一年后，Claude用户与非用户的鸿沟将不可逆转
Ex-Amazon AI Leader: In 1 Year, the Gap Between AI Users and Everyone Else Will Be Irreversible
本报告由 AI 深度分析生成，基于视频完整字幕。
导读
Silicon Valley Girl 是 Marina Mogilko 创办的英文科技频道，专注于硅谷生活、AI 工具和创业者访谈，在 YouTube 拥有超百万订阅者。Marina 本人同时经营多条内容线，是一个在实践中深度使用 AI 的创作者，这让她的访谈不只是观察者视角，而更像两个重度 AI 用户之间的真实对话。
这期嘉宾是 Allie Miller——一个头衔多到需要停下来数一数的人：
- 创建了 IBM 历史上第一支多模态 AI 团队
- 担任 AWS 全球机器学习业务负责人（服务初创公司）
- 创办咨询公司 Open Machine，客户包括 Novartis、ServiceNow、华纳兄弟探索
- 曾为 Reid Hoffman 和 Melinda French Gates 旗下 Pivotal Ventures 提供顾问服务
- 2025 年入选《时代》杂志 TIME100 AI 榜单
- LinkedIn 上 AI 商业方向关注量第一，超过 200 万粉丝
这个视频最值得记住的一件事： 你现在用 AI 的方式，很可能只发挥了它 20% 的潜力。而决定你用到 80% 还是 20% 的，不是技术，是思维方式。
核心观点速览
- 你的 AI 使用率只有 20%：大多数人把 AI 当搜索引擎用——问一个问题，得到一个答案。真正的飞跃是让 AI 代理自主完成多步骤任务，在你睡觉时工作。
- 从吐槽开始：找 AI 痛点的最好方法是对它抱怨你的生活。它会从抱怨中提炼出你真正需要的自动化工作流。
- 三份文档打地基：个人宪章、年度目标、商业战略——这三份文档是所有 AI 系统的地基，建立之后每次对话都会更精准。
- AI 不是实习生，是队友：把 AI 当实习生的人永远不会真正解锁它的价值。它有博士级别的智识和整个互联网的知识储备。
- 一年后的不可逆鸿沟：系统化使用 Claude 的人和没有系统化的人，在一年后的差距将体现在每一次 AI 交互的质量、速度和深度上——而这个差距会因为雪球效应越滚越大。
一、Allie 的早晨：醒来时 AI 已工作了几个小时
访谈开场，Allie 描述了她的典型早晨：
"Every morning I wake up, my AI agent has already been working for me for several hours."（每天早上我醒来，我的 AI 代理已经替我工作了好几个小时了。）
她的系统规模：
- 36 个主动工作流（proactive workflows）
- 约 28 个主代理，每个平均衍生 2 个子代理
- 总计约 100 个代理 持续运行
具体例子：
每周五早上——一个代理会扫描她过去五天所有未回复的重要邮件，按紧急程度排序，并预先起草回复，附带团队委派建议。她打开邮件时，大部分工作已经完成。
每天早上——晨报代理已经运行完毕，等她醒来时推送：当日行业新闻、当天她所在城市（纽约或旧金山）的活动推荐、即将开始的客户会议的背景资料。如果当天要见一位财富 500 强 CEO，她只需在晨报中输入一个关键词，就可以启动另一个代理来制备会议素材包。
Marina 问：这种系统建立起来需要编程能力吗？
Allie 的答案很明确：不需要。代码在后台运行，但你不需要写它。
"None of what I will be describing...will require technical coding skills."（我接下来描述的所有内容都不需要任何编程技能。）
二、从"吐槽"开始：设计 AI 工作流的最反直觉入口
Allie 提出的最实用建议是最反直觉的一个：对 Claude 抱怨你的生活。
"The best first step to figure out what Claude should code to help you is just to complain."（找出 Claude 应该帮你做什么的最好方法，就是抱怨。）
她昨晚的亲身经历：在 Android 和 iPhone 之间管理照片让她很烦，于是她就把这个烦恼说给 Claude 听了。Claude 立刻回应：
"Here's what I'm going to do for you: I'm going to set up a Google Drive folder. Then you're going to put your photos in here. Then I'm gonna classify them. Then I'm gonna email your team."（我来帮你解决：我会建一个 Google Drive 文件夹，你把照片放进去，我来分类，然后给你的团队发邮件。）
