今天再说“我会用 AI”，已经不像一年前那么稀缺了。

写文章，可以让 AI 先列提纲；做方案，可以让 AI 先搭框架；处理数据，可以让 AI 帮忙找异常；做 PPT，可以让 AI 先给结构；写代码，可以让 AI 补全、解释、改错。

这些能力当然有价值，但它们正在快速变成“办公软件能力”。

就像二十年前，会用 Word、Excel、PPT 是优势；后来，几乎变成了默认要求。

AI 也会经历这个过程。一开始，会用的人领先一步；再过一段时间，大家都会用。到那时，拉开差距的就不再是工具入口，而是问题意识、判断标准和落地能力。

AI 最擅长的是回答问题。

但一个人的核心价值，往往不在于回答，而在于提问。

在工作中，很多失败不是因为答案不够快，而是因为问题一开始就问错了。

领导说要做一个系统，你能不能判断关键矛盾是“缺系统”，还是“流程不清”？业务方说要新增一个功能，你能不能判断它是刚需，还是临时想法？大家都在追一个热点，你能不能判断它是长期机会，还是短期情绪？

AI 可以帮你扩展思路，可以生成方案，也可以整理材料。

但它无法替你判断：这个问题究竟有没有价值，这个方向值不值得投入，这个结果会影响谁，这个选择要承担什么代价。

苏姿丰在演讲里提到一种能力：engineer’s instinct，工程师直觉。

这种直觉不是拍脑袋，也不是凭感觉。它更像长期训练出来的能力：面对一个看起来无解的问题，先把它拆开；面对一堆混乱的信息，先找到关键变量；面对一次失败的实验，不急着否定全部，而是判断下一步该试什么。

这对普通人同样重要。你不一定是工程师，但你一样需要这种能力。

写材料时，不要让 AI 一口气生成完就结束，而要先判断结构是否合理；做项目时，不要把所有问题丢给 AI，而要先把目标、边界、风险、责任拆清楚；做决策时，不要问 AI“我该不该做”，而是让它帮你列出信息，再由你判断。

AI 最大的诱惑，在于它能让我们少想很多事。

以前写一段话，要自己组织逻辑；现在让 AI 写。以前做一个判断，要自己查资料、对比、权衡；现在让 AI 分析。以前遇到复杂问题，要自己慢慢拆；现在让 AI 直接给方案。

一开始，这叫提高效率。但如果没有边界，慢慢就会变成放弃判断。

AI 写什么，就觉得差不多；AI 总结什么，就默认是真的；AI 推荐什么，就照着执行。它说得越像那么回事，人越容易停止思考。

尤其是在重要场景里，最后承担后果的始终是人。方案错了，是你负责；数据错了，是你负责；决策错了，也是你负责。工具可以参与过程，但责任不会转移。

第一类，是能提出好问题的人。
别人问“怎么用 AI 提高效率”，他会问“到底是哪一段流程低效”。别人问“怎么写得更好看”，他会问“这篇文章要解决谁的什么问题”。

第二类，是能判断结果质量的人。
AI 能生成很多内容，但内容多不代表内容对。真正有能力的人，能看出哪里空泛，哪里偷换概念，哪里数据不稳，哪里逻辑断了，哪里不适合当前场景。

第三类，是能把工具落到真实场景的人。
很多人会演示 AI，但不会把 AI 用进工作流。能创造价值的人，知道哪里适合自动化，哪里必须人工确认；哪里可以让 AI 先做初稿，哪里必须保留人工复核。

第四类，是能承担选择后果的人。
AI 可以给出很多路线，但不能替你决定走哪一条。它不能替你承担伦理风险、业务风险、组织风险和长期影响。

第一，不要只问 AI“帮我写”。
多追问“你为什么这样写”。让 AI 解释逻辑、列出假设、说明取舍。重点不只是拿到结果，还要看它的路径是否站得住。

第二，不要只接受一个答案。
让 AI 给出保守方案、激进方案、折中方案，再比较不同方案的前提、风险和适用场景。

第三，重要内容一定要反向校验。
涉及数据、政策、合同、财务、技术细节，不能只看 AI 输出。要回到原始资料、权威来源和业务现场。

第四，把 AI 当成陪练，而不是替身。
让它帮你补盲区、找漏洞、做模拟、提反方意见。但最后的判断，要回到你自己身上。

苏姿丰这场演讲值得看，原因不只是她鼓励大家拥抱 AI。

她把问题说得更深了一层：AI 会变得越来越强，但越是强大的工具，越需要有人知道它该往哪里用。

这就像一艘速度越来越快的船。会开船很重要，但更重要的是，知道要去哪里，知道什么时候加速，什么时候转向，什么时候停下来。

未来最值钱的人，会带着目标使用 AI，而不会停留在“会用”本身。

AI 会让很多事情变快。但人的核心价值，不在于更快地完成所有事，而在于知道哪些事值得做，哪些事不能乱做，哪些事必须由人来负责。