上周六，在上海组织了一场「求是AI小聚」。

形式还是我们一直坚持的那种：没有主讲嘉宾，没有PPT，每位校友只需要带来最近使用、研究或者开发AI过程中，一个真正让自己意外的 Aha Moment。

来的校友背景很不一样：有人研究大模型，有人做机器人和智能体，有人负责企业AI转型，也有人长期在法律、保险、教育、电商和投资的一线。

聊到后半场，一位做法律服务的校友说了句让我印象很深的话：

“我没有Aha Moment，我有的是Ah Moment。”

不是惊喜，是痛苦。

他说，过去律师团队通常是一个金字塔：少数合伙人，若干资深律师，更多年轻律师。年轻人通过查资料、写初稿、参与项目，一层一层成长。

现在AI接走了大量基础工作。他自己的团队，有些层级可能只需要一个人。

原来的金字塔，变得像“一根棍子”。

效率提高了，但他反而更焦虑：

今天不再需要那么多年轻人干活，明天的资深律师又从哪里来？

这是我当天听到的最有价值的问题之一。

这场交流让我意识到，AI带来的变化正在进入一个新阶段：我们不再只是惊叹“它居然会做这件事”，而是开始真正面对——当越来越多的工作由AI完成，人的价值、组织的能力和商业的壁垒会怎样重新分配？

以下是这次小聚里，最值得我留下来的五个观察。

本文是「胡昊的校友现场」系列第014期。除了这篇文章里的个人思考，我也把当晚校友们讨论的问题、交流过程和会后沉淀，整理成了一份更完整的资料，链接放在文末。

01｜效率的终点，可能是“我根本不用做这件事”

一位正在探索保险Agent的校友，提出了一个很好的产品判断：

过去我们讲效率，通常是把一项工作做得更快。

原来要花两个小时查资料，现在十分钟完成；原来写一份方案需要一天，现在半小时生成。

但如果用户真正想要的不是“查得更快”，而是“事情办完”，那产品就不应该停在给答案这一步。

比如，一个人产生了保险需求。

传统工具可以帮他解释险种、列清单、比较条款。但接下来，信息怎么补齐、谁来对接、哪个环节卡住了、事情有没有推进，仍然需要他自己盯。

这位校友的探索是：让Agent持续追踪一项任务，完成一个环节就进入下一个环节；自己搞不定时，明确地找人接手。

他分享了一个很具体的早期体验：系统遇到补不齐的信息，会主动联系运营者，请人帮它继续推进。

这听上去甚至不够“全自动”。

但我反而觉得，这比一个始终流畅、却可能把任务悄悄丢在半路上的Demo，更接近真实商业世界。

真正值得衡量的，不是Agent生成了多少内容、运行了多少小时，而是有多少原本需要人操心的任务，被可靠地推进到完成。

这也呼应了我最近越来越重视的一个指标：有效AI工作量。

不过，完成任务不是一句口号。谁授权它行动？什么时候必须找人？做错了谁负责？只要进入保险、交易、医疗、法律等真实场景，这些问题就绕不开。

模型足够聪明，只是起点。

02｜团队可以变小，但不能只剩下效率

回到开头那位律师的困惑。

现场另一位做企业AI转型的校友，刚好提供了相反一面的经验。

他以前做产品，需要业务提出需求，产品经理理解，设计师出方案，研发再写代码。经过几轮转译，一个想法真正落地，往往已经过去不少时间。

现在，他尝试用AI直接打通产品、设计和开发中的大量环节，让工程人员更多负责架构、关键模块和质量把关。

他的体验是：一个熟悉业务的人，可以跨越过去好几道岗位接口。

这是非常真实的效率提升。

但把这两位校友的分享放在一起，问题就变得有意思了。

一边是：原来三四个人传递和执行的事情，现在一个人加AI就能做。

另一边是：原来三四个人协作的过程，也恰恰是年轻人学习、组织积累经验和建立备份的过程。

我们容易看到前者，因为它立刻反映在时间和成本上。

后者往往三年以后才显现：一个关键员工离职，团队有没有替补？今天的新人有没有足够的真实判断机会？资深人员把所有任务直接交给AI，谁来培养下一代资深人员？

这里有个容易被忽略的矛盾：

组织当期的效率最优解，未必是长期能力积累的最优解。

这并不意味着应该为了培养新人，继续保留所有低效率流程。

而是我们需要重新设计培养方式：不一定让新人花两天搜资料，但应该让他独立提出判断、指出AI哪里错了、解释为什么这样做，并且真的承担一部分结果。

AI会让部分组织变得更精简，但“精简”和“脆弱”，不是一回事。

03｜通用模型越来越强，为什么行业问题还是那么难？

现场有一位研究电商AI的年轻校友，讲了一个特别朴素的问题。

假设你是一名电商运营，平时要同时管理多个平台、不同商品和营销任务。

每个平台现在都给你配了AI：一个帮你分析数据，一个帮你看广告，一个帮你出运营建议。

听起来功能很多。

但如果这些AI互相不认识，不知道你公司的岗位分工，更无法替你跨系统执行，那你每天只是从“打开五个后台”，变成了“和五个AI聊天”。

每个岗位都提效，不代表整个公司就提效。

真正的难点，是不同平台的数据能否合法连接，员工之间的职责如何分配，系统能不能知道谁有权做什么，以及建议最后有没有变成经营动作。

这也让我想到当天关于通用模型和垂直AI的一场讨论。

有人认为，通用模型会越来越强，很多垂直工具的单点能力迟早被覆盖；也有人强调，企业真实的权限、客户数据、历史经验和业务流程，并不会随着模型升级自动开放。

我更倾向于把它们分成两层看。

第一层是智能能力：理解、生成、推理、写代码。它会越来越通用，也越来越便宜。

第二层是现实世界的进入能力：谁掌握数据，谁获得授权，谁连得上交易和流程，谁能够持续交付并对结果负责。

后者未必能单靠升级模型解决。

还有做机器人控制的校友，提供了另一个很具体的提醒：机器人能够完成高动态的展示动作，不代表它就能在真实场景里稳定完成缓慢、精细的操作。模型能理解任务，不等于机械系统能以足够低的延迟和足够高的精度完成任务。

