第九章：连接能力

一种翻译能力

想象力公式的第三项是连接能力。

前两项已讨论过：问题敏感度是看到问题的能力，可能性认知是知道AI能做什么的能力。

连接能力是把这两者对接起来的能力。

你看到问题，知道AI很厉害，但能不能想出具体方案——让AI帮你解决？

这个想出方案的过程，就是连接。

说到底，连接就是翻译——把人的需求翻译成AI可执行的任务。

这种翻译需求主要存在于AI大模型——DeepSeek、豆包、Kimi、ChatGPT、Claude。这类产品等你来驾驭，你需要想清楚让它做什么、怎么做。

AI+产品——第一章光谱左边的三类——连接工作由产品设计者完成。嵌入型完全无感，你靠近电视，它自动开机。增强型被动享受，画质自动优化。交互型虽然需要你发指令（“小爱同学，今天天气怎么样”），但指令模式是预设的，不需要你从零定义任务。

但AI大模型不同。它面对你时是一张白纸，等你来定义任务。你给它什么，它回应什么。翻译的质量直接决定结果的质量。

问题解决五步法

心理学和管理学中有一个被广泛验证的框架，帮你系统化地进行连接。版本多样，最实用的是五步法：定义问题、收集信息、生成方案、选择方案、执行与评估。

动手之前，先确保理解真正的问题。很多人在此出错——解决的是表面问题，而非根本问题。用一句话写下要解决的问题，然后问”为什么这是问题？“连续问五个”为什么”，直到找到更深层原因。比如，表面问题是”每周花太多时间写周报”。问为什么？因为内容需从多个来源搜集。为什么费时？因为信息分散在不同系统。为什么分散？因为团队缺乏统一的信息汇总机制。——根本问题可能是”汇总机制”，而不只是”写周报”。

问题定义清楚之后，要了解它的边界和约束条件。你有什么资源？有什么限制？以前有人解决过类似问题吗？AI能做什么、不能做什么？列出所有相关事实和约束，不急着找解决方案，先把问题全貌搞清楚。

然后是生成方案。想出尽可能多的解决方案，数量优先于质量——先广泛想，再筛选。不要在此否定不太靠谱的想法，创新往往来自非常规思路。可以设定数量目标，比如”至少想出10个方案”。也可以用AI帮你发散——告诉AI你的问题，让它提供不同角度的思路。这正是AI最擅长的1→100能力——你给它一个方向，它能快速生成大量方案。

方案够多了，就进入选择。从众多方案中选出最合适的，需要标准——效果如何、能不能实现、投入多少、可能出什么问题。给每个方案打分，或做简单利弊分析。不追求完美方案，只选当前最优。

最后是执行与评估。把它当作实验，而非最终答案。效果好，继续优化；效果不好，分析原因，回到前面步骤重新来过。设定明确的成功标准，对照标准评估结果。记录学到了什么，这些经验对下次解决问题有价值。

人的需求是模糊的、情境化的、带有隐含假设的。“帮我提高工作效率”是人的需求，但AI不知道怎么执行。

AI可执行的任务是具体、明确、有清晰输入输出的。“把这份50页报告总结成5个要点”是AI可执行的任务。

从前者到后者，需要翻译。翻译质量决定了AI能否真正帮到你。

本章讨论如何培养这种翻译能力。

一、连接的困难

两个认知空间

连接之所以困难，是因为问题和方案存在于不同认知空间。

问题存在于你的工作和生活中。它是具体的、情境化的、与你的角色绑定的。“每周花太多时间整理会议纪要”——这是特定工作情境中的问题。

方案存在于AI的能力空间中。它是抽象的、通用的、与具体情境无关的。“AI可根据文本生成摘要”——这是通用的AI能力。

两个空间默认不相连。你在问题空间，AI在能力空间，中间隔着一道墙。

连接就是打通这道墙——找到路径，把你的具体问题和AI的通用能力对接起来。

卡在中间的人

很多人同时知道两边，但就是连不起来。

他们有领域知识，知道自己领域有什么问题。也知道AI很厉害，听说过各种惊人用法。

但当你问”你能用AI解决什么问题”，他们会说：“应该可以吧……但不确定具体怎么用。”

