AI时代，什么才真正值得构建？

AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

我现在可以构建比我能够负责任地维护、评估、验证或学习更多的原型想法。

AI代理让更多的事情变得可能。它们可以编写代码、生成摘要、起草文档、创建图表、搭建应用程序、清理数据，并将一个粗略的想法转化为看起来像工作产品的东西，速度比以前快得多。这可能很有用，我一直在使用这些工具，但更便宜的实现创造了一个新问题。更多的想法很容易存活足够长的时间，从而成为干扰。

在AI之前，可行性为我过滤了很多想法。如果没有时间、技能、技术栈或精力来构建某样东西，想法通常会早早夭折。这虽然有限制，但也有用处。构建的成本迫使我思考。

现在构建成本已经大幅下降。所以更好的问题不仅是"我能构建这个吗？"，而是"这个值得构建吗？"

更具体地说，这个项目创造什么样的价值？基本上，花更多时间在"为什么"上。

这个问题对个人项目很重要。对咨询工作很重要。对决定哪些AI项目值得投入时间、预算和所有权的团队和CEO很重要。

1、可行性曾经用来过滤想法

在AI代理出现之前，许多项目想法因为太慢、太贵或超出我的技能范围而夭折。

如果我想构建一个小型内部工具，我必须考虑后端、前端、数据库、部署、认证、测试、维护，以及使项目成为现实的所有小部分。

这种摩擦虽然烦人，但它也有一个隐藏的好处。它让我问这个项目是否值得付出努力。

AI改变了这一点。现在我可以要求代理搭建原型、生成样板代码、编写脚本的第一个版本、解释不熟悉的库，或帮助调试我以前会回避的问题。

结果是更多的事情变得可以构建，这很棘手，因为"可构建"是一个很弱的过滤器。

一个项目可以是可构建的，但仍然没有用。它可以是有用的，但仍然不值得维护。它可以节省时间，但仍然移除了那些帮助我理解问题的工作。

最后这一点是我思考最多的。

2、发生了什么变化

随着实现变得越来越便宜，更难的问题转移到了其他地方。

我能评估输出吗？我是否足够理解这个问题？原型之后谁拥有结果？这会创造业务价值吗？这会帮助我建立知识，还是会跳过我需要的练习？它会让组织变得更聪明，还是只是增加另一个需要维护的系统？

我认为这就是许多AI项目选择出错的地方。我们关注AI可以自动化什么，但花更少时间问什么应该被自动化以及为什么。

有些工作是浪费。有些工作是练习。有些工作是人或公司学习的方式。棘手的部分是区分它们。

3、并非所有摩擦都是浪费

我已经决定不自动化我自己知识工作流程的某些部分。

这听起来很奇怪，因为知识工作充满了AI可以帮助的任务。阅读论文。总结文章。提取笔记。比较想法。将粗略的想法转化为大纲。寻找参考资料。生成草稿。

我确实使用AI做其中一些，但现在我知道我不想自动化整个循环。

例如，当我试图理解一个困难的想法时，我仍然想慢慢阅读。我仍然想做杂乱的笔记。我仍然想努力思考两个概念如何联系。我仍然想先糟糕地解释某事，然后修改它。

这种摩擦不仅仅是延迟。它是学习发生的地方。从长远来看，外包这些会弊大于利，至少对我来说。

思考循环大致是这样的：

# 我的思想和知识生产流程 :)
阅读 → 注意 → 连接 → 挣扎 → 解释 → 修改

AI可以帮助在这个循环内部，但我不想让它取代这个循环。

如果AI过早地给我一个漂亮的摘要，我可能会节省时间，但失去建立判断力的练习。

这与知识工作中较老的想法有关。Herbert Simon认为，当信息变得丰富时，注意力就变得稀缺。在AI时代，我认为有一个相关的转变：当输出变得丰富时，判断力就变得稀缺。

Michael Polanyi的隐性知识概念在这里也很有用。有些知识无法完全通过指令、摘要或清单来传授。你通过做工作、看到边缘案例、犯错误和注意模式来发展它。

这就是为什么我认为自动化的决定不仅是生产力决定，也是学习决定。

4、我的个人过滤器：技能价值 vs 自动化就绪度

对于个人项目，我现在从两个维度思考。*第一个是技能价值。*做这项工作是否让我变得更好？它是否建立领域知识、品味、判断力、技术直觉或写作能力？*第二个是自动化就绪度。*任务是否重复足够多次、足够稳定、风险足够低、评估足够容易，以至于自动化有意义？