虚拟世界里能演示，和现实世界里能反复交付，中间还有很长的路。

这对我做早期投资与孵化也很重要。

以后看一个AI应用，我会更想问：假设明年的基础模型能力又上了一个台阶，这家公司积累的东西会跟着升值，还是突然变得不值钱？

如果壁垒只是几个提示词和一层界面，需要格外谨慎。

如果它通过真实客户，把数据、流程、反馈、授权和交付能力逐步建立起来，那么模型进步也可能不断放大它的价值。

当然，这一层更难做，也更难在路演Demo里展示。

04｜AI越了解你，个人的“上下文”越值钱

另一组讨论，是关于Personal Agent。

一位高频使用者分享，她会不断向AI交代自己对工作的要求、审美偏好，以及过去任务中哪些结果不满意。

时间长了，她发现最省事的，并不是模型某一次回答得多惊艳，而是自己不需要每次从头解释“我到底想要什么”。

还有校友提出了一个更进一步的问题：

如果AI持续积累我的工作记录、日程、邮件、习惯、判断和关系，那这些信息究竟属于谁？我能不能随时迁移到另一套系统？我是不是拥有足够清晰的授权和撤销权？

现场我也分享了自己的体验。

一个已经使用很久、充分了解我的AI账号，哪怕不是最贵的套餐，在很多任务上也可能比一个全新的最贵套餐账号更有价值。

原因不是它“更聪明”，而是它有我的历史。

这让我越来越把Context（上下文）视为一种个人生产资料。

公共模型知道很多世界知识，但长期使用的个人AI，逐渐知道你做过什么、相信什么、在什么事情上犯过错、真正看重什么。

与此同时，它也越来越可能掌握你的敏感信息。

于是出现一个有点矛盾的关系：AI越懂你，越能帮你；但它越懂你，你就越需要认真考虑隐私、授权和可迁移性。

我认为这不只是一个产品功能问题，也可能是未来个人AI非常重要的竞争维度。

05｜我更期待的，是AI让原本不可能的事情发生

前面这些变化，大多与工作有关。

但这次交流里，我自己分享的一个Aha Moment，来自家里。

国庆假期，我和上小学二年级的儿子尝试用AI做游戏。

我问他，你有没有一个特别想玩的、但现在还不存在的游戏？

他就开始天马行空地编：角色是什么、怎么打、怎样算赢、要不要增加一个新机制。

他还不会打字，于是就直接用语音说。

AI把他的想法变成可以玩的版本。玩一会儿，他又回来修改规则。再玩，再改。

在这之前，我根本不会想到，自己可以和一个小学二年级的孩子这样一起做游戏。

这件事和让AI帮我做PPT、写报告、比价格，不太一样。

我觉得AI的价值，至少可以分成两种。

一种是 Make it better：把原来就在做的事，做得更快、更便宜、更好。

另一种是 Make it possible：把原来因为技能、成本或时间门槛根本不会发生的事，第一次变成可能。

从投资的角度看，第二种可能更值得长期观察。

因为第一种往往是在争夺原有预算；第二种可能创造新的行为、新的使用频次，甚至新的市场。

当然，这也带来了教育上的新问题。

孩子会不会越来越依赖AI，以至于跳过了阅读、思考、动手和与同伴合作的过程？现场有长期从事教育的校友，就对这一点表达了担忧。

我现在还没有答案，也不想因为做出了一个游戏，就轻易得出“AI教育一定更好”的结论。

但至少在我们的尝试中，我希望孩子仍然是提出问题、制定规则、判断好坏、不断修改的那个人。

AI负责降低实现门槛，但不要把孩子的好奇心和判断力一并拿走。

结尾｜为什么还要把大家聚到一起？

这次小聚，大家聊的是同一种技术，面对的却是完全不同的问题。

做Agent的人，关心任务能不能走到最后。

管理团队的人，关心少了人以后组织怎么运转。

研究电商的人，关心分散的平台和岗位怎么真正连起来。

重度使用AI的人，开始关心记忆、隐私和数据归属。

而我作为一个投资人，也越来越关心：哪些变化只是效率提升，哪些变化会重新创造需求；哪些能力会被模型吞噬，哪些资产会随着模型更强而更有价值。

这些问题，单独坐在电脑前和最强的模型讨论，也能得到很完整的答案。

但我仍然觉得，一线交流有不可替代的价值。

因为不同校友带来的，不是整理过的观点，而是正在付出成本、承受后果、不断试错的真实经历。

有人的分享是Aha Moment，有人的分享是Ah Moment。

两者都值得听。

求是AI联盟目前已汇聚1700多位校友，我们在不同城市持续组织这样的小规模深度交流。会后，我也把这次讨论整理成了一份32页的脱敏深度总结，供联盟校友继续参考。

希望下一次来参加小聚的校友，不只是带来一个新工具或新观点，而是带来一个真正做过的实验、碰到的难题，或者正在寻找伙伴的具体问题。

从彼此认识，到交换真实经验，再到一起做成一件事。

这才是我更想持续做下去的「校友现场」。