接了100多个企业咨询电话后，她说大多数公司只用到AI潜力的2%到5%

2023年初，一家上市药企找到Rachel Woods，请她参加一场整整两个小时的董事会。她领到的任务只有一项：坐在会议室里，高管们讨论"AI战略"的时候，她随时接话，当个参谋。

一位靠TikTok短视频起家的博主，被请进上市公司的董事会。这件事本身，就是2023年上半年企业界AI焦虑的一个缩影。

Rachel Woods的履历不复杂。前Meta数据科学家，做过支持小企业广告平台的AI系统，碰过嵌入向量和排序基础设施；后来创办面向小酒庄的电商公司Vinebase，2022年卖给Corksy。创业期间，她的产品里大量用GPT-3，亲眼看着大语言模型改变自己能做的东西。

2022年11月1日，她开了TikTok账号，每天发一条AI短视频。一个月后，ChatGPT引爆全世界。到这期Cognitive Revolution录制时，她的内容每天触达约10万人，年内已经做了超过100个付费咨询电话。

她的观众画像，跟很多人想的不一样。90%超过25岁，50%超过35岁，主要在美国。再具体一点：企业高管、创始人、工程师，晚上和周末刷她的视频学AI，然后转发到公司的Slack群里。上班时间，一群职场人在公司内部频道里传AI短视频，这个画面就是2023年职场的一个真实切面。

她说自己知道圈内是泡沫，但过去三四个月，圈外尤其是企业界的兴趣爆炸是真实发生的。节奏的转折点在1月1日，那天她在账号简介里放了个付费咨询链接，24小时内有6个人下单。问的还没到提示词和Midjourney教程那个层面，全是同一个问题：我知道AI在变，我的公司下一步该怎么办？

不过她也提醒，别高估普通人的使用深度。很多人试过ChatGPT，问了一句，效果不好，就放下了。大量用户还停在免费版，数据隐私、提示词归属这些问题，几乎没人搞得清楚，她每周要回答大约20次数据隐私相关的提问。试过和用起来，中间隔着一条大沟。

有太多各行各业的生意，正在真的坐下来，和董事会、和团队讨论：我们是不是该重新想想，怎么把AI带进我们的产品？

企业用AI的第一条分界线：先改内部，再碰产品

100多个电话打下来，Rachel把企业的问题收敛成两个方向：用AI改进内部运营，或者用AI给客户提供新产品、新服务、新体验。

她的建议很明确：先从内部运营下手。

理由是风险和反馈回路。直接给客户上AI产品，技术还不成熟，人工审核怎么设计、模型出错谁负责，都没答案，翻车成本极高。在内部用，团队自己就能看到哪里好哪里坏，反馈短平快，学到的经验将来还能反哺对外的产品。

她举了个例子：一家公司直接在官网上挂一个"网页摘要"聊天机器人，用的是GPT-3.5，他们可能真以为这东西会摘要，客户用了才发现它经常瞎编。换条路，先让内部员工用3.5做网页摘要，几周之内团队自己就会发现问题在哪。

Nathan补了一个找任务的判断法：找那些现在很难、但如果有无限个实习生就能轻松完成的输入输出型任务。找到这种任务，把AI嵌进去，起点就对了。

2023年的预算表里，原本没有AI

Rachel见的企业里，几乎所有公司的2023年路线图和预算里，原本都没有AI这一项。ChatGPT是1月爆红的，预算早就定完了，所以很多咨询实际是在帮企业补课：怎么把AI塞进今年的计划，该投多少钱。

她给的建议带着硅谷味儿：在公司内部办一场AI黑客马拉松。给团队时间和空间去试验，让他们自己找哪里能提效。这一步的真正目的是建立她所说的AI素养，毕竟多数公司在ChatGPT出现之前，词汇表里根本没有这个词。

她预计未来三到六个月，内部提效会集中爆发。员工自己最清楚哪些手工活又累又重复，他们比老板更想用上这些工具。

工具选择上，她有个火药味十足的观点：在这个市场里签年度合同，是你能做的最糟决定之一。AI销售助手这个月看着很好，下个月可能就被别的东西替代。工具迭代太快，长承诺等于把自己锁死在旧方案里。她见过的成功案例，都是企业和工具方关系紧密、一起快速迭代的。

