AI 时代里，我对个人成长和赚钱的一点困惑

前言

距离上一次认真更新博客，已经过去很久了。以前写博客，更多是记录一些技术学习、折腾环境、踩坑过程，像是把自己一点点从非科班的混乱状态里拎出来。现在回头看，那些文章不一定成熟，但它们确实记录了我当时的心境：想学很多东西，想追上别人，也想证明自己不是只能停留在原来的轨道里。

这几年变化很快。最明显的变化当然是 AI。它已经不只是一个新工具，而是逐渐变成我日常工作、学习、写作和处理杂事时默认会调用的能力。所以我想在 2026 年 6 月 2 日写下这篇文章，记录一下我现在对 AI、个人成长、商业化和普通人处境的一些想法。它们还没有形成标准答案，更多是一段仍在进行中的观察。

AI 确实提升了个人生产力

如果只看个人层面，AI 带来的提升是非常真实的。

以前要写一段文字，我可能会先在脑子里盘很久，担心结构不清楚，担心表达不准确，最后拖到不想写。现在可以先把零散想法说出来，再让 AI 帮我整理出一个可修改的版本。这个过程不是 AI 替我思考，而是它降低了从混乱到成稿的摩擦。

写代码也是类似。过去遇到一个报错，我可能需要在搜索引擎、Stack Overflow、官方文档之间来回跳。现在我仍然需要判断答案对不对，但定位问题的速度快了很多。很多重复性的脚本、数据清洗、文件整理、自动化流程，也都可以更快做出一个可用版本。

还有一些更细碎的地方，比如总结资料、起草邮件、检查表达、生成图片、把已有流程拆成步骤。它们看起来都不大，但叠加起来会明显改变一个人的工作节奏。以前我可能一天只能推进一两件事，现在只要目标足够清楚，AI 可以帮我把很多低价值的中间步骤压缩掉。

我自己现在已经能感受到这种变化。以前出门我一定要带电脑，因为很多事情必须自己打开环境、自己改代码、自己部署。现在很多时候，我可以远程控制设备，把任务交给 agent，让 agent 自己操作电脑、修改文件、跑流程。我人在外面，只要能给出目标、检查结果，就能让工作继续推进。这种变化已经很真实了。

相对优势并没有想象中扩大

不过，AI 的问题也在这里。它不是只给我一个人用。

如果一个工具只被少数人掌握，那它会带来很强的相对优势。但当所有人都开始使用 AI，很多原本看起来惊人的提升，就会逐渐变成新的平均水平。以前会写代码、会做图、会写文案，本身就能构成某种门槛；现在这些门槛被降低了，能不能做出结果，更多取决于你是否知道自己要做什么，是否能把结果接入真实业务，是否能持续迭代。

这也是我最近经常苦恼的地方。AI 确实让我比过去更有效率，但如果大家都在变快，那我到底是在获得优势，还是只是在避免掉队？

我现在倾向于认为，AI 提升的是“绝对生产力”，但不一定自动提升“相对竞争力”，更不会自动带来个人财富积累。真正的相对优势，可能来自于更深的行业理解、更准确的问题定义、更稳定的执行习惯，以及能不能把工具嵌入一个可持续产生价值的系统。

换句话说，只会使用 AI 可能很快会变得不稀奇。重要的是，我能不能用 AI 去完成别人懒得整理、懒得自动化、懒得长期维护的流程，并且把这些效率提升变成可被市场认可的结果。

生产效率提升，不等于赚钱

我一直很好奇，如何利用 AI 赚钱。

这个问题听起来很直接，但越想越不简单。很多时候，AI 看起来能做很多事，但这些事情未必天然对应一个商业模式。比如个人写文章、做图、整理资料，这些当然有价值，可它们更多是提升个人效率，未必能直接变成收入。

我现在对经济效益越来越在意。因为经济效益可能是对一个成果最直接的赞美，或者至少是一种现实检验。一个东西如果真的帮别人省了钱、赚了钱、降低了风险、提升了产出，那它通常会更容易得到付费。反过来，如果只是让我觉得自己变快了、变厉害了，但最后没有形成收入、订单、客户、资产，那个提升就仍然停留在个人体验层面。