这给了我这个2x2矩阵

4.1 高技能价值，低自动化就绪度

这是我可能应该保持手动的工作。任务仍在教我一些东西，而且我还没有很好地理解这个模式以至于可以自动化它。

对我来说，这包括：

• 第一次阅读一篇困难的论文。
• 写一个想法的第一个粗略版本。
• 理解一个新的技术领域。
• 在我知道什么是重要的之前设计一个项目。

AI当然可以提供帮助，但我不想让它接管。我认为从长远来看，如果我外包这些，我会失去更多而不是获得。

4.2 高技能价值，高自动化就绪度

这是微妙的象限。任务有AI可以帮助的模式，但任务仍然有价值，因为它建立技能。这是我将AI用作合作伙伴而不是替代品的地方。

例如，当我写一个技术主题时，AI可以帮助我组织笔记、建议参考资料或找到薄弱部分。但我仍然想自己决定论点。

在这个象限，问题不是"AI能做这个吗？"相反，这个任务的哪部分应该保持由我来做？

4.3 低技能价值，高自动化就绪度

这是简单的自动化区域。这些是需要完成的任务，但手动完成它们并不会提高我的技能。

例如：

• 格式化笔记或开始标准定期报告的草稿。
• 清理转录文件、转换文档。
• 生成样板代码。

如果任务是重复的、低风险的、易于检查的，我希望AI尽可能提供帮助。手动做不再教我任何东西的工作没有附加价值。

4.4 低技能价值，低自动化就绪度

这些是我尽量不开始的事情。工作教不了我太多，而且不够稳定以至于无法干净地自动化。

很多副项目都在这里。它们很有趣，因为AI使它们成为可能，但它们并不解决真实的问题、建立有用的技能，或产生我想维护的东西。

这是廉价编码的隐藏风险之一。它变得更容易以复杂的方式浪费时间。

5、业务版本的相同问题

同样的逻辑适用于公司，但语言改变了。

CEO可能不会问"这个工作流程的智力价值是什么？"但他们应该关心类似的问题：

这个项目是否让公司更好地理解其客户、运营、风险、市场或战略？这就是能力价值。

公司不仅通过产出来创造价值。它还通过变得善于做决定来创造价值。

这就是AI项目选择变得更加战略性的地方。

如果编码更便宜，公司可以启动更多项目。但启动更多项目不是目标。目标是选择那些改进业务而不创造未管理的风险、不清楚的所有权或肤浅理解的项目。

因此，对于业务版本，我会使用不同的2x2矩阵。不是技能价值 vs 自动化就绪度，而是业务价值 vs 所有权负担。

5.1 高业务价值，低所有权负担

这是自动化的胜利。工作很重要，输出易于评估，所有权清晰。

例如：

• 定期报告。
• 内部文档。
• 数据清理。
• 工单路由。
• 基本线索丰富。
• 标准客户支持草稿。
• 低风险代码脚手架。
• 将杂乱的笔记转换为标准格式。

这些是AI自动化的良好候选者，因为工作流程已被理解，且错误的成本是可控的。

主要问题很简单：这能否在不增加太多审查负担的情况下节省时间、减少错误或提高速度？如果是，就构建它。

5.2 高业务价值，高所有权负担

这是战略项目区域。这些项目很重要，但更难拥有、评估和维护。

例如：

• 审查拉取请求的网络安全代理。
• 客户智能系统。
• 用于临床或特定领域工作流程的AI助手。
• 销售发现副驾驶。
• 内部AI优先的软件开发工作流程。
• 推荐架构决策的系统。

这些项目可以创造真正的价值，但它们也改变了决策的制定方式。这就是为什么所有权很重要。

谁审查输出？

谁批准决策？

谁维护系统？

谁注意到它开始失败？

谁在系统出错时负责？

这就是公司需要小心的地方。AI可以让原型看起来很容易，但原型不是困难的部分。

困难的部分是评估、治理、工作流程契合度和长期所有权。对于这些项目，我不仅会问我们是否能构建它，还会问这个改进将改善什么决策？我们如何知道它是否有效？通过这样做我们将建立什么能力？演示之后谁拥有它？在我的咨询实践中，我在两个方向上处理过这样的项目。一次我延长了合同，成为演示后项目的负责人，另一次我建议推迟项目，直到他们的工程团队或公司准备好接管。