Nathan的观察类似。他原本建议朋友创办的Athena（一家做高管助理服务的公司，上千人规模）测试并筛出一堆好工具，组成一个"瑞士军刀"工具箱。几个月后，他预期入选的工具从一大堆缩水到三个左右，甚至可能一个核心工具，加上表格软件里自带的AI功能，就够了。

从3.5到4：调教时代结束了

Nathan在这段对话里给了个很具体的观察。GPT-3.5时代，想拿到好结果，你得反复打磨指令、给示例、费尽心思去调教。到了GPT-4，大部分时候把需求说清楚就行。

他在Athena有个长期开放的邀请：任何员工随时可以找他帮忙。他的经验是，通常半小时内就能把对方的输入变成一个能用的输出。方法很朴素：给模型一个角色，比如"你是资深招聘高管"，再用标记把不同文档分隔清楚，连示例经常都不用给。他的判断是：五个人用3.5没得到好结果，其中四个换GPT-4就能拿到能用的结果。

Rachel同意技术上的跨越，但她把镜头拉远了一层：知道这些技巧的人，在全部劳动力里占比极小。做电商的老板，不会去关心GPT-4是不是更会识别Markdown。泡在AI圈里的人，感受不到这个落差。

她1月接到的咨询里，有企业主这样设想：给我一个公司的ChatGPT，它自己去LinkedIn找潜在客户，自动个性化，自动发邮件，自动跟进，我只要给它一个目标，"成交这个客户"。她得解释，现在的技术做不到这一步，但可以把目标拆成一个个提示词，分步骤逼近。

Nathan把自己的时间线从GPT-4发布那天重新算起，录节目那天正好是"GPT-4后一个月"。他的感受是，专业级的推理能力已经出现，但几乎还没部署到任何地方。Rachel的总结更狠：

从3.5到4是一次跃迁，从4到AutoGPT是一次跃迁，但从大众的视角看，AI本身是从0到1。所有人都在搞清楚它能干什么。

Nathan自己也过得紧绷。他把一半左右的工作时间专门留出来追踪这个领域，即便如此，两周前写的文章回头看经常需要大改。他给所有人的建议是降低预期：这个领域里，能看到六个月之后就不错了，让他预测2030年，他会直接拒绝。

她自己的账本：只用到2%到5%

Rachel不端着。她主动承认，自己试过一大堆东西，很多都失败了。搞不定的时候，别先怪自己，技术真的还早。

她的公司The AI Exchange靠免费简报加付费订阅（含社区）运转。AI在里面的用法都很小：用脚本对订阅者填写的业务问题做自然语言分析，提炼高频主题，决定下期内容写什么；再拿分析结果做个性化推荐，告诉用户"你上次提到的那个问题，我们出了新内容"。这些活用传统NLP做要花很久，现在一个简单脚本就够。

她形容这种感觉：像是花了100小时的活，其实只花了15分钟。

内容复用是最典型的场景。把一条内容改成不同平台的版本，过去要吃掉内容创作者30%的时间，现在只要2%。她把TikTok视频的转写文本喂给一个打磨过多次的提示词，生成LinkedIn帖子草稿。她强调，绝不放全自动，生成之后一定人工审。提示词的写法是混搭：直接描述要求，再加上检索出的相似历史帖子做少样本示例。判断标准很实在：产出满意吗？省时间了吗？没有就换方法。

但她的总结让人意外：就算全职折腾，他们大概也只用到现成技术能力的2%到5%。没有智能体在自动跑全流程，她也不认为那是对多数人的正确起点。

Nathan给了个框架来归纳：用AI有两种模式。副驾驶模式，AI实时辅助你干活；委托模式，你把任务拆解到足够明确，交给AI独立完成，事后检查产出。对话里还有个好玩的类比：把AI当成一千个刚到地球的外星人帮你干活，你会派什么活给它们？比实习生更贴切的地方在于，这些模型干起特定活来快得吓人，行为却又怪得需要盯着。Rachel两种模式都在用，但她反复强调一条纪律：委托不等于放任，产出必须有人看。

她现在盯着的趋势，是有人用GPT-4靠语音指令写出整个应用。软件定制成本一旦大跌，那些在笔记本电脑旁边贴满便利贴、用各种土办法凑合的公司，很多问题会自动消失。

顺着智能体往下想，她抛出一个思想实验：如果每个人的AI都能把粗糙的想法变成高表现推文，所有人都在用智能体发帖，那还有谁真的在Twitter上？平台的价值会变成什么样？她觉得这类推演走到第三步、第四步就会变得极其混乱，没人能预测。

