AI越强，主体性越珍贵 

   ——别让"学AI"，成为逃避"想清楚"的借口 

   一、现象：每个群都在卖AI课 

今年我加的每个微信群，都在卖AI课。

99元入门，199元进阶，999元"私域陪跑"，线下集会brainstorm门票498，blablabla。。。199的训练营进一个，朋友圈晒一句"我跟上了AI步伐"，附一张课程截图。

然后呢？

继续用AI写周报、做PPT、回邮件。偶尔看到新工具焦虑一下，看到旧工具被淘汰恐慌一下。

上周跟一个能源圈95后师弟吃饭，他在某新能源公司做高级算法工程师。他用GPT-4一天能写三个调度算法demo，效率是我当年50倍。但他说了句话让我愣住："我老板现在最看重的，是我能不能想清楚'该不该写'。"

我问他：那你这半年做的最有成就感的事是啥？他说：是我想清楚"客户在意的是策略表上的调度策略能不能说服他，而不是什么sparse，rotary，xxformer"那一刻。

这话击中了今年AI焦虑的本质——

你不是在学AI，你是在用"学AI"这件事，逃避"想清楚要解决什么问题"。

黄仁勋6月1号在COMPUTEX说"有用的AI已到"，token（词元）成了利润单位。但多数人学的都是"没用的AI"——学了怎么让AI写周报，却没想清楚自己这份周报到底在汇报什么；学了怎么让AI做PPT，却没想清楚这份PPT要说服谁；学了怎么让AI写代码，却没想清楚这段代码要解决什么业务问题，或者给自己带来了什么。

   二、本质：这种学法有三个错位 

   错位一：工具型技能贬值速度极快 

可能几年前"会用Python"还是稀缺技能，现在GPT一小时能干完你一周的活。我见过最离谱的事：一个应届生花2周学Prompt工程，结果GPT-4o的system prompt功能上线后，他学的全废了。再过一年，"会用AI工具"本身可能就跟"会用计算器"一样不值得提。

   错位二：通用教程有悖论 

能教的都浅——Prompt模板、写周报套路、PPT生成技巧、"AI教你做小红书"、AI帮你运营报表。AI真正能帮上忙的深活都跟具体业务绑定，没法通用化教。你见过"AI教你做冷源优化"的课吗？你见过哪个课程能实现“我直接把数据表扔给他，我要的分析报告就出来了吗？”。没见过，因为这事得去现场看设备，需要自己不断去问和给出结论来迭代报告。通用课程本质上都是一些“其实人来做也不会多费事”的、有标准答案的、无实际意义的工作，如果因为跟着实操这个而进入AI大跃进的思潮，那确实很有生活了。

   错位三：学皮毛有真实代价 

最大的代价不是几千块学费，是"我跟上了"的虚假安全感。这种安全感让你心安理得地继续"等想清楚再做"，错过了AI时代最该干的事——快速试错、迭代自己。

我有个很厉害的朋友，CTO级别的，去年报了3个AI训练营，朋友圈刷屏式打卡。今年他负责的项目黄了，理由是"AI变化太快，等稳定了再做"。于是又开始了新一轮的等待，却没想过要先用，后面等有新工具了之后，继续引入新工作来迭代SOP。

当你把所有业余时间花在"学AI"上，你其实在逃避"想清楚自己该解决什么问题"。

这话不好听，但在能源圈朋友里，反复验证。

   三、路径：回归主体性的三步走 

回归主体性不是"不学AI"，是学对的东西、用对的地方。具体三步。

   第一步：哪怕不成熟，先有 idea 

别"想清楚再动"——AI时代这招过时了。

为什么很多人会陷入"想清楚再动"的陷阱？因为过去20年的职场训练就是这样——老板要"完整的方案"，汇报要"逻辑严谨"，评审要"风险可控"。这套打法在确定性高的环境里管用，在AI时代是毒药。

想到一个方向，先记下来，先去聊，先去现场看。能源行业最值钱的第一手信息都在现场：客户说"省电"——你得去现场看负荷曲线、看设备运行、看电费结构，才知道"省电"是省钱还是减碳，是优化冷机启停还是改储能充放电策略。

