第十二章：行动的开端

认知与行动之间的鸿沟

前面章节讨论了很多认知层面的内容：想象力公式、问题敏感度、可能性认知、连接能力、专注力。这些框架帮你理解AI时代的变局，看清定义者需要什么能力。

但认知和行动之间，往往有一道鸿沟。

你可能读完这本书，觉得很有道理，然后把书放下，继续之前的生活。什么也没变。

这种情况太常见。读过很多书、上过很多课、听过很多道理，但真正转化为行动的只有很少一部分。大多数认知停留在”知道”层面，没有变成”做到”。

古人早就意识到这个问题。王阳明说”知行合一”，意思是真正的知道必然转化为行动，不能转化为行动的不是真知。他把知和行看作一件事的两面，而非两件独立的事。

这个观点深刻，但现实中知与行之间确实存在鸿沟。你可以知道吸烟有害健康，但继续吸烟；知道应该多运动，但继续久坐；知道AI很重要，但继续用旧方式工作。

变革管理领域有个模型叫ADKAR，指出改变行为需经过五个阶段：认知（Awareness）→意愿（Desire）→知识（Knowledge）→能力（Ability）→强化（Reinforcement）。每个阶段都可能成为卡点。你可能知道该改变但不想动（意愿），可能想改变但不知道怎么做（知识），可能做到了但没坚持住（强化）。

这一章要讨论的是：如何把认知转化为行动。

不是给你一套完美的行动计划。完美计划不存在，追求完美本身就是拖延的借口。

要讨论的是：如何开始。

很多时候，最难的不是做得好不好，而是开不开始。

一、行动框架：五步循环

讨论如何开始之前，先提供一个简单的行动框架。不追求完美，只提供基本结构，让你知道接下来该做什么。

第一步：确定目标

你想用AI解决什么问题？“用AI帮我写周报""用AI整理客户反馈”——这样小而具体的目标就够了。

很多人在这一步卡住，因为觉得目标应该更大、更配得上”学习AI”。目标大小不重要，开始本身才重要。咨询行业常见一种现象：有人想用AI做战略分析，听起来高大上，但不知道从哪里入手。更有效的策略是先用AI总结会议纪要——做成之后，自然发现AI还能帮你整理客户资料、准备提案大纲、分析行业报告。小目标像入口，走进去才看得到更大的空间。

实在不知道选什么小事，可以试试焦点解决方法里的”奇迹问题”：想象明天醒来你已能自如使用AI，那时你在做什么不同的事？不要说”我会更高效”，要具体——“我每天下班时工作已完成”。这个画面就是你的方向。类似的还有”例外问题”和”量尺问题”，核心都一样：聚焦于你想要什么，而非分析你为什么焦虑。

第二步：调查

确定目标后，花几个小时做基本调查：你现在怎么做这件事？有什么AI工具可用？别人怎么解决类似问题？直接问AI、搜索引擎搜一搜、看看同行的做法，可选方案的轮廓就有了。

调查不需要太久。有些人在这一步陷入无止境的比较，这同样是拖延。一个判断标准：若继续调查获得的新信息已不能显著改变你的决策，就该停下来动手了。

第三步：计划

设计一个”最小可行计划”——借鉴精益创业的思路，不求完美，只求够用。方案的核心就三件事：第一步做什么，如何评估效果，不行怎么调整。完美计划需要完美信息，而你没有完美信息。接受计划的不完美，在执行中调整。

第四步：补认知

调查和计划过程中，你会发现自己有不懂的地方。这时候需要针对性地补——不是从头系统学习，而是缺什么学什么。想学用AI写代码，不必从”AI编程入门”啃起，只需弄懂当前这个问题怎么解决。

这就是问题导向学习和系统导向学习的区别。问题导向学的东西立刻要用，动力最强、记忆最深。系统导向学了很多，用不上就忘。AI时代变化太快，问题导向学习通常更有效。

第五步：行动

准备得差不多就开始。是差不多，不是完全准备好——完全准备好不存在。

行动的关键是在做的过程中调整。第一次效果可能不好，没关系，你获得了经验。根据经验调整方案再试，循环往复。确定目标→调查→计划→补认知→行动→调整目标→再来一轮……每一轮循环，理解更深，能力更强。不是一次性学会，而是在循环中逐渐提升。