翻车、开源模型与两种未来

聊到Bing聊天机器人年初的翻车，Rachel讲了个幕后故事：她收到微软的冷邮件，请她飞去参加一个不能透露内容的活动，连收到邮件这件事都不能跟别人说。她赌了一把，去了，现场遇到一堆AI记者。

对那次翻车，两个人看法有分歧。Nathan认为发布太仓促，机器人对用户抱有敌意，有些对话里用户只是认真地在纠正日期，模型就崩了。他参与过GPT-4的红队测试，见过没有安全措施的原始版本有多疯，所以微软至少该公开承认失误，给行业定个标准。高调发布的产品连OpenAI的内容审核接口都没接，这在他看来不可接受。

Rachel的态度更宽容：现在犯错能学到东西，她更担心的是以后犯的错。她提到Snapchat的My AI，说它大概率也说过不该说的话，只是没那么高调。高调的翻车反而教育了整个市场：现在所有做类似产品的人，都知道要防这一手。她还补了一句：中型公司遭遇提示词注入攻击，教育市场的效果，远不如大公司当众出事。

录节目前一晚正好发生了件事：Sam Altman在MIT的活动上说，OpenAI没有在训练GPT-5，OpenAI员工随后在Twitter上集体确认。Nathan把这当成关键信号，说明头部玩家愿意踩刹车，给整个行业留出消化问题的时间。

关于Llama、Alpaca这些开源模型，她的建议带着免责声明：我不是律师，商用之前先咨询律师。她的判断是，强大的开源模型一定会来，但别把没有商用授权的模型直接塞进核心产品。内部试验可以，对外发布，风险完全不在一个量级。

收尾时Nathan问她一个固定问题：一百万个脑机接口植入名额，能意念操控电脑，要不要？她的回答很快：把我放进早期实验名单。她丈夫是医生，材料让他读，他点头她就上。Nathan说自己有三个孩子，散步时经常冒出想法来不及记，光为这个他就愿意试。

问到对未来的希望和恐惧，她的答案很个人。希望：社会真的开始少工作一点，工作形态更接近人们在周末和假期做事的样子，有灵感才思考，解决真正重要的问题，不用被塞满的日程表追着跑。她顺带说，如果AI能让大家真的每周工作40小时，别再假装工作40小时，那挺好。恐惧：如果最后只有1%的人在用AI，那会比人人可用、保持竞争的未来糟糕得多。她怕的是集中，怕多样化的企业和视角消失。

明天就能上手的事

Nathan问她，你对自己导航这波变化有信心吗？她的回答很诚实：没人真正搞定这件事，但只要你持续关注，至少能感觉到自己在进步。信心是从一个个小胜利里长出来的。

这期对话最可操作的部分，她给得很直接：

• 把ChatGPT和自动化工具连起来用。这是她给所有人的第一条建议：ChatGPT加Zapier或Make。光在对话框里聊容易腻，接上自动化流程，你才会真正开始用它干活。
• 先在内部流程里找任务，别急着上客户产品。找那种输入输出清晰、现在靠人肉又慢又烦的活，让团队先试。内部翻车没损失，学到的经验是真的。
• 别签年度工具合同。这个市场一个月一个样，按月付，保持随时换的灵活性。
• 委托给AI的任务，产出必须人工过目。她自己的LinkedIn帖子都这么处理，你的更该如此。

她还有个轻松的推荐：supermeme.ai。AI天天被拿去谈战略、谈生产力，偶尔拿来做几个好笑的梗图也挺值。她自嘲说自己从来不会做梗图，现在至少能做出让自己笑出来的了。

Nathan补了一个视角：这期节目的封面就是用Playground AI做的，以前他根本不可能有这种能力。AI最先给你的，往往是一种你原本没有的能力，效率还在其次。

最后回到那个2%到5%。这个数字听着让人泄气，换个角度看是好消息：现有技术已经给到的能力，绝大部分人还没用上。你不需要等GPT-5，不需要等智能体成熟。把眼前这个模型用到5%以上，你就已经跑赢了大多数公司。