Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
今年以来的话我发现
我跟Cursor工作的时间
远远超过我跟其他的软件系统
或者人在一起工作的时间
因为软件必须有确定性
每个SaaS为了标准化
把自己的性能做出来的局限
我们这些Ops因为大量的工作
已经外包给了自动化的软件系统
所以我们不得不制造很多
Fake work来充实我们的工作量
于是大量的Fake work产生了
大量的会议产生了
那你一直站在这种信息的前沿
那你可不可以跟大家分享一下
这一年意识到的一些比较重要的事情
你希望大家Pay more attention to
以前的话可能工作需要一个很大的团队
作为投资人
我们需要去和很多Analysts
和我们一起工作
但是这一年以来的话
我发现大量的这种Busy work
都已经就被AI取代了
作为一个投资人
我们的工作就是主动的
摄取大量的公开的
或者非公开的信息
把这个信息吸纳进来
然后去形成某种框架
然后去形成某种Thesis
做出一些自以为
基于低性思考做出的决策
对我们来说的话
重要的就是我们能收集到多少
unique的别人没有的信息
然后我们这些信息能有多高的决策质量
今年以来的话
我发现我跟Cursor工作的时间
远远超过我跟其他的软件系统
或者人在一起工作的时间
我用Cursor的方式
也从这个东西帮我写code很好
变成了说Cursor变成了我的外脑
Cursor变成一个信息的knowledge base
我所有吸纳到的信息
我都会直接就把它保存到
我自己本地的一个信息的vault里面去
所有的会议所有的人
所有的organization
就是传统的CRM
是一个很复杂的数据库系统
但是这种东西现在看起来
都没有什么用了
我现在完全的构建了
一个agent base的这么一个外脑
我的思维我的信息
在这个外脑里不断的沉淀
在这个过程里面的话
我发现说个人正在逐渐的变成
以前想都不敢想的超级个体
我不再需要一个团队了
我自己和我的Cursor
就是一个很大的团队
我相信不止我一个人是这么用的
有很多人在这么使用这样的软件系统
AI作为一种工具的话
跟之前指代的工具最大的区别就是
它是一个极度灵活
然后非常robust的一个interface
传统的软件
因为软件必须有确定性
当你基于确定性
去构建一个软件系统的时候
就是用AI来做对比的话
要做一个非常蠢的AI
一旦一件事情被你压缩成了一个
极度consistent
极度确定性
能让每个人在每个时候
换成各种各样的context
都能有效的使用的这个软件的时候
你也被他的opinion局限在了
他的口径和使用的范式里头
虽然软件能不能干
我现在干的很多事情都可以干
但是你的过程就会变成
click click click
就是不停的点
点很多东西
你会发现你的工作理由是
围绕着它底层的几个数据库的设计来的
我绕不开它的数据库
我变成它数据库的奴隶
所以为了获得这种PLG的广域的适应性
牺牲了大量的灵活度
和牺牲了大量的能力
这个过程里边就会变成说
到底是我在使用这个软件
还是软件在规划我
我大量的在这个工作里边
付出的时间是更本质性的工作
比如说我用cursor这个过程
我知道说这15秒的时间
我在捕获这个信息
可能捕获的动作来自于说
我把一个长篇的文章
或者我的一个会议记录
扔进cursor说
把这个东西给我整理成CRM的一个item
cursor会按照我自己提前写好的prompt
去寻找到这整个会议记录里边
提到的所有的公司所有的基金所有的人
然后去在所有的这些record里面做update
我知道这个过程15秒
这个对我来说是一个捕获的过程
但这事如果在CRM里干的话
我要服务CRM
我要手动的或者半自动的去寻找到
这些重要的record
我要点点点点点去把这个东西都升级一遍
所以其实是那个database
再用他的需求
把我当成一个人肉agent来为他服务
也就为什么很有可能
就是一个工作随着人数
他反而创造了指数性多的工作
对你说到的这个指数性多的工作
是一个非常重要的点
就是工作的组织正在变化
我们看到的一个趋势是说
工作和人和工具的组织形式
是按照这个软件被软件塑造的
然后一代一代变化的
那如果我们去想说软件1.0的时代
公司的组织是什么样的
就是公司有这个公司的最高层的管理层
就是我们所谓说的这个CEO
这个层级的人要制定这个公司的strategy
就是公司的策略和大的企业的方向
这个公司会有很多中层
就是经理们总监们
经理和总监会决定公司执行的流程
然后下面会有大量的执行者
就是所谓的IC运营和工程师开发
这些人是在按照最顶层设计的策略
和中层设计的流程里面
做具体的任务的执行
做这个具体任务执行的话你需要软件
这个软件在1.0的时代