二、两种模式：探索与执行

使用上面框架时，你会发现自己处于两种不同模式中。

探索模式

你知道自己想用AI做点什么，但不确定具体做什么。目标模糊，方向不明，更多是好奇驱动。这时五步框架要松着用——目标粗略就好，调查变成广泛浏览和随机尝试，计划可以简单到”这周每天花半小时玩玩不同的AI工具”，遇到什么学什么，跟着好奇心走。

具体怎么做？每周留出2小时探索时间，不带任何目标，随便试用新工具、看别人的AI应用案例。可以从ProductHunt的AI分类、少数派的AI专题、社交媒体上的AI话题开始——看到什么有意思的就试试。

探索模式的价值在于帮你发现你不知道自己不知道的东西。若你只追求明确目标，能做的事受限于已有认知。有些最好的想法，来自漫无目的的探索。

执行模式

执行模式正好相反。目标明确，路径清晰，你关心的是如何更快、更好地完成。五步框架在这里要严格地用：目标具体且可衡量，调查针对特定问题，计划有明确步骤和时间节点，补认知只学直接需要的，行动减少试探、直接推进。

探索帮你发现可能性，执行帮你把可能性变成现实。

两种模式的切换

大多数时候，你不是纯粹的探索或纯粹的执行，而是两者混合。典型模式是：先探索一段时间，发现一个有价值的方向；切换到执行模式，集中精力把这个方向做成；做成之后，可能有新的疑问或好奇，再切换回探索模式。

探索和执行不是对立的，而是互补的。探索给执行提供方向，执行给探索提供反馈。

问题出现在两个极端：永远在探索——知道很多东西，但什么也没做成；永远在执行——效率很高，但逐渐被时代抛弃。

健康的状态是两种模式的动态平衡。具体比例因人而异，也因阶段而异。但无论什么比例，两者都不应该是零。纯粹的探索是空转，纯粹的执行是停滞。

三、第一步：从今天开始

框架有了，模式也讨论了。但最关键的问题还没回答：如何开始？

很多人知道应该行动，有了方向，有了计划，但就是迈不出第一步。

等待准备好的陷阱

最常见的原因是：在等准备好。

我先把这个工具学透再开始。我先把手头的事忙完再开始。我先找一个更好的时机再开始。

这些等一等的借口，表面上是为了更好地开始，实际上是在回避开始。

问题在于：准备好是一种永远不会到来的状态。

你永远可以学得更多一点、准备得更充分一点。若把完全准备好作为开始条件，你永远不会开始。

真相是：你不需要准备好才能开始，你需要开始才能准备好。

因为在真正做之前，你不知道自己需要什么。你以为需要的东西，可能并不需要。你没想到的，可能才是关键。

只有开始之后，你才知道什么是真正需要的。然后针对性地学习和准备。这比先准备好再开始高效得多。

一个创业者的比喻很贴切：你不能等到学会游泳再下水，你得下水才能学会游泳。

AI也一样。你不能等到掌握AI再开始用AI，你得开始用AI才能掌握AI。

学外语的人都知道语感这回事。语感怎么来的？不是读语法书读来的，是大量听、说、练出来的。到了某个阶段，你不需要想语法规则，自然知道什么说法对、什么说法别扭。

AI使用也有类似的手感。什么样的问法效果好？什么时候该换个角度？什么任务适合交给AI、什么任务自己做更快？这些判断不是看教程学的，是在反复使用中积累的。用得多了，手感自然就有了。

完美主义与信息过载

另外两个常见障碍值得单独说。

完美主义的问题不在于追求卓越，而在于它是恐惧失败的伪装。“等我准备好了再开始""做出来的东西要够好才行”——听起来负责任，实际上是在拖延。所有厉害的人都是从不够好开始的，差别在于他们愿意做得烂，然后慢慢变好。把第一次当练习而非表演，心态就松了。