5.3 低业务价值，高所有权负担

这是战略赌注或学习实验象限。大多数这些项目不应该立即成为完整的生产系统。

但如果它们建立能力，有些可能值得作为实验来做。

例如，公司可能会为内部研究制作AI代理的原型，不是因为它会立即产生投资回报，而是因为团队需要学习AI在他们的领域中在哪里有效，在哪里失败。

这可能很有价值，但它应该被诚实地命名。这部分可能很难导航。它不是一个自动化项目。它是一个学习项目。

这种区别很重要，因为学习项目需要不同的期望。输出不仅仅是工具。输出还包括团队从工作流程、数据、评估过程和风险中学到的东西。

这就是CEO应该关心能力价值的地方。我认为许多团队低估了这一部分。他们将学习项目当作自动化项目对待，然后当输出不是生产就绪的系统时感到失望。

学习更快的公司以后可以做出更好的决策，但学习需要是有意的。否则，公司最终会有一堆原型而没有新的能力，或者为没有人遇到的问题构建解决方案。

5.4 低业务价值，低所有权负担

这是我尽量避免开始的地方。项目很容易构建，但不太重要。

这是编码变得便宜时的危险区域。

例如：

• 一个没有人负责的工作流程的AI代理。
• 一个没有人会使用的仪表板。
• 因为竞争对手宣布了类似东西而构建的原型。
• 一个没有明确工作的聊天机器人。
• 一个没有评估路径的工具。
• 一个主要论点是"我们应该尝试AI"的项目。

其中一些项目作为周末实验是可以的。它们甚至可能对学习有用，但在企业内部，它们以不同的方式变得昂贵。它们创造会议、演示、期望、维护、安全问题和孤立的系统。

廉价的实现并不意味着自由的所有权。

6、我现在在开始之前问的问题

当我在决定是否开始个人项目时，我问：

• 通过手动做这个我会学到什么？
• 这个任务是否帮助我建立判断力？
• 我是否已经做过足够多次以至于看到了模式？
• 自动化是否会隐藏我仍然需要理解的细节？
• 我能评估输出吗？
• 我是因为工作流程成熟而自动化，还是因为我无聊了 :) ？
• 在代理之前，清单能解决这个问题吗？

当我在考虑业务项目时，我问一组不同的问题：

• 这减少了什么业务痛点？是否有明确的证据表明人们有这个问题？
• 它是否节省时间、降低风险、增加收入、提高质量或提高速度？
• 这将改善什么决策？
• 谁会使用它？如何使用？
• 它在工作流程中的位置在哪里？
• 我们能知道它什么时候出错吗？
• 谁审查输出？
• 原型之后谁拥有系统？
• 团队通过这样做将建立什么能力？
• 如果没有人维护它会发生什么？

这些问题不如演示那么令人兴奋，但它们更重要。值得花时间诚实地回答这些问题。

7、当我开始一个项目时

当有重复的痛苦、当我可以访问实际的工作流程或当可以评估输出是否良好时，我更有可能开始。

基本上，当项目创造业务价值、技能价值或能力价值时，我更有可能开始。我总是尝试从一个小而快速的原型开始测试和迭代，而不是尝试用氛围编码整个东西。更关注工作流程是否有效并提供价值，而不是演示是否看起来精致。

最后一点很重要。一个小版本可以测试问题是否真实，而无需假装系统已准备好生产。

有时正确的第一个版本不是代理。

• 它可能是一个清单。
• 它可能是一个提示。
• 它可能是一个电子表格。

它可能是一个在自动化任何东西之前手动执行三次的工作流程。

8、当我不开始时

当唯一的原因是"AI现在可能能做到这个"时，我尽量不开始。当我无法回答上述问题时，这是一个明确的信号，我至少应该等待或完全停止。

当结果将比问题本身更难维护时，不开始也可能很重要。时间仍然是有限的，你想明智地使用它，即使它不会花在编码上。

最后，我特别尽量不开始当我使用自动化来避免理解问题时。这是我不断回到的陷阱。AI可以帮助我更快地移动，但在错误的方向上更快地移动仍然是浪费。

9、结束语

AI时代并没有消除对判断力的需求。它将判断力提前了。既然更多的事情变得可以构建，困难的部分是决定什么值得存在。

对于我的个人项目，我正在努力保护让我变得更好的工作。

对于业务项目，我认为同样的想法在不同的层面上适用。公司需要保护那些建立所有权、客户理解、领域知识和战略判断的工作流程。

• 有些摩擦是浪费。
• 有些摩擦是学习。
• 有些摩擦是责任。

我正在建立的AI时代技能不仅仅是如何自动化更多工作。而是如何区分浪费我时间的工作、让我变得更好的工作，以及可以让公司变得更强的工作。

原文链接：When everything feels buildable, what is actually worth building?

汇智网翻译整理，转载请标明出处