Shopify的AI之术

电子商务平台Shopify的CEO，发布了一份公开信，对个人，对中小企业具有很大的启发性，主要表达了六个关于AI的核心原则：

  1. 有效使用人工智能已经成为 Shopify 每位员工的基本期望。AI 不再是一个可选的技能，而是必须掌握的工具，随着它在各行各业的重要性不断增加，放弃学习 AI 应用几乎是不可行的。
  2. 在任何 GSD（Get Stuff Done）项目的原型阶段，AI 应该是主导工具。AI 能显著加速学习和创造过程，让团队更高效地开发和分享原型。
  3. 员工应当自主学习如何使用 AI，并将学习成果分享给团队。公司鼓励大家共同学习 AI 的最佳实践，利用像 Slack 和 Vault 这样的工具来分享使用 AI 的经验。
  4. 在绩效和同行评审中，员工的 AI 使用情况将被纳入考核。这意味着 AI 能力的提升将直接影响个人和团队的评估。
  5. 在提出增加人员或资源的需求之前，团队必须解释为什么他们无法通过 AI 达成目标。公司希望通过这个问题激发创新和讨论，促使员工更好地利用 AI 解决问题。
  6. 人工智能将彻底改变工作方式，Shopify 将全力投入到 AI 的使用中，鼓励团队共同努力推动 AI 技术的进步与创新，以造福商家并推动公司成长。

从普通员工的视角，这是一个明确的信号，要么拥抱AI，要么可能会被淘汰

从管理者视角，是在重塑工作流程和决策机制

从战略层面看，更像是一种面向AI时代的战略宣言，Shopify显然已经认定AI是未来的核心竞争力，而不仅仅是效率工具。

这份公开信表达了Shopify对未来商业形态的一个基本判断： AI将重塑所有工作方式。通过强制推行AI应用和内部的AI能力，推动企业在AI时代的转型升级

几个值得注意的关键变点：

  • AI从“可选”变成“必选”的强制转变

  • 把AI定位为”思考伙伴”而不仅仅是工具，这个视角很有前瞻性，说明他们看到了AI真正的价值不在于简单的自动化

  • “AI优先”的资源分配原则非常有意思，本质上是在用制度性的压力推动文化转型

Shopify作为全球顶级独立电商平台之一，他们CEO的表态具有很强的指导性意义。

推文地址：x.com

补充：Shopify 2024年全年GMV达到2922.75亿美元，同比增长24%，为三年来最高增速；全年营收达到88.8亿美元，同比增长26%；全年运营利润达到10.75亿美元，较2023年显著增长

路径依赖

看张一鸣的传记，慢慢理解路径依赖这个词，背后更深层次的意义

他对信息分发和算法推荐的执着追求贯穿了他的整个职业生涯

我对路径依赖这个词的理解：

  • 路径依赖有一定的两面性，如果之前的思考和积累，能力非常底层，那么这种路径依赖就会有极强的复利效应，比如张一鸣对于推荐算法的思考和实践，早在参与王兴的饭否项目时，张一鸣就借助饭否的社交内容开始实践信息推荐。但如果所谓的路径依赖背后是非常表层的能力，就意义不是那么大了，甚至很有可能会成为发展的阻碍

  • 路径依赖对于后续的创业或者项目运作，具有很强的赋能，比如张一鸣基于“信息找人”的基本逻辑和推荐算法，对于任何APP而言都采取这个算法

  • 路径依赖除了能力上之外，在人脉也存在路径依赖，比如99房的投资人其实在之前就一直在关注张一鸣，包括我现在身边常联系的朋友，绝大多数都是认识十年以上的朋友

所以，路径依赖应该存在三个层次：

  1. 最底层是认知框架和思维模式，比如张一鸣对”信息找人”这个基本逻辑的坚持，这种思维方式会影响一个人看待问题的角度和解决方案的选择。这种底层的路径依赖往往具有更持久的影响力。
  2. 中间层是专业能力和技术积累，张一鸣在饭否时期就开始研究推荐算法，这种专业知识的持续深耕让他在后续创业中占据了独特优势。专业能力的路径依赖需要时间沉淀，但一旦形成就很难被替代。
  3. 表层是具体的经验和方法论，这种路径依赖相对容易获得但价值也相对有限。

