AI时代最大的幻觉

微软 CEO Satya Nadella 在长文《A frontier without an ecosystem is not stable》提出的双资本公式：企业竞争力 = 人力资本 × Token 资本

人力资本：组织独有的、AI 无法复制沉淀的底层能力，比如判断力、行业人脉、创造力、审美、隐性经验、跨领域模式识别等。

这是一切 AI 产出的源头。

Token 资本：可以理解为：AI 时代的组织操作系统。比如：私有知识库、专属工作流、行业 Prompt 体系、业务 Agent。

Tips

如果一套东西只是：花钱调用模型、人工临时拼 prompt、每次从头来过，这是 token 成本。

如果一套东西已经变成：有固定输入输出、有业务知识沉淀、有评测与反馈、有自动迭代，这才更像 token 资本。

企业如此，个人也一样，可以直接套用这个公式。

个人竞争力=人力资本× Token资本

Tips: 对于个人而言，token资本是专属提问框架、标准化 AI 工作流程、经过自己校验打磨的产出模板、把个人经验固化成可复用 AI 工具。

两者不是此消彼长，而是相乘的关系。

一旦运转起来，就能形成飞轮效应。但任何一项趋近于零，结果就趋近于零。

最近恰好看到 @ianneo_ai 在 X 发的这篇文章《知识库最尴尬的时刻：AI 写完了，我判断不了》，里面有这样一段话：

热衷于在Obsidian里面塞很多内容，各种文章、课程转录稿。但发现自己输出的时候，没啥用，自己不理解，所以AI出的内容我也判断不了。

他接着说了一个让人后背发凉的观察：以前不懂就写不出来，那时候知道自己没理解。现在 AI 能帮你写出来，你就很容易忽略，这里没理解的概念，那里尚未清晰的逻辑。

直到看着一篇还不错的内容，心里没底，暗自发怵。它说的对吗？

这是AI时代最大的幻觉。

AI 只能做执行载体，判断力、审美、底层思考永远属于人，一旦本末倒置，就会陷入 “看似变强实则内核空洞” 的幻觉。

人的判断力越强，Token资本增长越快。没有人定目标、指导，算力就是在空转。

不用 AI，你卷不过单位时间产出比你高 10 倍的人。用不好 AI，你做不出及格线以上的东西。但完全依赖 AI 而放弃自己的积累，这才是最危险的。

危险在于，你完全没有意识到。

"You can offload a task, or even a job, but you can never offload yourlearning."你可以将任务甚至整个工作外包出去，但你绝对不能把学习外包出去。

Nadella 给企业的建议是"建立学习循环，让人力资本和 Token 资本复利增长"。

怎么提升人力资本？

第一个方法：先判断，再让AI验证

最近在X上爆火的《how to be good at research》，文章主要针对人工智能研究，但实际上可以应用于各个领域。

文章中提到的研究方法：先预测再验证，拿到结果后再修正。这是模型的训练过程，也能训练我们的大脑提升对研究主题的 taste。

在日常的实践中，我们可以拿到一个问题，先自己想：我觉得答案是什么？为什么？然后再问 AI。你的判断和 AI 判断之间的差距，就是学习发生的地方。

如果你每次都直接问AI要答案，你训练的是检索能力，不是判断力。

第二个方法：输出倒逼理解

输出是最好的检验。你写不清楚、讲不清楚的东西，你就是没理解。

这里《how to be good at research》原文太好了，我直接放翻译的片段。

保罗・格雷厄姆曾提出：一个念头在落笔成文前，总会让人觉得完整无缺。可一旦写在纸上，藏在脑子里、被大脑自动遮掩的漏洞就会尽数暴露。

写作，是抵御自我欺骗成本最低的办法。达尔文更是把这套方法固化成了固定流程：但凡遇到和自身理论相悖的事实，他都会当场记录。他早已察觉，人的记忆总会下意识淡化不利证据，却牢牢记住有利佐证。做研究时，你的记忆也会同样过滤掉失败的试验过程。因此一定要做好实验日志：写下研究假设、实验条件、预期结果、实际观测数据，以及修正后的推论。回头翻看一个月前的记录，带来的自省与警醒，是任何审稿人都无法给予的。

第三个方法：让AI当教练，不当代笔

Claude Code 有一个 learning模式，开了之后它不会直接帮你写完所有代码，而是在关键的设计决策点停下来，让你自己想，自己写几行。写完之后它告诉你这段代码跟更大的系统设计之间的关系。

配置路径：/config > output style > 选择learning 模式

但这样对于无技术背景的小伙伴不友好，也降低了效率。

我更喜欢的方法，来自Claude团队成员的分享。

这个提示词是让AI在做完一轮复杂改动后，反过来向你解释，确保你能吃透项目细节。

给claude发这段提示词，AI能帮你搞清楚:

-问题:bug为什么会存在，影响分支;

-方案:选择该方案的理由、取舍、各类异常边界处理;

-背景:改动的作用，会影响的范围。

这个提示词的聪明之处在于:AI会先让你说自己的理解，再根据你的表达查漏补缺。如果听不懂你也可以要求AI给5岁孩童讲，或给实习生讲。最后还会用开放式的问题测试。

怎么提升 Token 资本

把 Token 资本理解为“把自己的知识、判断、流程和反馈，沉淀进可复用的 AI 系统”，那它的提升方法就不是单纯“多用 AI”，而是让 AI 逐步成为你的专属工作系统。

1. 把重复任务抽象成固定流程

面对重复任务，把你的做事方式变成可执行、可迭代的流程。

你越能把问题结构化，你就越能把这套澄清流程沉淀下来，变成自己的资产。

比如我们去和AI澄清诉求这件事本身，可以抽象出方法：

1）描述完需求后，不急着开工，先让 AI 复述一遍“我们现在要做什么”。

2）让 AI 反向向你提问，一次只问一个问题，直到它认为信息足够完整。

当澄清需求这个变成了一个高频任务。我们就可以把提问顺序、上下文结构、关键约束，整理成固定模板。

可以是提示词，可以是skill 或 agent。

以下是2个示例。

1）来自 @charliejhills ，把网页设计需求澄清，做成固定模板提示词。

我正在搭建一个网站，需要一份名为 CONTEXT.md 的文件，用来存放搭建该网站所需的全部客观基准信息。

请你先向我提问收集信息，一次只问一个问题，提问范围包含：网站的核心定位、目标服务人群、网站必须具备的内容板块、访客进入网站后预期完成什么操作。持续提问，直到你掌握的信息足够完整，可以向一个完全陌生的开发者清晰完整地交代整套建站需求为止。

信息收集完毕后，展示你整理好的事实清单，等待我确认“同意”再进行下一步。

清单里只收录和网站业务主题相关的真实客观信息。

所有内容仅使用我回答的真实信息、以及你已掌握的客观已知内容，禁止编造任何信息。

最终整理成可直接下载的 Markdown 文件交付给我。

2）YC的CEO GarryTan 把他们自己的商业判断、开发流程做成了gstack。

当你需要做商业级产品，但是对产品判断没有把握，就可以借助其中的 office-hours、plan-ceo-review 先把定位、业务模式和执行路径理顺，再进入落地。

在这些示例中，把你和 AI 的对齐过程标准化。久而久之，你就可以积累出一套可复用的需求澄清机制。

2. 让你的偏好、标准和反馈沉淀下来

Token 资本真正值钱的地方，在于“它会不会越来越像你”。

所以你要把这些内容持续沉淀到固定载体里：

- 你的写作规范

- 你的判断标准

- 你的技术框架

- 你常犯的错误

- 你对输出的偏好

- 你已经验证过的高质量模板

最常见的载体就是一个 CLAUDE.md、CONTEXT.md、知识库、Prompt 集合，或者一套 agent 工作流。

AI 每次犯错后，不只是改结果，更要分析原因，把修正规则写进去。这样，错误就不会只停留在一次对话里，而会变成下一轮系统优化的输入。

但这里要注意：文档不是越长越好。

过长、过散、过杂的 context，反而会让 AI 更难抓住重点。真正有价值的沉淀，是高信噪比、可执行、可复用的规则，而不是堆积信息。

具体可以看 @宝玉 的帖子：

启动飞轮

人力资本强 → AI 输出的质量高 → Token 资本增长越快 → AI 帮你做更多高质量输出 → 你从输出中学到更多 → 人力资本继续增强。

Nadella 管这个叫"hill climbing machine"，一台不断向上攀登的机器。

跟大多数资产不同，这个飞轮效应。每一次更好的输出，都产生更好的反馈信号，加速你的知识积累。但飞轮反过来也成立。

人力资本下降 → 你判断不了 AI 的输出 → 输出质量你自己看不出问题但别人看得出 → 信任下降、机会减少 → 学习动力更低 → 人力资本继续下降。

这就是为什么 Nadella 反复说"你绝对不能把学习外包出去"。

最后，引用《how to be good at research》的内容作为结束：

知识积累与工作产出如同复利，会持续滚雪球式增长。

单看每一天的微小优势，都不值一提：你阅读的资料、留存的记录、迭代思考的速度、和你辩论切磋的同行。经年累月沉淀下来，最终造就旁人眼中好似全凭运气换来的事业成就。

不必等到迫不得已才开始积累，尽早行动。未来的你会明白，当下点滴耕耘，是成本最低、回报最高的投入。