信息过载的问题更隐蔽。AI领域每天都有新工具、新技术、新案例，你可能花了很多时间看教程，看得越多越不知从哪入手。信息本来帮助决策，过多反而妨碍决策。对策很简单：不需要了解所有工具才能开始，选一个，用起来。信息永远学不完，但行动可以现在开始。

今天就做一件小事

不管你现在处于什么状态——已有明确目标还是完全没方向，有很多知识还是一无所知——我的建议是一样的：

今天就做一件小事。

不是明天，是今天。不是大事，是小事。

若你已有想法，今天就把它实现一个最小版本。若你还没想法，今天就去试用一个AI工具，看看它能做什么。

小事的定义很宽泛。可以是：

打开一个AI聊天工具，问它一个你真正好奇的问题。用AI帮你写一段东西——一封邮件、一个总结、随便什么。看一个AI工具的教程，然后照着做一遍。把你手头某个任务尝试用AI来完成。

这些事都很小，花不了多少时间。但它们的意义在于：你开始了。

沃顿商学院教授Mollick给出一个具体建议：花10个小时认真使用AI工具。不是听说读写，是实际动手使用。10个小时之后，你对AI能做什么、不能做什么会有真实感受。可以分散在两周内，每天半小时到一小时。关键是带着真实任务去用，不是随便聊几句天。

**开始的意义，在于打破惯性。**人是有惯性的。之前没用AI工作，就会继续不用AI工作。今天做一件小事，就是打破惯性的外力。一旦开始，惯性就碎了。第二次、第三次会容易得多。很多人发现，最难的就是第一次。

若想养成使用AI的习惯，可以设计一个简单循环：固定时间点（比如每天早上打开电脑后）→具体动作（用AI整理今天的工作清单）→即时好处（清晰计划带来的掌控感）。重复几周之后，它会变成自动的。

结果好不好不重要

还有一点需要强调：**对于探索性的第一步，结果好不好不重要。**你今天做的这件小事，结果可能很好，也可能很烂。这不重要。重要的是你做了，你获得了第一手经验。这种经验是读任何书、看任何教程都得不到的。

即使结果不好，你也学到了东西——你知道了这样做不行。这本身就是进步。不要用结果来判断第一步的价值。第一步的价值在于开始本身。结果会在后续迭代中逐渐变好。但如果不开始，就没有后续迭代。

四、如何选择切入点

好，假设你接受了今天开始的建议。但从哪里开始呢？

AI可以做的事太多了。写作、分析、生成、翻译、编程、设计……每个领域都可以用AI，每个领域都有很多工具。

选哪个？

这里提供三个选择切入点的原则。

原则一：从你最熟悉的领域开始

还记得前面章节讨论的问题敏感度吗？问题敏感度来自对领域的深入理解。你越熟悉一个领域，越能看到真正的问题，越能判断解决方案的好坏。

选择切入点时，同样的逻辑适用。

从你最熟悉的领域开始。

若你做市场，就从市场相关任务开始。财务人员从财务任务入手，程序员从编程任务入手，内容创作者从写作任务入手——道理是一样的：从你有判断力的领域开始。

在熟悉的领域，你有判断力。

你知道什么是好的结果、什么是差的结果。你能判断AI的输出是否有用。你能识别AI犯的错误。你能把AI的输出和专业知识结合起来。

而在你不熟悉的领域，你没有这个判断力。

假设你是一个完全不懂编程的人，用AI写代码。代码能跑起来，但你不知道它有没有隐患、是不是最佳实践、是否安全。只能被动接受AI的输出，没有能力评估和改进。

这不是说你不应该用AI学习新领域——你应该，这是AI的重要价值之一。但作为切入点，从熟悉领域开始更安全、更高效，学习曲线更平缓。

等你在熟悉领域建立了使用AI的经验和信心，再扩展到不熟悉的领域。

原则二：从重复性高的任务开始

你的工作中，有哪些任务重复性高？

写周报、回复常见客户问题、整理数据生成报表、做竞品分析——这类重复性高的任务，是很好的起点。

容易验证效果——你以前做过很多次，知道正常结果什么样。AI帮你做，你能立刻判断好坏。投资回报高——重复性高意味着这个任务会做很多次。用AI优化后，节省的时间会累积。一个每周做一次的任务，优化后一年能省几十个小时。学习效率高——你会多次用AI做同一件事，每次都是学习机会，逐渐掌握最佳方法，形成自己的工作流程。

