灯下白-走进 AI 圈的真实对话

Podcast

灯下白-走进 AI 圈的真实对话

主播 未知 出品 Rosia吴熳 2,067 订阅 59 集 1周前更新

在小宇宙收听
59. 李术其:AI工具怎么薅羊毛?免费额度、Token和批量试错背后的生产力

59. 李术其:AI工具怎么薅羊毛?免费额度、Token和批量试错背后的生产力

灯下白-走进 AI 圈的真实对话

《灯下白》EP59 李术其 🎙️嘉宾|李术其 猫工头,本名李术其,人力资源行业从业者,主导研发「杰伴」AI 人力资源与智能办公平台,中国人力资源协会创新创业大赛二等奖;同期主导「芯火」计划,获绍兴市人力资源服务业创业创新大赛创业组一等奖。获字节跳动豆包应用创作大赛铜奖、腾讯混元大模型攻防三等奖,具备企业级 AI 安全与落地调优经验。第二届 CCF 算法大会作主题报告,担任宁波人才发展集团「青年午校」AI 常驻讲师,并将 AI 智能体与知识库方案落地于多个政企单位、大型国企及职业院校。在 AIGC 视觉与传播领域,曾获深圳市人才服务中心全民创作大赛一等奖、阿里万相模型心跳大赛二等奖,作品入选北京 2025 AI 视听创作嘉年华展播。 上一期《灯下白》,我们聊了一个完全不会写代码的人,如何借助AI给几百人的人力资源公司搭业务系统。这一期继续聊猫工头身上另一项已经被朋友们反复催更的能力:薅AI羊毛。 但李术其所谓的“薅羊毛”,核心并不是单纯追求免费。他真正想解决的是一个生产问题:如果自己使用AI的方法就是大量试错,那么怎样把每一次试错的成本尽可能压低,让模型可以放开手脚去跑? 因此,他会主动寻找各家AI产品公开提供的免费额度、试用活动和低成本方案,也会让多个AI同时搜索不同信源,比较不同平台的价格和能力。什么时候坚持免费,什么时候应该付费,什么工具值得长期买会员,他也有一套自己的判断标准。 聊到后半段,你会发现他真正想“薅”的,其实不只是Token。 他连AI的记忆、上下文和工作过程,都想一起榨出来。 主持人:吴熳(微信rosiawu,欢迎添加加听友群) 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 如果经常和猫工头在同一个群里,你很容易产生一种错觉,他好像拥有用不完的AI额度。别人做一张图会认真改提示词,他习惯先让AI出一批再说;别人拿到一个方案会慢慢琢磨,他更愿意让几个Agent分别跑一遍;别人担心某一次生成失败浪费Token,他的态度通常是继续跑,因为错误本身也能帮他确认下一步应该往哪里走。 于是问题来了,这么用AI,到底得花多少钱? 答案就是他为什么会如此执着于“薅羊毛”。 李术其真正开始大量使用AIGC是在2025年初。当时他的主要工作仍然和新媒体、营销相关,需要给自己公司以及制造业、服务业客户持续生产小红书、抖音、快手和公众号内容。传统拍摄需要摄影、场地、人员和时间,一天下来能够产出的素材有限,AI图片和视频很快就进入了他的真实交付流程。 也就是从那时候开始,他发现很多AI产品在早期都会提供相当可观的体验额度,有些按天送,有些按月送,有些工作流本身几乎没有额外成本,还有些产品会通过活动提供免费试用。对一个每天需要大量图片和视频的人来说,这些额度很快就从“福利”变成了真正的生产资料。 所以李术其会主动研究这些东西。一个原本长期免费的产品开始收费,他第一反应通常是先看看有没有其他方案能够继续完成同样的任务。如果有,就先换。如果确实找不到足够稳定的替代品,而且这个工具又能明显提高产出,他也会付费。 这也是这一期非常重要的一点。李术其并不排斥花钱,他甚至买过价格并不低的年度会员。真正决定他是否付费的,是这个工具能不能进入真实生产,以及单位产出成本到底划不划算。 如果一个团队每天只生成几张图片,一个几千元的会员可能很贵。可如果每天需要几百张甚至上千张图片,按照官方API单次调用成本去算,年度会员反而可能非常便宜。视频也是同样的逻辑。只要它能够稳定支撑交付,贵和便宜就必须放在使用量里重新计算。 所以猫工头真正追求的,是把每一次试错的边际成本尽可能压低。 这和他使用AI的方法直接相关。 很多人会先规划,希望第一次提示就尽可能接近正确答案。李术其很少这样。他会让AI先出一批结果,然后自己从结果里挑。图片没有想象中的效果,就换风格继续出。方案不确定,就同时交给几个Agent。一个AI给出的答案不放心,就让另外几个再查一遍。模型之间出现分歧时,再把几个结果重新放到一起比较。 他自己说得很直接,他愿意让AI“错一百次”。 只要错误的成本足够低,他就愿意用数量换概率。 这也是为什么吴熳听完以后,把这套方法概括成“暴力美学”,李术其自己的总结则更加简单:“大力出奇迹。” 这句话听起来像开玩笑,背后其实是一套很完整的生产逻辑。李术其清楚自己不一定比模型聪明,所以他希望把人的体力消耗降到最低,把大量枚举、试错、搜索和生成交给AI。人负责提出目标,判断结果,再决定下一步。 在他的理想状态里,人消耗一分体力,AI消耗九十九分。 而要维持这种工作方式,就必须拥有大量可以放心消耗的算力和Token。 所以当他突然需要一个成本很高的TTS服务时,他不会先打开十几个网站自己比。他会让多个AI去找,因为不同AI能够接触到的信息源不同。有的平台更擅长官方网页,有的平台覆盖社交内容更多,有的平台对海外信息更敏感,同一个需求交给多个AI之后,搜索半径会明显扩大。 他真正追求的是在尽可能低的新增加成本下完成任务。 这和上一期他反复强调的“我要结果”其实是一套方法。尽量不要替AI提前决定路径,而要把真实目标和真实约束说清楚。 除了AI搜索,他还有一个非常朴素的羊毛信息源,就是微信群。因为自己加入的群很多,他会直接在聊天记录里搜索“免费”“羊毛”之类的关键词。有人刚好分享了活动,就点进去看一下。对他来说,这个过程并没有想象中那么耗时,很多信息几分钟就可以判断值不值得继续研究。 当然,这一期也出现了另一种完全不同的做事逻辑。旁听的边牧(刘旭)会觉得寻找免费资源本身就有时间成本,既然官方API稳定可靠,直接花钱可能更节省时间。李术其接受这个逻辑,但他自己的使用方式决定了,他依然愿意花一两个小时找到一个可以稳定用几个月的低成本方案。 因为他每天消耗的量太大。 如果只是偶尔问几个问题,完全没有必要折腾这么多工具。可如果每天都在大量生成图片、视频、代码和文档,一个长期可用的免费额度,很快就会产生非常可观的价值。 所以“薅羊毛”其实和他的工作量绑定在一起。 更重要的是,这些资源又会反过来改变他的AI使用方式。因为知道试错成本很低,他会更愿意大胆尝试,也更愿意让AI先做,再判断。试错量增加以后,他又更容易发现真正有效的方法。 于是形成一个循环。 低成本带来更多试错,更多试错带来更多经验,经验又让他越来越知道什么任务应该交给AI。 如果这期只聊到这里,它大概就是一期关于AI工具成本管理的节目。 真正让我觉得有意思的内容,出现在后半段。 李术其开始展示自己给AI设计的一套“记忆系统”。 因为长期同时使用不同Agent以后,他越来越明显地遇到一个问题,模型可以很强,但上下文很容易断。 今天和一个Agent聊了两个小时,形成了很多判断。过几天换另一个Agent,它不知道前面发生过什么。某个非常关键的决定只存在于聊天窗口里,一旦对话变长或者项目切换,未来就很难重新找到。 于是李术其开始人为规定项目里的文件结构。 第一层是原始材料。图片、Word、资料以及所有投喂给AI的内容,都尽量保存下来,并转换成AI后续更容易持续读取的格式。 第二层是过程草稿。只要讨论内容达到一定长度,或者出现重要决策,就要落成文档,不能让它只停留在一次临时对话里。人的原话、提示词、AI给出的阶段性判断,也尽可能保留下来。 第三层是相对稳定的内容底稿。经过多轮讨论以后,某些结论逐渐确定,就进入更加稳定的版本。 第四层才是交付成果。只有真正确认可以使用、提交或者发布的内容,才进入最终交付区。 旧版本怎么办? 继续保留。 V1、V2、V3都可以存在,发生冲突时按照最新版本执行。因为对于未来重新进入这个项目的Agent来说,过去走错的路也可能帮助它理解为什么最后会选择现在的方案。 这样一来,哪怕下次更换模型、更换Agent,新的AI依然可以重新读取整个项目。它可以知道原始材料是什么,过去讨论过哪些方案,哪些判断后来被推翻,最后为什么形成今天的决定,以及当前真正有效的版本在哪里。 李术其把它理解成自己给AI做了一套“记忆Wiki”。 这也让这一期从“薅羊毛”突然走到了更有价值的一层。 最开始他薅的是图片额度和视频额度,后来开始研究Token、模型和会员,再往后,他连每一次跟AI讨论形成的上下文都不愿意浪费。 Token烧掉可以。 错误出现也可以。 模型以后不用了也可以。 可这些Token和错误帮助你形成的经验,最好留下来。 因为那才是真正属于自己的资产。 💡本期你会听到 这一期会从李术其最早做AIGC时的真实生产需求讲起。2025年初,他的团队需要大量生产企业营销内容,图片和视频模型很快从新鲜工具变成了交付工具。产量上来以后,额度和Token也开始变成真实成本,于是他逐渐形成了一个习惯,每次遇到新任务时,都先研究有没有低成本方案可以让自己把事情跑起来。 我们也会详细聊他为什么这么需要免费额度。原因和他的工作方式密切相关,他习惯让AI大量试错,很少要求每一轮生成都必须成功。图片可以先出二十张,技术方案可以让多个Agent同时跑,一个搜索结果不确定,就让不同AI继续交叉查证。当试错成本足够低时,他会更愿意扩大探索范围。 另一条很重要的线,是他如何判断什么时候应该付费。免费工具能够稳定完成任务,他就继续使用;免费方案已经影响生产效率,而且付费工具可以明确提升交付能力,他会直接购买。