首席AI官

每一家公司，都需要一个首席AI官

拜访一家上市公司 ，在晚上和对方 CTO 私聊时，对方分享了下他们内部在做 AI 改造时的一些经验和成果

还分享了一个很有意思的案例，他们的一个朋友，成立了一个 AI 部门，并且该部门被提升到了一级部门，由 CEO 直接管理，团队由各种擅长 AI 且喜欢 AI 的组成，推动企业各个场景的 AI 化，成效非常显著

大致的逻辑是，把企业的实际业务进行系统梳理，拆解成大量的有潜力的 AI 化场景，再由 AI 团队联合业务部门依次解决

这种模式的前提就是企业的一把手或 CEO，懂 AI 或有 AI 的意识，同时给予这个 AI 部门足够的重视与无条件支持

这个问题我也和 AJ 进行过请教，她在给不少企业做 AI 培训和 AI 落地时发现，制约企业 AI 落地最大的原因不是方法，而是这个企业固有的基因与组织文化，比如流程固化、思维固化、容错率低等

她也认可，目前看只有一把手重视且成立一个完全独立的一级 AI 部门，是一个有效的方法，哪怕这个一把手不懂 AI，但只要有 AI 意识，给与这个 AI 部门足够的信任、包容与资源支持，就能让 AI 落地的效果变得很好

这个 AI 团队的负责人，我把它理解为是一家企业的“首席 AI 官”，一个好的 AI 官，不仅非常懂 AI，还要懂业务，懂协作与管理，一些执行得比较好的公司，也会把这个角色让 CTO 或 coo 来兼任，其实也是可以的，然后再招募有 AI native 的部门成员

极简工作与生活

去杭州，和一位多年好友聚餐交流，他分享了他不少这两年的一些心得

一、关于工作与管理

他目前公司 200 多人，他是公司联创，主管技术团队及其中一块核心业务，拥有过亿的用户体量与大几千万的私域用户

  1. 从不定过程目标与 OKR，只定年度目标，过程管理员工自己定
  2. 也不建工作群，所有工作沟通都是员工或骨干与他一对一单线沟通
  3. 有一个比较有意思的机制，就是他要求每一位员工每天都需要向他一对一发工作日报，但他大部分日报不看，只是选择性的查阅，但员工必须每天要发
  4. 每天真正工作的时间，可能一两个小时就差不多了，就是想到了一些新点子，就去安排，会议也很少
  5. 这种极简的管理方式，整体还是很省心的，在异地的一个几十人的技术团队，他已经两年都没有去过
  6. 公司这两年几乎不裁员，这就导致公司目前绝大多数都是十年以上老员工，按他的说法，把公司经营成了养老国企
  7. 我问为什么不裁员，他说之前裁员员工出去就能找到工作，现在裁员的话，他们很难再找到工作了

二、关于商业模式

  1. 虽然他一直说他的员工每天很闲，但其实这两年在 AI 落地与自动化落地上的布局，导致了整体的技术与运营效率很高，几乎所有能被自动化和 AI 化的场景，都进行了改造
  2. 在商业模式上，不碰重资产模式，通过极度轻资产的变现模式来提升了盈利效率
  3. 我问，现在 AI 这么火，不想着去用一些闲置资源探索下创新产品吗？他说，他们不具备这个基因，还是适合“抄”，有点“敢为天下后”的感觉

三、关于物欲与生活

  1. 他给我算了一笔账 ，发现他每个月的支出只有 960 元左右，因为没有什么
  2. 每天除了工作，就是看书和陪伴家人，包括陪孩子写作业，我问孩子写作业为什么需要陪，他说就在旁边看书
  3. 孩子写完作业，就和孩子的入睡时间点一样，开始睡觉，从晚上十点到早上八点，相当于每天睡 10 个小时，这个睡眠真是让人羡慕啊
  4. 他现在很享受发呆的时刻，工作之余，大量时间发呆，我问发啥，他说在想很多事情的逻辑，想清楚了，就安排下去
  5. 现在最大的体会，就是这两年把物欲降低了下来，只要物欲足够低，工作与生活的幸福指数就会很高

