ARTICLE · 1035034
公司用 AI 积累资产,你用 AI 积累了什么?
公司用 AI 积累资产,你用 AI 积累了什么?我发现，AI 盛行之后，人们大致分成了两类。 第一类人觉得无所谓：反正 AGI 迟早会来，现在学不学都一样，学得越晚，等于学得越早。 第二类人则拼命往前挤：购买最贵、最前沿的模型，体验各种智能体和工具框架，研究提示词，追逐每一次版本更新，生怕自己落后于时代。 我曾经就是典型的第二类人。 我体验不同的模型，寻找更强大的工具，想尽办法提高效率。每掌握一种别人还不会使用的东西，心里甚至会产生一种“我已经走在前面”的优越感。 但慢慢地，我发现了一件很危险的事： 如果一个人只是不断借助 AI 完成任务，却没有在这个过程中沉淀自己的思考，那么他并没有真正变强，只是变得更加依赖 AI。 他看起来效率越来越高，实际上只是越来越熟练地给 AI 分配任务。 这就是我所理解的“AI 时代的新型牛马”。 
AI 说到底，仍然是一种提高生产力的技术。 从蒸汽机、电力到互联网，几乎每一次技术革命，都会极大提升社会的生产效率。AI 当然也不例外。 而企业，无疑会是这场效率革命中最积极的参与者。 当老板发现 AI 可以让一个人完成过去三个人的工作时，员工的考核指标自然也会随之提高。为了完成更多工作，员工又不得不更频繁地使用 AI。 于是，一个新的循环出现了： AI 提高效率，企业提高要求；员工为了完成要求，继续使用 AI；业务规模扩大之后，员工又开始每天忙着给 AI 分配任务。 工具变先进了，工作量却没有减少。 久而久之，我们可能既疲于处理大量机械任务，又没有时间总结自己在工作中获得的经验。 一百多年前，工人站在蒸汽驱动的织布机前；未来，也许会有越来越多的人坐在电脑前，不停地给 AI 下达指令。 机器不同了，“牛马”的处境却未必发生根本变化。 更值得警惕的是：当公司完成 AI 化之后，流程、数据、方法和经验都会逐渐沉淀为公司的资产。 那么作为个人，我们又留下了什么？ 如果有一天离开这家公司，那些自动化流程、内部数据和业务系统大概率都带不走。公司可以继续招聘其他人维护它们，而你过去几年借助 AI 完成的工作，也可能只剩下简历上的一句“提高了工作效率”。 所以我越来越觉得，对于普通人来说，比帮助公司建立一套 AI 系统更重要的，是同步建立一套真正属于自己的知识库。 我这里所说的知识库，并不是从网上收集一堆资料，也不是把行业文档、产品说明书和课程笔记全部扔进某个软件。 
这些当然有用，但它们并不是最珍贵的部分。 真正有价值的，是你解决问题的过程： 你遇到了什么问题？ 你为什么认为它是一个问题？ 你尝试过哪些方法？ 你为什么放弃其中一些方案？ 你做出了什么选择？ 结果怎么样？ 如果重新来一次，你会做出怎样的调整？ 这些信息记录的不是一个孤立的答案，而是你理解世界、判断问题和做出决策的方式。 真正属于一个人的知识库，不应该只是储存“我知道什么”，更应该储存“我是怎样思考的”。 因为公开知识可以被搜索，标准答案也可以被模型生成。但一个人在真实环境中积累的判断、取舍、失败经验和问题意识，很难被别人完整复制。 这才是人与人之间真正的差异化。 有人可能会说：AI 模型的训练，本质上是通过大量数据不断调整参数权重。那么我们是不是也可以把自己的经历全部交给 AI，让它逐渐变成另一个自己？ 这个理解有一定道理，但需要更准确一些。 普通用户建立知识库，并不等于直接修改大模型内部的参数。更多时候，我们是在模型之外建立一套长期记忆：保存自己的经历、偏好、案例、判断依据和反馈，让 AI 在回答问题时能够调用这些内容。 它未必真的改变了模型本身，却可以持续改变模型理解你、辅助你和与你协作的方式。 可以把通用模型想象成一个能力很强、但并不了解你的合作伙伴。 真正决定它能否帮助你的，不只是它有多聪明，还取决于你是否持续告诉它： 我在做什么； 我为什么这样做； 什么结果对我来说才算好； 哪些建议曾经失败； 哪些选择符合我的价值判断。 这些信息之间的关联越丰富，AI 就越能理解你的工作习惯和思考方式。 因此，知识库真正重要的不是文件数量，而是信息之间的关系。 不是你保存了多少篇文章，而是你有没有记录一篇文章为什么打动你。 不是你收集了多少套工作流程，而是你知不知道自己为什么修改了其中某一步。 不是你积累了多少成功案例，而是你有没有保留成功背后的条件，以及失败之后的修正过程。 
