当 AI 让执行力变得廉价，我们该拿什么脱颖而出？

Matrix 首页推荐 Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。 文章代表作者个人观点，少数派仅对标题和排版略作修改。 前言 「中等收入陷阱」原本是一个发展经济学领域的专有名词。它的含义是，一个国家经济发展到中等收入水平后，原有的增长方式逐渐失效，经济增长长期放缓，难以继续迈向高收入国家。 在从 低收入阶段 到 中等收入阶段 跃升的过程中，民众的工资上涨，但随之而来的是用工成本的增加，原来所依赖的低端制造和能资源优势不复存在了。而想要到达 高收入阶段 ，则需要依靠技术创新、产业升级，代替原有的劳动力集体，实现转型。如果一个国家在 中等收入阶段 无法完成转型，则可能陷入所谓的中等收入陷阱。 AI Agent 的发展过程，或许也能对照这三个阶段来进行类比。在发展的初期阶段，人们发现，使用 AI Agent 可以让他们实现原先难以完成的任务，迅速获得过去所没有的生产力。然而，AI 已经成为工作流的基础设施，Agent 在拓展能力边界的同时，同等智能的模型价格下降；随着 WorkBuddy 等办公类 Agent 的普及，信息差逐渐消失，会用 AI 不再是稀缺的能力。 请你问自己一个问题： 假如现在所有人都会用 Agent，且所有的 SOTA 模型全部免费用，你有信心从其他使用者中脱颖而出吗？ 这个问题看似仅仅是个思想实验，但可以预期的是，我们正在加速朝着这个现状来演进。 我问了问我自己。坦诚说，没有多少信心。但好在我们还有机会趁这段信息差带来的红利期，尝试构建起那些在未来能让我们脱颖而出的能力。 AI 的追赶效应 2023 那年，我完成了高考。进入大学后，出于兴趣选择了计算机专业。现在看来，还是很难判断是否是个「正确」的决定。ChatGPT 在 22 年底就上线了，而在 23 年秋季学期时，我在学习高级程序语言设计（C++）时，GitHub Copilot 出现了，那种在行内按 Tab 不断补全的方式，直接让我这方面的经验变得贬值了。我亲眼看到自己花费精力学习的 C++ 语言，而同学直接无脑用 Tab 也能敲出一段评测正确的代码。 当时我在心里，我还在笑那些偷懒用 AI 交作业的同学没有学到真本领。当然现在我肯定笑不出来了，因为我发现，在 24 年投入大量精力学习的 ICPC 程序设计竞赛，苦练各类面向竞赛的技巧，在 25 年能被 Claude 轻松手撕；在 24 年还在用模板手搓 PPT，26 年甚至可以直接让文生图模型来「一键出片」；在 24 年还用 Cursor 完成的需要我盯着、指导的任务，在 26 年则轻松被普通用户用「一句话」让 Agent 自主实现，并完成多维度的测试，接近直接上线运营的水平。 假如一个外行在该领域的了解程度是 5 分（满分 100），那么 AI 现在可能已经能不加指导地达到 60 分的水准，并且这个分数可能下个月就变成 65 分、70 分，而人类个体在这些分数的进步，可能需要数年的实际经验来积累。 普通人的能力下限，正在被 Agent 快速抬升 。 如果一个人只会这样的技术性技能，完全没有胜算。在未来随便一个人，用最朴实、最直白、最外行的话语，AI 也能做得很好。 大部分技术性技能会随着 Agent 能力的普遍提升而不断贬值 。 同时，从模型侧来说，同等智能的模型在未来会不断贬值，因此未来达到我们想要的需求将会越来越廉价。从产业的角度来说，现在很多事情仍然用人而非用 AI 来做，其实是成本上的账算不过来；而一旦 Agent 的使用成本继续下探到临界点，仍然依赖人力完成的环节就会被动暴露在被替代的风险之下。 更危险的可能是，我们甚至还没意识到这一点， 错把我们驱动 Agent 能做的事情，当作我们实际的能力 。 AI 的中等收入陷阱 现在很多人每个月花几十上百刀订阅各种 AI 会员，做了一些自娱自乐的产品。结果问他实际有多少用户、赚了多少钱，才发现可能是个零蛋（没错，是我了）。不客气地说，这样的行为和 23、24 年去买 AI 使用付费课程、付费社区等没有太大差别。 没错，你现在用各种 Agent，已经能够一句话做出一个像模像样的小玩具，或者已经能够在自己的工作流中提效。 但花钱订阅使用 AI，并不是获得能力提升的充分条件，反而会让自己形成一种自己已经领先于很多人，借助 AI 提效的幻觉 。的确，我们获得了当下的效率和产出提升，但也要考虑，在 Agent 能力增长、价格下降、信息差消失的大趋势下，怎么样在未来赢得这场长跑。 你可能会说，我学习了各类提示词技巧，懂得给 Agent 安装多少个热门 Skill，对主流 LLM 的优缺点、说话风格了如指掌，这些难道不算能力吗？当然算。但我更倾向于把「会用 AI」拆成两类不同的能力。 一类是 工具绑定型技巧 。例如某一代模型偏好什么提示词写法、某个 Agent 应该装什么 Skill、某套 Harness 需要怎样调教。这些能力的确能在当下带来优势，但 它们很大程度上依赖工具本身还不够成熟，以及使用者之间仍然存在信息差。 只要一类工具足够有用，就会有人前仆后继地把它变得更简单：基础模型厂商会让模型更容易正确理解意图，Harness 会把复杂的配置、技术细节封装起来，自媒体、社区甚至卖课的人也会持续传播最佳实践。他们在追逐各自利益的同时，也渐渐让昨天需要高手掌握的技巧，变成明天普通用户开箱即用的默认能力。 另一类则更接近 认知与判断型能力 。你是否知道真正的问题是什么，哪些上下文必须交给 Agent，什么样的结果才算好，以及什么时候应该相信或推翻它的答案。这些能力表面上同样表现为「会用 AI」，但它们并不主要依赖某一代 Agent。相反，Agent 越强，这些判断越可能被进一步放大。 因此，如果我们的优势主要来自对工具本身比别人更熟练，那么随着模型、Harness 和大众使用经验一起进步，这种优势天然存在持续贬值的压力。 我们需要逐渐把竞争力从「怎样把 AI 用得更好」转向「知道怎么做决断」和「知道什么是好的」 。 我们还能做些什么 AI 的能力是租来的 。真正值得我们积累的，是那些不随模型降价而一起贬值的资本。 资本可存在于外部世界，即「外部资本」；也可积淀于我们自身，即「内在资本」。外部资本较好理解，它在 Agent 出现之前就已存在。它可以是一批真正理解、使用、愿意反馈的核心用户，可以是一个粉丝数较高的社媒账号；也可以是一套可以持续迭代的工作流。 复利性是资本的重要特征。过去的积累，会不断降低下一次增长的成本。当执行能力越来越廉价，更重要的是你过去「积累了什么」，而不仅仅是你这次「能做出什么」。 两个人都能让 Agent 在一天内做出一个新产品。一个人做完以后还要重新寻找用户；另一个人已经有一批用户、一个长期经营的账号和过去产品积累下来的品牌认知。AI 把两人的「制作能力」拉近了，却没有抹平这些过去积累形成的差距。 Apple 最近发布 iPhone Duo 后，那套随折叠动作发生的屏幕过渡效果，很快就被开发者移植到了 MacBook 等设备上。短时间内，社区已经能做出视觉上相近的产品，但「做出来