什么是AI领导力

邀请向阳给团队进行 AI 的分享，团队也提出了不少有价值、有意思的问题，比如：

  • 现在AI 编码真正能替代人工的边界在哪？产品 / 运营岗用 AI 写代码，最该练的 1 个核心场景是什么

  • 未来 AI 最可能颠覆但大家还没重视的行业是什么？

  • AI Agent 从玩具到生产力工具的临界点？还差什么条件？

  • 搭建一套日节省 2 小时以上的 AI 自动化流程，最低门槛的 3 个步骤是什么？

  • 未来的AI产品的形态是什么样的？

  • AI工具和模型一天一个样，怎么建立一套过滤噪音的信息源和学习方法？

  • 程序开发+AI，比如一周可以完成原来一个月的工作量，效率提升4倍，继续提升就不知道该怎么办了，成百上千倍效率的提升是怎么做到的，质变需要什么

  • 你觉得现在 AI 最大的问题，是能力还不够，还是人类还不会正确地使用和约束它？

  • 你觉得未来 AI 更像是一个工具，还是一个可以被理解和设计的“环境”？

  • 如果 AI 对人类意图的理解越来越强，你觉得未来的软件会变得更复杂，还是更简单？

  • 你觉得未来人与 AI 的交互，更可能是对话（聊天）、命令（类似 CLI），还是一种更“无感”的形态？

  • 你觉得 AI 的进步，主要会来自模型本身的提升，还是来自人在使用过程中不断修正它？

  • 你觉得一个好的 AI 系统，本质上是在解决问题，还是在设计“提问的方式”？

  • 如果 AI 可以替代大部分执行工作，你觉得人类未来最核心的价值会是什么？

  • 未来AI能极致提效的工作形态是什么样的？我们距离有多远，现在应该从哪些方向入手？

这些问题本身其实也能带来不少启发，比如这个问题“程序开发+AI，比如一周可以完成原来一个月的工作量，效率提升4倍，继续提升就不知道该怎么办了，成百上千倍效率的提升是怎么做到的，质变需要什么”，向阳的思考：

对于成百上千倍效率提升，可以分成四个阶段：

第一个阶段，用 AI 写代码，效率提升 2-4 倍，这是很多人目前用 AI 提效的主流用法

第二个阶段，AI 领导力+工程化实践，效率提升 5-10 倍，

第三个阶段，工作流编排+自动化，10-100 倍

第四个阶段，系统性重构思维，100 倍以上

后来发现，这些问题有不少共性答案，比如AI First、审美、经验、判断力、迭代等，这些原则和心法，在我和向阳去年设计的课程“AI领导力”里，都有体现

可以这样往下补，整体会更完整一些：

如果一个人在思维层面，还停留在把AI当成一个零散工具去用，那提效通常只是局部的、阶段性的，天花板也会比较低。真正关键的，是能不能把AI放进自己的工作系统里，重新定义流程、重新设计分工、重新理解人的角色

再往后看，一个人在AI时代的竞争力，很可能会越来越取决于这几个能力：

第一，是AI First的习惯。

遇到任何问题，先想这件事能不能交给AI参与，能让AI参与到哪一层，哪些步骤该由AI先跑一遍，哪些地方再由人来判断和兜底。时间一长，工作方式就会发生很大变化。

第二，是审美。

同样用AI，有的人产出很平庸，有的人却能做出明显更高质量的结果。这里面的差别，很多时候并不在工具本身，而在于一个人对好坏的感知能力，对结构、表达、产品体验、内容质量的判断能力。审美越高，AI产出的上限越高。

第三，是经验。

AI可以给出很多答案，但它并不天然知道什么方案更适合当下的业务、更符合现实约束。真正有经验的人，能够快速识别哪些建议能落地，哪些只是纸面上好看，哪些地方要补边界、补流程、补验证。

第四，是判断力。

未来信息会越来越多，模型会越来越强，工具也会越来越泛滥。这个时候，真正重要的能力，是在大量可能性里做取舍，知道什么值得做，什么可以暂时不做，什么应该先做，什么要长期投入。判断力决定方向，方向对了，效率才有意义。