拿我自己来说，我是一名售后专员。 我的日常工作包括回复客户、进行设备使用培训、解答产品问题，以及跟进机器的售后情况。 如果我要建立自己的知识库，AI 当然可以学习某份售后 SOP，也可以读取某款设备的说明书。但这些资料本身并不真正属于我。换一个人、换一家公司，同样可以拥有。 真正属于我的，是我在实际工作中发现问题和改造流程的方法。 例如，客户和供应链使用的沟通工具不同，我经常需要在多个聊天软件、多个群聊之间来回切换。相比回答某一个问题，整理待办事项、判断问题进度、寻找遗漏信息，反而更浪费时间。 为了“偷懒”，我让 AI 帮我写了一个插件。 它可以读取群聊记录，结合上下文识别客户的问题，整理需要跟进的事项，并记录每个问题的处理进度。 真正值得保存的，并不只是这个插件的代码。 更重要的是整个过程： 我为什么认为切换聊天工具是流程中的瓶颈？ 哪些信息可以自动整理，哪些判断必须由人完成？ AI 在理解上下文时出现过什么错误？ 我如何修改规则，避免它把“正在询问”误判为“已经解决”？ 客户问题、供应链回复和处理结果之间，应该建立怎样的关联？ 这些才是知识库中最有价值的内容。 因为它们记录了我如何发现问题、拆解问题、借助 AI 设计解决方案，以及如何根据现实反馈不断修正系统。 未来即使这个插件被淘汰，这套思考方法仍然属于我。 现在很多人把大量时间花在研究提示词上。 但提示词只是一个阶段性的交互方式。随着模型能力提升，提示词的门槛一定会越来越低。今天需要反复调整的指令，明天可能只需要一句话就能完成。 工具也是一样。 今天最强的模型，明天可能被另一个模型超越；今天流行的智能体框架，半年之后也可能无人问津。 如果一个人的竞争力完全建立在“我比别人更早学会某个工具”上，那么工具越普及，他的优势消失得越快。 真正不会迅速贬值的，是你在现实世界中解决问题留下的轨迹。 AI 可以根据已有数据生成大量内容，却不知道你此刻面对的具体限制，也不知道某个答案放到你的工作环境中究竟有没有用。 只有你能够把真实世界中的问题、约束、判断和结果带回来，告诉 AI： 这个建议为什么行不通； 这个客户真正关心的是什么； 这个流程看起来合理，为什么实际执行时总会失败； 这一次成功，到底是方法有效，还是条件恰好合适。 你与 AI 的每一次有效交流，其实都在为自己的知识库增加一条新的连接。 问题本身未必值钱，真正值钱的是问题背后的背景、判断和反馈。 我的答案很简单：多和 AI 聊天，但不要只让它替你干活。 遇到问题时，不妨把完整的思考过程告诉它： “我遇到了什么问题。” “我现在为什么倾向于这个方案。” “我担心哪些风险。” “我最后是怎么处理的。” “结果与预期有什么差距。” “下次再遇到，我准备怎么调整。” 不需要一开始就设计复杂的分类体系，也不必急着购买昂贵的知识管理工具。 先把过程留下来。 在此基础上，再定期整理出自己的案例、原则、判断标准、失败记录和可复用方法。重要内容尽量使用通用、可导出的格式保存，并定期备份，避免它们永远被锁在某一个平台里。 因为平台会变化，模型会迭代，产品也可能消失。 但你的经历、思考和判断应该始终属于你。 当 AGI 真正到来的时候，几乎所有人都可以获得足够强大的模型。届时，模型能力本身可能不再是稀缺资源。 真正拉开人与人差距的，将是你能为模型提供什么。 有人只能给 AI 一个模糊的任务。 有人却可以给它过去几年积累的问题、经验、取舍、失败和反馈，让它理解自己的工作方式，并在此基础上继续向前。 
所以，AI 时代最重要的资产，不是你使用过多少个模型，也不是你掌握了多少套提示词。 而是当工具不断更新、模型能力逐渐趋同、AI 浪潮最终褪去之后—— 你是否还保留着那个在一次次真实问题中，不断思考、不断选择、不断修正的自己。
效率提高了，留下来的东西却不一定属于你
知识库最重要的，不是“知识”
不要把知识库理解成模型训练
我真正想让 AI 学会的，是我如何“偷懒”
AI 最稀缺的输入，是你解决真实问题的过程
怎么建立自己的知识库？