最近参加一个沙龙活动，一位长期做 专业研究的人谈到，自己要减少与研究方向无关的项目，把精力收回案例研究。

他也在谈AI、数据、Skill和个人操作系统。但吸引我的，反而是这份取舍：

技术让可做的事情越来越多，他却要更清楚地决定，哪些事不做。

这只是分享者对自己路线的说明，不能证明所有人都该拒绝项目。需要现金流的人，也没有义务模仿他的选择。值得追问的是：他想长期解决什么问题，因此愿意把时间放在哪里？

今天，我们很容易列出一长串已经完成的事。用过几个模型，搭了多少流程，写了多少报告，知识库又添了多少文件。可另一张清单往往模糊得多：这些工作，正在使我更能承担什么？

留下了东西，不等于形成了能力；形成了一点能力，也不等于正在走向值得持续创造的价值。

一份品类报告完成了，专业积累也完成了吗？

以一家快消品企业为例。这家企业经营即饮茶、果汁和功能性饮料，希望优化品类结构：有限的研发、生产与营销资源，应该怎样分配；不同渠道应重点经营什么，各品类内部又该保留、增加或收缩哪些产品？

负责分析的人借助AI整理资料，很快得到销量、毛利、增长率和库存的比较图，再生成一份建议。过去耗在表格整理上的精力，有机会省下来。这当然有价值。

但如果讨论到这里就结束，品类结构优化很可能缩成了销量排名：增长快的多投，卖得慢的少做。报告已经交付，真正困难的判断却还没发生。

某类饮料卖得少，是消费者不需要，还是它根本没有进入合适的渠道？一个新口味销售不错，是增加了需求，还是从自家另一个产品手里分走了销量？某个品类毛利看起来高，扣除促销和渠道费用以后，还值得继续投入吗？

这些问题，会把人从文件带回业务现场：核对口径，听渠道人员解释，再看消费者如何选择。AI能帮助整理和寻找线索，但不能把缺失的事实自动补成可靠结论。

同样是做完一份报告，一个人可能只是多了一个模板，另一个人则开始理解，什么条件会使品类判断失效、下一次应先查什么。差别不在文件有没有保存，而在工作究竟改变了他的哪一部分判断。

可即便如此，还得再问：我愿意长期积累的，正是这类判断吗？

难的不是看十年，而是把中间那三年想清楚

阅读曾鸣《智能》这本书，我重新理解了“

”。它不宜被看成三份分开编制的计划：远处放愿景，中间列增长目标，眼前排任务。

长期方向与现实反馈之间的张力。没有方向，行动容易被机会带走；没有反馈，方向又容易变成需要维护的信念。中间那层思考，要不断让两者相互校正。

用于个人专业积累，我愿意这样理解。

看十年，不是猜哪种饮料一定流行，也不是押定哪个AI平台永远领先，而是形成一个长期价值假设：我是否愿意持续研究，企业怎样在消费者需求与经营约束之间，作出更合适的产品和资源选择？

想三年，是追问沿着现在的工作走下去，我会更能承担什么。是更快制作销量图，还是能帮助业务识别需求、比较组合、组织验证，并对建议的后果作出解释？要跨过这段距离，眼下还缺什么？

干一年，才是把问题放回真实资源与任务：今年选择哪一次品类调整来验证？能获得什么数据，谁有权作决定，验证结果又能否进入下一次选择？

这三层不能单向运行。现实若表明客户需要的并非更多组合建议，而是解决渠道信息失真，就应当修改能力路径。如果持续发现自己选的问题没有足够需求，也要允许长期判断改变，而不只是换个模型继续做。

这也会改变学习的顺序。与其先学完一长串工具，再寻找能用上它们的项目，不如先认清下一步需要跨过的能力差距：不会区分出货与动销，就先补业务口径；解释不了需求替代，就补研究方法。工具学习围绕问题展开，才更容易与过去的工作接上，而不是每次从新产品的入门教程重新开始。