他们知道左边有问题，右边有工具，但看不到从左到右的路。

这种卡在中间的状态很常见。根源不是缺乏知识，而是缺乏一种思维模式——把问题翻译成AI任务的能力。

好消息：可刻意训练

好消息是，连接能力是三项中最可刻意训练的。

问题敏感度需长期领域积累，可能性认知需持续跟踪和体验——这两项都很难速成。但连接能力不同。它是一种思维模式，可通过有意识练习在相对短的时间内显著提升。

本章介绍三种核心连接操作：抽象、分解、类比。掌握这三种操作，你就具备基本的连接能力。

二、抽象能力

先说抽象。

什么是抽象

抽象是把具体问题变成通用类型。

你遇到的每个具体问题，都可看作某个更通用问题类型的实例。

比如，“每周给客户发个性化邮件”是具体问题。把它抽象一下，属于什么类型？

“根据模板+变量批量生成文本”——这是它的抽象类型。

一旦识别出这个抽象类型，你就知道AI能不能做。因为AI的能力是按类型描述的：AI可根据模板生成文本、AI可分析数据并生成图表、AI可翻译文本……

抽象是连接的第一步：把具体问题转换成AI能理解的类型。

抽象的例子

举几个例子说明抽象过程。

审查合同找风险条款——这是很多法务的日常工作。抽象一下：根据特定标准分析长文本，识别符合条件的部分。这是文本分析类任务，AI擅长。“把产品介绍翻译成英语、日语、韩语”，抽象后就是多语言翻译，翻译是AI的基础能力，连接很直接。“分析过去一年销售数据，找出异常波动”，抽象为数据分析和模式识别，同样是AI擅长的领域。

前三个例子的连接都比较直接。但有些情况更复杂。

比如”根据品牌风格设计新宣传海报”。抽象后是”根据风格要求生成视觉内容”。AI能做吗？部分能。AI可以生成图像，但”品牌风格”是个模糊概念，需要你把它具体化（色彩、字体、构图风格），可能需要多次迭代才能接近想要的结果。

再比如”判断候选人是否适合团队文化”。抽象后是”基于模糊标准的主观判断”。这就到了AI的边界。AI可以提供一些分析——比如对比候选人背景和团队现有成员的相似度——但最终的”文化契合”判断需要人来做。

抽象的技巧

怎么做好抽象？

面对具体问题，先问自己：剥掉所有具体细节，这个任务的内核是什么？是生成文本？分析数据？转换格式？筛选信息？也可以尝试用一个动词来描述——翻译、总结、分类、比较、生成、转换、提取——这些动词往往对应AI的基础能力。

抽象时要暂时忽略所在领域的特殊性。“审查法律合同”和”审查技术文档”，从AI角度可能是同一类任务——都是根据标准分析文本。同一问题也可能有多种抽象方式。每周给客户发个性化邮件可抽象为批量生成文本，也可抽象为定制化沟通。不同抽象可能导向不同AI方案。

再提供一个具体的思考路径。面对一个任务，先描述输入输出——这个任务需要什么输入？期望什么输出？比如”审查合同”的输入是合同文本，输出是问题清单。然后识别转换类型——输入到输出之间发生了什么？是生成（无→有）、分析（整体→细节）、转换（A格式→B格式）、筛选（多→少）、还是判断（信息→结论）？接下来匹配AI能力——文本生成、信息提取、格式转换、内容分类，这些AI都擅长；需要实时感知、物理操作、承担责任，这些AI做不了。最后确定人机边界——哪部分交给AI，哪部分人来做？通常AI负责批量处理，人负责最终判断。

走一遍这个路径，大多数任务都能找到合适的抽象方式。

抽象对了，路就通了

抽象的价值在于：一旦抽象对了，你就知道AI能不能做。

若把问题抽象为文本生成，你知道AI可以做。若把问题抽象为数据分析，你知道AI可以做。若把问题抽象为需实时感知物理世界，你知道当前AI做不了。若把问题抽象为需承担法律责任，你知道这需人来做，AI只能辅助。