对高频团队来说,几千元的年度会员放进每天几百次调用里重新计算,可能反而非常划算。 这一期还会聊他的AI搜索和工具选型方法。他会让多个AI同时搜索同一个需求,因为不同产品能够覆盖不同信息源。找到候选方案以后,再让Agent去读取官网、比较套餐和单次成本。很多过去需要人工做几个小时的工具调研,现在已经可以由AI先完成第一轮筛选。 最后一部分会进入更高级的多Agent工作流。为了避免上下文随着模型切换而丢失,李术其给自己的项目建立了固定文件结构,把原始材料、过程讨论、重要决策、历史版本和最终成果分别保存。新的Agent进入以后,可以重新读取整个项目。对长期使用AI的人来说,这套“项目记忆”可能比免费Token本身更值得借鉴。 🔥本期金句 “我从来不怕它错,我就是让它错一百次。” “我的原动力来自于,我会给AI提各种无理的要求。” “我没钱,但我要用TTS,你帮我想办法。” “免费和无成本,对AI来说不是一件事。” “我只要无成本能用就行。” “我知道我的能力不一定有AI聪明,我只是比较会提要求。” “大力出奇迹。” “我愿意消耗一分体力,让AI消耗九十九分体力。” “很多人怕AI试错,是因为Token要花钱。当Token不花钱以后,就没有那么怕试错了。” “能不花钱解决问题,我就先不花钱。” “任何让我觉得不舒服的地方,我都会让AI帮我找解决方案。” “重要决策必须落文档。” “所有过程都留着。” “说白了,我自己给AI做了一套记忆系统。” ⏱Shownotes 01:28 左猫右狗集合。 这一期吴熳旁边坐着猫工头李术其和边牧刘旭,猫工头继续上一期的话题,从AI进入企业管理切换到了AIGC和大家一直想听的“薅羊毛”。 02:10 AIGC为什么会让李术其开始研究免费额度? 因为他的工作本来就需要大量生产小红书、抖音、快手和公众号内容。传统拍摄产能有限,AI图片和视频开始进入真实交付以后,模型额度也自然变成了成本问题。 03:49 原来薅羊毛几乎从他接触AIGC的第一天就开始了。 当时一些平台提供大量免费能力,他很快意识到,只要把不同产品的公开体验资源组合起来,就能支撑一部分真实业务。 06:21 为什么会准备多个账号和不同工具? 核心原因依然是交付量。当每天都需要大量图片和视频时,一个账号的免费额度很容易用完,多套公开资源组合起来以后才能满足持续生产。 09:13 AI干活的时候,人为什么还有时间水群? 李术其经常同时把多个任务交给不同Agent。只要模型还在跑,他暂时没有需要判断的反馈,这段时间就可以去处理其他事情。 11:06 不同工具为什么要互相接力? 因为任何一个产品的免费额度都可能有限。只要项目和资料保存在本地,不同Agent之间就可以继续处理同一个任务,工具切换的成本会下降。 12:29 羊毛资源到底从哪里找? 第一来源就是AI。只要遇到一个成本较高的新需求,李术其会让多个AI分别搜索国内外可用的低成本方案,再把结果放到一起比较。 14:19 为什么同一个问题要让几个AI同时搜? 因为不同产品能够覆盖的信息源并不完全相同。多个AI同时寻找,可以扩大搜索半径,也能降低单一答案遗漏重要信息的概率。 16:23 他为什么需要这么大的免费资源量? 因为他的AI工作方式本身就依赖大量试错。很多Token最后并不会形成交付成果,但这些尝试帮助他更快知道什么方向可行。 17:02 “我没钱,但我要TTS”为什么是一个值得记住的提示方式? 因为这句话只说明了目标和约束,没有提前替AI规定解法。AI可以在更大的范围里寻找实现路径。 18:34 多个编程Agent之间也可以接力。 只要项目保存在本机,一个Agent额度用完以后,可以由另一个继续处理,核心资产不会跟着工具一起丢失。 20:11 猫工头其实也真的会花钱。 某些工具在免费方案里已经没有足够稳定的替代品,而且确实能够提高生产效率,他就会购买年度会员。 21:41 到底什么时候值得付费? 判断标准非常实际,免费方案已经影响真实交付,而付费工具能够明显解决问题时,花钱就有意义。 22:20 图片生成领域为什么会买高档会员? 因为他的团队每天需要大量生产营销素材。调用量足够高以后,年度会员的单位成本会迅速降低。 24:36 为什么一上来先出二十张? 团队并不一定提前知道最好的画面长什么样,与其长时间空想,不如让AI先给出多个候选,再从真实结果里判断方向。 27:49 工具比价也可以交给AI。 先让AI搜索候选网站,再让Agent读取官方套餐和价格,最后整理成表格,人只负责做最终选型。 30:31 这套AI使用方式被吴熳总结为“暴力美学”。 李术其自己的总结更加朴素,就是“大力出奇迹”。 31:03 人和AI的体力应该怎样分配? 李术其希望自己只承担少量目标设定和判断,把绝大多数搜索、枚举、生成和试错交给机器。 32:17 免费资源真的完全没有时间成本吗? 这一段也出现了不同观点。有人更愿意直接购买稳定API,李术其则认为,只要花少量时间找到一个能稳定使用几个月的低成本方案,长期依然值得。 34:06 主动搜索和固定信息源都会用。 除了让AI搜索,他也会直接从大量微信群和聊天记录里搜“免费”“羊毛”等关键词,快速判断有没有值得尝试的新资源。 36:30 “能不花钱解决,就先不花钱。” 到这里,薅羊毛已经成为他解决问题时的一种默认习惯,先研究低成本路径,再决定是否付费。 37:18 一个AI给出的方案为什么还要再验证? 李术其经常让多个Agent分别执行,再把几个版本放到一起继续优化,让不同模型互相补充。 38:23 话题开始从羊毛进入AI记忆系统。 长期多Agent工作以后,他发现真正麻烦的是上下文断裂,于是开始给所有项目规定固定文件结构。 39:08 原始材料和过程草稿为什么必须分开? 原始资料负责保存事实来源,过程草稿负责记录讨论、探索和阶段性判断,未来的Agent才能重新理解项目是怎样一步一步走到现在的。 39:53 什么内容必须落文档? 长内容和重要决策都应该保存下来,不能只存在于临时聊天窗口。 40:23 为什么连原始提示词也要留? 因为提示词本身记录了人的真实意图。未来重新进入项目时,这些内容可以帮助新的Agent理解当时为什么会产生某个决定。 40:54 历史版本要不要删除? 李术其选择全部保留。V1、V2、V3都可以存在,执行时以最新版本为准,但过程本身仍然是项目记忆的一部分。 41:39 相当于自己给AI做了一套项目Wiki。 新Agent进入以后,可以重新读取资料、讨论、决策和版本变化,不需要每次从零开始。 42:11 最终成果和过程内容必须分开。 探索过程中产生的内容留在草稿区,相对确定的内容进入底稿,真正完成的成果再进入交付区。 43:27 一期关于“薅羊毛”的节目,最后聊成了高级AI工作流。 对刚开始使用AI的人来说,这一段可能有点超前,但对于长期多Agent协作的人来说,怎样保存上下文和项目资产,可能比再多一个免费工具更重要。 📖故事摘要 猫工头李术其为什么这么爱薅羊毛? 如果答案只是“舍不得花钱”,这一期根本撑不到四十多分钟。 真正的原因,是他的AI使用方式天然需要巨量资源。他喜欢先跑,喜欢大量生成,喜欢几个Agent一起干,也愿意让AI先犯错。所有这些方法都有一个共同前提,就是你得舍得烧Token。 当每一次失败都意味着真实成本时,人自然会变得谨慎,会努力让每一句提示词都尽可能准确,也会减少那些暂时看不到结果的探索。李术其想解决的,就是这种心理限制。 只要把边际试错成本压低,他就可以把更多体力工作交给机器。 所以“羊毛”在他的体系里其实是一种算力资源。免费额度能够满足需求,就先用免费额度;公开活动能支撑真实工作,就利用活动;如果已经找不到稳定替代方案,而且付费工具能够明确产生价值,那就购买。 这也是为什么一个天天寻找免费资源的人,同时又能毫不犹豫地买价格不低的会员。 他算的是产出。 一天几百张图片,一个月大量视频,几个Agent同时跑项目,如果工具真的能够支撑交付,那么会员费放进这种使用量里重新计算以后,可能非常便宜。 这一期真正值得带走的第二件事,是向AI描述需求的方式。 “帮我找一个免费的TTS”和“我没钱,但我要完成TTS”,听起来只差几个字,背后的思维却完全不同。前一句已经替AI决定了答案,后一句把真实目标和真实约束告诉AI,让模型自己扩大解题范围。 李术其始终强调结果,所以他愿意尽量把路径探索交给机器。 第三件事,也是这一期最值得留下来的部分,是AI时代真正不能浪费的东西,可能已经从Token逐渐变成了上下文。 Token可以再买。 额度可以再找。 模型可以换。 可一个项目里已经讨论十几个小时形成的判断,如果全部消失,重新来一遍的成本可能远远高于模型费用。 所以他开始保存原始材料、过程草稿、重要决策、历史版本和最终成果。错误版本也留着,因为这些东西共同构成了未来Agent理解项目的记忆。 从这个角度看,这一期其实讲了两种完全不同的“浪费”。 Token可以大胆消耗,因为它帮助你扩大试错空间。 上下文最好认真保存,因为那是每一次试错最后留下来的经验。 这可能才是猫工头整套“暴力美学”真正完整的版本。 💬听众互动 你每个月到底在AI工具上花多少钱?有没有哪一个工具你一直觉得会员很贵,可认真算一下自己的调用量和节省下来的工作时间以后,突然发现其实并不贵?反过来,又有没有哪个AI会员你每个月都在续费,实际上根本没怎么使用? 我还更想听大家回答另一个问题。 你和AI聊出来的那些重要结论,现在都放在哪里? 它们还停留在某一个已经很难找到的聊天窗口里,还是已经变成了自己的文档、知识库和项目资产? 当模型越来越频繁地更换,Agent也越来越多以后,也许真正长期属于我们的,是这些被完整保存下来的上下文。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

