夜雨聆风
最近看到 Anthropic 关于 Claude Code 的两组数据，我脑子里冒出来一个很直接的判断：
AI 编程降低的，不是专业本身的价值，而是把专业做成产品的门槛。
这句话听起来有点绕，但换成更直白的话就是：
AI 工具是杠杆，真正的支点，是你的专业、知识和场景判断。
杠杆再长，如果没有支点，也撬不动任何东西。AI 再强，如果你自己不懂场景、不懂用户、不懂流程，它放大的也可能只是混乱。
过去我们总觉得，非技术人做产品，最大的门槛是“不会写代码”。
但现在这个门槛正在被 AI coding agent 降低。
真正的分水岭开始变成另一个问题：
你有没有足够扎实的专业判断，能把一个真实问题讲清楚、拆明白、交给 AI 去执行？
01 不是人人都要变成程序员，而是专业有了产品化能力
We compared Claude Code success rates between occupations. On our toughest measure of success—requiring verifiable evidence that a goal was completed, like committed code—every field was within 7 percentage points of software engineering.
Anthropic 的第一组数据很有意思。
他们对比了不同职业用户使用 Claude Code 完成编程任务的成功率。哪怕用最严格的标准来算，也就是必须有可验证的完成证据，比如提交了代码，不同行业和软件工程之间的差距也都在 7 个百分点以内。
这件事非常反直觉。
管理、法律、商业金融、医疗、设计、销售、教育、科学这些领域的人，用 Claude Code 做编程任务，并没有被软件工程师远远甩开。
这并不是说程序员不重要了。
而是说明一件事：
很多领域专家，第一次有机会把自己的专业判断，直接做成一个能跑的工具。
过去，一个医生可能很懂诊疗流程，但他很难自己做一个随访管理工具。
一个餐厅老板可能很懂门店运营，但他很难自己做一个订货、排班、会员复购系统。
一个销售负责人可能很懂客户跟进节奏，但他很难自己做一个真正适合团队的 CRM。
一个服务设计师可能很懂用户旅程、服务蓝图和 SOP，但过去这些内容大多停留在 PPT、流程图和需求文档里。
现在不一样了。
AI coding agent 出现后，代码实现不再是唯一的门槛。更重要的门槛，变成了你能不能把业务问题描述清楚。
这就是我说的：
AI 是杠杆，专业是支点。
没有支点，杠杆只是一个很长的工具。有了支点，杠杆才会产生真正的力量。
02 同样用 AI，为什么有人做出工具，有人只得到一堆废功能？
Domain experts—as judged by the questions they ask and vocabulary they use about a subject—are more likely to see success. But the gap between intermediate and expert users is quite modest, suggesting that proficiency in a domain is sufficient to code successfully within it.
第二组数据更值得看。
Anthropic 还发现，从用户提出的问题和使用的词汇来看，领域专家更容易成功。中级用户和专家用户之间的差距没有想象中那么大。
这说明什么？
只要一个人足够懂某个领域，他就有机会在这个领域里把代码写出来，或者至少把 AI 带到正确的方向上。
区别不在于他会不会写代码，而在于他能不能说清楚真实问题。
一个不懂业务的人，可能会这样问 AI：
“帮我做一个客户管理系统。”
这句话太空了。
AI 当然也能生成一个系统。里面可能有客户列表、搜索框、添加按钮、编辑按钮，看起来很完整。
但它未必有用。
因为它不知道这个系统到底要解决谁的问题，也不知道用户在什么场景下使用，更不知道这个业务里真正卡住的是哪一步。
但一个真正做过门店运营、私域转化、医疗服务或者企业咨询的人，可能会这样说：
“帮我做一个儿童门诊复诊管理工具。需要记录孩子初诊信息、家长沟通记录、医生建议、复诊提醒、随访状态。重点解决客服忘记跟进、家长不知道下一步、总部无法检查门店复诊质量的问题。”
这两种需求，最后生成出来的东西会完全不一样。
前者是在要一个功能。
后者是在描述一个真实业务场景。
AI 能不能做出有用的东西，很大程度上取决于你能不能提供一个足够清晰的支点。
这个支点包括：
用户是谁。场景在哪里。流程怎么走。问题卡在哪。异常怎么处理。什么叫完成。什么叫有效。用什么标准验收。
你越能说清楚这些，AI 越有机会做出接近真实业务的东西。
所以，未来的机会不是“人人都变成程序员”。
更准确地说，是：
更多领域专家，开始拥有产品构建能力。
03 普通人的机会，不是炫技，而是把熟悉的经验做成小系统
很多人一听到 AI coding，就会觉得离自己很远。
好像那是程序员、创业者、产品经理才需要关心的事情。
但我反而觉得，普通人的机会正在变大。
因为普通人未必懂技术，但很多人都懂一个具体场景。
比如，一个开小餐馆的老板。
他可能不会写代码，也不懂什么叫数据库、前后端、接口、部署。
但他非常清楚自己每天最头疼的问题：
每天备菜靠经验，少了不够卖，多了就浪费。员工排班靠微信群通知，经常有人看漏。老顾客来过几次没人记录，复购全靠老板记性。差评出现后没有及时跟进，最后影响平台评分。新员工培训全靠老员工口头带，服务标准不稳定。
如果他只是对 AI 说：
“帮我做一个餐厅管理系统。”
大概率做出来的东西很普通。
但如果他说：
“帮我做一个小餐馆每日运营助手。每天记录菜品销量、剩余库存、天气、客流情况，自动提醒明天备菜建议；员工排班可以生成提醒；老顾客消费超过 3 次后自动标记；出现差评关键词时提醒老板跟进；新员工每天推送一个服务 SOP 训练任务。”
这就完全不一样了。
这不是在追求一个很大的系统，而是在解决一家小店真实存在的问题。
这才是普通人更现实的 AI 机会：
不是一上来就做平台、做 SaaS、做大产品。
而是从自己熟悉的场景里，找到一个高频、重复、具体、可验证的小问题，然后把它做成一个能跑的小工具。
餐厅老板可以做门店运营助手。美业店主可以做客户复购提醒工具。培训老师可以做学员跟进系统。销售负责人可以做客户分层和回访提醒。诊所运营可以做复诊管理和随访 SOP。自媒体人可以做选题库、素材库和内容发布流程。
这些东西看起来不性感，但非常真实。
普通人不一定要比别人更懂 AI。
但如果你比别人更懂一个场景，你就有可能用 AI 把这个场景里的经验产品化、流程化、系统化。
这就是杠杆和支点的关系。
AI 是杠杆，负责放大。你的经验、判断和场景理解，是支点，决定它到底能撬动什么。
如果你也正在使用 AI，但总觉得“工具很多，不知道从哪里开始”，可以先不用急着追新工具。
你可以在评论区留一句：
你所在的行业 + 你每天最重复的一件事 + 你最想用 AI 解决的一个问题。
我会尽量从服务设计和 AI 落地的角度，帮你一起判断：这个问题能不能拆成一个小项目，第一步应该从哪里开始。
也许你的第一个 AI 项目，不是从学习更多工具开始，而是从重新看懂自己熟悉的场景开始。
