90%的人正在被AI降智，那剩下的10%，凭什么拉开了差距？

01

过去，我们谈论贫富差距，谈的是金钱、土地跟资本。

今天，一种全新的、隐秘的差距正在浮出水面，它没有写在银行余额里，却决定了我们未来的生态位。

这个指标，就是“调用AI的能力”

它不是说你有多少AI账号，而是说你有没有能力去调动AI深层的、高能耗的推理链条，去提出跟解决绝大多数人既问不出、也解决不了的问题。

就像昨天的单仁行，我们基于自己长时间的AI交互，跟研发AI应用的经验，提出了“平庸正在被AI自动化”的观点。

今天90%的人其实在把AI当百度搜索用，根本没有发挥出AI哪怕10%的价值，只是获得了一个通用的、平庸的答案而已。

那不是人用AI，而是被AI给反向喂养，变得越来越平庸。

有的人不相信，有的人质疑，有的人不屑，甚至都懒得把内容复制下来问问AI，我们今天也拿去问了一下主流AI大模型，大家可以看一下AI的判断。

AI甚至都在反向学习我们的观点，开始把我们的观点模型化、层级化。

当然，还有一些企业家直接跟我发微信说“看完惊出一身汗，自己以为用上AI，就拥抱了第五次工业革命，没想到AI还会看人下菜。”

这让我想到了一个有趣的事。

各位知道工业时代中，对企业运营管理最重要的发明之一是什么吗？

叫做泰勒科学管理，也就是1911年出版的《科学管理原理》。

随后，1913年，福特把这套原理跟自己的创新相结合，创立了世界上第一条汽车生产流水线，它把复杂的造车工艺，拆成一个个不用动脑子的标准动作，获得了极大的效率提升。

今天我们回过头来看，很多企业拥抱AI的姿势，是不是也像是“数字化的泰勒制”？

把AI当成了那个执行流水线动作的廉价甚至免费外包，用来写写周报、总结会议、做一点基础的数据收集分析？

这跟100多年前的福特有什么区别吗？

当任何人都可以用极低的成本，通过单向的AI提问，获取及格线以上的标准答案的时候，这种标准化的效率就不会产生任何商业溢价，这也就意味着企业价值会被迅速稀释。

只有“人无我有，人有我优”才有价值可言。

所以，我们尽可能毫无保留地把一些AI交互的实操指南分享给大家，起码真正去运用的时候，别把AI只当成一个高级点的搜索引擎。

02

首先，最基础也是前提条件，那就是不要用免费AI

再说一遍，不要使用跟依赖任何“免费AI”。

免费AI跟付费AI之间，隔着的不是功能多少，而是智力层级的鸿沟。

没有企业是来做慈善的，何况大模型的算力成本高得吓人，人家花成百上千亿的东西就为了给所有人免费用吗？

今天所有的大模型厂商虽然都有免费版本的AI，但那只是吸引用户免费体验，特别是中国用户本身就没有太好的付费订阅习惯。

实际上，为了平衡算力成本，他们都会对免费用户采取减配策略，甚至绝大多数免费AI只能处理“1+1”这样的线性逻辑，依赖过时的通用知识库，不具备超长上下文的记忆跟理解能力，自然就会回答通用的、平庸的答案，更不可能支持长期的训练跟交互。

特别是企业需要使用AI去推理跟回答复杂的商业问题的时候，只有付费AI的算力通道，才能支撑起这种庞大的计算负荷，用免费的浅层算力去思考企业复杂的问题，那是对AI认知深度的极大浪费，也是对自己的一种不负责。

03

第二点是尽可能构建一个结构化语境，最好是把你私有的逻辑跟知识先告诉AI。

我们可以去问一问团队怎么跟AI交互的？

是不是一上来就问“我的某某品牌销量下滑了，帮我写个提升销量的营销方案？”、“帮我写个吸引人的短视频脚本”？

这种交互就属于零上下文的无根之水，AI产出的极大概率是毫无差异化的万能通用回答，反正放谁身上都看得过去。

经典战略管理里的“资源基础观”告诉我们，企业的护城河是那些不可替代的稀缺资源，过去，这可能是渠道、专利或者一套严密的SOP。

但在AI时代，这就是我们在行业里交了无数真金白银换来的“私有内容跟逻辑”。

就像在我们的文思子牙专业营销AI系统里，我们单独设置了一个企业私有的知识库，要求企业使用之前一定要把过去沉淀下来的企业背景、行业资料、客户案例、产品手册、卖点各种数据跟内容放到知识库里。

