证券开户流程及平台选择
内容来源：笔记侠团队专访。
分享嘉宾：笔记侠 PPE（政经哲）书院 26 级同学 孙灿
十大杠杆配资责编 | 贾宁
第 9921 篇深度好文：5119 字 | 13 分钟阅读
思维方式
笔记君说：
企业用上 AI，为什么效率还是没有明显变化？
有的部门做出了智能体，却没人愿意用；有人天天加班，却不愿为更好的 AI 工具付费；更尴尬的是，花钱建起算力和系统，究竟能创造多少价值，谁也说不清。
今天的分享嘉宾，是笔记侠 PPE 书院 26 级同学、笔记侠 AI 十倍增长营 02 期学员孙灿。
他在工程建设一线工作 20 多年。过去半年，他一边自费尝试各种 AI 工具，一边观察 AI 在真实业务中的应用。
从一台智能泡茶机，到施工现场难以替代的工人，再到企业里的"标签创新"，他的观察提供了一个不同于技术圈的视角。
这场访谈值得每一位正在探索 AI 转型的管理者读完，因为它回答的不是" AI 能做什么"，而是一个更扎心的问题：你的企业，究竟是在给旧业务贴上 AI 标签，还是在用 AI 重新创造价值？
一、AI 很热，但落地有点冷
这半年，我先说三个我亲眼看到的怪现状。
第一个，智能体没人用。
我上课学到一个词，叫"标签创新"：做了一个新东西，贴上 AI 的标签，听上去很先进，但使用的人不多，真正干活的时候还不如自己用模型处理得快。
现在有些企业做 AI 应用就容易这样：弄出一个智能体、做一个展示，似乎任务就算完成了。可是东西做出来之后，到底有没有人用？比原来快多少？能不能解决一个真实问题？这些反而没人认真看。
第二组，宁肯加班不愿为工具付费。
我接触到的很多人，做 PPT、做文案、处理文件，本来都是 AI 特别容易帮上忙的事情，但大家用得并不多。有的人嫌免费工具做出来的东西不行，可一说到付费，他又不愿意。
我就没搞明白，你天天那么忙，天天要加班，看到好的工具也说"不错，不错"，但真让你自己去弄一个，就不搞了。有些人你给他看过效果，他明明觉得很好，最后还是不用。
第三组，算力热里的冷问题。
现在大家都在搞算力建设，扩机房、上服务器，投入特别大。我一直有一个问题：到底这个需求有多大？我更关心的是，最后这些算力到底变成什么应用，企业是不是真的愿意持续使用。
这三组现象，其实是同一个问题：企业对 AI 的投入在加速，但 AI 对业务的渗透远没有跟上。
问题出在哪里？
我的答案是：不在技术，在组织。
二、组织不变，一切白搭
我看过一些讲 AI 原生组织的书，有一个核心观点我印象特别深：我们现在很多组织，是为了应对工业革命形成的，还是科层制、岗位制那一套。
到了 AI 时代，如果组织还是原来的组织，只不过装上一个 AI，就相当于在马车上面装个发动机。我觉得这个比喻太对了，要想充分利用 AI 的能力，得先打通组织壁垒。
过去用一层一层的组织来对齐目标，当然也能对齐，但代价太高了。要做 AI 转型，光引进几个工具、给大家上几次课，远远不够。
我一直觉得：组织不变，流程就不会变。
成为 AI 原生组织，首先得全员会用 AI，这是一个前提，但不是充分条件。很多企业现在连这个前提都没达到，更不要说后面的组织和流程改造了。
这也解释了前面说的怪现状：工具没人用，不是工具不好，是组织没有为工具改变流程；付费不愿付，是因为个人效率的提升，在旧考核体系里换不来任何回报。
所以我对 FDE（前端部署工程师）这个方向很感兴趣。以前做咨询，很多时候是咨询师给你出一套方案，你拿回去自己搞。
现在我觉得完全不一样了：咨询专家要加上真正的落地能力，得融到组织里面去。不是拿个方案让你自己去搞，那不行。为什么？
还是那句话，组织不变，流程就不会变。
大公司尤其难，层级、流程、合规要求都复杂，所以有的咨询机构不愿意接这类项目，我能理解。但是大公司也要面对 AI 时代的转变，不能一直不变。
我个人以后如果往 AI 咨询方向走，反而想多研究传统企业、国企这类复杂组织的实际转型问题。
三、我是怎么把 AI 用起来的？
组织转型是慢变量，但个人行动是快变量。这半年我自己的实践，其实就是四件事。
1. 工具组合：让 AI 嵌入每天的具体任务
我现在手机上用 ima 比较多，WorkBuddy 也装了；电脑上基本上就是 WorkBuddy 加 Codex。