越是底层，越具有迁移能力。

比如张一鸣掌握的推荐算法，是一个可以广泛应用的底层能力，所以能在不同产品中产生价值。

所以我们在培养能力时，要注意其通用性和迁移性

当然，路径依赖也确实有它的局限性，比如可能导致思维固化，影响突破

阿尔法收益

阿尔法收益，是美国经济学家威廉·夏普于1964年最先提出，出自他的资本资产定价模型，后来夏普因为这个模型拿到1990年的诺贝尔经济学奖。

简单说，金融市场的行为往往就像羊群一样，具有整体性：行情好的时候众多股票一起涨，行情不好的时候一起跌。

那么你的投资组合的相当一部分收益，其实是市场整体的波动给你的，夏普把这部分收益叫Beta收益（贝塔收益）。

而阿尔法收益（Alpha收益），则是你超出市场平均水平的那部分收益。

这有点像商业竞争中的“红海”和“蓝海”策略，Beta就像是在红海中竞争，随大流涨跌；而Alpha则更像是开创蓝海，寻找独特的价值定位。

Bet策略就像是在已知山峰上攀爬，而Alpha策略则是在寻找和开辟新的高峰。虽然风险更大，但潜在回报也更高

但是，这两种收益并非对立。就像游泳，既可以利用洋流的力量，又可以自己奋力前进。关键是要明白哪些收益来自于市场大势，哪些来自于自己的独特优势。

追求Alpha也意味着更大的风险和不确定性，Alpha收益可能会有更大的波动。这需要更强的心理承受能力和更系统的风险管理能力。

这个概念其实可以延伸到商业、创新等诸多领域。在任何领域，真正的价值创造都来自于开创性的思维和行动，而不是简单的模仿和跟随。

追求Alpha确实意味着更大的不确定性和失败可能。但有趣的是，在长期来看，不追求Alpha可能才是最大的风险

如何理解？

AI迭代策略

一直在说AI迭代思维，但真的践行的时候，其思维上的阻碍还是很多的

直到真的感受到它带来的巨大变化之后，可能才会真的理解它的好处

上午花了大概一个小时左右的时间，通过不断的通过AI来指导我修改工作中的一套的提示词，直到达到我想要的两个目标为止~

然后再和第一版提示词进行对比，发现在很多方面，质量有了很显著的变化

比如：提示词的逻辑性、指令互斥性、对于一些过程目标或概念的明确化等等

整个过程，都是不断的问AI，让AI来进行分析和提出改进建议，以保证有效的迭代

我的几点感触：

  1. 对业务逻辑本身的理解非常重要
  2. 对要达成的目标要十分的清晰，而且在整个过程中需要不断的强调这个目标
  3. 对于AI的建议背后，需要有一定的理解和判断能力，这样才能形成很好的迭代能力
  4. 需要意识到AI在很多方面确实比自己强，而且效率极高

知道和做到

今天给新同事做第二天的培训，讲了不少关于AI的内容

直到我讲完，让大家开始进行实战练习，问题在开始真正的暴露出来

主要表现在两方面：

一是大家以为自己理解了，但在执行的过程中，发现以为很简单的事情，等自己真正做起来，才发现不是那么回事，中间需要注意的地方其实是非常多的

二是我也发现，团队在实战过程中所遇到的问题，几乎全是这两天培训过程中所强调的那些问题，这也说明，这些问题可能就是通病

知识获取和技能形成之间的鸿沟，听懂了不等于会用，这应该是很多领域都存在的普遍现象

特别是在AI这个领域，因为它看起来很神奇，很多人容易产生”好像很简单”的错觉，但真正要做好需要大量练习

朋友有一个AI社群，叫“干中学”，我觉得意义还是很大的

在著名的学习金字塔理论里，纯粹的被动学习保留率很低，而实践和教授他人的知识保留率最高。在AI这样一个需要大量实践经验的领域尤其重要。

这和只是看看文章，了解了解概念，就以为自己懂了，还是不一样的