是公司内部的IT部门在做的
大家在用Windows很多软件都是定制化的
这是最早最早的软件
到了2.0的时代
公司企业组织形式变成了说
公司内部的IT department被剥离出来
被外包变成了市面上无数的SaaS公司
这个IT部门消失了被犯了
解放到了社会上的很多公司
这些公司把这些IT部门需要构建的特化的应用软件
变成了Product-led Girls的这种
标准化的云端的服务化的软件
这些软件通常销售给企业的时候
都是按照座位做订阅的对吧
整个IT department的原来是内化的公司里面
现在整个被外包出来
企业里面的执行层
他们的工作的内容变成了每个具体的运营
需要对接几十个外部的SaaS的Lego piece
每个公司的IT部门不再构建这个piece
而是说我去市面上去采购10个Lego拼图
把它拼成一个东西给我的运营用
运营的技能变成了说
我熟练掌握外边的这20个SaaS模块
但是因为我们刚才聊到的
每个SaaS为了标准化
为了和别的Lego能拼在一起
把自己的性能做出来的曲线
这里面创造出了大量的没有意义的basic work
同时因为大量的本质的工作和生产行为
已经被那些SaaS里面自动化了
所以企业内部这一层运营
再变成一个胶水层
我们如果用human loop AI的方式来理解的话
它们就是human loop
所以胶水层做大量的只有人能做的判断
而这个判断的难度其实不高
就是大量的认知
或者类似于标注性质的判断
我们可以假装说我们在做很多很有意义的工作
但是作为企业的执行层
我们知道大量的工作
我们在反重的把软件系统A里面的东西
弄到软件系统B
这个是一个很典型的用notion的体验
很多时候我用notion砸进去的时间
是在用notion
整理和归纳和管理这些软件系统的工作
这都是假的工作
我们这些ops因为大量的工作
已经外包给了自动化的软件系统
所以我们不得不制造很多fake work
来充实我们的工作量
毕竟我们每周要来上这么多小时的班
于是大量的fake work产生了
大量的会议产生了
大量的跨部门的coordination
大量的meeting notes
namo
spec产生了
甚至我们之前说的很多DI work
在这个过程里面
形成了这么一个人肉的阶层
科技公司Software E的world
我们创造了大量的工作的内容
但是这个内容已经被自动化的情况下
这些运营在浪费大量的时间
在做假的工作
那我们快进到3.0
AI系统正在替换掉很多这种
白领的假的工作
所谓的文书的工作
就是律师起草一个公文的工作
这种类标注的
类似创造
但其实是在按照一个template
用人类的认知能力
做一个灵活的template creation的
这种类型工作被AI替换掉了
于是我们看到大量的这种潜在的运营
潜在的开发的工作机会丧失
大量的这种工作机会
其实是被下一代的AI native的
企业服务公司也好
Pursumer工具也好
替换掉了
你刚刚说的还是一个
正在小范围发生的事
对
但是这个事情一定会发生
肯定的
这里面的话
我们看到很多大厂的裁员
这个裁员的本质上
内部的对话是
高层会问中层
你是要high count还是要算力
中层会告诉高层说
我不需要更多high count
你给我更多的软件credit
你给我更多的GPU
我可以干更大的事情
于是底层的执行层的工作机会
就开始被削减
我们看到大量的公司
开始今年不停的裁员
软件工程师的工作
在大量的消失
以前所谓的
最稳定的白领工作
做市场的
做销售的
在大量的被AI agent替换掉
这是我们看到一个小范围
正在发生
但是很快会快速加速的
这么一个过程
这时候我们归纳一下
这些没意义的工作
是从哪来的
这些没意义的工作
很多时候是来自于
整体智能的缺陷
整体智能是
我们拿这个
我们用Cursor起来码
这个事情来做个例子
我们会发现一个简单的任务
你告诉他说
你给我写这么一个function
以Cursor背后的这些模型智能
他直接就给你写出来了
我们同时也发现说
当我们的系统
复杂度增加的时候
我们需要有一个Master plan
需要先写一个Spec
很多todo
然后agent再执行
这个Master plan之所以需要存在
就是因为这个任务的复杂度
超过了模型简单的智能
我们可以想象一个
更强很多的智能
不需要这个Spec
这个事是可以一层一层排分的
对吧
这里边观察到的
一个结构化的变化
就是说当任务复杂度上升的时候
你的coordination
就是你的协同就会增加
你就会需要拆解
会需要一个所谓的这种官僚机构
或者说一个信息组织税
你要交这个税
把这个计划写出来
把这个Spec描绘出来
然后增加很多不同智能之间的协同
他们的alignment会议
就是agent自己在开会的
对吧
你的所有的MCP靠