相比之下，偶发性的、一次性的任务，不是好的起点。因为你投入时间学习如何用AI做这件事，但可能以后再也不做了。投资回报不高。

原则三：从失败成本低的事情开始

有些任务，做错了代价很大。

给大客户的重要提案，做错可能丢单。涉及敏感数据的分析，做错可能有合规风险。面向公众的重要内容，做错可能影响声誉。

这些任务不是好的起点。

不是说这些任务不能用AI——可以用，但需要更谨慎、更多人工审核。对于刚开始使用AI的人，风险太高。

更好的起点是失败成本低的事情。

内部的、不对外的任务。小规模的、可以重做的任务。学习性质的、结果不那么重要的任务。

比如，你可以先用AI帮你写内部日常邮件，而非给大客户的重要提案。先用AI帮你整理自己学习的笔记，而非公司的合规文档。

在失败成本低的任务上积累经验，了解AI的能力边界和潜在问题。然后逐渐扩展到更重要的任务。

三个原则的组合

理想切入点是三个原则的交集：

你熟悉的领域 + 重复性高 + 失败成本低

能找到这样的任务吗？很多人能找到。比如市场人员每周的竞品动态监测，产品经理的用户反馈整理，HR的简历初筛——熟悉、高频、做得不好也没有严重后果。其他岗位的道理一样：在你自己的工作里找那件”每周都做、闭着眼睛也会做”的事。

从这样的任务开始，是最安全、最高效的切入方式。

一个重要提醒

选择切入点时，不要被这个任务太简单的想法阻碍。很多人觉得写周报、发邮件太简单，不够有意义。这是误区。学习使用新工具，第一步越简单越好。简单任务让你专注于学习工具本身，而非被任务复杂性分心。等你熟悉了工具，自然会去尝试更复杂的任务。

五、不同起点的人该如何开始

不同的人处于不同起点。学生、职场新人、资深从业者、创业者、转型者——各自面临不同情况和挑战。

你的起点决定了你的优势和限制。学生有时间和试错空间，但缺乏判断力；职场新人要同时学工作和AI；资深从业者有判断力，但可能有心理障碍；创业者要思考AI对业务的战略影响；转型者既要接受变化，又要识别可迁移能力。

每个起点都有自己的最佳路径。

本书附录A针对五类不同起点的人，提供了详细的行动建议——包括具体的切入点、需要注意的陷阱、特别提醒。你可以直接翻到与自己情况最相关的部分查阅。

这里只强调一个共同点：带着问题去学，而非学完再找问题。

不要试图系统地学习AI然后再开始应用。从你面临的具体问题出发，用AI来解决这个问题。在解决问题过程中，学习你需要的知识。这种问题导向的学习方式，让学习更有针对性、更有动力、也更高效。

六、从使用到创造价值

前面讨论了如何开始使用AI。但使用AI只是手段，最终目标是创造价值。

这里有一个容易被忽略的问题：创造价值和获得回报是两件不同的事。

一个古老的区分

亚里士多德在两千多年前就注意到一个现象：一双鞋可以穿（使用价值），也可以拿去交换粮食（交换价值）。这两种价值不是一回事。

你可以做出极好用的鞋（使用价值高），但若没人愿意买，你就换不到粮食。相反，一双做工一般的鞋，如果市场上正好缺鞋，可能卖出好价钱。

这个区分延续到今天依然有效。你可以有很强的定义能力——能发现问题、判断质量、设定方向——但若这个能力没人知道，它就无法转化为职业机会、收入、影响力。

有句老话叫酒香不怕巷子深。这句话在信息匮乏的年代或许成立，因为好东西总会被人口耳相传。但今天更常被引用的是它的反面：酒香也怕巷子深。信息太多，注意力太稀缺，再好的东西也需要被看见。