我现在想得更多的方向，是 AI 如何优化已有流程。比如一个公司、一个团队、一个个人工作流中，原本存在大量重复劳动：录入、整理、比对、提醒、生成报告、分类、检查遗漏。AI 加自动化可以把这些流程重新搭起来，让原来需要人工反复处理的事情，变成半自动或全自动。

这类价值相对更扎实，因为它不是凭空制造需求，而是减少已有成本。只要某个流程本来就在消耗人力、时间、注意力，AI 就有机会介入。

但问题在于，能不能赚钱，不只取决于技术上能不能做。还要看客户是否愿意付费，节省的成本是否足够明显，流程是否稳定，数据是否可获取，错误是否可接受，部署和维护成本是否低于人工成本。

如果只是从技术角度看，很多事情都可以自动化；但从商业角度看，很多事情并不值得自动化。

AI 的成本并不低

AI 还有一个容易被忽略的问题：它真的很贵。

个人订阅套餐会给人一种错觉，好像每个月付几十美元或几百美元，就获得了接近无限的智能。但实际上背后消耗的是昂贵的算力、能源、芯片、网络和工程维护成本。某些工具的个人套餐看起来很划算，可能是因为平台在补贴增长，或者通过使用限制把成本控制在可接受范围内。

比如一些代码类 AI 工具，会明确限制个人套餐只能在官方平台或官方软件内使用，不允许接入第三方平台。站在用户角度看，这当然有点不自由；但站在服务商角度看，它们也必须控制滥用和算力成本。如果一个用户每月付 200 美元，却能消耗远高于这个价格的算力，平台不可能长期无条件放开。

视频、剪辑、长链路内容生产也是类似。现在很多人会说，AI 可以生成视频、剪辑视频、做短视频内容。这当然是一个方向，但我对它的性价比还没有完全乐观。视频生成和剪辑会消耗大量算力和 token，调试成本也高。生成一段可用的视频，往往不只是点一下按钮，还需要反复改提示词、改镜头、改节奏、修细节。最后算下来，未必比找一个便宜的人来做更划算。

尤其是在中国，很多基础剪辑、设计、运营类工作的人力成本并不高。AI 的成本如果不能稳定下降，或者不能明显减少沟通和返工，那么它在某些场景里就不一定是最经济的选择。甚至从公司经营角度看，雇佣员工还可能带来一些组织层面的收益，比如流程沉淀、团队协作、客户沟通，以及某些成本上的财务处理空间。AI 再强，也不天然等于更低的总成本。

这也是为什么我会更谨慎地看待“AI 替代一切”的说法。AI 的确会替代很多任务，但它未必在每一个环节都比人便宜、稳定、可控。

隐私、平台和作恶的可能

当 AI 越来越多地进入工作流，另一个绕不开的问题是隐私。

从个人角度看，我当然希望把 AI 用得越深越好。它可以帮我整理文档、分析数据、总结会议、规划任务、写代码、做自动化。可是越是深入使用，越会碰到一个问题：如果不把足够多的上下文交给 AI，它就很难真正帮上忙；但如果把太多真实信息交给 AI，我又会担心这些信息最后流向哪里。

大公司也许可以和 AI 厂商签署更严格的协议，要求对方不要把公司数据用于训练，不要保留敏感数据，甚至提供私有化部署或企业级隔离方案。但我一直有个疑问：当一个 AI 工具公司面对市值是自己成百上千倍的大客户时，它真的能一直忍住利用这些数据的冲动吗？

这当然不是说所有公司都会作恶，而是商业世界本身就很残酷。很多公司之所以看起来更文明，并不一定只是因为创始人道德水平更高，而是因为盯着它的人更多，监管更严格，违规后的代价更高。规则、审计、舆论、客户议价能力，这些外部压力共同促使它们表现得更文明。反过来，如果一个工具足够关键，但外部约束不足，它是否仍然能长期克制，就是一个需要警惕的问题。

