东京有一个做高端中餐的老板，我跟他认识几年了。店里的客人主要是在日本的华人家庭，商务宴请、家宴、小规模私宴，翻来覆去就是那批熟客。 他一直想在"卖饭"之外再长一层东西。这些人一年来几趟，吃完就走，关系停在餐桌上。他想把他们变成长期关系——不只是来吃饭，还能把别的事托付给他，做成一套会员制。 前段时间他真把方案做出来了。没请咨询公司，也没照着别人的会员制抄一份，是他自己用AI agent推出来的：坐在店里跟agent来回过了几轮，从这门生意怎么定位一路推到了怎么落地。 交出来的不是一张会员价目表，是一套把整门生意重新拆过的方案，四个层面： ·生意结构——线下的场、面向人的会员服务、线上的零售交易，各做什么、边界划在哪 ·会员产品——卖什么、承诺什么、法律上算什么 ·服务交付——客人从哪儿进来、按什么流程交付 ·系统与合规——后台怎么搭、账怎么对、红线画在哪、钱怎么算 他把这份东西发给我，想听听意见，主要是想知道怎么落地。 我看完第一遍的感觉是：完整得有点不真实。 于是从头又看了一遍。这一遍不看它写了什么，只看每一条背后要谁去做。看到一半我就明白了——问题不在方案写得好不好，在这些字后面站着的人，一个都还没有。

3月份写的一篇文章，好像挺适合这个Club的，转发一下 给想用大模型做投资的人三个建议 1. 从研究开始，不要从交易开始。 先让大模型帮你看公告、读财报、跟踪宏观数据。等你对它的能力和局限有了体感，再考虑下一步。 2. 保留人类决策权。 大模型给建议，你做决定。这不是保守，是在当前技术阶段唯一理性的架构。 3. 建QC流程，不要盲信。 我们的每份研报都有质检环节。大模型的输出不是真理，是需要验证的草稿。

上个月有一天晚上，我坐在电脑前，面前摊着五份东西——一份投资标的的初筛报告、两份门店运营的周度分析、一份给合伙人的方案初稿、还有一段要发出去的内容草稿。 全是 AI 产出的。格式整齐，结构清晰，该有的部分都有。 我花了将近三个小时，一份一份地看。不是在看它们写了什么，而是在判断：哪些能用，哪些不能。 看到第四份的时候，我意识到一件事：我今天最大的工作量，不是在创造，是在筛选。而且这几个月，这个比例在反转。 01 产出越多，问题越大 说实话，半年前我没有这个问题。那时候 AI 还没有深度嵌入我的工作流，产出量有限，我看一份就能判断一份，没什么压力。 但是当你把 AI 铺到多条业务线，让它同时跑投研、跑运营分析、跑内容，产出量会暴涨。一天生成的东西，以前要做一周。 问题是：我消化这些产出的速度，完全没有跟上。 AI 产出的东西有一个阴险的地方：它看起来很完整。格式整齐，逻辑通顺，该有的部分都有。你很难凭直觉觉得它「不对」。本能反应是留着，或者「先放着以后再说」。 于是系统里慢慢堆满了没人验证过的东西。等到某一天集中暴雷——一个发出去的数字是编的，一份方案的核心假设站不住脚。 Anthropic Claude Code 团队的 Boris Cherny 在 X 上把未来产品团队的角色拆成了五类： ・Prototyper（原型师）：快速把想法做成可以看的东西 ・Builder（构建者）：把原型做成稳定可用的产品 ・Sweeper（收尾者）：把 AI 做出来的半成品收拾到真正能用的状态 ・Grower（增长者）：推动产品持续迭代和增长 ・Maintainer（维护者）：保持系统长期健康稳定 他的观察是，这五类里最难找的不是会写代码的，是 Sweeper。 AI 时代，生产能力第一次真的不是瓶颈。瓶颈全部转移到了另一侧——判断哪些东西值得留下来。 Boris Cherny 说，Sweeper 不是写新代码、不是设计新功能，而是专门把 AI 做出来的那些「差一截」的东西——逻辑跑通了但没法用、结构完整但有漏洞——收拾到真正能交付的状态。生产从不缺，缺的是这最后一步。