抽象把具体问题转换成能或不能的判断。这是连接的关键一步。

三、分解能力

再说分解。

分步往往效果更好

与AI协作时有个现象：让它一次性完成整个任务，效果往往不如分步来。

若你说帮我写一本小说，AI会给你笼统的东西。若你说帮我设计这本小说的大纲，然后帮我写第一章开头，然后帮我扩展这个场景——分步来，每一步都更可控。

若你说帮我分析公司战略，AI会给你泛泛的分析。若你说先帮我列出行业主要趋势，然后帮我分析相对于竞争对手的优劣势，然后帮我评估几个战略选项的利弊——分步来，每一步都更有针对性。

原因很简单：AI本质上是输入→处理→输出的系统。输入越清晰、范围越明确，输出越好。大而模糊的任务导致大而模糊的输出。随着AI能力提升，这个现象可能会改变，但目前分步引导仍是更可靠的方式。

分解就是把大任务变成小任务

分解能力就是把复杂大任务拆解为AI可执行的小任务。

大任务：“帮我准备明天的客户演示” 分解后：

总结上次与这个客户的沟通记录，提取关键点
列出这次演示应覆盖的议题
为每个议题准备2-3个要点
想几个可能的客户问题，以及回答
检查演示稿的逻辑和语法

每一步都是AI可很好执行的小任务。串起来，就完成大任务。

大任务：“帮我写一份市场调研报告” 分解后：

搜集关于X行业的基础信息和数据
分析这个行业的主要玩家及其市场份额
识别行业的主要趋势和驱动因素
评估进入这个行业的机会和风险
把以上内容整理成结构化报告

同样，每一步都是AI擅长的，串起来就是完整报告。

流程思维

分解的思维模式是流程思维——把任务想象成流程，有输入、有处理步骤、有输出。

每个步骤都是小任务：

输入是什么？（上一步的输出，或你提供的信息）
处理是什么？（AI需做什么操作）
输出是什么？（这一步的产出）

流程思维帮你把模糊大任务变成清晰步骤序列。每一步都可独立执行和验证，若某一步有问题，可单独调整，不必重做整个任务。

分解的技巧

怎么做好分解？

最直接的办法是从结果倒推。想象最终要达成什么结果，然后往回想：要达成这个结果需要什么？要得到那个又需要什么？一直推到你现在拥有的东西，步骤序列就出来了。在安排步骤顺序时，注意识别依赖关系——有些步骤必须在其他步骤之后，没有依赖关系的步骤可并行处理。每个步骤只做一件事，若一个步骤有多个目标就拆成多个，单一目标的步骤更容易执行，也更容易验证。在关键步骤之后设置检查点，验证输出是否符合预期，这样可及早发现问题，而非等到最后才发现一切都错了。

结论先行

还有一个技巧值得单独说：给AI下指令时，把最重要的信息放在最前面。

咨询行业有个概念叫金字塔原则，麦肯锡顾问芭芭拉·明托总结的：沟通时应结论先行，先说核心观点，再说支撑论据。

这个原则对与AI交互同样适用。

比较两种给AI的指令：

第一种：“我们公司做教育科技，成立于2018年，现有200人，主要产品是在线学习平台，用户主要是K12学生，去年营收5000万，今年目标8000万……（一大段背景）……所以我想让你帮我写一份市场分析报告。”

第二种：“请帮我写一份教育科技行业的市场分析报告。背景：我们公司是在线学习平台，主要用户是K12学生。报告需包括：市场规模、竞争格局、增长趋势、机会和风险。”

第二种效果更好。它先说要什么（写市场分析报告），再给必要背景，然后明确输出要求。结构清晰，AI能准确理解你的意图。

第一种的问题是：AI读了很长背景，但不知道你想让它做什么，直到最后一句才揭晓。这种埋包袱的说法在讲故事时有效，在下指令时低效。

结论先行，背景后置，要求明确。这是与AI高效沟通的基本结构。

四、类比能力

最后说类比。

从别人的成功中学习

类比能力是从其他领域的成功案例中获得启发，应用到自己的问题上。

你可能不知道AI能否帮你解决特定问题。但若你知道AI帮别人解决了类似问题，就有了参考。

“AI能帮律师审查合同”——这个案例你听说过。你做质量管理，工作包括审查流程文档。类比：“审查合同”和”审查流程文档”是类似任务——都是根据一定标准检查长文本。结论：AI应该也能帮你审查流程文档。