你agent自己的intersection
你的思维链都是在开会
无非是我们把这个开会的事情
自动化给了agent
这些组织
这些信息的官僚化的
这些所谓的fake work
是用来去弥补说
我们本质上信息整理
和处理信息的能力的不足
我们几千年人类
制造出一个官僚系统
我们制造出了CRM这样的东西
CRM之所以存在
不就是我们脑子里记不住两千个人
人类就能记住200个人
如果有一万个人的话
我就需要CRM
所以大量的fake work
是因为能力的不足产生的
现在我们有一个无限的
便宜的信息整理能力出现了
大量的这种官僚工作就不需要了
agent就把它搞定
回到我们刚才就是我说了
非常长的一个build up的这面
一个ceases
我们的content bad
是这事一定会发生
大量的执行层的工作会消失
并且这些执行层的工作
会被转化到AI的公司里面去
变成AI能力的一部分
而在接下来十年的时间里面
AI的能力是不足以说做完整的交付的
即使说很多AI公司
正在从按使用量收钱
变成按结果收钱
当我们尝试覆盖一整个真实的
企业流传的时候
多数的AI公司还是human loop的
十年很长的
但是技术的破散也是很慢的
我们现在想想说十年很长
但是AI元年到现在也已经三年了
除了我们在的旧金山bubble之外的话
AI渗透率到底有多少其实很难讲
我们在我们的bubble里面
绝对是出飞猛进
但是这个普惠的过程要很久
所以说我会想一个十年的尺度
在这个十年的尺度里面
原来的执行层会消失
但是我相信说在原来执行层里面
会有很多有行业背景知识的超级个体
会被吸纳到这个外部供应商里面去
就像以前的IT系统里边的
最精英的那些人
会变成SaaS软件的创业者
原来这些在公司执行层的超级个体
会变成新的AI native的
软件公司的创业者
或者这里边的超级员工
然后极少量的这种人
就可以支撑整个行业
我们想想原来某一个
比如医疗行业里边
每个公司会雇几十个这样的运营
这几十个运营会对接
几百个几十个的SaaS软件
那这整个行业里就会有几万的这种人
但是当这几万的这种运营
迁移到这些AI native公司里边
他们这几个人就可以支持
几十个几百个几万个公司
所以说这个人数会被极度缩减
但是AI仍然我猜在短时间内
是没法完全替代掉这些人的判断力
人对行业的认知的
所以这些人的能力会提升
和AI有一个深度的整合
然后这些AI超级个体
会淘汰掉自己现在所有的同事
我们的一个bad
就是我们会寻找说
能够成为这种超级vertical服务公司的AI公司
然后去完成这个事情
extrapolate一下这个AI的能力
就发现很多人是可以被替换掉的
但我觉得也不是每个行业的替换难度都一样
哪怕他理论上很应该被替代
但是他可能因为一些别的原因
导致他比较难以被替代
对就是工作内容的被替换的方式会很多
我们现在已经看到了一些
比如说有一些公司会发现在他执行层
有一些非AI
还有好奇心动手能力很强的人
他会变成公司内部的prompt master
他会去理解我们的流程
然后去想很多用通用工具做出来的prompt
可以给公司提效
其实就是这种转化的一个早期的端倪
然后也有一些人的话会直接离职开始创业
创业的时候的话
我们前几年聊了很多
就是说你的AI talker
你的prompt公众师
或者就是Asian的创业
那些公司里边他去特化的东西
也都是围绕着说
OpenAI或者其他大模型的API层
上面嵌套一层
基于我对domain的了解
基于我要服务的业务流
抽象出来的一个AI的思维链
或者AI的prompt
那这些prompt的思维链是谁写的
Founder和Founder找到的行业专家
去跟公司一起构建的
那这种转化的另外一个性质
出现在说什么
就是我们的reinforcement learning
那这个大模型公司
会找各种各样的行业专家
让这些行业专家去做
这种reinforcement learning的数据标注
那我们也见到了各种数据标注公司
会雇佣PhD们
超级工程师们
去做了一个code题
可能coding agent是一个最典型的落地
很多这样的工作
很多之前的业务流程
正在以一种prompt
或者伪装成channel sought
或者workflow的这种定义的方式
再从人的知识和认知
逐渐的转化成数据
这些数据会被这些软件系统
会被新的AI吸纳
所以这个过程已经在发生了
我们看到有非常多的一个人的团队
三五个人的团队
正在可以做出非常大的事情
做公司的方式
做事情的方式
才有一个非常大的革新
在这个时代真正确定性的机会
就是使用AI去寻找到
怎么能和AI结合变成一个超级个体
做一个小的团队的专业也好
在自己现在的岗位上变成future proof的
个体的过程也好
使用大量的使用
估计成本的使用
都是现在唯一确定性的应该做的事