旧地图发现不了新大陆

我自己也常碰到这样的场景：

• 我做FDE，也就是帮企业把AI真正落地的一线工程师。惯常的第一步，是先找一个切入口，把AI打进去。可真做下去才发现：有的点很难落地，有的推不动，就算做成了，价值也说不清，客户未必愿意买单。说到底，切进去的那个点，往往不痛不痒。

• 产品经理用AI写PRD，研发打开Claude Code或Codex，代码和测试几乎一起做完，客服前面接上智能问答机器人；

• 每个环节都变快了，可分工没变、交接没变。半年后复盘，人人都说「提效明显」，一个需求从提出到上线却没快多少，组织里倒是多了一个「AI专项小组」。

问题不在AI不够强，而在于：我们拿着一张旧地图，在上面找AI能落脚的地方。

1492年，哥伦布揣着一套错误的世界地图出发，他坚信向西航行就能抵达亚洲。

船真的靠岸了，他却把那片土地当成了「印度群岛」，把当地人称为「印第安人」。

新大陆就在脚下，可他手里的地图告诉他：这里是旧世界的一部分。

今天绝大多数企业的AI转型，正在重演这一幕。

先看看我们手里这张地图长什么样。

做AI产品经理的那些年，我对这条链路再熟悉不过：用户需求 → 产品设计 → 开发 → 测试 → 上线 → 运营。每个环节一个岗位，每个岗位一套交付物，环节之间靠文档、评审会、排期表交接。

这条流水线看起来天经地义，但如果你用「第一性原理」把它拆开，会发现一个很少有人说破的事实：这张地图上的每一条边界，几乎都是为了弥补人的局限而画的。

• 为什么要分工？因为一个人的「上下文窗口」太小，装不下从需求到代码到测试的全部知识；

• 为什么要写PRD？因为人和人之间传递上下文的带宽极低，只能靠文档做「有损压缩」；

• 为什么要有评审会？因为人会出错，需要多双眼睛做校验；

• 为什么测试排在开发之后？因为人写代码慢，反馈周期长，只能做完一批再验一批。

换成AI的语言：旧流程本质上是一套围绕「人类算力」设计的调度系统。分工是并行计算，文档是序列化，评审是冗余校验，排期是任务队列。

地图只是某个时代对现实的一种描述。当底层的「算力」从人换成了AI，这张地图就过时了，但我们还在照着它走。

今天主流的AI转型路径，几乎都是同一个套路：找场景、找切入点、找环节。这个环节能不能用AI写？那个环节能不能用AI审？

这么做可以理解。全局太复杂，看不清，没人敢动；找一个点切进去，风险小，见效快，好汇报。

但它有个根本问题：这是在旧地图上寻找AI能做的事。流程的形状没变，岗位的边界没变，交接的方式没变，AI只是被塞进某个格子里，把这个格子里原来的事做得更快一点。

用模型训练的话说，这是在一个已经收敛的局部最优解附近做微调。每一步都是「Loss在下降」，但你永远到不了另一座山峰。

历史上有一个几乎一模一样的故事。

案例1：电力进工厂，花了几十年才兑现生产力

19世纪末，电动机开始进入美国工厂。当时的工厂靠一台大蒸汽机，带动天花板上一根长长的传动轴，再通过皮带把动力分给每台机器。

工厂老板们的做法是：把蒸汽机换成一台大电机，传动轴、皮带、厂房布局统统保留。

斯坦福经济史学家保罗·戴维（Paul David）在1990年的经典论文《The Dynamo and the Computer》里分析过这段历史：这种「把新技术叠在旧系统上」的做法，只带来了动力消耗上的一些节省和更好的调速，工厂运转方式和以前几乎一样。

电力对生产率的大规模拉动，要等到1920年前后，新一代工厂开始采用「单机驱动」（unit drive），给每台机器装上独立电机，厂房不再围着传动轴排布，而是按照物料和工序的流动重新设计，变成明亮、单层、可以随时调整的车间。

从第一座中央电站开业（1882年）到生产率真正起飞，中间隔了大约40年。卡住它的不是技术，是地图。

You can see the computer age everywhere but in the productivity statistics.

计算机时代随处可见，唯独在生产率统计数据里看不到。

—— 罗伯特·索洛（Robert Solow），1987

索洛这句话说的是计算机，换成今天的AI也完全成立。

我们现在对AI做的事，就是当年把蒸汽机换成电机。我们在让AI去适应人的局限：适应人的分工方式、人的汇报节奏、人的交接文档。

可AI在信息处理的广度和速度上，早已远远超过单个人类。拿世界上最强的引擎去带一根19世纪的传动轴，这才是最大的浪费。

这不只是我的个人判断，咨询公司的大样本调研给出了同样的结论。

案例2：麦肯锡《The State of AI》

麦肯锡2025年3月发布的全球AI调研中，测试了25项可能影响AI收益的组织特征，结论是：「工作流程的重新设计」对企业能否从生成式AI中获得EBIT（息税前利润）影响最大。

