第五章：价值锚点的转移

木匠的四象限

上一章给了框架。这一章讨论实操：怎么判断一件事该你做还是AI做？定义能力怎么练？什么积累在AI时代最值钱？

先从一个思想实验开始。

一位做了几十年木工活的老师傅，购置了数控机床。他没有焦虑”会不会被取代”，而是画了一个四象限来想清楚自己和机器的关系：

	他懂	他不懂
机器懂	交给机器	向机器学习
机器不懂	人机协作	探索创新

第一象限：他懂，机器也懂——交给机器。 锯木头、刨平面、打孔开槽，他都会，但数控机床做得更快更标准。与其花时间在这些事上，不如省出来做更有价值的事。交给机器的前提是他懂——正因为懂，才能判断机器做得对不对，出问题时才能介入。

第二象限：他不懂，机器懂——向机器学习。 传统榫卯种类繁多，他只掌握常用几种。数控机床软件里有各种榫卯的参数模板，他先用机器切出来看效果，再琢磨其中原理。机器成了他的老师，学习效率比以前高多了。

第三象限：他懂，机器不懂——人机协作。 判断一块木头适合做桌面还是椅腿，需要经验和”木工的眼睛”。理解客户说”简约风格”到底要什么，需要沟通和观察。现场施工时墙不平地不正，需要临场应变。这些机器做不了。他做判断和决策，机器做切割和打磨，两者配合。

第四象限：他不懂，机器也不懂——探索创新。 他试着把木头和树脂结合，创造透明与实木交融的美感。怎么配色、怎么处理接缝，没有现成答案。“未知区域才是乐趣所在，“他说。

这个模型最有价值的地方，是它把焦点从”会不会被取代”转向了”如何定位关系”。前一个问题让人焦虑，后一个问题让人行动。

把”数控机床”换成”AI”，道理完全成立。拿写竞品分析报告来说：让AI写一份，发现框架尚可但数据有误、行业理解浮于表面——AI做不好。而你在这个行业干了五年，一眼看出分析哪里对、哪里偏——你懂。两项交叉，落在人机协作象限：你定框架、定重点，AI收集资料、整理初稿，最终判断和修改由你来。

用几次之后，你会形成直觉，一看任务就大概知道它在哪个象限。

---

执行能力与执行经验

木匠四象限有个前提：他得”懂”。不懂的人把工作交给机器，连问题都发现不了。

这里需要区分两个容易混淆的概念。

执行能力，是做得快、做得准的能力——敲代码的速度、画图的熟练度、翻译的流畅度。这部分正在被AI压缩。执行经验，是通过大量执行而获得的深层理解——对系统设计的直觉、对边界情况的敏感、对质量的判断力。这部分仍然是定义能力的根基。

一个资深程序员的价值不在于他敲键盘比AI快，而在于他通过多年编程积累了对架构、可维护性、性能权衡的深刻理解。正是这种理解，让他能判断AI生成的代码好不好、方案行不行。

用交响乐打比方：定义者像指挥，不必亲自演奏每一种乐器，但需要理解整体音乐、知道各部分如何配合、能判断什么时候该强什么时候该弱。指挥的价值不在于亲自演奏，在于让整个乐团达到最佳效果。但好的指挥一定有深厚的音乐素养——这素养来自过去的执行经验。

---

定义能力怎么练

上一章用邮件的例子展示了定义能力的四层递进：定义问题、定义方案、定义标准、定义方向。框架清楚了，但怎么练？

最有效的方式不是读书听课，而是观察。找到身边会定义问题的人——上级、客户、行业高手——看他们怎么思考。他看到了什么你没看到的？他凭什么判断这个问题值得解决？他的标准从何而来？带着这些疑问去观察，再在自己工作中尝试应用，比读书有效得多。

四层之中，最基础也最值得先练的是定义问题。

很多人用不好AI，不是因为操作不熟，而是问题定义不清。“写一篇关于人工智能的文章”，AI只能给你一篇泛泛科普。“给中小企业主写一篇1500字的文章，解释他们为什么应该现在尝试AI而不是等技术更成熟，语气务实不煽情”——结果完全不同。差别在于后者定义了给谁看、解决什么问题、什么约束。

定义问题的核心是识别真正的问题。人们表达的需求往往不是真问题。福特那个著名故事：客户说”我要一匹更快的马”，真正的问题是如何更快到达目的地。照着表面需求做，最多培育出好马；看穿表层，你造出汽车。

还要为问题设定边界——这次解决什么、不解决什么。没有边界的问题会无限膨胀，变成空想。AI很擅长解决你定义好的问题，但它不会主动说”你问错了，真正需要解决的是这个”。

四个层次不需要全部做到最高。能把问题定义清楚的人，已经比大多数人强了；能准确判断质量标准的人，是团队的核心。从今天开始，在每个层次上有意识练习，定义能力就在提升。

---

什么积累在AI时代值钱

一个常见误解是：懂技术的人在AI时代更有优势。毕竟AI是技术产物，懂技术更容易用好它。

实际情况更复杂。AI时代编程能力变得越来越易得——AI本身就能帮你写代码。反而是其他类型的积累，变得更加稀缺。

领域知识是第一种。每个行业深耕多年才能获得的专业理解——医疗、法律、金融、教育、制造，各有门道。AI可以帮你更高效地应用这些知识，但替代不了知识本身。不懂医学的人让AI帮他诊断，结果可能是灾难性的。

审美积累是第二种。什么是好的设计、好的文字、好的体验，这些判断需要长期的阅读、观察和比较。AI可以生成无数选项，但选出最好那个需要品味。品味来自积累，急不来。

信任是第三种。咨询行业有个公式：信任 =（可信度 + 可靠度 + 亲近度）÷ 自我导向。AI可以做到可信度——给出正确信息，但缺乏持续人格带来的可靠度，也缺乏真人之间的亲近感。人与人之间的信任是合作的前提、机会的来源，AI替代不了。

跨领域视角是第四种。Gamma是AI驱动的演示文稿工具，用户超过5000万。创始人Grant Lee的背景很杂：机械工程出身，做过投行，又转去创业公司做产品增长。他说自己的优势不是对AI技术的理解，而是跨领域的积累——工程给了系统思维，投行给了商业视角，产品增长给了用户视角。他发现PPT这个品类几十年没有本质变化，而AI可以从内容直接生成演示。这个洞察不需要深厚技术背景，需要的是对用户痛点的敏感和对市场机会的嗅觉。

归结起来：AI时代的差异化不在于你会不会用AI，而在于你有什么独特的东西可以通过AI放大。领域深耕、审美品味、人际信任、跨界视野——这些AI复制不了，也是定义能力的真正根基。

---

这一章从实操角度回答了三个问题。木匠四象限提供了判断人机分工的框架——不是问”会不会被取代”，而是问”我和AI的关系是什么”。定义能力的培养从观察和练习开始，先从最基础的定义问题入手。而在AI时代真正值钱的积累，往往不是技术本身，而是领域知识、审美、信任和跨界视角。

下一章开始展开想象力公式的第一个维度——问题敏感度：怎样在习以为常的日常中看到别人看不到的问题。