44 分钟 99+ 次播放 1周前

58. 李术其:不会代码,他用AI把招聘、销售、工伤信息都做成了业务看板自动系统

58. 李术其:不会代码,他用AI把招聘、销售、工伤信息都做成了业务看板自动系统

灯下白-走进 AI 圈的真实对话

《灯下白》EP58|李术其 🎙️嘉宾|李术其(猫工头) 主导研发「杰伴」AI 人力资源与智能办公平台,中国人力资源协会创新创业大赛二等奖;同期主导「芯火」计划,获绍兴市人力资源服务业创业创新大赛创业组一等奖。获字节跳动豆包应用创作大赛铜奖、腾讯混元大模型攻防三等奖,具备企业级 AI 安全与落地调优经验。第二届 CCF 算法大会作主题报告,担任宁波人才发展集团「青年午校」AI 常驻讲师,并将 AI 智能体与知识库方案落地于多个政企单位、大型国企及职业院校。在 AIGC 视觉与传播领域,曾获深圳市人才服务中心全民创作大赛一等奖、阿里万相模型心跳大赛二等奖,作品入选北京 2025 AI 视听创作嘉年华展播。 主持人:吴熳(微信rosiawu,欢迎添加加听友群) 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 猫工头这个名字,其实是吴熳给李术其取的。他的头像是一只猫坐在鱼塘旁边,配着一句“总有一天我要承包这片鱼塘”。吴熳越看越觉得,这只猫很像一个包工头,于是“猫工头”这个名字就这样留下来了。现在回头看,这个名字意外地准确,因为李术其使用AI的方式,真的很像一个站在工地现场不断催进度的包工头。 他不会写代码,前端不会,后端不会,数据库也不会,很多专业名词甚至都是AI后来告诉他的。可他特别会一件事,就是提要求,而且敢提非常过分的要求。 猫工头第一次真正把AI用于工作生产,大约是2025年初。此前他也用过GPT,但一直觉得写出来的东西不够好。后来模型能力明显提升,他开始真正用AI写公众号、小红书、短视频文案,又很快开始做图片和视频。这也是很多人进入AI的第一条路,因为AIGC反馈最快,也最容易让人感受到“机器真的能替我干活”。 但玩了几个月以后,猫工头突然觉得这条路太窄了。他本来就在做人力资源相关业务,而视频、图片、营销内容在整个母公司的业务里其实很小。公司真正大的业务,是招聘、外包、派遣、保险、财务、销售以及大量企业服务。如果AI这么强,为什么只让它帮自己做视频?为什么不能真的让它进入公司的主营业务? 于是,他开始第一次尝试自己做业务系统。 当时公司其实已经有传统IT部门,也做过数字化系统。猫工头每天自己在使用这些系统,因此很清楚哪些地方麻烦、哪些地方重复、哪些地方体验糟糕。过去他也只能抱怨,因为自己不会开发,很难真正拿出另外一个方案。AI出现以后,情况突然变了。他先给自己的部门做了一套小系统,用来处理绩效、财务和报销流程,东西真的跑起来以后,他直接拿给老板看。 过去是“我觉得这个系统应该这么做”,现在变成了“我已经做了一个,你看看这样行不行”。 这两句话的分量完全不同。 老板觉得有用,于是开始给他更多需求。招聘、销售、工伤、保险、财务、业务看板,越来越多东西被他一点一点搭起来。猫工头的核心方法也非常特别,因为人力资源行业本身特别强调结果交付。比如客户想招一个人,人力资源公司会持续推荐候选人,等到人真正入职并稳定工作以后,这项服务才算真正成立。所以他和AI沟通时,也沿用了同一个逻辑:我先把最终结果告诉你,至于中间走什么技术路径,你自己想办法。 他把这种方法叫作“破窗理论”。 他的理解很简单。如果最终想要100分,就别一开始只提60分的要求,因为人先把要求打一遍折,AI执行时再打一遍折,最后可能只剩40分。猫工头会反过来做,直接要求一万分。 比如一个网页响应很慢,懂技术的人可能觉得0.5秒已经非常快。猫工头会直接告诉AI,我要0.01毫秒。AI当然做不到,但它可能最后想尽办法做到0.1秒,这个结果依然远远超过原先预期。再比如做数据分析,正常人可能让AI帮忙想十个分析维度,猫工头会让它想一万个。AI最后只能想出一百多个,他再从里面挑,老板继续挑,真正有用的二十个就留下来。 这就是他的思路。先把天花板抬到一个看起来很夸张的位置,然后让AI自己撞上去,看它最后能做到哪里。 因为AI时代的试错成本实在太低了。 他甚至觉得,有时候人本身才是AI最大的阻力。当几个AI已经可以同时开始干活,一个人还在反复开会、讨论、犹豫到底该怎么做,真正堵住流程的可能已经变成了人。所以猫工头很少害怕AI犯错。他愿意先让AI干,让它先给出一百种错误,然后从错误里反推什么才是正确答案。 这种方法后来被他带进了真正的人力资源业务。 其中一个特别典型的案例,是公司的工伤和雇主责任险。公司一年缴纳的商业保险金额达到数千万元。过去大家知道一年交了多少钱,也知道保险公司赔了多少钱,可真正把数据全部拉到一起以后,猫工头突然看到了很多以前很难被直观看见的问题。 比如已经发生的理赔里,真正回到公司账上的钱有多少,还有多少资金仍然停留在理赔流程里。哪些分公司保费交得多、赔付少,哪些项目交了很少的钱,却发生了高额赔付,哪些合伙人在整个保险大盘里持续贡献利润,哪些项目已经明显进入风险区。 当这些数据真正被穿透以后,一个原本看起来只是“每年交保险”的财务动作,开始变成经营管理问题。老板可以拿着真实赔付数据跟保险公司重新谈价格,也可以看到大量仍在理赔流程中的资金对现金流产生了什么影响,甚至可以进一步精算到某个项目到底需要运营多久,才能把此前发生的高额赔付重新赚回来。 猫工头做这套东西的方式也很有意思,因为很多数据本来就在企业微信群里。一线客服每天工作,本来就需要在群里汇报。过去这些信息汇报完以后,还要另外找人统计、填Excel、上传系统。猫工头觉得这一层可以直接取消。 员工继续按照原来的方式在群里工作。AI定时把群里的内容提取出来,变成文档,再转换成结构化数据,写进数据库,最后形成看板。人完成工作以后,在群里发完,自己的任务就结束了,后面的统计交给AI。 如果一条记录写得乱七八糟,AI实在看不懂怎么办?猫工头专门建了一块区域,把所有AI无法判断的数据原样留下来,等待人工处理。更狠的是,这些错误记录还会保留。谁汇报不清楚,哪一次数字前后对不上,哪个客服说了一句话让AI无法理解,全都有记录。 他发现这样甚至解决了一个管理里的老难题,也就是怎么批评人。管理者直接在群里点名容易产生情绪,私下批评也会增加管理成本。现在异常数据自动显示,员工自己能看到,老板也能看到,没人需要专门骂他。猫工头说得很有他的风格:“谁给他上的榜?AI给他上的榜,他怪谁去?” 从这里开始,AI已经进入了公司的管理机制。 更夸张的是,这一整套系统基本都是猫工头自己搭的。老板提出自己想看到什么,猫工头就去找真正干活的一线人员,把他们每天的工作流程全部问清楚,全程录音,再把录音交给AI整理。需求来了,他先让AI想,方案不行就继续试。 他甚至坦率地说,自己现在有时候“懒得思考”。因为很多决策完全可以先让AI给一版,错了再改。他自己到今天仍然不会写一行代码,可前端、后端、数据库、并发测试、页面交互这些东西,已经真的被他做进了产品。 最终需要正式放进公司服务器时,再把系统交给专业IT做上线、调试、安全和复杂Bug处理。 过去是业务部门排队等IT开发。现在业务部门已经把能跑的产品做出来,再交给IT处理更专业的工程问题。双方的位置开始发生变化。 猫工头因此提出了一个非常刺耳的问题:当你的客户自己已经可以把一个“勉强能用”的产品开发出来,专业程序员的价值到底应该放在哪里? 这也是这期特别有意思的地方,因为我们没有停留在“AI会不会影响程序员”这种抽象讨论里。现实已经发生了:一个完全不会写代码的人力资源从业者,已经开始自己开发系统,而且老板真的在用。 更进一步,他现在开始思考HR这个岗位本身会发生什么变化。 过去HRBP管理人、支持业务。未来一个AI Native组织里还会出现大量数字员工、Agent和Skill。这些AI员工由谁管理?谁定义它们负责什么?谁判断一个Agent值得消耗多少算力和Token?谁设计它们与真人员工之间的组织关系? 猫工头觉得,HR可能天然有机会走向AIBP。过去管理真人员工,未来还需要开始理解AI员工。 这期录制当天,他刚好因为一套与HR和AI有关的项目来北京参加行业创新创业比赛,并获得二等奖。 从一个机械专业毕业、在国企做行政文宣的人,到后来做网络运营,再到2025年才真正深度使用AI,最后自己给一家几百人的人力资源公司造系统,这条路径连他自己都没有预想过。 而他的整个方法,其实可以缩成一句特别像猫工头的话: 别先问AI会什么,先告诉它你到底要什么。 💡本期你会听到 这期我们首先会聊猫工头这条非常奇怪的职业路径。他大学学机械,毕业后进了国企做行政和文宣,七年以后又因为觉得自己错过了互联网红利,主动进入网络运营和人力资源相关业务。真正把AI用于生产工作,其实已经是2025年初的事情。也就是说,从深度开始用AI,到今天能够独立搭企业业务系统,他花的时间远比很多人想象得短。 吴熳和猫工头重点聊了他一套非常鲜明的AI使用方法。人力资源行业习惯以结果交付,猫工头也把同样的逻辑用在AI身上。他不懂代码,也很少先纠结技术路径,最关心的是结果有没有出来。他甚至会故意提出极端到近乎荒谬的要求,让AI自己想办法接近目标。在他看来,AI时代的试错成本已经低到值得大量尝试,很多人真正的问题,是要求提得太保守,甚至还没有让AI开始干,就已经被自己的经验限制住了。 中间会进入这期最震撼的部分,也就是AI怎样真正进入企业经营。他自己做报销系统、销售和招聘看板,也把企业微信群里的聊天记录自动转换成标准数据,让AI完成过去需要人工统计的工作。在工伤保险案例里,大量过去分散在系统和业务流程里的数字被重新拉到一起,老板第一次可以清楚看到保费、赔付、未到账理赔款、不同项目风险和分公司的真实贡献,再把这些数据继续用于保险议价、现金流判断和项目经营。 我们也会聊企业管理本身如何被AI改变。员工在群里汇报完工作以后,后续统计可以自动完成。AI读不懂的异常数据会被单独留下,员工的错误也会被记录。很多过去需要管理者人工检查、催促和批评的事情,开始变成系统自动暴露问题。猫工头认为,AI时代的精益化管理会进一步加强,因为大量“粗心”和低质量重复劳动,已经越来越难找到技术上的借口。 最后,吴熳和猫工头聊了一个更长远的问题。当一个不会代码的业务人员已经可以自己把产品做到能跑,IT部门的价值会发生什么变化?当企业里越来越多Agent开始承担真实工作,HRBP会不会进一步变成AIBP?未来HR除了管理真人员工,还需不需要参与数字员工的分工、评价、成本和协作机制?这可能比简单讨论AI会不会影响HR更值得讨论。 🔥本期金句 “我真的不懂代码,但是我会很清晰地告诉AI,我到底要什么结果。” “很多IT人员因为太懂技术,反而不敢提要求。” “你提出一个你知道它做不到、但你特别想要的东西,它最后可能会给你一个远超原来预期的结果。” “我压榨不了员工,我还压榨不了AI吗?” “有的时候,人是AI最大的阻力。” “先让AI干,让它干出一百种错误,你才知道对的是什么。” “老板提一件想看的事情,具体怎么做,他不需要讲,我去找一线的人聊。” “大家平时的工作本来就在群里,聊完事情就做完了,为什么还要再让一个人统计?” “有了上下文,才有后面的东西。” “AI时代的试错成本太低了,只要你胆子够大,你就有成功的几率。” “我让AI想一万个维度,它想不出来,只给我一百多个,我觉得也差不多压榨到极限了。” “未来HR不仅要管人,可能还要开始管AI员工。” “我最期待的是,以后我提一个目标,它就能指哪打哪。” ⏱Shownotes 01:28 猫工头这个名字到底怎么来的? 