年初的时候，我感受到一阵巨大的存在焦虑。
因为我觉得AI就像一个能力平权工具：
以前我不擅长的东西，比如平面设计、图片制作，现在AI一下子就能帮我补上。哪怕我不是专业设计师，也能很快做出一张像样的图。
但另一面，我原本有优势的一些能力，比如写作、数据分析，AI好像也能迅速把很多本来不会的人拉到一个差不多的起点上。
所以那时候我很焦虑：如果不会的人也会了，那我原来的优势是不是就被抹平了？
直到我最近参加了一些知识付费社区，才发现AI根本不是能力的均衡器，而是能力的放大器！
因为同样的工具、同样的方法，甚至同样一份操作说明，交到不同人手里，结果差距真的非常大。
有的人看完就会了，马上能自己上手，边做边调，还会跟AI共创，最后真的能做出一个不错的结果。
但也有的人，即便你已经把方法讲得很细、步骤拆得很碎，甚至几乎是在“嚼碎了喂”，他还是很难自己做出来。
这个差异就来自于人与人之间的底层能力：
理解问题的能力、吸收信息的能力、自己动手试错的能力、对结果进行判断和修正的能力。
所以哪怕每个人都有相同的资源和工具，底层能力强的人，会因为AI而被放大；底层能力弱的人，也会更快暴露出来。
形成AI时代的人才马太效应。
这些被AI放大的“底层能力”，在商业场景里会收束成一种更关键的能力：业务sense。
这个词可能比较抽象，我用我过去做数据分析师的职业经历做个类比。在我眼里，AI某种程度上就是一个超大型的数据分析工具。以前做数据分析，我们处理的大多是结构化信息，比如表格、数字、指标。现在AI能处理的是更大范围的非结构化信息，比如文本、音频、图片、视频。处理对象变了，工具变了，但底层逻辑其实很像：都是先面对一堆信息，再从中提炼出有用的判断和结果。我在数据行业的经历告诉我，技术迭代得越快，业务理解能力越重要。10年前，大数据领域，也是新的技术和工具层出不穷，我也曾有过一段「技术崇拜」的阶段：看技术博客、学习各种前沿的分析方法，张口闭口就是术语黑话，觉得自己牛坏了。因为真正高阶的数据分析师，都不是那些会各种fancy方法的人，甚至不是理工科背景，而是非常懂业务的，他们知道：甚至有时候，真正有效的洞察，用的方法可能就是小学生都会的加减乘除。但因为提问提对了、数据找对了、逻辑理清了、结果表达清楚了，所以它能产生影响。而那些爱炫技、堆模型、拿着锤子找钉子的分析师，死的都很快。所以同样的，决定一个人能否真正从AI中获益的，不是用什么工具，而是你是否清楚：最近很多人面对AI工具都有种FOMO焦虑： Fear of Missing Out.看到朋友圈都在养虾自己还没开始就在焦虑，所以每天看各种AI前沿信息、捣鼓各种模型和工具、收藏一堆提示词……生怕落后。但如果你想不清楚你的工作和生活有哪些问题需要提效，这些东西学再多，也很容易变成一种“看起来很努力”的忙碌。就像以前做数据分析一样，真正存活下来的，不是掌握最复杂工具和技术的人，而是那个会提出好的问题、会拆解步骤、会让结果真正落地的人。你不一定要用国外复杂的工具模型，也不需要搭智能体/工作流，甚至也不需要养虾。很多时候，一个AI对话框+好的提问，已经足够甩开很多人了。这里说的品味，不只是审美，而是你对AI生成结果是否有自己的判断力。虽然大家都会用这个提示词，为什么有的数据不错、有的就数据很惨？问题不在于他不会操作AI，而是他不知道什么叫“好的内容”，也不知道什么叫“有效表达”。分辨不出AI写出来的内容，有哪些逻辑漏洞、有哪些可用；也不知道要该怎么改，才能让它更有传播性、更有说服力。
夜雨聆风