第五，是迭代能力。

AI时代很少存在一次性做对的方案，更多是快速试、快速看反馈、快速修正。谁更愿意小步快跑，谁更能在不确定中持续优化，谁就更容易把AI真正变成生产力。

如何与AI协作，如何管理AI，如何约束AI，如何把AI放进组织和业务里，最终形成可持续放大的产出能力，可能是最关键的技能

从这个角度看，未来人与人的差距，表面上看像是AI使用水平的差距，实际上更深一层，是系统思维、审美能力、业务判断和持续迭代能力的差距

而这，可能才是AI时代真正值得长期修炼的基本功

构建跑步系统

按照《系统之美》的原理来设计跑步，核心思路是，把跑步看成一个动态系统。这个系统里，有目标、有要素、有连接关系、有反馈回路、有延迟、有约束，还有系统杠杆点。

真正有效的跑步设计，最重要的关键，是能不能搭出一个长期自我进化的系统。

一、跑步系统到底是什么

一个人的跑步表现，不是由某一次训练决定的，而是由一个完整系统共同决定：跑步能力 = 身体基础 × 训练刺激 × 恢复吸收 × 行为稳定性 × 决策质量

这里至少有五个子系统：

  1. 身体系统：包括心肺、肌肉、肌腱、关节、神经系统、代谢能力、体重体脂、灵活性
  2. 训练系统：包括跑量、强度、频率、专项课、力量训练、技术训练
  3. 恢复系统：包括睡眠、营养、补水、放松、伤病管理、压力管理
  4. 认知系统：包括对训练的理解、节奏判断、风险识别、目标拆解、复盘能力
  5. 行为系统：包括执行纪律、习惯设计、环境支持、情绪稳定、长期坚持能力

多数人跑步提升慢，问题往往在于只盯训练系统，没有同时经营另外四个系统

二、先找“存量”和“流量”

  1. 存量

就是你当前已经积累起来的东西，比如：有氧基础、肌肉力量、跑步经济性、韧带与肌腱耐受度、神经协调性、体能储备、抗疲劳能力、自信心与经验等

这些都不是一天形成的，也不会因为一两次训练立刻改变

  • 流量

就是每天进入系统和流出系统的变化量，比如：本周跑量、本周高强度训练次数、每天睡眠时长、每天摄入热量与蛋白质、每周力量训练次数、每周恢复时长、每周压力负荷

很多人犯的错误，是天天盯流量，忽视存量，比如今天跑了多少，今天配速多快，很容易上头。

但真正决定你半年后成绩的，是存量有没有持续变厚。

所以，系统化设计跑步，第一原则就是：所有训练安排，都要服务于关键存量的积累。

三、跑步提升的本质，是5个关键存量的积累

  1. 有氧能力，决定你能不能长时间稳定输出
  2. 跑步经济性，决定了同样速度下消耗多少能量
  3. 乳酸阈值能力，决定能在较快速度下坚持多久
  4. 组织耐受度，包括肌腱、关节、足底、小腿、大腿后侧等组织，决定你能否安全承载训练量
  5. 恢复能力，决定对训练刺激的吸收效率

这五个存量里，很多人只练前面三个，忽略后面两个，结果就是，一度进步很快，随后受伤、停训、倒退。

所以，系统设计里要明确：提升成绩，不是单点提速，而是提升整个系统的承载上限。

四、跑步系统里的四个回路

跑步里有很多反馈回路，至少要看懂这四个：

  1. 强化回路：越练越强 = 训练刺激 → 身体适应 → 能力提升 → 可以承受更高质量训练 → 再次提升
  2. 平衡回路：疲劳限制提升 = 训练增加 → 疲劳积累 → 恢复下降 → 表现下降 → 训练质量下降，这个回路在提醒我们，系统天然会寻求平衡，不可能无限增长。
  3. 伤病回路：过度训练后的负循环 = 训练过猛 → 局部组织超负荷 → 伤痛出现 → 跑量下降 → 状态下滑 → 心态焦虑 → 更容易乱练 → 伤病加重
  4. 心理行为回路：成绩影响执行 = 小进步 → 信心增强 → 执行更稳定 → 训练更连续 → 更容易进步