李术其的网名原本和“承包鱼塘”的猫头像有关,吴熳觉得他更像一个包工头,于是“猫工头”诞生了。后来再看他驱使AI干活的方式,这个名字越来越准确。 02:57 从机械专业、国企行政,到互联网运营。 猫工头2011年毕业,在国企工作约七年。因为长期接触外部网络运营公司,他越来越想进入互联网,于是主动离开相对稳定的环境,转去做网络媒体和运营,也逐渐进入人力资源集团的业务体系。 05:50 真正深度使用AI,其实从2025年初才开始。 最早他只是拿AI写公众号、小红书和短视频文案。随着模型能力提升,他第一次觉得这些东西真的能够进入生产工作。 07:41 一个完全不会代码的人,为什么已经能给几百人的公司做业务系统? 吴熳第一次知道猫工头真正开始深度用AI的时间时也非常惊讶,因为此时他已经可以一个人完成大量原本需要产品、数据和开发角色参与的工作。 08:23 人力资源行业的“结果交付”,怎样影响了他的AI方法? 猫工头习惯先讲清楚最终要什么,然后要求AI把结果给出来。技术路径可以由AI自己寻找,他负责验收。 09:52 猫工头的“破窗理论”。 他故意给AI提出极高要求。目标越高,AI即便只能完成一部分,也可能超过正常人的初始预期。懂得太多技术限制,有时反而容易提前降低要求。 12:45 “我压榨不了员工,我还压榨不了AI吗?” 这句话基本概括了他的使用风格。大量尝试、大量Token、大量失败,只要最终结果能用,都可以接受。 14:52 从AIGC走向真正的企业业务。 做图片和视频几个月以后,他开始意识到,母公司真正大的价值空间在人力资源主营业务。如果AI只能帮忙做营销内容,远远没有释放它的价值。 17:28 第一套系统,是从自己每天觉得难用的地方开始。 过去不会代码,他只能觉得公司的数字化系统不好用。AI出现以后,他先给自己部门做了一套财务、绩效和报销相关的小系统,然后把真正能运行的产品拿给老板看。 19:31 老板觉得有用,于是需求开始越来越多。 从部门工具开始,猫工头逐渐进入销售、招聘、工商、欠薪、工伤保险以及分公司的经营数据,业务系统开始真正进入管理流程。 20:03 一年数千万元的商业保险,AI能从里面看出什么? 当保费、理赔和到账金额全部被重新拉到一起,企业第一次可以清楚看到保险公司到底赚了多少、多少理赔款仍然处于流程中,以及这些数据对现金流意味着什么。 23:11 同一家公司里,有人在给保险池“蓄水”,有人在“抽水”。 不同项目和分公司的赔付情况差异巨大。当数据穿透到每个业务单元以后,企业可以更精细地判断谁应该获得更低价格,哪些项目已经形成经营风险。 25:43 群聊本身就是数据库。 一线员工每天本来就在企业微信群里汇报工作。猫工头做的事情,是让AI自动把这些聊天记录提取成文档、结构化数据和经营看板,从而减少大量重复统计。 28:32 AI看不懂的数据怎么办? 所有模棱两可、前后不一致或无法判断的数据都会进入人工处理区域,同时保留原始记录。结果是员工也会逐渐学会用更清晰、标准的方式汇报工作。 30:27 “让AI批评人”是怎么回事? 过去管理者发现员工工作有问题,需要自己点名。现在异常数据自动显示,员工自己能看到问题。管理者不用每次亲自承担批评者角色,数据自己开始说话。 32:53 这整套东西真的是他一个人做的吗? 答案是肯定的。老板提出想看什么,猫工头就去找一线工作人员访谈,全程录音,再让AI整理需求、设计方案并尝试实现。 33:40 “人有时候才是AI最大的阻力。” 猫工头认为,与其开很久的会讨论方案,不如先让AI做。错误也有价值,因为一百个错误方案可能帮助人更快知道正确方向在哪里。 34:24 到今天,他仍然一句代码都不会。 前端、后端、数据库以及并发测试等工作都交给AI。他掌握的核心能力,是目标、要求、业务流程和验收标准。 36:05 产品能跑以后,再交给专业IT。 真正进入企业服务器、处理上线、安全和复杂Bug时,仍然需要专业人员。业务人员和IT的关系却已经改变,因为业务方手里第一次有了自己做出来的原型甚至完整产品。 37:39 当客户自己都能开发,程序员的价值在哪里? 这是猫工头抛出来最尖锐的问题。业务人员已经能够得到一个能用的产品,专业技术人员未来需要提供什么更高层次的价值? 39:55 老板的反馈很直接:继续做。 现在系统已经开始以具体分公司为单位继续扩展,加入招聘等更多真实业务模块。 40:31 那些复杂的数据图表是谁想出来的? 很多并非猫工头提前设计。他会把业务需求口述给AI,让AI帮忙结构化,再要求筛选、交互以及多层数据穿透。 41:26 “无限下钻”为什么成为他的执念? 老板先看到整个公司,再看到分公司,再看到项目,最后甚至能看到具体员工。只要发现某个数字异常,就可以不断往下找原因。 49:47 “给我想一万个分析维度。” 猫工头让AI尽可能扩大选择范围。AI最后只想出一百多个也没关系,他再从中挑选真正有用的部分,再交给老板补充。 51:39 企业管理为什么需要从大盘一直看到微观? 一个总体数字只能告诉老板可能存在问题,真正的管理需要继续追问问题在哪个项目、哪个环节、哪个员工,以及问题为什么发生。 55:01 “世界就是一个巨大的企业微信和系统。” 这也是吴熳听完这套方法最大的感受。原本散落在聊天记录里的日常工作,只要拥有足够上下文,就能继续被整理、分析和转化为企业经营数据。 56:23 录播客当天,猫工头刚拿了一个人力资源行业创新创业比赛二等奖。 他参赛的方向继续往前走了一步,开始讨论HR怎样从HRBP走向AIBP。 56:45 未来HR会不会开始管理数字员工? 猫工头认为,AI Native组织里会出现越来越多Agent。谁来决定它们负责什么、消耗多少资源、如何评价表现,以及怎样和真人员工协作,会成为新的组织管理问题。 59:56 快问快答,最离不开的三个AI工具。 猫工头把不同工具分成主力干活、图像处理和快速生活检索等不同角色,他甚至把豆包直接当成新一代百度。 01:00:59 做HR最值钱的习惯是什么? 他的答案依然和整期一模一样,敢定非常高的标准,敢提要求。 01:02:18 做HR踩过最大的坑是什么? 曾经为了一个项目投入团队半年时间,吸引几千人参与,最后项目取消。大量前期工作全部损失,也带来了后续求职者沟通和管理压力。 01:03:25 如果普通HR只有30天学习AI,应该从哪里开始? 先找到工作里大量重复、可以迅速被AI优化的环节,同时想清楚自己未来希望成为怎样的人。只有方向清楚,才知道该向AI提什么要求。 01:04:26 HRBP为什么可能走向AIBP? AI会继续进入企业组织,未来HR如果完全不了解AI,很难承担组织战略支持角色。管理对象可能逐渐从真人员工扩大到真人和数字员工共同组成的团队。 01:04:56 未来一年,猫工头最期待AI发生什么变化? 他希望今天需要反复调教很多轮的过程能够越来越短。目标说清楚以后,AI可以更接近“指哪打哪”,这样他就能同时做更多事情。 01:05:50 吴熳问:“你就不能想想摸鱼吗?” 猫工头回答:“不摸鱼又不能赚钱。”这大概也是这一期最猫工头的结尾。 📖故事摘要 猫工头这期很容易被概括成一个“不会代码的人靠AI编程”的故事,但真正听完以后,会发现他的核心能力一直都在人力资源业务里。 他最懂的是结果。客户招聘一个人,人最终入职,服务才算真正交付。企业做一个系统,老板真的能用,才有意义。AI做一个页面,看起来再高级,如果解决不了业务问题,也没有价值。 所以他和AI沟通的时候,从一开始就跳过了很多技术人员习惯讨论的路径。他会告诉AI,我要什么,为什么要,做到什么程度我才满意,然后让AI不断试。 这种方法在模型能力很弱的时候可能完全行不通。到了今天,它突然变得非常有杀伤力,因为AI自己已经可以去找框架、找代码、找Skill、做数据库、搭前端、搭后端,再根据反馈继续修改。 业务人员第一次拥有了一种过去很少拥有的能力:不用等别人给你开发,你可以先自己做一个出来。 猫工头真正改变的,可能正是这件事。 过去业务部门提需求,产品经理翻译,技术排期,开发,测试,上线,整个过程可能几个月。现在业务人员可以先和AI把东西跑起来,哪里不对马上改,需求甚至是在使用中长出来的。老板提出一个问题,一线员工讲实际流程,AI帮忙整理,程序先跑,数据再告诉大家下一步应该改哪里。 从这个角度看,猫工头其实已经非常像FDE。他没有这个岗位名称,也没有工程师背景,可他真的在一线,真的懂业务问题,真的把AI带进去,也真的做出了产品。 更重要的是,他把企业里原本存在、却一直没人真正利用的数据重新激活了。微信群里的聊天记录,以前只是聊天记录。传统系统里的保费和理赔数据,以前只是存档。销售日报以前只是日报。招聘过程以前只是业务人员每天做过的动作。 当AI能够同时阅读、整理、结构化和分析以后,这些东西开始变成上下文。 有了上下文以后,老板第一次可以问更多问题。为什么这个项目亏?为什么这个销售停滞?为什么这个员工一直出现异常?为什么我们一年交这么多保险费?为什么还有这么多钱迟迟没有回到公司账户? 数据开始不断往下穿透。 所以猫工头特别喜欢“无限穿透数据报表”。因为管理真正需要的往往就是这个过程,先看到一个异常,再一直追问为什么,最后找到具体的人、具体的动作和具体的业务原因。 这也解释了为什么这期最后会自然聊到AIBP。AI进入企业以后,变化不会停留在“HR用AI写招聘JD”。事务性工作会越来越多地自动化,数字员工会真正进入组织。Agent会消耗预算,会承担任务,会有表现差异,也会需要权限和管理。 那谁来设计真人与AI之间的关系?谁定义数字员工在组织里的位置? 猫工头把问题抛给了HR。 未来的HR也许除了理解人,还得真正理解AI。 一个2025年才开始深度使用AI的人,在不到两年时间里,从写文案、做视频一路走到了企业经营数据、业务系统和组织设计。 这个速度本身已经很有意思。 可猫工头大概不会觉得自己学得有多快,因为他的注意力始终放在另一件事情上: 这个东西还能不能再多干一点? 💬听众互动 如果你完全不会写代码,但每天都在使用公司的业务系统,你有没有认真想过,那些让你反复填表、复制粘贴、重新统计、催人汇报的工作,现在还有多少真的必须由人完成? 如果今天给你一个足够强的AI,你敢不敢像猫工头一样,直接提出一个看起来有点离谱的目标,然后先让它做? 还有一个更值得企业管理者思考的问题。当业务人员自己已经可以做系统,当聊天记录可以直接成为数据,当Agent开始承担真实岗位任务以后,未来公司的IT、HR、管理者和一线员工之间,会形成什么样的新关系? 猫工头这一期聊的是HR。下一期,他还要继续讲另一项已经被大家反复催更的核心能力:薅AI羊毛。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