类似的事情在软件行业已经反复出现过。比如微软 2018 年收购 GitHub 时，很多人也愿意相信它会保持 GitHub 的独立运营。GitHub 本身已经接近代码世界的公共基础设施，是开源社区和大量公司研发流程的入口。可正因为它太关键，很多软件开发人员和企业主其实很早就有警惕：不能把所有鸡蛋都放在一个篮子里。于是 GitLab、Bitbucket、自建 Git 服务，或者至少是多平台备份，就变成了一种风险对冲。

这件事给我的启发是，大公司一开始说不干预，并不代表未来真的永远不干预。商业环境、管理层、增长压力、生态竞争都会变化。当一个平台已经成为事实上的行业入口，它就很难完全不利用自己的位置。作恶不一定是突然做一件特别恶劣的事，也可能是慢慢改变规则、调整接口、绑定生态、提高迁移成本，让用户一点点失去选择。

如果 AI 公司未来也走到类似的位置，问题只会更复杂。代码平台至少保存的是代码和协作记录，而 AI 工具可能接触的是个人想法、公司文件、客户资料、决策过程、研发计划，甚至是一个组织内部尚未成型的战略判断。当这种工具成为生产力入口以后，它到底是服务商，还是新的基础设施控制者？这个边界会越来越模糊。

所以我现在会更倾向于把 AI 使用分层。公开资料、可替代信息、已经脱敏的数据，可以更积极地交给 AI 处理；涉及个人隐私、公司内部信息、客户数据、尚未公开的研发内容，就要更谨慎。AI 可以参与整理框架和生成模板，但不一定适合直接接触全部原始信息。

决策不能全交给 AI

还有一个问题，是决策。

我自己有一些实际落地决策的经验。真正消耗精力的，往往不是信息不够，而是人和人之间的利益发生冲突之后，必须在有限时间、有限资源、不同优势劣势之间做选择。到底优先谁，放弃谁，承担什么风险，得罪谁，保住什么底线，这些东西非常耗神。

AI 可以帮忙收集公开信息、整理利弊、生成几个方案，也可以提醒我遗漏了哪些变量。但它很难真正替我做最后的判断。因为最终承担后果的人不是 AI，而是我自己。

更现实的是，AI 对公开信息的处理能力很强，但对内部信息、新兴领域、没有太多公开报道的研发内容，以及某些行业潜规则，理解并不一定可靠。有些东西不在互联网上，或者即使在网上也不会被公开写清楚。真正做事时，这些灰色地带反而很关键。

所以 AI 在决策中更像是参谋，而不是负责人。它可以提高准备效率，减少信息盲区，但不能替代责任主体。尤其当问题涉及利益分配、组织关系、长期信誉和法律风险时，把判断权完全交给 AI，本质上是在逃避责任。

平台垄断和普通人的无奈

AI 的成本问题，最后会自然走向平台垄断问题。

AI 需要算力，算力需要芯片、数据中心、电力、网络和资本。越往后，越可能是有钱、有云、有生态、有分发渠道的大公司占据优势。生产力的提升并不一定天然让个人变富，反而可能让已经拥有基础设施的巨头更稳固。

这也是我对 AI 时代有点矛盾的地方。它一方面让个人拥有过去难以想象的能力，另一方面也可能进一步强化垄断。普通人看起来变强了，但巨头变强得更快。对于本身没有太多资源、主要靠干活换收入的普通人来说，这里面会有一种无奈感：智力劳动正在被 AI 重新定价，体力劳动未来也可能被机器人继续挤压。重型机器已经改变了体力时代，未来如果机器人再叠加 AI 这个智能大脑，并且持续自我迭代、自我提升，人的位置会变得更尴尬。

但现实的另一面是，普通人好像也没有太多选择。既然趋势已经发生，与其站在旁边焦虑，不如尽快拥抱 AI，学会掌握这个工具，把它变成自己的生产力杠杆。至少在目前阶段，AI 还需要人给目标、做判断、检查结果、承担责任。能更早熟悉这种协作方式，可能就是普通人能争取到的一点主动权。