为什么我比较喜欢 Codex？因为它读文件、读整个项目文件夹的能力很强。以前不会用的时候，我老是一个文件一个文件地上传，动不动就超过限制，还不知道怎么办。后来发现可以让它直接读项目里的文件，这对我来说就很有用。
这里面不一定是谁的技术更先进，而是你平时怎么工作、怎么沟通。不同的人，工作习惯不一样。AI 工具还是要能跟我每天的文件、资料和具体任务结合起来，才算真正用上了。
2. 知识库：存得下来，更要调得出来
后来我在 ima 里建了一个个人知识库。现在上各种课，不管是笔记侠的课、人民大学的课，包括平时接触到的各种资料，除了音视频原件以外，我基本上把能整理成文件的东西都放进去了。
文件夹分得很细，里面还可以再建文件夹，就像自己家的书架一样。以后想起来什么东西，我大概记得它在哪个文件夹、叫什么名字，就可以让 AI 帮我找，一下子就出来了。
我上次去上课，班里有人负责整理笔记，最后就弄了几页。我自己把录音转写之后，用 Codex 整理，出来三四十页。
为什么这么多？我们花这么多时间去上课，老师讲的案例、提到的书、讲过的故事，我希望都留下来，而不是只剩一份简单纪要。
但有个关键：知识库不是存进去就完了，还得能调用。以后我需要某个知识点的时候，能不能找回来，能不能接着用？我现在最看重的，就是资料能积累下来，需要的时候能查到。
3. 使用边界：AI 帮我落实，决定我来做
有个词叫"认知卸载"：用 AI 用多了，有人就自己不思考了。
对我来说不会发生这种事。AI 生成的东西，我都会再去核一遍，仔仔细细看一遍，有问题就让它再去改。我更多是让它帮我落实，帮我提供策略、方案，我来做最后决定。这个事情还是得人来把关。
我很认同一点：品味和情绪价值，是人存在的价值。AI 可以帮你做很多重复性的工作，甚至把基础文字工作做得很快，但东西好不好、你到底想说什么，不能完全丢给它。
所以我看待 AI，既不会不用，也不会全信。它帮我做事，我负责判断。
支撑这几件事的，是一种试错心态。这一年我陆陆续续试了不少东西，也花了不少钱。有人讲过一句话：你在哪个方面投入最多，那可能就说明你的方向在哪儿。我觉得这话很有道理。
AI 时代，我特别认同一件事：能不能快速失败、快速试错。一个工具试下来不好用，换一个；一个方法不行，再换一种。这个探索过程里肯定有浪费，但你总要自己真正用过，才能知道什么适合你。
4. 学习方式：先给我看产品，再讲背后的道理
现在 AI 课程很多，理论也很多。我觉得理论该讲，但别一上来就讲一大堆。我最近上过一堂课，前面专家讲了好多理论，大家兴趣一般。
最后他把自己做的产品拿出来，现场一演示，诶，一下子大家就来劲了。我觉得，讲法应该反过来——先把产品抛出来，让大家看到这是个什么东西，能干什么，怎么操作；讲完了再往回推，讲这里面是什么原理、为什么这么做，印象会更深。
如果问我参加 AI 十倍增长营最大的收获是什么，我会想到 FDE（前端部署工程师）这个方向。还有云飞老师的课也让我印象深刻，他已经开始在蒙牛这些大企业里做 AI 转型的实践了。
真正有用的人，不只是会讲几个新概念，也不只是会卖几种软件，而是能把 AI 带到组织里，让原来的工作方法发生变化。
四、"加 AI "只是调味，" AI 加"才是颠覆
元股证券:ygzq.hk
怎么判断一个 AI 应用是真价值还是贴标签？我在课上听到一句话，觉得特别对："加 AI "只是调味，" AI 加"才是颠覆。
什么叫加 AI？小修小补，原来的东西基本不变，外面再加一个功能。
什么叫 AI 加？把一件事的整套经验拆开、标准化，再让设备去执行。
我最近买了一台福建公司做的产品，叫茶小牛 AI 智能盖碗泡茶机。它把泡茶这件事重新做了一遍，把泡茶大师的手艺拆成一套可执行的参数，水温、暖杯、坐杯时间由机械手臂自动完成，还能自动出渣。
它解决了一个痛点：你不需要先成为一个懂茶的人，也能比较从容地泡茶。最直接的好处是，你敢很有信心地请人喝茶了，不会老担心自己把茶泡坏。
用这个标准回头看大模型，结论也更清晰。国内一些模型在复杂任务上，跟我常用的海外模型还有差距，我试过拿同一个音频处理任务，让不同工具去做，出来的结果差得挺远。
但应用入口上已有亮点，比如豆包的购物通道：我自己买过多次，直接说想买什么，它就给你列出来一堆商品和购买入口，有时候价格还有优势。工具各有擅长的地方，不能拿一种场景的好用，就证明所有场景都好用。
