Collect Stone Lab · 墨家-张良周刊

当 AI 开始卖结果，人更需要判断力

当 AI 开始卖结果，人更需要判断力

本期一句话

这期最值得带走的，不是又多看了几篇文章，而是一个更大的变化：AI 正在把竞争从工具推向结果交付；当 intelligence 越来越便宜，judgement、taste、maintenance 和 distribution 会重新变贵。

如果你只看 3 条

  1. Services: The New Software
    真正大的 AI 公司，未必卖软件 seat，而是直接把原本由人完成的服务结果打包卖掉。
  2. The Brand Age
    当技术把真实差异压小，品牌会吞掉质量讨论。以后判断一个产品，不能只看谁更响。
  3. The Self-Help Trap
    优化不是天然正义。很多人不是在前进，只是在维护“我正在认真变好”的感觉。

本周最值得理解的一件事

把这期串起来看，它在讲的是同一个问题：当 AI 压低 intelligence 的成本，人还剩下什么真正难替代？

答案不是“更会用工具”，也不是“继续优化自己”。更接近的答案是：

  • 能判断什么值得做
  • 能判断什么只是包装更好
  • 能把系统长期维护下去
  • 能在真实世界里交付结果，而不是只交付界面

这也是为什么这期内容虽然横跨 thread、文章、视频、PDF、book，看起来很散，底下其实是一条线：

  • Julien Bek 和 Qasar Younis 在讲，AI 正在从软件工具走向结果交付，甚至走进物理世界
  • Paul Graham 在讲，当差异被技术抹平，品牌会吃掉质量讨论
  • Tim Ferriss 在讲，当优化变成一种身份，人会越来越难回到真实生活
  • Stewart Brand 在讲，真正重要的不是发明一个更炫的未来，而是有没有能力把系统维护好
  • Anthropic 的报告则提醒，AI 对就业的影响现在还远没到“结论已定”的阶段，别把趋势说得太满

如果压成一句话：AI 会越来越擅长做事，但人仍然要负责判断什么事值得做、什么结果值得追。

深读

1）Services: The New Software

Julien Bek 这条 thread 最值钱的地方，不是“AI 很强”，而是把竞争单位讲清楚了。

以前很多 AI 产品卖的是工具：写得更快、做得更省力、界面更顺手。但如果模型继续进步，这类产品很容易被模型本身吞掉。真正更稳的做法，是直接卖“完成的工作”。不是卖会计软件，而是把账关完；不是卖法务工具，而是把 NDA 起草好；不是卖 support software，而是把 support 结果交付掉。

他把这个变化讲成 copilot 和 autopilot 的区别：

  • copilot 卖工具，专业人士仍然是主操作手
  • autopilot 卖结果，客户直接购买完成后的工作

这背后最关键的一句其实是：if you sell the work, every improvement in the model makes your service faster, cheaper, and harder to compete with.

对我们更有用的判断是：以后看 AI 项目，不要先问功能，而要先问它要吃哪一笔预算——tool budget，还是 labor budget。

2）Qasar Younis：AI 的下一波不只在软件里

按这期节目简介和章节，这期 Lenny's Podcast 的核心判断很明确：下一波真正大的 AI 应用，不只发生在软件里，而会发生在 mining、farming、construction、trucking 这些物理世界场景。

这个补上了 Julien Bek 那条 thread 的另一半。前者讲的是商业形态从工具走向结果，Qasar 讲的是结果会落到哪些地方：不是只有写代码、写文档、做客服，还包括车、工地、农机、供应链、运输这类系统。

这类场景为什么值得重视？因为它们一旦跑通，不只是省一个人的时间，而是会改写整个流程的成本结构。软件层面大家容易高估 demo，低估 integration；物理世界则反过来，更难做，但一旦做成，护城河也更深。

3）The Brand Age

Paul Graham 这篇写得很狠。表面上在讲瑞士手表，实质上在讲一件今天到处都在发生的事：当真正的产品差异被技术压小，品牌就会膨胀。

过去高端机械表贵，是因为它们真的更难造、更准、更薄。石英革命之后，“看时间很准”这件事变成了廉价能力，于是老牌表厂不得不把自己从工程公司改造成品牌公司。结果是：卖点从性能变成身份，从 design 变成 recognizable，从 whisper 变成 shout。

这篇最锋利的地方，是他点破了品牌和好设计之间的冲突：

  • 品牌需要区别
  • 好设计往往会收敛到更合理的答案

所以很多时候，branding 不是和好设计无关，而是直接和它对着来。

把这层放回 AI 和软件，就很现实了：模型能力逐渐拉平后，未来很多产品的竞争会越来越像品牌、distribution、workflow lock-in、data loop 的竞争。也因此，你更需要防止自己把“更会卖”误当成“真的更好”。

4）The Self-Help Trap

Tim Ferriss 这篇的重点，不是“自我提升都是假的”，而是：优化很容易变成一种绕路的生活方式。

如果一个系统要求你持续检查自己哪里不够好、还要怎么修、还需要哪套方法，那你会慢慢把“不断修自己”误认成“我在前进”。但真实生活不是一套 endlessly tuning 的系统。你需要关系、现场、行动，需要进入那些不能被完全优化的部分。

这篇放在本期里很有意思，因为它刚好对冲了另一种常见误区：看到 AI 这么强，就下意识把自己的答案也收缩成“更努力、更自律、更会用工具”。Ferriss 的提醒是，别把所有问题都收束成自我优化问题。很多时候，你真正需要的是回到更真实的人和生活里。

5）Stewart Brand：维护本身就是一种创造

Guardian 这篇最有价值的不是人物八卦，而是 Stewart Brand 那种很少见的视角：技术、环境、制度、制造并不天然对立，问题在于你有没有能力去维护它们。

Brand 把 maintenance 拉到了中心。这个词听起来不性感，但它恰好能纠正现在很多 AI 讨论里的一个偏差：大家总在谈 leap，却很少谈 upkeep；总在谈 new，却很少谈 what keeps the system working。

这对 builder 很重要。很多东西不是赢在 first demo，而是赢在长期维护、集成、修复、组织配套、边缘情况处理。维护不是低一级的工作，很多时候它才是真正让系统产生长期价值的那一层。

6）Labor Market Impacts of AI

Anthropic 这篇报告的价值在于克制。

它没有把“AI 会替代哪些工作”说成一个已经发生完的故事，而是先区分：

  • 理论上 AI 能做什么
  • 实际上 AI 现在正在做什么

他们提出的 observed exposure，核心就是用真实使用数据去看“哪些任务已经在工作场景里被自动化或半自动化覆盖”。按他们现在的数据，高暴露职业和未来增长预期较弱相关，年轻人进入高暴露岗位的 hiring rate 也有些放缓，但失业率层面还没有看到清晰冲击。

这类结论不刺激，但重要。因为它提醒你：AI 对劳动力市场的影响大概率不是一夜之间出现，而是先体现在 hiring、任务结构、岗位边界，再慢慢传导到就业本身。

补充

On the Art of Reading

这本书虽然这次没有拿到完整正文，但放在这期里很合适。前面几条都在讲结果、品牌、判断、维护，它在最后补了一层更老但也更硬的东西：阅读不是信息输入，而是训练 taste。

这也解释了为什么在一个越来越自动化的世界里，old books 反而会重新变值钱。它们不一定给你最新信息，但会给你更稳的判断标准。

原始链接