   第二步：用 AI 一周内跑通最小 demo 

AI让试错成本暴跌。

一年前搭个调度demo要一周，需要熟悉框架、配置环境、写胶水代码。现在GPT+开源库一天能出3个版本。怎么一周跑通？先用GPT生成代码骨架，自己改业务逻辑，2-3天跑出v1，再花2-3天调通。不要等"模型选好了再开始"，先跑再说。

能源例子：客户提"我想试试AI调度电池"——一周用GPT写个调度策略demo，集成现有API，客户端能跑就够。完美不是目标，验证才是。

   第三步：拿真实反馈校准 idea 

demo跑完，给客户看、给现场看、给数据看。

拿反馈有个关键技巧：不是让客户说"好不好"，是让他说"差在哪里"。"好不好"是模糊判断，"差在哪里"才是具体校准点。客户说"调度不灵活"，你要追问"哪个时段不灵活，跟你预期差多少"。

重点：主体性不是一次"想明白"，是在反复校准中慢慢清晰。

有个能源圈朋友跟我说，他这半年做的最有价值的事，是把"想清楚再动"改成"想一下就动"。三个月迭代了20多个版本的小demo，最后真正上线的只有3个——但就是这3个让他的项目活了下来。他说他学到的最重要一课：idea是在试错里长出来的，不是在PPT里长出来的。

AI时代，B路径碾压A路径——因为试错成本被AI打到地板价。

"有什么想法就应该赶紧去验证"——这不是莽撞，是AI时代最稀缺的纪律感。

"在不断试错迭代中形成的竞争力"——这才是主体性的真实形态。

主体性是什么：不是你"很会做"什么，是你"敢拍板"什么——拍板"这事该做"、拍板"这事该这么做"、拍板"这事错了我再迭代"。

   还有一件事很多人没意识到—— 

你不只在用AI，你也在被AI"微调"。

在反复试错和反馈中，你和AI的工作流会逐渐定型：什么事让AI干、什么事自己干、什么时候信AI、什么时候信现场经验、哪个提示词最顺手、哪种验证最快。这种"你和AI的合作模式"是你独有的，刻着你过去所有项目的痕迹，这个合作模式不会因为openclaw不火了，变成hermes以及别的claw了失效了。

更关键的是，在这个过程中，你自己也在被微调——

你对业务的理解在加深，你的判断在变准，你的决策成本在降低。一年后的你跟一年前的你，不是同一个"模型"。

这就是你"没法被替代"的原因：你是一个深度嵌入业务的"业务型人肉AI模型"——你是面向业务模式在开发，你的能力来自你跟业务的双向迭代，AI公司做不出来，别人也抄不走。

   四、自检 4 问 

回答这4个问题，看看你是不是已经回归主体性了。

1.

 你最近一次跟一线业务/客户深度聊，是什么时候？（不是开会、不是邮件，是坐下来听他讲他的真实痛点）

2.

 你能说清"我要解决的核心问题是什么"吗？（不是"我要用AI做什么"，是"我要让客户的什么指标改善"）

3.

 你最近一次"快速试错"，是什么时候？（不是"深思熟虑后行动"，是"想到就做、一周内看到结果"）

4.

 上次试错拿到反馈后，你校准了 idea 吗？还是停在原地纠结"是不是再做一版"？ 

答得好的人长这样：跟一线保持联系、能一句话说清目标、一周能跑出一个东西、拿到反馈立刻校准。

答不上来，或者答得很勉强——说明你还在"执行位"上，还在被"学AI"的焦虑牵着走。

   五、结尾 

AI越强，主体性越珍贵。

而这份珍贵的形成方式很朴素：把自己微调成一个没办法被替代的业务"AI"模型。

主体性不是想出来的，是试出来的，更是在每一次反馈里被重训出来的。

这个周末就做一件事：把你最近"想了一半没动"的idea，挑一个最小的，一周内跑出个能看的版本。哪怕它很烂。哪怕它被客户骂。但它跑出来的那一刻，你的"模型"就完成了一轮微调。

   如果觉得有用，转给那个刚报完"X天AI训练营"的朋友。