67 分钟 99+ 次播放 1周前

57. 向阳乔木:AI圈“乔帮主”,为什么总能比别人更早看到下一站?

57. 向阳乔木:AI圈“乔帮主”,为什么总能比别人更早看到下一站?

灯下白-走进 AI 圈的真实对话

EP57|向阳乔木:AI圈“乔帮主”,为什么总能比别人更早看到下一站? 🎙️嘉宾|向阳乔木 连续创业者、AI产品实践者、AI领导力与GEO方向创业者。 大学学习电子信息科学与技术,却因为喜欢中国摇滚乐,毕业前后长期混迹北京摇滚现场,组织高校乐队演出,也曾在摇滚酒吧工作。2005年前后进入互联网创业,成为分类信息网站易登网早期成员,公司后来被海外企业收购。此后参与创办黄页88网,将分类信息时代积累的SEO、流量增长和平台经验继续迁移到B2B领域。 后来进入教育互联网行业,并加入字节跳动,先后参与教育软硬件产品、飞书以及TikTok商业化AI业务,参与过面向广告创意与内容生产的AI产品 Symphony Assistant。2024年离开大厂后,与多年好友继续探索AI教育、AI领导力与GEO,如今一边做产品、写代码、研究AI,一边写自媒体、分享工具,也保留时间陪伴家人和生活。 主持人:吴熳 (微信rosiawu) 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 如果把向阳乔木过去二十多年的经历摊开来看,会有一种很奇怪的感觉:这个人好像总能提前一点进入下一轮变化。 大学学电子信息科学与技术的时候,他最着迷的东西却是摇滚乐。来了北京以后,黑豹、唐朝、崔健这些过去只能在磁带里听见的人,突然变成了可以在酒吧里看到的真人。他开始组织高校乐队演出,毕业实习时,别的同学去了电子硬件公司,他跑去摇滚酒吧,白天维护原创音乐网站,晚上看演出、跟乐队跑现场。后来《乐队的夏天》里出现的很多乐队,当年都曾在他们酒吧里演过。 他原本甚至认真想过,毕业以后就留在这个圈子里。直到父亲来北京,乔木带爸爸听了一场摇滚,老人家实在受不了那个音量,只留下了一句:“你去给我找一份正式工作。” 于是乔木上网找工作,然后看到了一个让他觉得非常新鲜的网站。信息按照地区、行业被整整齐齐地分类,找工作、租房、买卖东西都可以快速筛选。他后来才知道,这类产品叫分类信息网站。乔木觉得这个模式很有意思,主动联系了对方,去了以后才发现所谓“公司”一共四个人,他还是第一个员工。 这家公司叫易登网。 后来公司被海外企业收购。再后来,他和伙伴继续做黄页88,把原来分类信息网站积累下来的产品、SEO、流量和平台经验迁移到B2B。网站最高峰的时候,每天有超过百万IP访问。 再往后,因为有了孩子,他开始对教育产生兴趣。做教育创业,后来加入字节跳动,做过教育软件,也做过大力台灯这样的硬件产品。双减以后教育业务调整,他转去飞书。生成式AI开始爆发以后,他又主动转进TikTok商业化AI团队,参与 Symphony Assistant,研究AI怎样帮助创作者找热点、想广告创意、写脚本。 2024年,他又离开字节。 一部分原因很现实。两个孩子需要陪伴,而大厂的工作经常做到晚上十点以后,回到家已经十一点。原本以为自己在字节只会待几个月,结果一待就是六年。到了那个节点,他想把时间重新拿回来。 于是今天的乔木又变成了一个很轻的创业状态。和认识十多年的朋友一起做AI教育和GEO,自己写代码,自己研究AI,自己发内容,有时间陪孩子,也有时间钓鱼。 听起来像一个不断换方向的人。 可整期聊下来,你会发现他其实没有那么“善变”。他身上有几样东西二十多年几乎没变过。 第一,是对新东西有一种很强的下场欲。 乔木很少站在岸上评论一个工具到底好不好。新的模型出来,他会试。别人分享一个Skill,他会装。新的开发方法出现,他会做一个真实项目。有人问他的学习方法是什么,他说得特别简单: “我干中学。” 不会就搜,不会就问,找到资料以后自己跑一遍。只有真的试过,他才愿意告诉别人这个东西行不行。 这也是为什么中文AI圈里很多人会觉得乔木的推荐很可信。因为他分享一个工具以前,大概率自己已经折腾过了。 第二,是检索能力。 这项能力其实从二十年前做SEO时就已经开始形成。用户会搜索什么?什么关键词真正有流量?怎样把一个模糊需求拆成准确的词?哪些信息应该去GitHub找,哪些资料应该去专业数据库或垂直网站找?一个关键词不对,怎样顺着相关搜索继续往下挖? 这些能力到了AI时代并没有过时,反而被放大了。 现在他可以直接让AI去全网寻找同类开源项目,比较技术框架,找到最值得读的书、最值得关注的人,以及一个领域里真正重要的关键词。AI负责扩大搜索半径,人继续负责判断什么值得相信和继续追。 第三,是把旧能力搬进新世界。 今天很多人第一次听到GEO,会觉得这是突然冒出来的新行业。乔木的反应却很自然。 因为他二十年前就在做SEO。 过去用户在Google、百度里搜索,企业就研究怎样让搜索引擎找到自己。今天用户越来越多地向ChatGPT、豆包等AI提问,那么企业下一步自然会研究,怎样让大模型准确理解自己,并在合适的问题下推荐自己。 入口换了,底层逻辑没有完全断裂。 乔木说,营销其实一直很简单:用户在哪里,营销就去哪里。大家刷抖音,就研究抖音。大家刷小红书,就研究小红书。大家开始问AI,就一定会出现针对AI信息入口的新营销方法。 所以他和伙伴在GEO还没有变得特别热的时候就开始读论文、做实验,再把研究方法公开成白皮书。后来整个市场开始热起来时,他们已经积累了真实案例。 第四,是把做过的事情变成可复用的资产。 这一点在今天尤其明显。 以前开发一个Chrome插件,做完就结束了。乔木会把这次开发过程中形成的经验重新整理成Skill。开发Mac应用,又形成一个Skill。做网站设计,有设计Skill。部署到GitHub,有部署Skill。甚至还可以再做一个专门用来生成Skill的Skill。 这样,下次遇到类似项目时,他已经无需重新开始。 几个Skill组合起来,一段自然语言指令下去,AI就可以连续完成开发、设计、推送和部署。人需要做的事情越来越靠近目标设定、判断、检查和打磨。 所以大家有时候会觉得,乔木怎么一天又发了一个新工具? 背后其实有很强的复利。 你看到的是今天二十分钟做出来的一个网站,他调用的是过去很多年积累下来的产品经验、检索能力、工作流程,以及最近几年不断沉淀的Skill。 这也解释了为什么他和伙伴三年前就开始讨论“AI领导力”。 他们当时专门在北京长城附近租了一间房子,关在里面几天,认真复盘自己究竟是怎样使用AI的。最后得出了一个判断:未来真正会用AI的人,需要像管理一个虚拟同事一样和它协作。 怎么交任务,怎么拆任务,什么时候该信它,什么时候该检查,什么事情可以交出去,什么事情必须由人判断。 而人的判断力和审美,会越来越重要。 有意思的是,乔木自己说,他其实并不觉得自己擅长“领导”。 他更喜欢“协作”这个词。 跟人协作,也跟AI协作。 到了这期最后,又出现了一个特别有未来感的东西。 过去做一个网站,首先考虑的是人能不能看懂、能不能点、能不能买。 乔木现在开始考虑: AI能不能读懂这个网站? Agent能不能快速理解这个产品是干什么的? 企业最重要的事实信息,有没有清晰、准确、可以验证的公开页面? 未来甚至需要直接告诉AI,应该怎样理解这个网站,怎样使用这个工具。 二十年前,他在研究怎样让搜索引擎找到一个网页。 二十年后,他开始研究怎样让Agent读懂一个企业。 看起来所有东西都变了。 其实有一条线一直都在: 信息在哪里? 人怎样找到它? 新的信息入口出现以后,商业又会跟着它走到哪里? 这可能也是向阳乔木身上最值得聊的一件事。 他总在追新东西。 可真正让他一直跑在前面的,可能恰恰是那些已经积累了二十年的旧能力。 💡本期你会听到 这期前半段,我们从一个很少有人知道的乔木开始聊。他大学读电子信息,却把大量时间花在北京摇滚现场,毕业实习也去了摇滚酒吧。那些后来出现在《乐队的夏天》里的乐队,当年很多都曾出现在他的生活里。也正是在父亲催他找“正式工作”以后,他意外进入了一家只有四个人的分类信息创业公司,并成为第一个员工。公司后来被海外企业收购,乔木又继续参与黄页88,从早期互联网创业一路做到百万级日访问的网站。 我们也会聊到,一个连续创业十几年的人为什么后来主动进入字节跳动。他参与过教育软件、硬件,也经历过大力台灯这样的产品和双减带来的业务变化。生成式AI出现以后,他又主动转去TikTok商业化AI团队,参与面向广告创意与脚本生成的 Symphony Assistant。很多今天已经习以为常的AI内容生产场景,在那时仍然需要大量模型微调、数据标注和工程工作才能落地。 中段会进入乔木特别值得借鉴的一套学习方法。他为什么总能很快理解一个新工具、新框架和新领域?答案和“我干中学”有关,也和他二十年积累下来的检索能力有关。怎样把模糊问题变成准确关键词,怎样建立自己的私有信息源,怎样利用AI寻找一个领域最值得读的五本书、最值得关注的人和核心关键词,以及怎样通过真实项目快速验证一个技术到底值不值得用,这些构成了他今天高频学习和输出的底层方法。 后半段我们会聊到Skill和AI领导力。乔木为什么看起来几乎每天都能开发新工具?因为很多过去做过一次的项目,已经被他沉淀成可以反复调用的Skill。开发、设计、部署和发布逐渐形成自己的工作流,多套Skill甚至可以继续组合。三年前,他和伙伴就在讨论怎样像管理真人同事一样与AI协作,以及为什么当模型越来越强以后,人的判断力、审美和任务拆解能力反而会越来越重要。 最后我们会深入聊GEO。一个做了二十年互联网流量的人,为什么会这么早判断AI搜索一定会形成新的营销入口?SEO时代积累的经验怎样迁移到GEO?企业想让AI理解自己,需要建设哪些真实、准确、可验证的信息?为什么官网到了Agent时代可能重新变得重要?以及未来做网站和产品时,我们是否还要开始考虑另一类用户,也就是越来越多会自动读取和操作互联网的AI Agent。 🔥本期金句 “我不会特别长远地规划一件事情,当下喜欢做这个事情,我就去做。” “我干中学。