我好像发现了 AI 时代的捷径

最近几个月，我几乎天天泡在 AI 里做内容。

写着写着，突然想通了一件事。

AI 写出来的东西平庸，我们最本能的反应，是接着折腾提示词、换模型、调工作流。

我也干过——提示词改了一晚上，可出来的文章还是不满意。

后来我意识到，真正缺的不是这些提示词，真正缺的是语料。

大模型在训练时，从海量材料里学到了知识、语言规律和表达方式。

但你在项目里踩过什么坑，和客户沟通说的什么话，你日常的表达习惯，行为准则——这些具体到只有你知道的东西，AI没有。

这需要我们投喂给它。

我自己日更，也做过一个灵感库：读到有感觉的、平时有感触的点，就赶紧记下来，因为灵感来得快去得也快，写作缺料的时候，可以打开看一看，就会有新的启发。

喂 AI，其实是一个道理。没有这些料，它能写出一篇通顺的文章，却写不出一篇属于“你的风格”的文章。

所以，想让 AI 写得更好，最有价值的动作，就是不停地积累自己的经历、案例、观点和客户原话。

但积累到这里，还差一步。

语料库里除了“发生过什么”，还应该有“当时为什么这么做，后来结果怎么样”。

比如一篇文章，除了留下最终稿，也可以留下：为什么选这个题，哪段改了几遍，发布后读者问了什么，下次准备怎么调整。

这样，下一次交给 AI 的材料，就多了一层我们做事的判断。

我想弄明白的，也从“怎样让 AI 写得更好”，变成了：怎样借助 AI，把看过的东西和做过的事情，变成下一次能用上的经验。

01 我们是怎么优化一件事的

想到这儿，我突然发现：我们自己学做运营、做生意，走的其实也是这条路。

找到值得研究的材料，筛选、拆解，形成判断，再拿到自己的业务里去试。

材料多了，就像一团毛线，得揪住一个线头，把线一条条拉出来。

做内容如此，优化主图、选品、投广告，也都跑不出这个思路。

举个最土的例子。

假设我们卖收纳箱，想优化主图。

最省事的办法，是扒几张卖得好的同行图，照着它的配色和排版改。

但你要是再多翻几页用户评论，会发现用户可能还关心许多不同的事情：

质量怎么样？

能不能叠放？

可以承重吗？

防水吗？

看到这些问题，先别急着把防水、承重、大容量的表现全塞进一张主图。

我们可以先挑一个问题往下研究，比如承重。

用户问“能承重吗”，究竟是准备把箱子叠起来，还是担心放了重物会变形？

可以继续翻相关评价和问答，看看他们具体怎么说。

假如产品确实适合叠放重物，我们才有理由试一个方向：把真实使用状态拍出来，看看能不能回答客户的顾虑。

比如箱子上面多放几箱矿泉水并拍摄下来。

这时形成的判断应该是：展示承重表现，可能有助于用户做购买决定，值得试一试。

至于有没有用，要拿新图和原图做小范围测试，尽量保持价格、优惠和流量条件一致，同时看点击率和成交率。

用户问过这个问题，是我们开始研究的依据，不过这些都是纸上推演，换图有没有效果，还得等实际跑出来的现实的结果。

再讲一个我最近读到的案例。

一位做情感咨询的创业者，把客单价提上去之后，发现客户反而更难成交了。他跑去研究招商加盟，看别人怎么用样板间、案例展示、现场沟通把信任做起来。

他从中拎出一个思路：当客户要掏一大笔钱，又没法提前判断服务质量时，就需要更多看得见、能核实的证据。

于是他把案例展示、视频沟通这些动作，搬进了自己的咨询业务。

这个案例给我带来最深感受的地方，是他先找到了两个行业共同面对的那个问题，再把解决问题的方法搬过来。

原来，跨行业学习也有章法。

研究一篇好文章、一张好图、一套成交流程，都可以继续往下追问：

它在解决什么问题？

为什么可能有效？

这些条件，在我这儿成立吗？

02、pdca 和 pdsa

后来跟 AI 继续聊，我发现，这种思路可以用管理里常见的 PDCA——Plan（计划）、Do（执行）、Check（检查）、Act（调整）—— 来理解：计划、执行、检查、调整。