跨领域的同构性

类比之所以有效，是因为不同领域的问题往往有相似结构。

“审查合同”和”审查流程文档”，表面上是不同领域（法律vs质量管理），但底层结构相同：根据标准检查文本。

“客户服务聊天机器人”和”内部IT支持机器人”，表面上是不同场景（面向客户vs面向员工），但底层结构相同：理解问题，提供解答或引导。

“分析财务报表”和”分析实验数据”，表面上是不同领域（金融vs科研），但底层结构相同：数据分析，识别模式和异常。

这种跨领域同构性意味着：一个领域的AI应用，往往可迁移到结构相似的其他领域。事实上，麦肯锡的咨询方法、六西格玛的质量管理、科学实验的研究流程，底层逻辑惊人相似——都是从具象的混沌中提取抽象的秩序，再把秩序应用回具象世界。认识到这种同构性，你的类比能力会大大增强。

社会学家格兰诺维特做过著名研究：人们找工作时，往往是通过”弱关系”（不太熟的人）而非”强关系”（亲密朋友）找到的。这似乎违反直觉——不是应该找熟人帮忙吗？

格兰诺维特的解释是：强关系带来的信息往往是重复的。你的好朋友知道的东西，你多半也知道。但弱关系——偶尔见面的老同学、行业活动上认识的人——他们处于不同信息圈，能带来你不知道的机会。

这个弱关系的力量对连接能力有直接启示：跨领域的信息比领域内的信息更有价值。同事的AI用法你多半已经知道，但一个完全不同行业的人的用法，可能给你巨大启发。

积累案例时不要只看自己的领域。那些看起来和我的工作无关的应用，可能恰恰最有价值。因为它们来自你的信息圈之外，带来的是非冗余的可能性。

如何做类比

怎么做好类比？

平时看到AI应用案例，顺手记下来。不需要记住细节，只需记住AI在什么类型的任务上被成功使用。积累的素材是你做类比的基础。遇到新问题时，问自己：这个问题的结构是什么？案例库里有没有结构类似的先例？类比时要忽略领域、行业、具体内容的差异，只关注结构相似性——“法律合同”和”技术文档”领域不同，但任务结构（审查长文本）相同。

不过需要提醒的是，类比只是假设，需要验证。基于类比形成假设后，实际尝试一下，看AI是否真能做你的任务。类比是启发性工具，不是精确推理——它帮你找方向，但不保证方向一定对。

类比的价值

类比的价值在于降低探索成本。

若完全靠自己摸索AI能不能做这个，需要大量尝试，很多会失败。若借助类比，你可从别人的成功中获得提示，大大缩小探索范围。

类比不是抄袭。别人的方案不能直接复制到你的情境。但类比给你一个起点、一个方向、一个可能可行的信号。从那里出发，你再根据自己情况调整。

五、连接市场

前面讨论的抽象、分解、类比，都是把问题连接到AI能力。会用AI解决问题，只是第一步。

还有一步同样关键：把你创造的价值连接到市场。

埋头干活当然不是坏事。但AI时代，光会干不够——你还需要让自己的能力被识别、被需要、产生实际价值。

当执行力被拉平

AI正在拉平执行力的差距。以前一个文案水平高低，初稿阶段就看得出来。现在借助AI，大多数人都能写出及格的初稿。设计、翻译、数据分析、代码编写——越来越多领域出现类似的”及格线拉平”。

执行力趋同之后，什么变得稀缺？

信任。

第五章介绍过一个信任公式：信任 =（可信度 + 可靠度 + 亲近度）÷ 自我导向。分子是你展现出来的东西——懂不懂行、靠不靠谱、好不好合作。分母是你的动机——你是在帮对方解决问题，还是在推销自己。分母越大，信任越低。