不会就直接搜索,跟AI提问,然后自己开始试。” “我不会直接评判这个东西好或者不好,都是自己试过以后,再告诉大家这个东西行或者不行。” “检索能力可能一直是被大家忽视的一个能力。你能从万千信息里找出真正符合需求的东西,这个能力很重要。” “未来你想用好AI,一个非常重要的能力,就是像管理真人员工一样去管理好AI。” “随着AI发展,最重要的一件事情就是提升自己的判断力和审美。” “你要想教别人,自己先要学会。” “营销其实很明确,用户行为在哪儿,你就要去哪儿。” “我希望AI能抓取到真实的信息,然后公正地推荐我。” “未来建网站、做产品,都要考虑AI Agent使用的便利性。” ⏱Shownotes 00:15 从电子信息专业到北京摇滚现场。 乔木大学学的是电子信息科学与技术,却把青春的大量时间花在摇滚乐上。毕业实习时,别人去硬件公司,他去了摇滚酒吧,白天维护原创音乐网站,晚上看演出,也因此亲历了中国早期摇滚现场最鲜活的一段时间。 03:22 父亲的一句“找份正式工作”,意外把他推入互联网创业。 在网上找工作时,乔木第一次看见分类信息网站,马上对这种按照地区和行业结构化信息的模式产生兴趣。真正加入以后才发现,公司只有四个人,他成为第一个员工。这家公司就是易登网,后来被海外企业收购。 06:14 从易登网到黄页88,第一次能力迁移发生了。 当原来的分类信息业务面对58同城、赶集等竞争时,乔木和伙伴继续做B2B平台,把过去产品、流量、SEO和分类信息的经验迁移到新的业务中。网站后来做到每天百万级IP,这段经历也为他二十年后的GEO判断埋下了伏笔。 07:06 创业十几年以后,为什么又去了字节? 乔木并没有把创业和大厂看成两条互相排斥的路。他真正好奇的是高人才密度环境能给自己什么,于是进入字节做教育,经历软件、硬件、大力台灯、双减和飞书,也第一次系统感受到大量优秀的人集中在一起把事情做到极致是什么状态。 17:36 生成式AI早期,他已经进入TikTok商业化AI。 Symphony Assistant 服务的是TikTok商业化内容场景,帮助创作者寻找热点、生成广告创意和脚本。当时很多今天看起来顺理成章的能力,仍然需要小模型微调、数据标注以及大量场景工程。 21:25 在字节六年以后,他决定把时间拿回来。 两个孩子需要陪伴,加上大厂长期工作到晚上十点以后,让乔木重新思考自己的生活。他离开字节后进入更轻的OPC状态,和多年朋友继续探索AI教育与GEO,同时保留更多时间给家庭、写代码、研究和生活。 22:11 为什么离开大厂以后第一时间做GEO? 乔木把这称为“路径依赖”。过去分类信息网站最大的增长来源就是SEO,他亲历过搜索流量的巨大价值。当用户逐渐从搜索框迁移到AI对话框时,他自然判断新的流量和营销需求也会跟着迁移。 29:40 他为什么很少做特别长远的规划? 乔木承认自己比较随性。他不会先预测几年后AI会变成什么,再按照预测制定人生计划。更多时候,他看到一个有意思的新东西,就先进去试。他能够确定的是技术还会高速发展,所以持续保持动手能力,比猜中三年后的具体产品形态更重要。 32:16 三年前,他们为什么会提出“AI领导力”? 乔木和伙伴曾经专门找了一个地方闭门几天,复盘自己到底怎样使用AI。最后发现,未来与AI协作越来越像管理虚拟同事。人需要明确目标、拆解任务、反馈结果,也需要提高自己的判断力和审美。 35:08 “我干中学”,可能是理解乔木最重要的四个字。 新工具、新模型、新方法出现以后,他很少只看别人评价,而是自己直接开始用。因为要教别人,自己先得学会。大量亲自验证积累下来以后,他也形成了越来越稳定的技术判断。 36:28 检索能力为什么到了AI时代仍然重要? 搜索关键词要足够准确,遇到不对的结果要不断换词,还需要知道什么信息应该去什么地方找。乔木长期做SEO形成的这种“信息地图”,今天继续帮助他利用AI快速进入陌生领域。 40:11 怎样快速进入一个完全陌生的行业? 可以先找到最值得读的基础书和进阶书,再找到行业里最值得关注的人和最前沿的问题,也可以让AI列出核心关键词,先建立整个领域的知识骨架。有了基本语言以后,再去阅读最前沿的信息,学习速度会快很多。 44:51 为什么大家感觉乔木每天都能开发新工具? 真正的秘密是复利。过去做过的开发项目,被他持续整理成Skill。Chrome插件有自己的Skill,Mac应用有自己的Skill,设计、GitHub和部署也都有对应流程。下一次再做类似项目,他已经站在过去经验的基础上。 45:58 多个Skill组合以后,一个网站可能二十分钟就能上线。 开发、设计、推送、部署可以连续调用,人主要负责给出目标、检查效果和继续迭代。乔木也特别提醒,快速做出来和真正做成一个好产品仍然有很大差距,真正优秀的作品依然需要持续打磨。 47:38 为什么还要做一个“生成Skill的Skill”? 官方Skill已经很好,但个人仍然可以根据自己的工作流程加入新的规范。乔木会比较不同公司的官方方案,把其中优秀的机制组合起来,再加入自己的工程经验,让下一次生成出来的Skill更符合自己真实的开发习惯。 49:32 GEO还没有大热时,他们已经开始读论文和做实验。 因为过去有SEO经验,乔木和伙伴很早就意识到AI搜索会成为新的信息入口。他们开始研究什么样的内容更容易被AI准确理解和引用,并将研究经验公开整理成白皮书。 53:47 用户在哪里,营销就要去哪里。 这是乔木判断GEO趋势最核心的一句话。用户刷短视频,广告就进入短视频。用户在小红书做决策,品牌就研究小红书。当越来越多人直接问AI,企业自然也要思考自己在AI回答中怎样被准确理解。 54:58 GEO长期有效的基础仍然是真实和可信。 短期制造大量缺乏事实核验的内容也许能获得曝光,可模型厂商需要保证自己的回答质量,因此垃圾信息很难长期获得稳定位置。企业更健康的做法,是建设真实、准确、可验证的公开信息。 56:21 一个隐形冠军怎样开始让AI看见自己? 公司名称、产品、专利、奖项、专业能力以及潜在客户最关心的问题,都需要拥有清晰的公开页面,并尽可能有可信来源支持。大模型只有能够获取这些事实,才可能在用户提问时正确理解企业。 01:00:16 为什么AI时代官网可能重新变得重要? 各个平台之间存在自己的信息边界,但公开网页更容易被不同的大模型和Agent读取。企业过去只考虑人怎样浏览网站,未来还要考虑机器怎样理解网站。 01:01:36 以后做网站,乔木准备直接给AI写使用说明。 页面怎样理解,工具怎样下载安装,哪些内容最重要,都可以专门提供给Agent。互联网正在出现一批新的“用户”,它们可能根本不是人。 01:02:37 二十年过去,乔木其实一直在研究同一个问题。 当年做分类信息和SEO,他研究搜索引擎怎样找到网页。今天做GEO,他研究AI怎样找到品牌。技术入口不断变化,但信息如何流动、怎样被发现,以及怎样形成商业价值,这条线一直没有断。 📖故事摘要 向阳乔木的履历很容易让人产生一种错觉:这个人似乎总在换方向。 大学学电子,却跑去做摇滚。刚毕业就参加互联网创业,公司被收购以后继续做B2B。后来跑去做教育,又进入字节。双减之后转飞书,AI起来以后又主动转TikTok商业化AI。离开大厂以后继续做AI教育、GEO、独立开发和Skill。 二十多年里,赛道一直变化。 可真正支撑这些变化的能力非常稳定。 他愿意亲自试。 他很会找信息。 他能够迅速把旧经验迁移到新问题上。 他还习惯把做过的事情沉淀下来,让下一次不用从零开始。 这四件事情叠加起来,形成了一种很强的复利。 尤其到了AI时代,这种复利开始显得异常明显。 别人刚看到一个工具时,他已经跑了一遍。 别人还在讨论Skill是什么,他已经把过去多个真实开发项目整理成不同Skill。 别人第一次听说GEO时,他会直接把它和二十年前SEO时代的流量变化联系起来。 所以乔木真正值得研究的,也许并不只是“为什么总能踩到新趋势”。 更值得研究的是,他如何让自己一直保持着一个可以快速进入新趋势的状态。 他没有一份精确到五年后的宏伟路线图。 他甚至很坦率地承认,自己不知道三年以后AI究竟会发展成什么样。 但他有另一种确定性。 新的东西来了,先去碰一下。 看不懂,就搜。 不会做,就让AI陪自己做。 找到真正好的方法以后,沉淀成自己的流程。 下一次继续复用。 这是一种非常朴素的成长方式。 可在技术高速变化的时代,它可能比试图准确预测未来更有用。 三年前,乔木和伙伴提出“AI领导力”的时候,他们已经意识到模型能力会越来越强。人真正需要补的部分,会逐渐转向如何提出好问题,如何判断AI结果,如何拆任务,如何建立自己的审美和标准。 今天再回头看,这个判断已经越来越清晰。 当每个人拥有的模型逐渐趋同以后,同样一个GPT、同样一个Codex、同样一个Agent,落在不同的人手里,产生的结果依然会完全不同。 差距藏在模型外面。 你过去积累过什么? 你知道什么? 你会不会找? 你有没有判断力? 你有没有把过去的经验变成下一次可以继续调用的资产? 乔木身上真正有意思的,也正是这一点。 他追了二十年的新东西。 最后真正越来越值钱的,却是那些追新东西的过程中,一点一点长在自己身上的老能力。 💬听众互动 你有没有一项已经用了很多年,却直到AI出现以后才突然发现特别值钱的能力? 可能是写作,销售,检索,产品,运营,设计,谈客户,也可能只是你对某一个行业特别深的理解。当AI成为放大器以后,这些过去看起来普通的经验,会不会突然拥有新的价值? 如果今天让你进入一个完全陌生的行业,你会怎么开始?你会先让AI给你列一张知识地图,找最值得读的书和最值得关注的人,还是直接找一个真实项目边做边学? 还有一个我自己听完特别感兴趣的问题。 当未来越来越多网站的访问者开始变成Agent,我们是不是也要开始重新思考一件事: 除了经营“给人看的自己”,我们是否还需要经营一份“让AI能够准确理解的自己”? 欢迎在评论区告诉我们。 也欢迎把这一期分享给正在做AI产品、AI教育、GEO、SEO、独立开发,以及每天都觉得自己追不上乔帮主更新速度的人。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