这就是用背景约束跟逻辑框架给AI去定基调，让它规范在一个结构化语境当中，让它去深度学习跟理解企业独有的业务逻辑，从而确保回答的独特性跟唯一性。

所以，我们不要把AI当百度一样，一上来就搞成关键词提问，得先给AI定调子，用[身份设定] + [私有逻辑跟数据] + [反常识约束]这样的方式来提问。

如果不给身份背景跟私有逻辑数据，大模型就会默认走概率最高、最宽阔的主干道，给你通用的回答。

反常识约束就是类似于加上一句“如果我给的数据不够你做深度推演，直接问我要，严禁使用常识性套话敷衍。”

这些就相当于把AI从低功耗的应答模式，硬生生拽进需要复杂逻辑推理的高阶网络里，从而提高推理的准确性跟深度。

第三点就是从“单环纠错”到“双环学习”的逻辑审计。

很多人一拿到AI给的回答，看一眼觉得“诶，还不错”，自己稍微改改就交差了，如果觉得不行，大不了重开一个对话，换个AI重新生成，反正是问完就走，没有后续对话。

这就是典型的"搜索行为"，把AI当搜索引擎用了，这本质上是在逃避深度思考，忽略了AI是可以多轮对话、可以深度思考、可以迭代的。

组织行为学里有个概念，发现错误、修改错别字，这叫“单环学习”，治标不治本。

真正的跃迁需要“双环学习”，你得去交流，去质疑原本的假设跟最初的变量。

在人机交互中，我们更需要把自己变成一个类似于审计的角色。

你得学会挑刺，特别是针对AI的首次回答，不要觉得不满意就重新生成，或者是重新开一个对话，而是要指出AI回答的不足之处，给出你的理解。

然后，要求AI调动自己的知识库跟你的理解以及私有逻辑跟内容进行碰撞，再次给出回答，如果不满意就再次修正跟补足提问的相关背景、框架、输出标准。

这个过程其实就是在训练AI，特别是今天主流的大模型都具备了根据任务难度动态分配算力的能力。

那么，在不断的校准中，AI会在上下文中调高用户的权重，不会立刻输出通用答案，而是会在后台自己先推演几步，判断对错，然后再把最终结果给你检查。

这中间其实就会消耗更多的GPU算力，优化了推理路径。

第四点就是要打破命令分配的提问模式。

传统的企业管理是自上而下的管控指令模式，我提需求，你来干。

但这种关系带到AI里就废了，AI就只会顺着你的思路唱赞歌。

真正有用、高效的人机协作，既不是无脑相信AI的回答，也不是只让AI干活。

而是一种允许破坏性重构的“进化共生”，我们得让AI反向挑战自己的固有认知。

在基于当前达成的共识后，让AI来反向推演，它就会触发模型的思维链机制，从多个角度来审视自己的答案，在后台进行多步的逻辑推演和自我博弈，从而输出一个经过深度思考的回答，同时也给我们带来启发。

这就相当于我们在用自己的思考，去驱动算力探索认知的盲区。

所以，这些方式都可以慢慢去训练跟适应，但现在至少要保证“三不原则”：

不问孤立问题：提问必须带入变量，设定框架、场景。

不接受初次交付：拿到初次回答后，必须附带至少一次的深度追问。

不忽略上下文：建立长效的对话，让AI沉淀记忆，持续学习。

04

在AI领域，有一个词叫GIGO，意思是“垃圾进，垃圾出”，你给的是垃圾，那么，AI产出的一定会是垃圾。

我们需要GIGO跨越到EICO，也就是进化进，共识出。

我们投入自己独有的知识、资料、批判性思维跟行业经验，AI输出的，就是经过千亿、万亿参数碰撞后，跟我们深度同频，甚至远超我们个人视野的洞见。

久而久之，我们的AI不再是一个通用的工具，而是变成了我们的“数字分身”，这就意味着，我们拥有了一个24小时不知疲倦、掌握全球知识库，拥有最新动态数据，而且能够完全理解我们战略意图的顶级智库。

这种长期训练跟交互积累形成的“算力复利”，就是我们未来从企业到个人的护城河。

所以说，平庸的勤奋，在AI面前等同于自杀，只有逻辑的进化，才是生路。

你喂给AI什么样的灵魂，这个时代，就会还你一个什么样的世界。

责任编辑|罗英凡

图片均来源于网络

本文不构成任何投资建议，股市有风险，投资需谨慎

■ 免责声明

本文涉及有关上市公司的内容，为作者依据上市公司根据其法定义务公开披露的信息（包括但不限于临时公告、定期报告和官方互动平台等）作出的个人分析与判断；文中的信息或意见不构成任何投资或其他商业建议，市值观察不对因采纳本文而产生的任何行动承担任何责任。