两条并行的轨道

可以这样理解：一个人在社会中的发展，运行在两条并行的轨道上。

第一条轨道是”创造价值”。你学习技能，积累经验，培养判断力，解决问题，产出成果。这些都是在创造价值。劳动——无论体力还是脑力——是创造价值的主要方式。

第二条轨道是”获得认可”。别人知道你的能力，信任你的判断，愿意与你合作，愿意为你的价值付费。这些都是在获得认可。社交——广义的社交，包括所有与他人建立关系的活动——是获得认可的主要方式。

两条轨道都重要，但逻辑不同。

创造价值的逻辑是：投入→产出。你投入时间和精力，产出能力和成果。这个过程相对可控，付出通常能看到回报。

获得认可的逻辑是：被看见→被信任→被选择。这个过程不那么可控，因为它取决于他人的注意力、判断和决策。你可以极有价值，但若不被看见，就不会被选择。

很多人在第一条轨道上很努力，却忽视了第二条轨道。专注于提升能力、打磨技艺，很少思考如何让自己的价值被看见。结果是：能力很强，但机会不多。

定义者也需要被定义

这问题对定义者同样存在。

定义能力本质上是判断力——判断什么问题值得解决，什么方案是好的，什么方向正确。这种能力价值很高，但有一个特点：不容易被观察到。

执行能力是可见的。写了多少代码，设计了多少作品，处理了多少案件——可以量化，可以展示。

定义能力不可见。判断力、品味、对问题的理解——很难直接呈现。别人需要与你共事，看到判断在实践中得到验证，才会认识价值所在。

定义者面临一个悖论：核心价值恰恰是最难被看见的部分。

怎么办？

一种方式是让判断变成可见成果。你的判断指导了一个项目，项目成功了，这就是证据。建议帮别人解决了问题，问题解决了，这也是证据。定义能力需要通过执行结果来证明。

另一种方式是建立信任关系。别人信任你的判断，不一定是看到了所有成功案例，而是在交往中逐渐形成了信任。他们看到你思考的方式、决策的逻辑、面对不确定时的态度——这些都在累积信任。

咨询行业有个流传甚广的信任公式：信任 =（可信度 + 可靠度 + 亲近度）÷ 自我导向。本质是说，信任在关系中建立，不能单方面宣称。你不能说”我很值得信任”就让人信你。需要在持续互动中展现可信度、可靠度、亲近度，同时不让对方觉得你只为自己打算。

圈子的逻辑

这引出了圈子的概念。

圈子是一群相互认识、相互信任、有共同话题或利益的人。圈子里信息流通更快，不用到处搜寻；信任更容易建立，有共同朋友做背书；合作更容易达成，重复博弈让人更守信用。

建立自己的圈子听起来像人脉经营，但本质不是收集名片，而是：在一个特定群体中，让你的价值被看见和认可。

为什么是特定群体而非所有人？因为你不可能让所有人都认识你。但可以让某一类人——关心某个问题、从事某个行业、追求某种目标——知道你的存在和价值。

这群体就是你的圈子。在圈子里，定义能力可以被看见、被验证、被传播。圈子里的人遇到相关问题，会想到你；有新机会，你会被考虑。

圈子不封闭。可以扩大——更多人加入，或你进入更大的圈子。也可以连接——不同圈子有交集，你能成为连接不同圈子的桥梁。

社会学家格兰诺维特有一个著名研究：人们找工作，更多通过弱关系（不太熟的人）而非强关系（亲密朋友）。原因是强关系带来信息重复——好朋友知道的机会，你多半也知道。弱关系带来非冗余信息——那些平时接触不到的圈子里的机会。