“想三年”因此不只是一个未来目标。它还是不断出现的反问：

如果继续按现在的方式工作，我是在深化所选能力，还是只把相同的忙碌重复了三次？

品类结构优化，需要的不是更漂亮的删减名单

回到那家快消企业。今年的工作，不必从建设一个包罗所有数据的大系统开始，也不应从批量淘汰尾部产品开始。

先把企业真正需要决定的事说清。例如，在一个区域的某类渠道中，是否调整不同品类的资源比重和商品组合，让有限投入更好地覆盖消费者需求？

这是组合与资源的选择，删减SKU只是可能的动作之一。一个品类可能承担稳定贡献，另一个可能需要限额探索，还有的承担特定渠道需求。角色可以讨论，但不能仅凭“战略需要”四个字，就永久豁免经营检验。

接下来，分析者要把原来混在一起的数据拆开。企业向渠道发了多少货，与消费者实际买了多少，不是一回事；促销期间的销量，也不能不加区分地外推。财务、销售与市场对贡献的计算口径，应先对齐，再比较。

低销量不自动等于无用，高销量也不自动等于创造增量。NIQ在品类方法文章中提醒，单看销售排名不足以判断增量，还需结合销售速度等因素。

这是方法提示，不是某套AI方案的收益保证。

假如果汁的总盘表现不佳，却在某类餐饮渠道覆盖了特定需求，统一收缩可能丢掉那部分生意。反过来，即饮茶的口味越做越多，也可能只是增加内部替代和供应复杂度。这些都只是需要检验的解释，不能让AI把它们写得流畅，就当作事实。

因此，一份更负责任的建议应当包含边界：哪些判断已有依据，哪些仍需核对；准备在哪个区域和渠道先试；谁批准资源调整，哪些执行需要与渠道协商；出现什么情况应撤回或修改。

分析者并不因此接管经营。他可以指出依据不足、提出验证办法，也要与负责人约定哪些决定由谁作。若企业只愿意拿一份展示材料，却始终不允许接触必要数据、核实假设或追踪执行，这一单仍可作为明确范围的交付，但不宜再把它说成完整的品类决策能力训练。

观察结果，也不能只看销售额。组合贡献有没有改善，重点需求有没有被遗漏，库存与供应是否恶化，实施和维护多花了多少精力，都要按约定口径回看。若没有合适对照，还须考虑季节、促销与铺货变化，不能把前后差异全部归因于方案。

面对不利结果，同样不能立刻宣布方向错了。先核对方案是否真正执行、是否发生供货中断，再判断问题是否在不同周期反复出现。局部异常可能只需改一个动作，持续的需求缺失却可能要求重选问题。维持张力，难就在这里：既不拿一次波动推翻长期投入，也不拿长期主义挡住反复出现的反证。

AI节省的时间才可能转成更重要的工作：不是多做几页图，而是多核实一个会改变决定的事实，让一次调整更值得尝试，也更容易纠正。

当下价值不是“方案获准”就结束了。建议是否被使用、执行到什么程度、产生了什么结果，仍须继续观察。能力积累也不在结项那天自动发生，它需要把这些证据带回自己的判断方法。

三年后有用的，未必是今天留下的答案

如果只把那份报告归档，三年后可能只剩一份当时看起来很有说服力的结论。市场、渠道和费用条件一变，照抄反而危险。

更值得保留的，是结论当时怎样成立，又怎样被现实修改。

数据不只是销量表，还应包括来源、口径、当时的约束，以及后来发生的结果。方法不只是一个提示词，还要知道什么时候应先检查铺货，什么时候需要判断替代，哪些证据不足以支持收缩一个品类。

这也使失败有了更严格的含义。不能把结果不好一律包装成学习；只有辨认出哪项假设错了、下一次因此会怎样不同，它才可能成为积累。未经解释地反复犯错，并不会因为次数增加而形成经验。

AI 应用所需的数据、可调用能力与编排规则，可以落在这里：数据让判断可追溯，能力包帮助稳定完成一些步骤，规则则安排何时调用、何时转人工、出现例外怎样处理。

它们不是三份独立收藏，而要服务于同一类问题。业务负责人需要的是更好的品类选择，不是看到你拥有一百个Skill。

工具与平台的边界也要算进去。换工具时，能继承的可能是问题定义、评估样例和业务规则；接口、权限与部分流程仍需重做。能迁移，不等于没有迁移成本，更不意味着有权把客户数据带走。可留存和复用的材料，首先要有相应授权。

