速度是 AI 的,定义权是你的

你有没有过这种经历：让 AI 写一份方案，它洋洋洒洒出了五版，每一版看起来都挺像那么回事，但你就是不知道该用哪一版。

这时候你怎么办？是让 AI 再出五版，还是自己硬着头皮选一个？

其实这个"不知道选哪个"的瞬间，恰恰是你作为人最有价值的时刻。AI 能出一百个答案，但它不知道哪个答案在你当下的情境里最合适。

AI 能给你一百个答案，但只有你知道该问什么问题。

我们一直在比错的东西

先承认一个让人不舒服的事实：在信息处理速度上，AI 已经碾压人类，而且差距还在指数级拉大。

你花三天读完一份行业报告，AI 三分钟就能提炼出要点；你熬一个通宵写的方案初稿，AI 十秒钟能出五个版本。执行效率就更不用比了——它不用睡觉、不会走神、没有情绪波动，一天能顶你一个月。

很多人的焦虑就卡在这儿：既然比不过，那我的价值在哪？

但这个问题本身就有问题。你什么时候见过一场比赛，赢家是靠在对手的强项上硬杠赢的？真正的较量从来不是比谁更快，而是比谁在定义"快"这件事本身——更准确地说，是谁在定义"什么值得做"。

在所有 AI 暂时还做不好的事情里，定义权是最上游的那一个——因为它决定了后面所有努力的方向。方向错了，越快越偏。

和菜头在《成年人修炼手册》里讲过一个"小历史"的概念——每个人对自己过去的叙事方式，会影响他对现在的判断。放到工作里也是一样：谁定义了"什么是重要的"，谁就掌握了项目的方向。AI 再快，它也不知道该往哪个方向快。

定义权才是越来越重要的战场

定义权是什么？说穿了就是一件事：定义什么值得做。

这里先做一个概念区分。我们常说的"决策力"，是在已经摆上台面的几个选项里选一个最好的；"判断力"，是判断一件事的对错、轻重、缓急；而"定义权"比它们都靠前——它是先决定"有哪些选项""这是个什么问题""我们为什么要做这件事"。

决策力是答题，判断力是审题，定义权是出题。

听起来有点虚，我举个具体的例子。

做智能化转型项目的人都有体会——甲方提的需求，往往不是真正的需求。他说"我要一个智能客服系统"，你往下挖一层，他真正想要的可能是"降低客户投诉率"；再往下挖一层，可能是"让老板觉得我们在拥抱 AI"。

但如果你真的挖到根上，可能会发现——投诉率高的根本原因不是客服响应慢，而是产品本身的某个功能设计有问题。用户用不明白，才来投诉。客服再快，也只是在下游接漏水，上游的水龙头还开着。

这时候定义权就体现出来了。

你可以拿着需求文档直接开干，帮他把智能客服做得又快又好——这叫把题答好。AI 干这个比你强。

你也可以停下来，告诉他"咱们的问题可能不在这"——这叫把题改了。这个，AI 干不了。

前者是执行，后者是定义。AI 可以帮你把执行做得又快又好，但穿透需求的伪装、判断背后的真实意图、甚至重新定义问题本身——这是人的活儿。

在项目管理里，定义权就是不被表面需求牵着走的能力。需求会过期，甲方会变卦，但只要你握着定义权，方向就不会偏。

反过来的例子也很多。我见过不少项目，团队执行力极强，AI 工具也用得飞起，方案出了一版又一版，效率高得吓人——但做着做着就发现，方向偏了。为什么？因为从一开始，他们就把甲方说的"我要一个智能客服系统"当成了真问题，没有停下来追问一句"你为什么需要这个"。他们在执行层面跑得越快，离真正的目标就越远。这就是失去定义权的代价：你越努力，错得越离谱。

麦肯锡 2025 年的全球 AI 调研有一组数据很说明问题：几乎所有企业都在尝试用 AI，但真正把 AI 规模化落地、看到显著商业价值的，不到 10%。差距在哪？不是技术不够好，也不是工具不够多——而是大多数企业还没搞清楚"用 AI 来做什么最值得"。工具跑得再快，方向错了也是白跑。

美国学者维克拉姆·曼沙拉马尼在《主见》里有个比喻说得好：专家是"拼图碎片"，而我们是决定如何拼贴的艺术家——选哪些碎片、怎么组合、拼到什么程度、为了什么而拼，都得你来定。AI 时代，这个比喻更贴切了——AI 给你无限多的碎片，你得决定拼什么图。

最小知识集是定义权的第一步

定义权不是拍脑袋，不是"我觉得什么重要就什么重要"。它的第一步，是先掌握这个领域的"最小知识集"。

"最小知识集"这个概念，是北航的刘雪峰老师在解读《通用人工智能》时提出来的。什么意思呢？就是一个领域里最核心、最常用、最能支撑你继续学习的那组概念。三个关键词：核心、常用、支撑继续学习。

为什么说最小知识集是定义权的第一步？因为你要定义什么值得做，首先得对这个领域的骨架有判断力——什么是皮毛、什么是骨架；什么是新瓶装旧酒、什么是真的范式转移。没有这层判断，你所谓的"定义"就是瞎猜。

