Anthropic 最近做了项调查，把同一组关于 AI 能力的问题，分别抛给了 1,334 名内部员工和一批美国成年人。其中一道题是：AI 什么时候能独立完成科研？
问当下，两边答案差不多——都只有约四分之一的人认为 AI 已经能独立设计并发表一项研究。
把时间推到 2027 年，分歧就拉开了：90% 的 Anthropic 员工觉得届时没问题，美国成年人里只有 38% 这么想。
日常体感差异更明显。选一件 AI 擅长的活儿，把检查和返工的时间也算进去，59% 的 Anthropic 员工表示只需要原来的四分之一甚至更少。相比之下，在工作中使用 AI 的美国人里这么说的只有 26%，还有 29% 觉得没变快，甚至更慢了。
Anthropic 首席经济学家 Peter McCrory 估计，公司在 AI 应用上大约领先整体经济一年半。
不过我更在意的不是这一年半。Claude Code、Skills 以及各种工作流正在快速传播，工具层面的差距也许很快就会被抹平。工具越来越容易上手，但真正想到让 AI 去干哪些以前不敢干的事，恐怕需要更长时间。
Claude 团队工程负责人 Felix Rieseberg 最近写了篇《How to be more ambitious》，聊的正是这件事。他把答案拆成四个方向：速度、高度、深度、广度。
一、速度：做得更快，只是第一步
以前做一份 PPT 要大半天，现在交给 Claude，半小时可能就搞定了。
Felix 在原文里直接跳过了这个层次。在他看来，“做得更快”已经不是最值得讨论的问题。
可今天很多企业聊 AI 提效，恰恰卡在这一步：整天研究怎么把 PPT 做得更快，却很少有人反问一句——公司真的需要这份 PPT 吗？
二、高度：先问这件事为什么要做
Felix 用的正是 PPT 的例子。
公司每季度都要做经营汇报，现在交给 Claude，PPT 分分钟做出来。但 Felix 认为，问题恰恰在于我们太习惯做 PPT 了。
更好的做法，是把手上所有数据都交给 Claude，让它说清楚这个季度变了什么、为什么变、接下来该怎么办。再进一步，找出最需要管理层拍板的三个决策，各自列出正反论据。
还能继续往上追问：季度汇报到底为了什么？
Felix 有个简单技巧：把任务里的名词换成动词。照这个思路，“做季度汇报”真正的目的是“帮管理层尽早发现问题，决定人和钱往哪里投”。
这么一想，季度汇报不过是数据靠人工整理的年代沉淀下来的手段。为什么非得等到季度末？
Felix 的建议是，让 Claude 设计一套更好的机制，拿公司自己的历史数据证明它能更早暴露问题，再跟现有汇报并行跑一个季度。从让 AI 做一份 PPT 开始，最后演变成重新设计企业发现问题的路径。
目标抬高之后，问题接踵而至：AI 靠什么去完成？Felix 自己的经历恰好说明了这一点。
去年年初，他还在让 Claude 逐个修复软件崩溃。后来，他直接要求 Claude 让应用保持不崩溃。
为此，他先让 Claude 能拿到崩溃日志，搞清楚每个版本对应哪次代码提交，还给它准备了不同操作系统的测试环境，让它自己复现问题、验证修复。
光在 Prompt 里写一句“保持零崩溃”，显然不够。目标抬高了，还得把数据、工具和验证机制串起来。
这个例子让我想到不少企业的困境：模型买回来了，数据却接不通，工具调不起来，结果也没人验证。
三、深度：别让 AI 装专家，让它按专家的方法做
不少人习惯这样问 AI：“请你扮演一位资深商业分析师。”
Felix 提醒，这种问法有个毛病：AI 可能只是换了套专业词汇，分析方法一点没变。
还是拿这家公司来说。假设客户流失严重，管理层一直认为问题出在新用户上手体验不好。
AI 很可能顺着这个判断往下走，建议优化注册流程、改进新手引导。
但有经验的分析师不会急着开药方。他会先问一句：有没有数据证明，客户真是因为这个原因离开的？
接下来才是检查原始数据、寻找异常、提出假设，再用新数据去验证。
这才是 Felix 说的深度：与其让 AI 说话像个专家，不如要求它真正按专家的方法做事。
派活之前，他常让 AI 先回答四个问题：
- 这个领域的顶尖专家，还会做哪些我没明确要求的事？
- 他们会从哪些最原始的材料入手，而不是用别人整理好的？
- 他们会动用哪些具体的方法和工具？
- 除了 AI 自己的判断，还有什么能证明结果可靠？
我个人最喜欢第二条和第四条。前者提醒我们别只盯着整理好的结论，后者逼我们提前想清楚：怎么才能证明 AI 做对了。
四、广度：一个问题，让几个领域一起想
假设你想深入研究一家上市公司。
过去无非是看财报、查新闻、读分析师报告。
但如果预算不成问题，我还想再找几个人：调查记者负责追踪线索，数据科学家检查经营数据，做空机构研究员专门挑商业模式里的漏洞。要是涉及复杂交易，最好再请一位专查复杂财务问题的会计专家。
过去组这样一个团队，普通人根本负担不起。现在借助 Claude Code 这样的工具，至少能尝试其中一部分研究方法。
比如财务数据看起来很漂亮，但从做空者的视角去查，或许能发现异常的收入增长；记者挖到的线索，也可以回到财报和公开披露信息里交叉核对。不同专业的视角叠在一起，既能互相补齐盲区，也能验证彼此的结论。
AI 当然替代不了真正的调查记者和专业会计。但一些过去请不起团队、做不起的研究，现在普通人至少可以先上手试一试。
读完这四个维度，我觉得最实用的做法，是下次给 Claude 下需求前，先问自己四句话：
- 速度：这件事怎样能更快完成？
- 高度：做完这件事，我真正想要的结果是什么？
- 深度：顶尖专家会用什么方法，如何验证结果？
- 广度：还有哪些领域的方法能帮上忙？
五、被低估的，可能是我们自己
Felix 在文章结尾讲了米开朗基罗的故事。
米开朗基罗起初并不想画西斯廷礼拜堂，因为他认定自己是雕塑家，不是画家。
人太容易被过去的经验困住。做了多年雕塑，就觉得自己画不了壁画；没有专业团队，就认定复杂的研究自己做不来。
过去判断一件事能不能干，我们往往先看自己会不会、有没有团队、预算够不够。很多想法还没起步，就先放弃了。
AI 没有让这些限制彻底消失，但确实让一些过去做不起的事，有了试一试的可能。
回到开头那份调查。90% 与 38% 的差距，或许值得我们再想想：那些每天都在用 AI 尝试新事情的人，是不是已经换了一套标准去判断什么叫做可能？
下次打开 Claude，我想先问的可能不再是“帮我完成这件事”，而是：
“如果从头来过，这件事有没有更好的做法？”
原文出处：How to be more ambitious: A tutorial for humans with models，作者 Felix Rieseberg
发表于 5 小时前
|
查看: 3|
回复: 0