63 分钟 99+ 次播放 1周前

56. 孙杰:技术两周能打通数据,油气企业数智化为什么要花几个月?

56. 孙杰:技术两周能打通数据,油气企业数智化为什么要花几个月?

灯下白-走进 AI 圈的真实对话

《灯下白》EP56 孙杰 🎙️嘉宾|孙杰 企业数字化转型、数据治理与AI实践专家。 拥有二十余年计算机与企业数字化相关从业经历,职业路径从高校计算机讲师开始,先后经历运维工程师、运维架构师、云计算架构师,再进入大型央企数字化转型、云计算、数据治理等真实业务场景。 长期参与大型企业云平台、数据湖、数据治理与业务数字化实践,也持续关注FDE、企业级AI、智能体如何真正进入生产环境。 主持人:吴熳 在得到直播讲过AI应用,在WaytoAGI北京切磋分享,代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学,AI牛马库导航科普网站 ka21.org 主理人 本节目由人类与GPT共同策划,剪映处理音频中水词,千问处理剪辑时间轴,GPT撰写Shownotes,Banana Pro生成播客logo,即梦生成播客封面,Suno生成片头片尾音乐,同时由声湃和中关村科学城公司提供录音场地,由罗德麦克风提供录音设备。感谢中关村科学城的政策支持! 《灯下白》坚持100% Human,真人真聊真AI,对白坦白灯下白。 🪝本期故事 孙杰最早是一名大学计算机老师,教C语言,教计算机网络。 如果人生一直按照原来的轨迹走,他可能会留在高校。 后来爱人到北京读研究生,新婚不久,他也从新疆来到北京。 一次生活里的选择,让他的职业人生彻底换了一条线。 他开始做运维,那时技术人的工作很具体。 服务器挂了,要修。系统卡了,要修。访问量突然上来,网页崩了,还是要修。 做运维工程师的时候,人像一个救火队员,哪里着火,就冲到哪里。 可做得越来越久,他开始觉得,光会救火不够。 系统为什么会宕机?流量为什么来了就扛不住?为什么每次都要等故障发生以后才去解决? 于是他开始做架构。 从“出了问题怎么修”,慢慢走到“怎样让这个问题尽量别发生”。 再后来,他接触云计算。 原来一台服务器归一个系统。这个部门有自己的机器,那个部门也买自己的机器。 有人买多了,资源长期空闲。有人真正需要资源,却没有足够预算。 云计算把它们放进一个池子。 谁需要,就拿。不需要了,就释放回去。 孙杰也在这个过程中越来越清楚地意识到一件事: 技术从来没有真正离开过业务。 页面打开快一秒还是慢十秒,会影响用户。 系统能不能自动扩容,会影响业务。 资源有没有浪费,会影响成本。 一个技术人如果一直只懂技术,迟早会碰到一堵墙。 因为企业真正关心的,是技术最后创造了什么价值。 后来,他进入大型央企的数字化场景。 这里的问题更复杂。 一个集团可能有几百套甚至上千套系统。 同一类办公系统,各个部门可能都曾经建过一套。 数据散在不同设备、不同部门、不同电脑、不同数据库里。 云可以统一资源,数据湖可以汇集数据。 系统可以重新整合,可到了真正做企业数字化时,他发现最难的一关出现了。 技术上,两周可以把数据打通。 真正把各个部门的数据拿到手,却可能要几个月。 为什么? 因为你必须回答另一个问题:我为什么要把我的数据给你? 一个一线部门负责采集,另一个部门负责分析,第三个部门拿结果去做业务。 最后被领导看到的,可能只是后面的报表和大屏。 那前面辛辛苦苦采数据的人会问:这里面有我的什么价值? 于是孙杰他们开始重新设计规则。 数据的所有权归采集部门,使用权归业务场景方,最后产生的收益,需要共享。 因为企业里的数据孤岛,很多时候并不只是技术问题。 背后是人,是部门,是利益,也是组织怎样理解数据的价值。 AI来了以后,技术继续向前跑。 油气生产里,过去一套数据从现场采集、IT清洗、专家解释,再送给管理者决策,可能需要十二个小时。 现在,AI可以按照规则完成清洗、汇集、分析,再把专家经验预置到智能体里。 十二个小时,可以缩短到二十分钟。 这个变化放进真实生产环境里,意味着管理者能够更早判断哪些井需要增加资源,哪些产量不理想需要调整,哪些设备可能提前出现问题。 甚至一次预防性的判断,就可能避免巨大的生产损失。 听起来很美好,可AI真正进入工厂、油田、生产线以后,另一个问题又出现了。 我们日常用AI写一段文字,它错一句,大不了改掉。 生产环境不一样,一个错误判断,可能意味着设备停机。 可能意味着数百万元损失。 于是今天很火的FDE,也就是前线部署工程师,在孙杰看来,其实特别容易理解。 模型越来越强,行业壁垒依然存在。 懂AI的人未必懂油田,懂油田的人未必懂模型。 数据工程师看到的是字段,业务专家看到的是压力、温度、设备状态和生产风险。 中间需要有人把这些东西真正翻译到一起。 甚至还需要一个“本体”层,设备的数据是什么意思?它对应哪个业务状态?什么时候应该触发判断? 什么时候应该交给人? 所有这些关系需要被重新建模。所以AI时代对人的要求反而变高了。 孙杰说了一句话: 有了知识,并不代表认知提高了。 你可以下载一千份资料,收藏一百门课,电脑里放满视频。 如果没有理解、没有判断、没有真正进入业务,它们都还没有成为你的能力。 AI可以成为放大器,前提是,先有东西可以被放大。 所以聊到最后,这期节目出现了一个特别有意思的反转。 一个做了二十多年数据治理的人,说自己也有一个困扰: 资料太多了。 微信群里的文件,企业微信里的信息。 电脑里的资料,看过的文章,突然冒出来的灵感。 过几天想找的时候,自己也找不到。 吴熳听完忍不住笑:原来数据治理专家自己的电脑,也需要数据治理。 孙杰说,他未来最期待的一件事,就是把自己“数字化”。 让散落在不同终端里的信息真正串起来。 让AI理解自己过去二十年的知识、经验和判断。 从给企业做数字化,到最后想把自己也变成一个可以被持续整理、理解和调用的数据系统。 二十年绕了一圈,问题又回到了人,企业真正稀缺的,是那些能把模型带进业务,把数据连起来,把组织推动起来,同时又知道什么时候必须由人做判断的人。 💡本期你会听到 1. 一个大学计算机老师,为什么后来会离开高校去北京做工程师? 2. 从运维工程师到架构师,一个技术人看待“故障”的方式发生了什么变化? 3. 云计算究竟解决了企业什么问题? 4. 为什么技术做得越久,反而越需要理解业务? 5. 大型央企为什么愿意自己建设私有云? 6. 云平台、数据湖和企业业务之间究竟是什么关系? 7. 为什么企业的数据和业务必须逐渐标准化? 8. FDE为什么会在AI时代突然变得重要? 9. 为什么一个懂大模型的人,进了油田以后可能依然不知道该怎么做? 10. AI在个人办公里出现一点幻觉可以忍,进入生产环境以后为什么完全不同? 11. 什么是“本体”?它为什么会成为连接数据和业务的重要一层? 12. 公交车“车来了”的实时预测,为什么能帮助普通人理解企业数据本体? 13. 怎样从设备坏了再维修,走向提前预测设备什么时候可能出故障? 14. 一个真实生产场景里,数据决策为什么可以从12小时缩短到20分钟? 15. 为什么企业数字化项目交付完成以后,真正重要的工作可能才刚开始? 16. “重建设、轻运营”为什么是很多企业数字化项目的问题? 17. 孙杰总结的数字化转型三句话是什么? 18. 什么叫“从线下到线上,从手工到自动,从单兵到协同”? 19. 一个需要19个审批节点的流程,数字化到底怎样改变它? 20. 为什么企业差旅、报销、预算这些日常小事,也属于数字化转型? 21. 企业为什么会拥有几百套甚至上千套系统? 22. AI办公入口未来有没有可能把ERP、财务、项目、办公系统全部串起来? 23. 为什么今天很多企业真正的“数据孤岛”,根源在人和部门? 24. 技术两周就能完成的数据打通,为什么拿数据可能反而花几个月? 25. 数据的所有权、使用权和收益权为什么需要分开? 26. 为什么孙杰认为数据治理不能只被看成一个项目? 27. FDE时代,拥有很多知识为什么仍然不代表拥有真正的能力? 28. AI究竟是怎样成为个人能力放大器的? 29. 企业数字化最大的坑,为什么是以为“靠技术就能搞定”? 30. 一个普通人想在30天内理解数据治理,可以从什么小切口开始? 31. 连数据治理专家自己,都遇到了什么样的个人信息管理难题? 32. AI时代企业真正稀缺的,到底是更强的模型,还是能够把业务、数据、组织和技术粘起来的人? 