你能讲明白，说明你真的懂了；你真的懂了，才敢重新定义问题。

最小知识集不是一成不变的，它会随着你对领域理解的加深而不断迭代，但无论在哪个阶段，它都是你判断的锚点。

比如做项目管理，最小知识集不是你背了多少个工具模板，而是你对一组根本问题背后逻辑的理解——需求为什么会变、甲乙双方为什么会有认知偏差、项目为什么会失败。这些东西，AI 可以给你罗列一百条原因，但它不知道哪一条在你当下的场景里最关键。

刘雪峰给了一个很朴素的检验标准：你能不能用大白话，把这些东西讲给一个完全不懂这个领域的人听，还能让他举出自己的例子？能做到这一步，才算真正理解了。

判断力是在真实问题里锤出来的

光有最小知识集这第一步还不够，定义权的能力要在真实问题里才能长出来。怎么长？萨拉斯瓦蒂教授的"效果推理"理论，给了我们一个入手的框架。但光有方法还不够，真正的判断力，是在一次次"选了、扛了、认了"的过程中锤出来的。

效果推理是弗吉尼亚大学达顿商学院萨拉斯·萨拉斯瓦蒂教授 2001 年提出的，原本是创业研究里的概念，研究的是"创业者在高度不确定的环境下怎么做决策"。它的核心逻辑是：当目标模糊的时候，不要去预测未来，而是从你手头的资源出发，边做边定义目标。

效果推理之所以能锤炼定义权，是因为它不预设答案——它不是给你一个固定目标让你去执行，而是逼你在每一步行动中重新回答"什么值得做"。换句话说，效果推理不只是"在目标模糊时怎么做决策"的方法，它本身就是**"在行动中定义问题"**的过程——定义权不是坐在那儿想出来的，是一边做一边长出来的。

具体来说，这个锤炼过程有三层：

第一层，你得先盘点自己有什么（资源、能力、人脉），而不是先想"我要什么"——这是在逼你从自身出发定义问题，而不是从别人给的目标出发。

第二层，你要设定"可承受损失"，用小成本试错——这是在给你重新定义的空间，错了就调整，不用一条道走到黑。

第三层，你要拥抱意外，把偶然出现的新信息、新机会纳入判断——这是在训练你在动态中重新定义问题的能力。

不是等别人告诉你该做什么，而是你自己在行动中不断校准方向。

但光有方法还不够，真正的判断力，是在一次次"选了、扛了、认了"的过程中锤出来的。

书本上的知识是干净的、有标准答案的。但真实世界里的问题从来不是这样：信息不全、利益交错、时间紧迫、没有正确答案，只有"在当前约束下相对不坏的选择"。

AI 可以给你分析所有选项的利弊，但它不会因为判断失误而付出真实代价——没有代价压力的分析，往往停留在纸面。至少对大多数人来说是这样：纸上谈兵和真刀真枪，分量完全不一样。它不会因为选错了方向而熬夜救火，不会因为判断失误而被客户问责，更不会在深夜里复盘"我当时为什么那么想"。

这里需要加一个限定：说"AI 不会自己提出好问题"，是指在当前阶段——AI 的提问能力依赖于它被训练的数据和被给定的上下文，它不会因为"我要为这件事负责"而产生真正的追问动机。它可以模拟提问，但它的提问是为了更好地完成你给的任务，而不是为了重新定义任务本身。至少在可预见的一段时间里，这个区分仍然成立。

而人不一样，你选的路你要扛结果，所以你会更认真地权衡、更敏锐地捕捉信号、更深刻地从失败里学习。判断力，就是在这个过程中长出来的。

就像英国哲学科普作家朱利安·巴吉尼在《做出明智判断的10个方法》里说的：理性的一个小秘密是，我们无法完全证实自己的判断，却又不得不依赖于自己的判断。

这种"不得不"，就是人的价值所在。

速度是 AI 的，定义权是你的。

但定义权不会自动跑到你手里——它得靠你一点点挣回来。

定义权的地基，是你对一个领域最小知识集的深度理解；定义权的锤炼，是在真实问题里用行动不断试错、不断修正的过程；最终长出来的，是别人拿不走的判断力。

这三样东西，没有捷径，也没法外包。

我见过最危险的状态，不是 AI 比你快，而是你已经习惯了让 AI 替你定义问题——它出什么你就改什么，它给什么你就选什么，改着改着、选着选着，就忘了自己当初为什么要做这件事。

如果你也在焦虑"AI 会不会取代我"，下次不妨换个问题问自己：在我做的这件事里，"什么值得做"这件事，是谁在定义？

不用急着回答。就问一下。问出来的那一刻，你就已经把定义权，从 AI 手里拿回来了一点点。

如果你想再往前走一步，可以做一个定义权自检三问：

第一问：这个问题是谁提的？是你自己定义的真问题，还是 AI 顺着你的话头递过来的、或者甲方随口说的表面需求？

第二问：背后的真实需求是什么？如果把眼前这个需求拿掉，你真正想达成的目的是什么？是降本？是增效？还是让某个关键人满意？

第三问：我有没有被表面选项框住？AI 给了你五个方案，你就在这五个里选——但有没有可能，正确答案根本不在这五个里面？

问完这三个问题，再动手选。

因为速度是 AI 的，但定义权，得握在你手里。