如果将来系统已经能可靠完成某一步，也不必为保住自己的价值，继续亲手重复它。真正值得延续的是对问题的理解，而不是某个操作必须经过我。

组织能做的，是为这种积累留出复盘、交接与验证时间。否则，要求员工每单都完成交付、顺便建设全部能力，积累就会成为一份没有被安排资源的额外工作。

用一页纸，让未来接受今天的检验

我不想再增加一套复杂的个人管理体系。下一次选择工作或复盘项目时，一页纸就可以先把关键判断摊开。

下面是我对所读框架的应用，不是曾鸣原书中的表格。

这页纸的作用，不是让每个格子都填得漂亮，而是暴露不一致：当前项目能赚钱，却几乎不深化所选能力；长期想做研究，现实却把全部时间花在无关交付上；资料存了很多，却没有一条判断经过使用后的回看。

不一致不必立刻消除。有些项目确实是为了生计，有些探索暂时不产生收入。重要的是承认它们各自的作用，再作资源取舍，而不是把所有忙碌统一命名为长期主义。

选择也不等于只接最熟悉的工作。总是重复已经会的部分，可能让收入维持，却很少跨过新的能力差距。一个值得尝试的任务，可以只比现有能力多出一个关键难点；前提是有学习、协作和验证的条件，而不是用个人硬扛补上所有缺口。

也不要等一年结束才检验方向。一次经营周期、一轮试验结束，就可以问：证据支持继续、缩小范围，还是改变问题？坚持若不允许这类回答，就容易变成维护过去的自己。

积累能力，不是占有一个永不贬值的自己

讨论三年后的价值，不该把今天的一切都变成对未来的抵押，更不该要求每段生活都能转成职业资产。工作需要规划，生命却不只由工作组成。

佛学中关于缘起与无自性的思考，提醒我不要把能力看成独立、固定、永远属于自己的本质。能力依赖学习、身体、他人的协作和具体条件；承认这种依赖，并不取消现实中的作用、因果与责任。

这是我借阅读反观工作的角度，不是用佛学替职业规划背书。方法需要更新，不等于过去的努力全无意义；路径需要改变，也不等于这个人被判失败。

专业上，可以认真求证、承担后果；生活里，也允许休息、接受照顾、关心别人，而不急着把这些解释成提升竞争力。不能在告别旧的能力焦虑之后，又给自己加上一项必须持续进化的考核。

再回到那位分享者的取舍。值得借鉴的不是他的业务清单，而是他愿意把有限时间交给一组长期问题，同时寻找当下可做的事。我们还要补上另一半：当事实不支持原来的理解时，有勇气重估它。

今天的工作要解决眼前真实的问题，三年后的能力要从这些问题里生长。但未来价值不能靠提前许诺，必须在一次次使用、结果与修正中逐渐获得依据。

让长期方向帮助今天作取舍，也让今天的事实有权改写未来。

这比要求自己一直很忙，更接近我理解的积累。

AI 时代，怎样让今天的工作，在当下和三年后都能创造价值？

今天的工作要解决眼前真实的问题，三年后的能力要从这些问题里生长。但未来价值不能靠提前许诺，必须在一次次使用、结果与修正中逐渐获得依据。
让长期方向帮助今天作取舍，也让今天的事实有权改写未来。

架构师

人工智能

减少无关项目、聚焦核心问题，AI省时≠能力积累。品类优化需拆解出货与动销、识别替代效应，而非只做销量排名。长期价值须经现实检验：以真实任务验证假设，用授权数据复盘，让工具围绕问题而非流程。能力不靠存档，靠使用中被修正的判断。

让每一个 Agent，都跑在云上

prowork

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

AI 时代，怎样让今天的工作，在当下和三年后都能创造价值？

AI 时代，怎样让今天的工作，在当下和三年后都能创造价值？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