AI时代，这个公式的分子发生了微妙变化。可信度的”显性部分”——写报告、出方案、做分析——可以借助AI提升，人与人差距缩小。但可靠度和亲近度——你是否说到做到、是否真正理解对方需求、出了问题是否扛得住——没法外包给AI。

当大家都能借助AI做出差不多的东西，决定合作给谁的，越来越是判断力和人格信用。你做过的判断对不对、承诺能不能兑现、处理棘手问题时的态度——这些构成你的”人格价值”，是无法用AI伪造的资产。

这种信任资产在什么样的市场最有用？不是已经定型的市场——那里信任靠多年关系网络，新人很难撬动。而是在刚刚出现的市场空白里。

不饱和的机会

成熟行业往往是饱和的——格局稳定，位置被占满，新人进来只能排队。饱和市场的竞争靠关系、靠资历、靠在既有体系中慢慢攀升。大多数人熟悉的”找工作”逻辑就是如此：学别人要求的技能，通过别人设置的面试，在别人定义的框架里发展。

但AI正在制造大量”不饱和地带”——旧格局被打破，新需求涌现，位置还没被占满。原因在于AI降低了能力门槛：原来需要一个团队才能做的事，现在一个人借助AI就能完成，既有的分工结构被重新洗牌。

不饱和意味着谁先看到需求、谁先拿出方案、谁先建立标准，谁就有先发优势。在这样的地带，资历没那么重要，眼光和行动力更重要。

一个设计师发现中小企业需要”AI辅助品牌设计”服务，这个品类三年前不存在。一个培训师开发了”非技术人员的AI协作课程”，针对传统行业管理者——这个人群以前没人专门服务。一个自由撰稿人用AI把产能提高三倍后，从”接单”变成了”挑单”，进而开始定义自己的服务标准。

这些人有一个共同点：他们没有在饱和市场里排队，而是找到了——甚至创造了——不饱和的位置。

找到这样的位置，需要你去看市场的供需关系。谁有问题没解决？谁愿意为什么付费？你的能力能对接哪些需求？很多人习惯从自己出发——“我会这个，谁要？“更有效的思路是从需求出发——“市场上有什么痛点？我能不能解决？“前者是推销，后者是匹配。

建立自己的圈子

找到不饱和的位置只是起点。更关键的是：如何把先发优势变成持久的定位？

在既有体系里发展，你得适应给定的规则——岗位要求、绩效标准、晋升路径都是他人设定的。这条路不是不好，但你始终在别人的圈子里运转。

定义者走到深处，往往会建立自己的圈子。

什么叫”自己的圈子”？你对某个领域理解足够深，能够定义问题、定义标准、定义方向——什么值得做、什么算做好、该往哪走——别人进入这个领域时参照的是你的框架。

这听起来很大，其实可以很小。一个烘焙师用AI优化配方和供应链管理后，在本地建立了”健康烘焙”的口碑标准——她的标准成了这个小市场的参照。一个独立咨询师把AI融入咨询流程，效率是传统咨询公司的三倍，逐渐在细分领域有了定价权。圈子不一定大，但里面的规则是你定义的。

建立自己的圈子，也是前文提到的弱关系发挥作用的地方。做了有价值的事，写下来分享——不是炫耀，是让潜在的需求方看到你的能力。参与行业社群，在相关讨论中发言。看到有人问”怎么用AI做XX”，你恰好会，就回答。这是最自然的建立信任的方式。你回答的问题越多、解决的案例越多，你的圈子就在形成。

回到本书的主线：从执行者到定义者的转变，不只发生在工作方式上，也发生在市场定位上。执行者在别人的框架里做事，定义者建立自己的框架让别人参照。连接能力的第一层帮你把问题对接到AI，做出成果；第二层帮你把成果对接到市场，产生真正的价值。