放到收纳箱上，就是先提出一个判断：客户可能担心承重。核实产品后，做一张展示实际承重表现的图，小范围测试，再根据结果调整。

跟它相关的 PDSA——Plan（计划）、Do（执行）、Study（研究）、Act（调整）——则更强调研究结果，修正认识。

比如换图之后，点击涨了，成交没涨。

我们就要继续追问：图片吸引来的是不是合适的人？

详情页有没有回答剩下的顾虑？

观察时间和数据够不够？

不能看到一个数字涨了，就认定自己找到了秘诀。

我想起了之前蒋晖的管理文章里面提到，他的方法有些来自经典理论和更大公司的做法，再拿到自己的中小公司里使用。他也试过分利润、分提成，并在文中讲到这些尝试的失败。

这个例子说明学来的方法和自己的经验之间，还隔着一段亲自使用、观察和调整的过程。

一次尝试之后，除了问“做成了吗”，还可以再问一句：我原来怎么想，现在有什么证据支持或推翻这个想法？

这份记录，才是下一轮能接着用的东西。

03、系统思维：把工作连成一条线

另一个启发，来自《系统之美》里的系统思维。

我们太容易把工作看成一件件独立的事：今天发篇文章，明天改张图，后天优化一条广告。

系统思维逼我们再看一层：

这些事之间怎么相互影响，最后共同决定了什么结果？

一个系统，有要素，有要素之间的联系，还有一个功能或目标。放到内容获客上，内容、读者、产品和交付之间都连着线，文章表现只是其中一环。

简单说下书中的几个概念。

第一个是反馈。

行动的结果，会回头影响后面的行动。文章带来咨询，咨询暴露了用户真正的顾虑，这些顾虑又帮我们调下一轮内容。

第二个是积累。

有些东西会随时间慢慢变多或变少。语料库里的案例，就是攒下来的“存量”，持续往里添、更新、淘汰，这个存量就在变。

客户信任可能长期积累，还可能被一次糟糕体验消耗掉。

第三个是延迟。

行动和结果之间，常常隔着一段时间。客户今天看到文章，可能过几周才来问。要是只盯着当天有没有成交，就容易过早判一篇文章死刑。

这么一看，学习和日常工作就连成一条线了。

每次行动产生反馈，反馈帮我们修正判断，经过验证的经验慢慢攒下来，成为下一次行动的底子。

同时还得不停检查：这个循环，到底在帮我们实现什么目标？

只关注“点击率”来调整，和根据“有效咨询”、“客户信任”维度来调整，最后长出来的内容系统，可能是完全两个不同的东西。

所以，我理解的学习“捷径”，就是两句话：

把别人的经验，变成自己的假设；再把自己的实践，变成下一次可用的经验。

04、AI 怎么参与这个过程

公众号大 v润宇写过自己用 AI 做日常工作的过程。

他先从整理桌面、本地文档这样的小任务开始。一个任务完整做下来，觉得可用，再整理成下次能重复调用的流程，也就是 Skill。

下次使用遇到新问题，就把解决办法和例外情况继续补进去。

他还把写朋友圈拆成了几个环节：

每日录音拉取、选题、文稿梳理、人格化润色、配图，放到日常使用里继续调整。

这里值得借鉴的，是每次使用后的反馈，能回到下一次的做法里。

回到前面那个收纳箱。

如果要让 AI 帮忙，我们也可以把任务交代得更具体一点。

先准备用户评价和问答、现有主图、自家产品的实测资料——材料里保留来源，方便回头核对。

然后这样告诉 AI：

AI 给出方案以后，我们再回到原材料里核对，完成产品测试、拍摄和实际投放。

等结果出来，把新旧方案的数据再交给 AI，帮助整理差异和下一步要查的问题。

但归因仍然要小心：点击涨了，不一定都是主图的功劳；

十篇爆款用了同一种音乐，也不说明音乐就是秘诀。

AI 可以帮我们更快地整理材料、提出解释和记录结果。但是哪些解释成立，要让实际结果来检验。

05、五个步骤

以上，我给自己整理了一个流程。

第一步，定问题，留下一句话。

这次到底想改善什么？

比如：展示收纳箱的真实承重表现，能不能帮助用户做购买决定？

提前写好看什么指标。这里要一起看点击和成交，不能只挑好看的数字。

第二步，找材料，留下一份有来源的材料包。

把用户原话、同行案例、自己的产品资料和已有数据放在一起。

除了成功案例，也看看普通和失败的案例。让 AI 帮忙整理，但保留原文和来源，方便核实。

第三步，拆解，留下一个待验证的判断。

写清楚：我认为怎样改，可能改善什么，依据是什么，需要什么条件。

比如：部分用户担心叠放时承重不够。如果产品确实满足这个使用场景，展示实际表现，可能有助于消除顾虑。

材料能支持到哪，就先写到哪。

第四步，小步试，留下一次尝试的记录。

这次改了哪里，哪些条件保持一致，观察了多久，结果怎么样，都记下来。

如果数据还不够，就写“暂时不能判断”；如果结果和预想不同，就列出接下来需要检查的原因。

第五步，沉淀经验，留下复盘文档。

不用写得很复杂，回答这几个问题就够了：

• 当时想解决什么？
• 原来怎么判断，依据是什么？
• 实际做了什么，结果如何？
• 哪些已经知道，哪些还不知道？
• 下次继续什么，调整什么？

再遇到类似问题，把这个复盘文档连同原始材料一起交给 AI，就能从上一次的进展继续往下做。

做内容也是一样。

一篇文章发完，除了存下文章本身，还可以留下选题理由、修改过程和读者反馈。

把别人的经验，变成自己的假设；再把自己的实践，变成下一次可用的经验。

这就是我现在理解的，AI 时代的学习捷径。