像、还有深度推理和深度研究的能力，让他觉得“不可思议”。

Marina自己也分享了她使用Gemini的独特方式：因为Gemini是Google的产品，而Google拥有YouTube，所以它对“什么样的视频在YouTube上表现好“有更深的理解。她会把即将拍摄的视频脚本上传给Gemini，让它预测观众在哪里可能会流失。已经录完的长采访也一样——一个小时的素材需要剪到40分钟，上传转录文本，让Gemini识别出最可能让观众失去兴趣的段落。这是一个非常聪明的用法——利用模型自身训练数据的优势来做特定领域的判断。

这些工具和技巧单独来看都不复杂。但如果你把它们叠加起来——语音输入让你的上下文更丰富、个人声音档案让输出更像你、自动化工作流让你不需要手动启动——效率提升不是10%、20%，而是数量级的变化。

关键在于Marina最后总结的那条原则：

“如果一件事是重复性的，而且不依赖于我的创造力，我就把它自动化。在2026年，这不是可选项。”

——-

写在最后：我们还在起跑线上

Marina在视频最后分享了一个让人既兴奋又焦虑的数据：我们可能还不到真正使用AI的人口的1%。

她用社交媒体做类比。她12年前开始做内容的时候，创作者还是一个极小众的群体。现在呢？整个产业，35人团队，家里建了演播室，全职投入。进入这个行业的门槛已经高得多了。

同样的事情正在AI领域发生。现在你学会这些工具和方法论，成本几乎为零——ChatGPT、Claude、Gemini都可以免费或低价使用。但窗口期不会永远在。当所有人都学会了之后，差异化就变得极其困难。

Marina说她刚从TED回来，所有人都在讨论同一个话题：几年之内，很多公司会输给竞争对手，不是因为产品不好，而是因为竞争对手用AI把利润率提高了一大截。

这不是危言耸听。想想看，如果你的竞争对手用AI把内容产出翻倍、用AI把财务分析自动化、用AI把客户沟通效率提高三倍，而你还在靠人力一封一封写邮件、一个一个改方案——成本结构上你就已经输了。这不是将来时的事情，而是正在发生的事情。Marina团队的内容产出翻倍、收入翻倍，用的是同样的人。Allie Miller的Agent替她处理数小时的重复性工作，让她可以把时间花在真正需要她判断力的地方。这些不是未来的故事，是已经发生的现实。

但我不想用焦虑来结束这篇文章。

看完整个视频，看完这些CEO和创始人的分享，我最大的感受其实不是“我要赶紧学会这些工具”，而是一种更底层的领悟：

AI放大的不是工具能力，是人的能力。

Yang Zhao用ChatGPT做决策复盘，前提是他本身就有反思的习惯。Mo Gawdat让三个AI互相辩论，前提是他知道什么问题值得辩论。Allie Miller搭建了100个Agent，前提是她清楚自己的工作流程哪些可以自动化。Duolingo那两个员工用Vibe Coding做出了象棋课程，前提是他们有想法、有热情、有执行力。

工具是放大器，不是发生器。

如果你本身是一个善于思考的人，AI会让你的思考深度翻倍。如果你本身是一个有创意的人，AI会让你的创意产出翻十倍。如果你本身是一个勤奋但方向不清的人——那你首先要做的不是学工具，而是想清楚你到底要把时间花在哪里。

Mo Gawdat那句话值得再引一遍：

“AI会让你变蠢——如果你把思考外包给它。AI也能让你变成前所未有的聪明——如果你让它做它擅长的，你做你擅长的。”

而Marina视频中最被忽略但可能最重要的一个观察是：那些在AI上最厉害的人，不是花钱最多的人，而是花时间最多的人。 他们花时间给AI喂上下文、搭流程、建文档、做测试。他们不是在“使用”AI，而是在“训练”AI——把AI训练成他们自己的延伸。

所以，如果看完这篇文章你只做一件事，我的建议是：

今天晚上，别问ChatGPT问题。跟它聊天。告诉它你今天做了什么决定，为什么这么决定，你对结果有什么感受。明天再来，后天再来。一个月后，你会拥有一个比任何付费教练都了解你的思考伙伴。

这才是1%的人在做的事。不是什么秘密工具，不是什么高级技巧。就是日复一日地，把AI变成自己的一部分。

而这扇窗户现在还开着。

我之所以花这么长篇幅来写这篇文章，不是因为我想卖什么课程或者推荐什么工具。而是因为看完这个视频后，我的确受到了触动。

我是一个软件工程师，每天都在用AI。但即便如此，看完这些人的分享后，我还是觉得自己有巨大的提升空间。不是在工具层面——工具我都会用——而是在思维方式上。把AI从“我去问它“变成“它主动为我工作”，把单次对话变成持续三个月的深度交流，把“用工具“变成“训练协作者”——这些转变不需要任何技术门槛，但需要一种全新的心智模式。

好消息是，这种心智模式的转变不需要花钱，不需要报班，甚至不需要太多时间。从今天晚上开始就行。

——-

本文基于Silicon Valley Girl(Marina Mogilko)的YouTube视频《Double Your Income With AI in 3 Months (Here’s the Stack)》整理和再创作，视频链接：https://www.youtube.com/watch?v=zL2PIa72gJ4^[1]

关注「海鹏码字」，学点乱七八糟的知识 👇

引用链接