反过来也成立，连续受挫 → 焦虑 → 训练随意 → 状态更差

所以，跑步系统设计，必须同时管理身体反馈和心理反馈

五、从延迟看跑步，最大的误区是低估“延迟”

系统里存在大量延迟，比如

  • 今天练得猛，伤病可能两周后才爆发

  • 有氧能力提升，往往要4到8周才更明显

  • 力量训练对跑姿和经济性的改善，往往要6到12周才看出来

  • 过度减脂对状态的破坏，也是延迟出现

  • 睡眠不足的危害，也常常会累计后爆发

所以系统化训练，不能只看当天反馈，要看延迟后的结果

这就意味着：短期感觉好，不代表方向对。短期感觉一般，也不代表训练无效

跑步系统里的一个重要能力，是对延迟保持耐心

六、从杠杆点看跑步，真正高价值的改变在哪里

很多人把精力花在低杠杆点，比如：买更多装备、频繁换课表、天天刷配速、一直找最强训练法……

这些其实作用有限，真正高杠杆的点，通常在这里：

  1. 睡眠。睡眠是恢复系统的总开关，睡不好，训练刺激就很难转化为能力
  2. 周期化安排。什么时候加量，什么时候减量，什么时候做专项，什么时候回基础，比单节训练更重要
  3. 强度分布。大多数人真正的问题，是中等强度太多，低强度不够低，高强度不够准
  4. 伤病预防。力量、灵活性、落地控制、组织耐受训练，常常比多跑一节更值钱
  5. 行为可持续性。能连续训练48周的人，通常会赢过只猛练8周的人
  6. 决策质量。会不会在疲劳期收、会不会在状态好时稳住、会不会用数据纠偏，这些很关键

核心原则：优先优化高杠杆点，而不是沉迷局部细节

七、一个“人人可用”的系统化跑步模型

第一层：目标层

先回答三个问题：

  1. 你想要什么结果，比如完赛、减脂、半马破2、全马330、健康跑
  2. 你愿意投入多少资源，比如每周多少时间、多少恢复预算、多少训练耐受
  3. 你当前处在哪个阶段。比如，新手、进阶、平台期、伤后恢复、成绩冲刺

第二层：评估层

对自己的跑步系统做一次体检，至少要看九项：当前成绩、周跑量、最大可承受跑量、安静心率或主观恢复状态、睡眠情况、力量基础、伤病史、体重体脂、执行稳定性

第三层：结构层

把训练结构固定下来。

一个普通跑者的系统结构，通常包含：、低强度跑、长距离跑、阈值跑或节奏跑、间歇或速度课、力量训练、技术训练、恢复日、完全休息日

这八个模块不是每周都一样重，但系统里最好都有位置

第四层：反馈层

每周要有反馈机制，至少看六个指标：实际完成率、疲劳感、睡眠质量、心率变化、局部疼痛评分、关键课完成质量

如果这些反馈异常，就要调节系统输入，而不是硬扛

第五层：迭代层

每4周或8周做一次系统复盘，比如：哪些能力在进步、哪些地方在卡住、伤病风险有没有上升、跑量和强度分布是否合理、目标是否要重新设定、下一阶段重点是什么

这样，跑步就从“凭感觉练”，变成“系统迭代”

八、一个最小可运行系统

普通人最小跑步系统每周只抓四件事：

  1. 总量，每周跑3到5次，先保证连续性
  2. 强度，每周最多1到2次质量课
  3. 恢复，每天睡眠、每周至少1天低负荷
  4. 力量，每周2次基础力量和稳定性训练