而在使用生成式AI的受访企业中，只有21%表示至少从根本上重新设计过部分流程。

同年11月发布的新一期调研里，麦肯锡把「AI高绩效企业」单独拎出来看：这批企业只占受访者的约6%，它们从根本上重新设计个体工作流程的可能性，是其他企业的近3倍。到2026年8月最新一期，这个比例依然约为6%。

案例3：BCG的「10-20-70法则」

波士顿咨询（BCG）在总结那些规模化跑通AI的企业时，提出了一个分配原则：10%的精力花在算法上，20%花在数据和技术底座上，剩下70%花在人和流程的改造上。

在2025年的报告《The Widening AI Value Gap》里，BCG说得更直白：把Agent接进工作流，不是把它们「拴」在遗留流程上，而是要端到端地重新构想整个流程。

算法只占一成。真正决定成败的，是你愿不愿意把那张地图重画一遍。

所以我的核心观点是：不是让AI适应人，而是让人去适应AI。

这听起来有点反人类，但仔细想想，每一次生产力革命都是这样发生的。

工业时代，人学会了适应机器的节拍；互联网时代，人学会了适应网络的速度。到了AI时代，人要学会的，是围绕AI的能力去重新组织工作。

案例4：Shopify CEO的内部信

2025年4月，Shopify创始人兼CEO托比·吕特克（Tobi Lütke）公开了一封内部信，标题就叫「Reflexive AI usage is now a baseline expectation at Shopify」（条件反射式地使用AI，已经是Shopify的基本要求）。

其中有一条：团队在申请更多人手和资源之前，必须先证明为什么这件事用AI做不了。他接着抛出了一个问题：

What would this area look like if autonomous AI agents were already part of the team?

如果自主运行的AI Agent已经是团队的一员，这块业务会是什么样子？

—— 托比·吕特克（Tobi Lütke）

注意这个问题的方向：它不是在问「哪个环节可以用AI」，而是在问「如果AI是默认配置，整块业务该长什么样」。前者在旧地图上找落脚点，后者在画一张新地图。

过去一年多，作为独立开发者（一人公司 / OPC），我做了至少二十个产品，其中百分之八十是失败的。

但有一件事我体会得很深：当整条链路只剩下我一个人加上一群AI时，旧地图上的那些格子会自己消失。

需求不再需要写成长长的文档，因为几分钟就能直接生成一个可以点的Demo；测试不再是开发之后的一个阶段，而是和生成同步进行；我之前在《9个月Vibe Coding，90%失败率》里写过，连PPT这种载体都不是必须的。

当然，AI也有它做不好的地方，比如系统级的架构判断，比如把产品卖出去的「最后一公里」。可这恰恰说明：新地图上，人的位置不是消失了，而是挪到了别处。

道理讲完，给几条能直接上手的「配置指令」。

1. 归零：先假设AI是默认员工

配置指令：零基假设

• 选一块具体业务，不问「哪里可以加AI」，而是问：「如果今天从零开始，团队里默认有无限个不知疲倦的AI Agent，这件事会怎么做？」

• 把答案画成一张流程图，再拿它和现有流程对比。差异最大的地方，就是新大陆的入口。

2. 拆交接：找出那些只为「人传人」存在的东西

配置指令：给每个交付物贴标签

• 把流程里所有的文档、会议、审批节点列出来，逐个问一句：它是在创造价值，还是只是在人与人之间搬运上下文？

• 只为搬运上下文而存在的，优先让AI接管或者直接删掉。上下文应该沉淀在AI可读的知识库里，而不是散落在几十份Word和会议纪要里。

3. 换单位：从「岗位」换成「闭环」

配置指令：一人一闭环的最小实验

• 选一个小而完整的业务（一个小功能、一个小客群），让一个人带着一组Agent从需求到交付全程负责，跑两到四周。

• 不考核单个环节快了多少，只看端到端：从想法到用户手里，用了多久，结果好不好。

4. 挪位置：人只守三个点

配置指令：定义、判断、担责

• 定义问题：AI能回答很多问题，但「该解决哪个问题」仍然是人的事；

• 判断好坏：审美、品味、对用户的理解，是你给AI设定的Reward Model；

• 承担后果：签字、拍板、对结果负责，这是AI替代不了的。

除这三点之外的执行，都可以大胆交出去。

哥伦布到死都认为自己抵达的是亚洲。真正把那片土地命名为「新大陆」的，是后来那些愿意承认旧地图错了的人。

AI时代也是一样。旧地图上，AI永远只是某个环节的提效工具；

只有在新地图上，你才会发现那些原本不存在的道路：一个人就是一家公司，一个超级个体指挥着一支Agent军团，完成过去一整个部门才能完成的事。

这也是我在做的公司，以及我正在构建的「Agent 军团」想去的地方：不是在旧地图上标出更多AI的落脚点，而是和你一起，画一张新的地图。

旧地图发现不了新大陆。是时候换一张了。