有一段时间，我的工作节奏很好。用AI做分析、写文案、整理信息，一切都更快了⁠。每天都有产出，每天都感觉在往前走。 直到有一天，有人问我一份分析里的逻辑——一个我自己发出去的结论，我解释不了它是怎么来的。 不是不记得了。是那个推导过程根本不是我做的。是AI给的，我接受了，然后发出去了。 那一刻我意识到：我用AI的时间越长，我以为自己在做的事，和我实际在做的事，差距越大。 这篇是前七篇的反面。前七篇讲怎么建对，这篇讲你建好之后，哪些坑在悄悄把你建的东西蚕食掉——而且越用越顺手，越发现不了。 我整理了八个陷阱。不是理论，是真实踩过的，有些不止一次。

前几篇我写了判断力、组织架构、裁传话层、信任管理——每一篇都有人问同一个问题： 「你说的那种人，我怎么知道自己是不是？」 这个问题我一直没有正面回答。直到招人这件事，逼出了一个答案。 我们最近在找人。一开始用的是传统方式：收简历，看背景，约面试，聊想法。 问题很快出现了。聊起来很厉害的人，真让他做个东西出来，就卡住了。说得头头是道，动手就没了下文。 后来我们改了流程：面试之前，先发一道题。做出来了，才开始聊。不是填表，不是写方案，是交一个能跑的东西。 做不出来？那就先不用聊了。 这道题筛出来的，就是我们在找的那种人。我们叫他 Builder。

信任一个人，配上 AI，产出可以是十倍。 监控一个人，他的精力全用来应付你。 不是哲学，是资源分配。 AI Native 管理的核心假设就一个：留下来的人，值得信任。 你的工作不是防他。是给他更好的工具、更清晰的方向、更真实的反馈。这三件事 AI 都能帮你做得更好——前提是你别拿它反过来对着人用。

上一篇的结论是裁掉传话层。裁完了。假设你现在留下的全是能判断、能执行的人。 问题来了：这些人如果还是只管自己那一段，协作成本减少了，但没有消灭。 常规军的逻辑是分工——产品经理想需求，设计师出图，工程师写码，每个人只做一段。这段和下一段之间需要交接，交接就需要开会、写文档、等确认。人少了，交接还在。反而因为每个人承担的活更多了，交接更频繁了。 特种部队的逻辑完全不同⁠：每个人的作战半径更大，能打完整个任务链，不需要等别人交接。 这两种逻辑的差别不是效率高低的问题，是有没有摩擦的问题。 真正消灭协作成本的方式，不是裁掉协调的人就完了。是让每个人把前后两道缝接住。

我认识很多创始人，公司做到几十人之后，组织里自然长出一批角色——他们不直接做事，但负责让做事的人之间信息对齐。传话的、追状态的、开会的、写 PPT 汇报的。在以前，这是必要的。大量人力在执行的时候，你确实需要一层人专门负责协调，否则左手不知道右手在干嘛。 但现在执行交给 AI 了。这层人的存在前提——「大量人力需要被协调」——消失了。前提消失了，人还在，就变成了纯粹的摩擦层。 说真话，我自己团队也经历过这个阶段。一开始觉得加个工具就行了，结果发现，AI 能做的事越来越多，但项目还是卡在「等老板确认」「追某个人要信息」「开会才能对齐方向」上面。AI 把每个人的手速提了十倍，但组织层面的摩擦一分没少。 加工具容易，动这一层难。因为这一层是人，是利益，是面子。这才是真正的门槛。

计划中，系列之四

日本实际上一直在学的是欧洲，脱亚入欧，日本现在的很多社会行为实际上在欧洲都可以找到； 真正学美国的反而是中国