六、与AI磨合的心态

连接能力的培养，还需心态上的准备——接受磨合是必要的。

第一次往往不成功

一个现实是，第一次尝试用AI解决某个问题，往往不会成功。

原因可能是问题定义不够清楚，任务分解不够合理，提示词不够精确。也可能任务超出了AI的能力范围，或者你选的工具不合适。

失败是正常的，成功才需要解释。

失败是连接能力的老师

每一次失败都告诉你连接在哪里出了问题。

若AI给的结果不好，问问：是翻译不够准确吗？是抽象层次不对吗？是分解遗漏了什么？是类比找错了方向？

这种分析本身就是在磨练连接能力。成功案例告诉你能做，失败案例告诉你怎么连接不行。后者往往更有信息量。

AI是一个你不完全了解的工具，你和它之间需要磨合。这种磨合不是一次性的，而是持续过程。关于如何在行动中保持迭代节奏——快速尝试、快速反馈、快速调整——第十二章会详细讨论。

七、实践：连接的练习

最后，提供一些实践练习来培养连接能力。

练习1：每日翻译

每天找一个工作中遇到的问题，尝试把它翻译成AI任务。

流程：

描述问题：用一两句话写下这个问题是什么
抽象：这个问题本质上是什么类型的任务？
分解：若让AI帮忙，可分成哪几步？
类比：有没有听说过AI解决类似问题的案例？
判断：AI能帮多少忙？（完全能做/部分能做/做不了）

不需要真的执行，只是练习翻译的思维过程。

练习2：案例收集

建立你自己的AI应用案例库。

每次看到有趣的AI应用案例——在文章里、在演讲里、在别人分享里——简单记录下来：

什么领域/场景
解决什么问题
用什么类型的AI能力
效果如何

积累一段时间后，当你遇到新问题，可在这个案例库里搜索类似案例，进行类比。

练习3：逆向工程

看到AI应用成功的案例，做逆向工程：

这个案例解决的原始问题是什么？
它是怎么把问题翻译成AI任务的？
它做了什么抽象？
它做了什么分解？
它做了什么类比（若有的话）？
我能从中学到什么？

通过分析别人的成功案例，你可学习他们的连接技巧。

练习4：失败回顾

当你尝试用AI解决问题失败时，做回顾：

任务是什么？
你是怎么定义任务的？
AI给了什么结果？
结果为什么不好？
是问题定义的问题，还是任务分解的问题，还是AI能力的限制？
下次应该怎么调整？

失败是最好的老师，但前提是你从失败中学习。回顾就是学习过程。

从”不知道怎么用”到”自然而然地用”

连接能力是想象力公式的第三项。

连接能力是把问题和AI能力对接起来的能力，说到底还是翻译——把人的需求翻译成AI可执行的任务，也把你的能力翻译成市场可理解的价值。

三种核心连接操作——抽象把具体问题变成通用任务类型，分解把复杂大任务拆成AI可执行的小步骤，类比从其他领域的成功案例中获得启发。再加上两个同样重要的维度：把价值连接到市场——在执行力趋同的时代，凭信任和判断力找到属于自己的位置；以及磨合心态——接受第一次尝试往往失败，从失败中学习如何更好地连接。

连接能力是三项中最可刻意训练的。通过有意识的练习，你可从知道两边但连不起来，进化到自然而然地看到连接。

当你的问题敏感度、可能性认知、连接能力都达到一定水平，想象力就会涌现。你不再需要刻意想怎么用AI，而是看到问题就自然想到AI可以怎么帮忙。

那是想象力公式真正发挥作用的状态。

想象力帮你找到方向，但从发散到选择到落地，每一步都需要聚焦。下一章讨论的专注力，就是帮你在全过程保持专注的关键。

连接能力归根结底是一种翻译能力——把人模糊的需求翻译成AI可执行的任务。抽象、分解、类比是三种基本操作，掌握了就具备基本的连接能力。但连接不止于人和AI之间：把你的能力翻译成市场可理解的价值，同样是连接——定义能力让你知道什么值得做，连接能力让你把它做出来并产生价值。而所有连接都需要磨合，第一次不成功很正常，关键是从失败中学习连接在哪里断了。关于行动中的迭代方法，第十二章会详细展开。