然后每周做一次5分钟复盘：本周总跑量多少、有没有明显疲劳、有没有疼痛、哪节课最好、哪节课最失控、下周是加、减、还是持平

这就是一个很实用的系统原型

九、分层指导策略

因为不同人处在不同系统阶段。

  1. 新手阶段

目标是建立闭环，不追求速度

重点是：养成频率、强化有氧基础、建立动作意识、提升组织耐受、避免受伤

  1. 进阶阶段

目标是提升能力上限

重点是：提高周跑量、增加阈值训练、优化力量训练、形成周期化结构、学会根据反馈调节

  1. 冲刺阶段

目标是专项成绩突破

重点是：更精细的专项课、更明确的比赛配速训练、更严谨的恢复与营养、更高质量的数据反馈、更强的节奏控制能力

  1. 平台期阶段

目标是找系统瓶颈，重点是进行全面的诊断：是有氧基础不足还是经济性不足，是阈值能力差还是恢复跟不上，是训练太单一还是心理波动太大等等

平台期，本质上是系统约束暴露出来了

十、跑步最关键的8条原则

  1. 先看整体，不要只盯单次训练，单节课只是局部，长期结构才决定结果
  2. 关注关键存量，而不是短期刺激，有氧、耐受、恢复能力，都是慢变量
  3. 设计反馈回路，而不是靠意志硬撑，系统要能自我纠偏
  4. 尊重延迟，很多有效训练，不会立刻给你奖励
  5. 管理约束条件，伤病、睡眠、压力、体重、时间，都会限制系统表现
  6. 找高杠杆点，睡眠、强度分布、力量训练、周期安排，常常比多跑一次更重要
  7. 保持冗余，不要把训练压到极限，系统需要弹性，有弹性，才能长期运行
  8. 让系统可持续，真正强的人，往往是能持续多年稳定进化的人

十一、跑步操作系统

这个系统可以分成四个模块：

模块1：系统诊断，判断你当前的系统状态、瓶颈和风险点

模块2：系统处方，给出下一阶段训练结构，而不只是某节训练内容

模块3：系统反馈，通过周复盘、月复盘、数据变化来判断系统反应

模块4：系统迭代，根据反馈重新调整目标、输入、节奏和结构

AI Native公司

未来硅世界，周六邀请了happycapy的创始人来进行分享，happycapy是一家非常AI Native的公司，下面是一些有意思的观点与洞察：

  1. 真正的AI Native，先得是组织变了，然后才轮到工具变，团队先把工作习惯变成AI Native，才会真正需要AI Native工具。另外，Agent会带来决策半径的放大，而决策半径一旦放大，组织层级就会自然塌缩
  2. 无论是公司还是个人，真正拉开差距的关键，在于是否按AI重做流程
  3. 人和Agent协作的三个阶段，是接管重复工作、拔高能力边界、探索未知问题
  4. 今天的产品仍然在服务人，未来的产品会更多服务Agent的调用，这也是一个目前大家共识的创业方向，所以，未来的产品不是为人类设计的 GUI，而是为 Agent 设计的 CLI
  5. 今年，Agent真正的升级，在于终于长出了手，下一代计算机，会越来越像Agent和Computer的二合一，，相当于Computer 会是 Agent 的躯干
  6. AI主导开发时，冗余和废案几乎不可避免，冗余会成为AI时代的常态，清理冗余会成为新的效率来源
  7. 团队放弃了很早就放弃了人工 review 每一行代码的习惯，因为代码写得太快，多到没法 review，这个过程本身就是 AI Native 工作方式的演练
  8. 一个Agent做，另一个Agent复核，准确率已经可以稳定高于人类
  9. 最适合先交给Agent的，是那些重复、明确、容易验收的事
  10. 完美产品会越来越少，快速上线的可用产品会越来越强，只要决定它没有重大风险，就把功能尽可能先推上线
  11. 当代码提交量暴增100倍，管理者就得从审代码转向审体验，AI时代最稀缺的，已经变成筛选和验收能力
  12. 一个工作内容的变化：从过去的 Review 代码本身，变成了 Review 产品体验，所以，CTO未来的重要工作之一，是盯住产品是否真的变好了
  13. 更优秀的方法论，能把成本真正降下来
  14. 这轮变革里最危险的对手，往往是自己对变化的迟钝
  15. AI时代的产品终局，可能是每个人都有自己的90分版本
  16. 真正值得长期关注的机会，是为Agent打造产品