圈子的价值不仅在于内部信任，还在于与外部的连接。好的圈子既有内部凝聚力，又有外部开放性。

第九章”连接能力”对此有更详细的讨论——包括两条路径（适应现有结构或创造自己的模式）、建立圈子的方法、价值变现的策略。

这里强调一个起步要点：从帮助别人开始建立圈子。在行业社群里回答别人的问题，在社交媒体上记录自己使用AI的心得。从为别人提供一点价值开始，圈子自然会慢慢形成。关键是持续性和真实性。

七、行动的节奏：迭代而非完美

很多人在开始之后，犯一个常见错误：追求一步到位。他们希望第一次就做对、第一个方案就是最优的、第一个工具就是最适合的。这种期望几乎必然落空。

AI时代的行动哲学是：**迭代而非完美。**不要追求第一次就完美，追求快速迭代、持续改进。

第一次，做一个最简单的版本。能用就行。看看效果，发现问题。针对问题调整，做第二个版本。再看效果，再发现问题。再调整，再迭代。每一次迭代，都比上一次好一点。经过几轮迭代，你会得到一个真正适合你的结果。

相比之下，如果你追求第一次就完美，你会花很多时间在规划和准备上，但做出来的东西可能并不符合实际需求——因为你的规划是基于想象的，不是基于实践的。

小步快跑，允许失败

迭代的关键是小步快跑。每一步都很小，可以快速完成、快速获得反馈。步子小意味着风险小，错了也容易调整。大步慢走的问题是每一步都需要很长时间，等你发现方向错了，已经浪费了很多资源。

迭代的另一个含义是允许失败。若你害怕失败，就会追求一次成功，花很多时间准备、规划、完美，结果反而不开始。但若你接受失败是迭代的一部分，就敢于快速尝试、快速失败、快速学习。

失败不是终点，是反馈。每一次失败都告诉你这条路不通，让你下次可以选更好的路。在AI时代，尝试的成本比以前低得多。快速尝试、快速失败、快速学习——这是最高效的进步方式。

保持耐心

虽然强调快速迭代，但同时也需要保持耐心。学会使用AI、建立新的工作方式、培养定义者能力——这些都需要时间。合理的期望是：几周之后你对某些AI工具已经很熟练，几个月之后有了自己的一套工作流程，半年到一年之后工作方式已经和以前完全不同。这是一个渐进过程，不是突变。每天一点点，日积月累，变化会自然发生。

八、第一次使用AI：三个简单练习

读到这里，你可能在想：具体怎么开始？

若你从未用过AI，可以从这三个练习开始：

练习1：让AI解释一个概念

找一个你一直想弄懂的概念，让AI给你解释。可以追问、要求用更简单语言、要求举例子。

练习2：让AI帮你写一段文字

一封回复邮件、一段会议纪要、一个活动通知——任何你平时要写的东西。把基本情况告诉AI，让它帮你写初稿，然后你修改。

练习3：让AI帮你分析一个问题

工作中遇到的问题、需要做的决定、想理清思路的事。把情况描述给AI，让它帮你分析可能的选项和考虑因素。

三个练习覆盖了AI最常见的三种用途：学习、写作、分析。完成后，你对AI能做什么就有了第一手感受。

用的时候有几个窍门。给AI足够的上下文——不要只说”帮我写邮件”，而是说”帮我写一封邮件，收件人是我的客户，目的是跟进上周会议”，背景越清楚，产出越贴合需求。告诉AI你想要什么格式——要列表就说”请用列表形式”，要简短就说”请用两三句话概括”。第一次不满意很正常，告诉它哪里不好：“太长了，请简化""太正式了，请口语化”——几轮对话下来，结果会越来越好。

不要追求用对，先追求用起来。第一次结果可能不太好，没关系，重要的是获得手感。AI是工具，出错了也没什么大不了。

下一章讨论如何持续进化。AI时代的学习不是一次性的事。

这一章的核心就一句话：五步循环（确定目标→调查→计划→补认知→行动）给你结构，探索与执行两种模式给你节奏，而真正让一切转动起来的，是今天迈出的那一小步。