夜雨聆风
我第一眼看到这个标题，脑子里其实咯噔了一下。不是那种科幻电影里的害怕，更像是早上刚醒，突然看到一件离自己很近的事。以前我们说 AI 进步，默认还是人在推着它往前走。人写代码，人设计实验，人训练模型，人做判断。AI 只是旁边那个越来越能干的助手。
AI 开始参与构建 AI 自己。
看完以后，我脑子里反复冒出来的不是「AI 会不会失控」，而是一个更贴近普通人的问题。如果 AI 连 AI 自己都开始帮忙开发了，那我们接下来还该学什么？
我现在更想补的是怎么管住 AI 交出来的东西。
最扎眼的，不是 AI 会写代码
Anthropic 在文章里提到一个很夸张的变化。到 2026 年 5 月，Anthropic 合并进代码库的代码里，超过 80% 可以归到 Claude 身上。到了 2026 年第二季度，典型工程师每天合并的代码量，已经大约是 2024 年的 8 倍。
单看这个数字，很容易把文章理解成「程序员又要被替代了」。但我觉得只盯着代码，会看窄。代码只是最容易被看见的部分。更麻烦的是，Claude 不只是在补几行代码，它开始进入一个更完整的研发链条。
写代码，跑实验，做代码审查，排查事故，甚至给研究人员提供下一步方向建议。这些动作放在一起看，就不再是 Claude 帮人省一点时间，而是很多原来只能人慢慢推进的环节，开始被它接走一部分。
过去人类是主要执行者，AI 是辅助工具。现在很多任务会变成，人把目标说清楚，AI 先往前跑一段，人再回头看它有没有跑偏。
写代码这一步没那么稀缺以后，人就得回去干更烦的活了，判断它到底对不对。
执行便宜以后，麻烦才刚开始
这个感觉，我自己用 Codex 和 Claude Code 的时候也越来越明显。刚开始用 AI，你会特别兴奋。它写得快，改得快，整理资料也快。以前半小时写不出来的东西，现在几分钟就能吐出来一版。
但用久了以后，你会发现烦人的地方不在「它能不能产出」。烦在它产出的东西到底能不能信。它写了一篇文章，你要判断观点是不是站得住。它改了一段代码，你要判断有没有跑通。它给你做了一个流程，你要判断有没有遗漏边界。
AI 速度越快，这个问题越明显。因为产出太多了。以前人慢，慢本身就是一个天然刹车。现在 AI 一口气给你十个方案，二十段分析，三份版本。你看着很爽，但如果你没有验收标准，到头来只会被它的产出淹没。
Anthropic 文章里让我停住看的，也是这一点。Claude 不是单纯变强了。它把某个环节推快以后，麻烦会挪到下一个地方。
代码写得更快了，代码审查就更吃人。想法变多了，你得挑哪些值得做。实验跑得更快了，结果能不能信，还是得有人拍板。
这事离普通人不远。我们每天用 AI，也是在经历同样的事。
只会打开 AI，迟早不够用
这两年，很多人都在学 ChatGPT，学 Claude，学 Codex，学提示词，学自动化，学怎么让 AI 写文章，做 PPT，写代码，做图。
这些当然有用。我自己也一直在学，而且很多东西不学真的跟不上。但坦率的讲，只会打开 ChatGPT、Claude、Codex，迟早会变成基础操作。就像会用搜索，会用表格，会用文档。刚开始它是优势，后来别人会默认你就该会。
麻烦的地方在后面。你能不能把一个模糊目标拆成流程。你能不能判断哪些步骤适合交给 AI，哪些步骤必须人来把关。你能不能提前定义什么结果算好。你能不能发现 AI 产出里的漏洞。你能不能把一次跑通的经验，沉淀成下次还能复用的规则。
这些东西听起来不酷，也没有新模型发布那么热闹。但真到干活的时候，靠的就是这些。