有时候，当两个最顶尖的模型彼此对话时，我作为旁观者，确实能够感受到一种思维碰撞。它们会从不同角度展开问题，会把我原本模糊的直觉变成更清晰的结构，也会让我从中获得启发。这对我来说当然是有好处的。只是这种启发并不自动等于赚钱，而我现在又确实越来越在意经济效益。

更远一点的担忧

更极端一点想，如果 AI 真的成为基础设施级别的智能体，而不是现在这种聊天窗口或代码助手，政府和监管是否一定管得住？

以前科幻电影里常见的想象，是某个超级 AI 失控，然后靠英雄去切断电源，让它宕机。但这个想象可能太简单了。今天的系统早就不是一台机器、一个机房、一个开关。云计算、分布式系统、跨地域数据中心、边缘节点、自动化代理，如果再叠加类似区块链那样的分散结构，真正的“关掉”会变得非常困难。

这不是说我认为某一天一定会出现电影式灾难，而是说，当智能体足够强、足够分布式、又深度嵌入商业和公共服务时，治理难度会远高于传统互联网平台。一个平台封号、罚款、拆分，至少还有相对清晰的主体；但一个跨地区、跨平台、自动复制能力很强的智能系统，责任主体、技术边界和执法边界都会变得模糊。

我也确实好奇那一天什么时候到来。也许十几年、二十年后，我们就会看到 AI 在某些思维速度和执行能力上远远超过普通人。那时 AI 龙头会不会挑战旧的平台霸主？比如未来 Windows 阵营能不能借助 AI 重新挑战 Mac 平台？短期看，它们的定位仍然不完全一样。苹果在手机、电脑、平板、多设备协同体验上依然很强，但成本高昂；高端 Windows 本在很多地方进步很快，可整体体验和 MacBook 之间仍然有明显差距。如果双方真的因为 AI 展开更激烈的竞争，至少从消费者角度，我希望这种竞争能带来更好的产品和更合理的价格。

我现在更想做什么

相比于追逐一个听起来很大的 AI 创业概念，我现在更想从具体流程入手。

比如我自己日常里有哪些重复劳动？哪些事情每周都会出现？哪些工作只要规则明确，就可以通过脚本、表格、浏览器自动化和 AI 判断结合起来处理？这些问题比“AI 如何改变世界”更小，但也更接近真实。

如果我能把自己的流程自动化一部分，再把经验迁移到某个行业或岗位，也许才有机会找到真正的商业价值。因为真实世界里，很多赚钱机会并不是来自炫技，而是来自对一个麻烦问题的长期理解。

这也是我对个人成长的新理解。过去我会把成长理解成学更多技术、看更多书、掌握更多工具。现在我觉得，成长还包括更准确地判断哪些事值得做，哪些事只是看起来很先进。

AI 放大了执行力，也放大了选择的后果。如果方向错了，效率越高，可能跑偏得越快。

结语

写到这里，我依然没有回答清楚“如何利用 AI 赚钱”。但至少我比以前更清楚几个问题。

AI 对个人生产力的提升是真实的，但它不会自动变成相对优势，更不会自动带来个人财富积累。AI 自动化已有流程，可能比凭空创造一个 AI 产品更容易落地。视频、剪辑这类高消耗任务，目前未必在所有场景里都比人工划算。隐私、责任、算力成本和平台垄断，也会限制 AI 红利最终流向哪里。

作为普通人，我感到无奈，但也不能只停留在无奈里。更现实的选择，可能还是尽快拥抱 AI，把它变成自己的工具，而不是让它只变成别人手里的工具。真正值得投入的，可能是那些稳定、重复、有明确成本、又足够贴近业务的流程。真正值得警惕的，则是那些看起来提升了效率，却始终无法通过经济效益检验的自我感动。

这篇文章不算结论，更像是一个阶段记录。几年后再回头看，也许会觉得今天的想法幼稚，或者会发现某些判断还算准确。但无论如何，至少在 2026 年 6 月 2 日这个时间点，我确实处在这样一种状态里：一边感受到 AI 带来的巨大效率提升，一边仍然认真困惑于它到底如何变成真正可持续的商业价值。

也许这正是成长的一部分。不是马上找到答案，而是开始能提出更接近现实的问题。