🔥本期金句 “技术发展越来越快,但技术和业务之间始终还存在一定的鸿沟。” “不能只做一个懂技术的工程师。” “业务需要技术支撑,技术也可以反哺业务。” “做运维的时候是在救火,做架构以后,你会开始想为什么会着火。” “在生产环境里,差那么一点,造成的损失都可能非常大。” “你不仅要懂AI,还要对业务有很多理解。” “以前重建设、轻运营,现在应该边建边运营。” “从线下到线上,从手工到自动,从单兵到协同。” “技术上两周可以把数据打通,但真正拿到这些数据可能要几个月。” “所有权归采集部门,使用权归场景方,收益需要共享。” “数据治理不能只看成一个项目,它是一个持续运营的产品。” “有了知识,并不代表你的认知就提高了。” “AI只是个人能力的放大器。” “你不仅拥有知识,还要真正用知识创造价值。” “所有企业的事情都是人做出来的,所以人的思想很重要。” “如果你只有三板斧,被别人学走就会害怕;如果你还有十八般武艺,你的心态就不一样。” “从一个小切口看到数据治理的价值,再不断把它放大。” “把分散在各个端的数据汇总起来,变成知识体系里的一块砖。” ⏱Shownotes 00:15 从高校计算机老师,到企业数字化一线 孙杰二十多年的职业变化,几乎跟着企业技术发展的轨迹一路向前。 02:08 为什么企业数字化总是这么难? 技术越来越强,模型越来越强,可技术与业务之间那条鸿沟一直存在。 03:44 因为爱人来北京读研,他的人生也换了轨道 原本没有计划离开高校,一次家庭选择让他从新疆来到北京,也进入新的职业世界。 04:56 做运维以后,他第一次真正理解什么叫“稳定” 用户只看到网页和APP,工程师看到的是后面无数服务器、数据库、网络和资源。 06:33 一个网上卖书的公司,为什么最后搞出了云计算? 资源有高峰、有低谷。怎样让闲置机器重新被利用,是理解云计算非常直观的入口。 08:22 一个技术人的第一次认知升级:技术必须理解业务 当技术开始影响体验、效率和收入以后,技术和业务已经无法分开。 09:27 从“救火队员”变成架构师 工程师关注怎样尽快恢复系统,架构师开始追问故障为什么发生,以及如何提前避免。 11:19 大型企业上云,真正解决了什么问题? 把零散资源放入统一资源池,需要多少取多少,用完再释放,减少大量重复建设与资源浪费。 15:40 大型央企为什么还要自己建私有云? 数据安全、合规和隐私决定了,一部分核心业务数据无法直接进入公网环境。 16:21 云平台和数据湖为什么经常一起建设? 资源统一之后,数据也需要统一。只有数据被清洗、治理和标准化,业务才更容易协同。 17:27 企业数字化里的“秦始皇统一度量衡” 不同部门各有一套规则和系统,就像“七国八制”。标准化,本质上是在建立共同语言。 20:50 FDE为什么会成为AI时代的新角色? 模型进步得很快,行业的知识壁垒却没有消失。真正落地,需要有人懂AI,也懂业务。 22:37 AI幻觉到了生产环境,问题会突然变得很严重 办公场景里一个小错误可能无关痛痒,生产场景里一次错误判断就可能造成巨额损失。 23:55 想做FDE,第一关可能连数据都拿不到 不同设备、不同厂商、不同格式的数据,必须先被整理成AI能够理解的统一语义。 25:00 “本体”到底是什么? 孙杰把它解释成一个语义建模层,把设备数据、业务过程和实时状态真正对应起来。 27:04 用“车来了”理解企业实时数据 公交车还有几站到站,本质上也是实时数据、交通状态与预测模型共同作用的结果。 28:18 从“坏了再修”走向“坏之前就知道” 当设备数据能够实时分析,企业开始从事后维修走向预防性维护,一年可能节约数千万元成本。 29:33 数字化项目交付以后,真正重要的是运营 系统建出来没人用,数字化就很难产生价值。孙杰强调,企业需要“边建边运营”。 30:49 一个油田的数据,为什么过去要十二小时才能走到领导面前? 现场采集、IT清洗、专家解释、管理决策,一份数据要穿过多个部门。 32:36 AI来了以后,十二小时缩短到二十分钟 数据按照规则自动入湖、清洗、分析,专家经验也可以提前进入智能体。 34:36 AI为什么还能让数据精度提高? 自动清洗、多轮校验、专家反馈和算力提升,使过去大量人工工作可以更加细化。 39:01 企业数字化的三句话 从线下到线上。 从手工到自动。 从单兵到协同。 43:09 系统建好了,员工为什么还在复制粘贴Excel? 数字化如果保留原有冗余流程,甚至会出现线上走一遍、线下再走一遍的情况。 43:48 一个审批为什么能经过19个节点? 企业流程本身也需要重新设计,单纯把旧流程搬到线上无法真正提升效率。 45:38 连报销都能看出一家企业数字化到了什么程度 票据验证、差旅标准、预算控制和付款都可以通过规则提前自动处理。 50:04 什么叫“穿透式监管”? 当集团、分子公司、项目、部门和人员的数据真正串起来,管理才能从上到下一直看到业务末端。 51:01 一个大型集团到底有多少套系统? 几百套,上千套,都可能存在。 企业数字化很大一部分工作,就是逐渐减少重复系统,让数据重新流动。 52:40 为什么所有AI大厂都盯上“办公入口”? 办公是企业里最高频的场景。只要这个入口继续连接财务、ERP、项目等系统,就可能逐渐进入业务深处。 55:51 未来有没有可能,一个入口处理所有工作? 孙杰判断,未来不同角色可以从同一个AI办公入口进入自己需要的不同企业系统。 59:26 数据治理真正理想的状态是什么? 系统入口统一,数据真正贯通,一个人不再需要每天登录几十个不同系统。 59:57 数据孤岛为什么经常是“人的问题”? 原始数据来自一个部门,价值可能在另一个部门体现。如果贡献数据的人完全看不到收益,他自然缺乏持续维护动力。 01:00:58 技术两周能打通的数据,为什么企业花了几个月? 真正耗时间的是和不同部门沟通: 我为什么要把数据给你? 它对我有什么价值? 01:01:37 所有权、使用权、收益权,需要重新讲清楚 数据采集者、业务使用者和最终获益者之间需要一套清晰的价值分配机制。 01:03:51 真正做好数字化的企业有多少? 孙杰判断,当前做得比较好的主要集中在一部分头部企业,整个数字化进程仍然远没有结束。 01:05:38 把数据治理当成项目,为什么容易失败? 项目有结束的一天。 数据却一直变化。 所以数据治理更适合被当成一种持续运营的产品。 01:12:31 快问快答:孙杰日常最常用哪些AI工具? 办公类、编程类,以及一些个人探索类工具,都已经进入他的实际工作。 01:13:36 FDE最重要的能力是什么? 复合。 技术、业务、AI和认知需要真正长到同一个人身上。 01:14:45 “拥有知识”与“拥有能力”之间还隔着什么? 你收藏的资料再多,如果没有变成判断、行动和创造价值的能力,它依然只是信息。 01:15:47 做数据治理最大的坑是什么? 以为技术部门把系统做出来,这件事就完成了。 真正决定结果的,还有人的认知、利益和组织机制。 01:17:22 为什么AI时代人的思想反而更重要? 害怕经验被拿走,往往意味着自己只有“三板斧”。持续创造新经验的人,面对AI的心态完全不同。 01:19:21 普通人30天怎么开始理解数据治理? 从自己的工作开始。 找到一个小场景,让数据先在真实生活中产生一次价值。 01:20:56 《灯下白》其实也可以做数据治理 选题、播放、听众反馈、同类播客,都可以变成数据,用来帮助下一步内容决策。 01:22:15 一个数据治理专家未来最想解决的问题:把自己数字化 微信、企业微信、电脑、读书笔记、文件和灵感散落在不同地方,他也希望AI能把这些东西重新串起来。 01:25:10 原来数据治理专家也会找不到文件 资料越来越多,真正难的是让它们形成一个随时可以调用的知识体系。 01:25:53 “您是想把您本人数字化?” 从帮助企业整理数据,到最终希望AI帮助整理自己,一个非常有意思的闭环出现了。 01:26:19 二十年技术生涯最后回到了同一个问题 计算机怎么用,系统怎么稳定运行,资源怎么上云,数据怎么流动。 今天的问题变成: 怎样让AI真正理解企业的业务? 01:27:03 AI时代企业真正稀缺的人是谁? 能够把业务、技术、数据和组织真正连接起来的人。 💬听众互动 你所在的公司有没有这样的场景: 系统已经建了很多套,真正干活的时候,大家最后还是把Excel发来发去? 或者技术部门说“两周就能做好”,最后真正推进却花了几个月? 如果让你重新看自己每天产生的数据,邮件、聊天记录、会议、文档、项目资料、AI对话,你觉得它们现在是一堆散落的信息,还是已经成为了可以反复调用的资产? 还有一个问题: AI时代,一个企业最稀缺的究竟是什么? 更强的大模型,更好的数据,还是能够把业务、数据、组织和技术真正连起来的人? 欢迎在评论区告诉我们。 也欢迎把这一期分享给正在做企业数字化、AI落地、数据治理、FDE,以及正在思考AI如何真正进入业务的人。 真人真聊真AI,对白坦白灯下白。 我们下一盏灯见。

88 分钟 99+ 次播放 1个月前

评价

还没有人评价。听过的话,留个分数和一句短评吧。

播放列表

自动播放下一个

播放列表还是空的

去找些喜欢的单集添加进来吧