因为当 AI 越来越会干活，人要补的就不是速度，而是让 AI 别干偏的本事。
企业缺的，不只是会玩 ChatGPT 的人
前两天我还看到一条挺戳我的观点，大意是，会用 AI 已经不稀奇了，更难的是把 AI 塞进业务里，真的跑起来。这句话我挺认同。
个人用 AI，很多时候是单点任务问题。你会不会问，能不能让 Claude 帮你省半小时，能不能把一篇文章写顺一点。但企业用 AI，就不是这么简单了。
老板说想提高效率，这句话没法直接丢给 Claude。客服说工单太多，销售说客户跟进慢，运营说复盘没人看，内容团队说素材太散。这些都不是一个聊天框能解决的。
这里要有人把目标翻译成步骤，把步骤拆成任务，把任务交给 AI，再把 AI 的结果拿回来验收。中间还绕不开员工负担，成本，权限，合规，谁负责背锅。
所以接下来很吃香的一类人，可能不是最会炫技的人，而是能站在业务和 AI 中间做翻译的人。他不一定是程序员。他可能是运营，产品，销售，客服，内容创作者，也可能就是一个普通职场人。
只要他懂业务，懂流程，也愿意搞清楚 AI 能做什么，不能做什么，他就有机会把 AI 从好玩的聊天框，变成真的能交活的东西。
普通人现在该练什么
如果把 Anthropic 这篇文章落到普通人身上，我会先练四件事。
第一件事，拆流程。别只问「Claude 怎么用」或者「Codex 怎么用」。多问一句，我手上这个工作，从开始到交付到底有几步。哪一步最重复，哪一步最容易出错，哪一步最适合交给 AI。你把流程拆清楚了，AI 才有地方接进去。
第二件事，定标准。AI 很擅长产出，但它不会天然知道你要的「好」是什么。一篇文章好不好，一个方案能不能用，一个页面算不算完成，一段代码有没有交付，都要有标准。没有标准，你就只能靠感觉改来改去。
第三件事，验结果。以后最危险的不是 AI 不会做，而是它做得太像那么回事。看起来顺，听起来对，格式也漂亮。但事实有没有错，逻辑有没有断，边界有没有漏，风险有没有被藏起来，都要人来查。
第四件事，沉淀规则。不要每次都重新教 AI。如果一个流程你跑通了，就把它写下来。如果一个坑你踩过两次，就把它变成检查项。如果一个任务经常重复，就把它做成模板，规则，甚至 Skill。
我最近整理素材库的时候，对这一点感受很深。很多时候不是 AI 不行，是我没有把什么放哪，怎么命名，何时归档，怎么检查这些规则提前说清楚。规则一乱，AI 就跟着乱。规则清楚一点，它才像个能交活的搭子。
分水岭，是你能不能验收
我以前也会有一个误区。看到新的 Claude 教程，就觉得自己得赶紧学。看到 Codex 又更新，就觉得又落后了。收藏一堆教程，到头来反而更焦虑。
但现在我会换一个问题问自己。这个东西能不能进入我的真实工作流。它能不能稳定帮我交付一个结果。我能不能判断它交付得对不对。如果不能，那它再热闹，也只是一个临时玩具。
Anthropic 这篇文章讲的是很大的未来，AI 可能开始参与构建下一代 AI。但落到我自己身上，问题反而很朴素。
AI 负责跑得快，人负责看它有没有跑偏。
以后更管用的，可能不是收藏最多教程，也不是最会写提示词。而是你能不能对 AI 说清楚目标，能不能验收它的结果，能不能把它接进真实工作里。
所以，别只盯着今天 Claude 又出了什么玩法，Codex 又加了什么功能。更重要的问题是，你能不能把 AI 变成自己的工作系统。
如果今天没有别的动作，你可以先做一件很小的事。拿出一个你最近反复做的工作，写下它从开始到交付的 5 个步骤，再标出来哪一步可以交给 AI，哪一步必须你亲自验收。
对了，我叫阿恒。
一个正在学习AI的普通人。