所以我对算力投资的态度是谨慎的：不看建设规模，看落地应用。不能只看建了多少机房、上了多少服务器。我关心的还是，这些算力建出来以后，实际用起来的需求究竟在哪里。
五、我干了 20 多年工程，说几句真话
前面说的是观察和心得，下面聊聊我的本行：建筑施工。
1. 施工现场最难的，是不标准化
我是搞工程的，在一线呆了 20 多年。
现在说 AI、说机器人，大家很容易想到工厂生产线。可建筑施工跟生产线真不一样：生产线上，机械臂调教好了，就是那几个动作、那几种东西；建设施工现场不是。施工操作本来就复杂，空间往往也有限，不同的管材型号、现场条件，做出来都得调整。
要让机器人去切割、去焊接，有些局部环节是可以试的，但要大规模用起来，成本不一定比人低。
比如机房类施工场景，交付之前需要做清洁。你想用家里那种扫地机器人把整个现场搞干净，肯定不靠谱：设备内部的灰、地面不同的结构、各种边角，场景每次都不一样。
想法是好的，但真干起来成本会非常高。
知识类工作也一样。做计划、写材料、做方案可以让 AI 帮一部分忙，但要全部替代，还早。一个很现实的问题就是文件格式：比如 CAD 图纸，一些知识库现在就不太好放、不太好处理。资料不能完整进去，AI 就很难了解现场的全部情况。
现在，我们先把能标准化、能数字化、能反复处理的部分做好，更现实。
2. 真正的痛点：建设节奏与设备到货常常对不上
在数据中心、算力基础设施这一类建设里，我有一个很深的感受：大家都很强调速度，但速度不一定等于效率。
这种建设涉及土建、设备采购、安装调试、后续部署等不同环节。各个环节的节奏要是对不上，一味压缩前面的建设时间，最后反而可能增加抢工成本，甚至带来返工。
我觉得这里面有一个老问题：建设管理很多时候还在用传统方式。各个环节之间的信息、计划、资源调度，没想象的那么智能化。有时候一边在赶进度，另一边的条件还没准备好，赶得越急，付出的代价越大。
工程建设，从数字化走到真正的智能化，中间还有很长一段路。不要看几个宣传视频，就觉得现场已经到处是机器人、到处是自动调度，实际上还远没到那个水平。
3. 具身智能：先找到简单、固定的场景
我去看过一些具身智能、机器狗的产品演示。现在能用起来的，往往是一个明确的场景，而且不能太复杂。比如巡检，这类场景会相对容易一点。
但建筑场景太复杂了，要为不同任务开发不同机器人，光是采集数据、训练、调试，就要花很大代价。有的项目等你把机器人训练完，工程都结束了。
有技术人员跟我们讲过，很多能力还要三到五年继续发展。我觉得现在的物理 AI，离我们想象的水平还差得远。
4. 长期机会：工人越来越少，机器人的账会算得过来
但反过来说，我也不觉得这件事没有机会。
现在建筑工地上的有效劳动力，特别是能熟练干活的，确实越来越少。现场的主力很多是四五十岁的人，年轻人非常少。未来再过十年，这些工人年纪更大了，年轻人又不愿意进来，那怎么办？
我有亲戚在英国，他们家装修房子，经常自己想办法弄，不敢请太多工人，因为人工太贵。
这里头就有一个长期问题：当人工成本上来了，机器人有没有可能变得划算？我觉得这是一个机会，但也要看什么时候，机器人真的能把复杂施工现场的成本和效率问题解决掉。
以我这半年的实践看，AI 落地转型的答案可以拆成三层：工具层，AI 必须嵌入每天的具体任务，否则只是装着；组织层，组织不变、流程就不会变，否则只是摆着；价值层，能解决真实痛点才算数，否则只是贴着。"加 AI "与" AI 加"的区别，本质就是贴标签与创价值的区别。
最后我想说的是：对我们 80 后来说，AI 可能是非常重要的一次机会。我不敢说以后再没有机会，但眼前这波变化，如果还只是在旁边看看热闹，确实挺可惜的。
结语：
对创业者来说，AI 转型真正的起点，应该是重新思考自己的业务：哪些环节值得重做，哪些经验能够标准化，哪些组织壁垒需要打破？
这些问题，光靠阅读文章和研究理论还不够，更需要在真实案例中找到答案。
10 月 29 日，笔记侠 AI 十倍增长营 03 期即将在杭州开课。如果你也在思考如何把 AI 从个人效率工具变成企业的实际生产力，欢迎与同样在路上的人一起，实操先行、现场寻找答案。
点击下方链接，了解课程详情并联系我们。
分享、点赞、在看证券开户流程及平台选择，3 连 3 连！
元股证券证券交易提示：本文来自互联网，不代表本网站观点。