这个"先吐槽"的逻辑背后有更深的道理：你在抱怨时会说出真实的需求，而不是你认为技术上可行的需求。 AI 可以从你散乱的抱怨中提炼出自动化方案，而你如果试图从一开始就"设计"一个工作流，往往会把视野限制在自己已知的可能性里。
Marina 补充了另一个实用技巧：让 Claude 反过来问你问题。
在 Claude Code 里有一个内置工具叫 ask user questions，可以让 Claude 像在进行一次结构化访谈一样，逐步从你这里提取信息，然后把信息汇编成工作流方案。Allie 说，如果你不确定从哪里开始，就把你的一天完整地描述给 Claude，让它给你建议应该创建哪三个 Skill。
三、Claude 有几个版本？搞清楚才能用对工具
Allie 系统地梳理了 Claude 的四个产品形态（这是视频里一个很难得的清晰梳理）：
| 版本 | 适合场景 | 核心能力 |
|---|---|---|
| Claude.ai（网页版） | 日常问答、快速查询 | 联网搜索、连接 Notion/Gmail 等预设接口，难以让 AI 主动为你执行多步骤任务 |
| Claude Co-work（商业版） | 团队协作、轻量自动化 | 可访问本地文件、主动执行任务（如"帮我创建一个 Google Doc"），支持 Skills 和预设插件 |
| Claude Code（开发者版） | 构建复杂系统、编写软件 | 最高自定义能力，可构建真正的 Agent 系统，完全控制环境 |
| Claude Chrome 扩展 | 浏览器内操作 | 直接控制你的 Chrome 窗口、代替你在网页上点击操作 |
Allie 的主力工具是 Claude Code，她把它描述为：
"A lot more control, a lot more capabilities, a lot more customizability. You can build software that way as well."（更多控制，更多能力，更多自定义空间。你甚至可以用它来构建软件。）
一个关键见解：大多数人卡在网页版 Claude.ai，把它当 ChatGPT 用——问问题，得答案，手动执行。这种用法只用到了 AI 潜力的 20%。真正的飞跃发生在你开始让 AI "代理执行"（agentic execution）的时候。
四、什么是 Skill？工具箱比喻
Allie 用一个生动的比喻解释了 Claude 中"Skill"的概念：
想象你是一个机修工，有一个工具箱。工具箱里有锤子、螺丝刀、扳手。当你需要一个扳手时，Claude 会去工具箱里找，然后开始用。这就是 Skill——一个预先定义好的、可以被召唤的能力单元。
更进一步：Claude 不只会用已有的工具，它还可以帮你打造新工具。如果你需要剪大量电线，但工具箱里没有剪线钳，你可以让 Claude 引导你创建一个新 Skill，把剪线钳加进去。
Skill 的本质结构：一个文件夹，里面有：
- 一个主文件，描述这个 Skill 要做什么（约 200 行，自然语言写的）
- 示例文件（你以前的社交媒体帖子、CSV 数据等）
- 可能的外部工具访问配置（Gmail、Google Calendar 等）
Skill 的最大优势是可移植性。Allie 指出：
"You can migrate them. Like tomorrow, you decide to use Perplexity Computer, you just upload the skill to Perplexity Computer and it uses it."（你可以迁移 Skill。如果明天你决定换用 Perplexity，只需把 Skill 上传过去，它就能用。）
这意味着你的 AI 工作流不绑定在任何一个平台上——它存在于文件里，随时可以迁移。
五、现场演示：从零构建晨报（关键细节全记录）
Allie 展示的晨报构建演示是整个视频最具操作参考价值的部分。
她在 Claude 里说的话（大意翻译）：
"我每天早上都很焦虑，我想要一个晨报。我暂时不想给你访问我日历和邮件的权限，因为我还不信任你。但至少帮我抓取我行业的相关新闻——我是 Apple TV 的高管，帮我找最近的新闻和新闻稿，挑出让我在第二天会议上能给老板留下印象的前三条。第二，帮我找最劲爆的 AI 行业新闻，每两个字就要用'game changer'和'wild'。第三，告诉我旧金山的天气，该穿什么。最后，推荐三个未来四天旧金山值得去的活动。"
Claude 立刻问了两个问题：几点发送？Word 文档、Markdown，还是 PDF？
Allie 回答：6 点，Word 文档。
Claude 说："明白，6 点，帮你构建好了。"然后真的开始执行——在右上角实时显示进度步骤，包括：读取 Skill 创建指令、写文档、调用网络搜索……
最终输出了一份完整的晨报 Word 文档，包括：
- "Good morning, Marina"（因为 Claude 已经知道她是谁）
- 三条 Apple TV 行业新闻，带"为什么这条会让老板印象深刻"的解释
- 用"wild"和"game changer"每隔一个词穿插的 AI 新闻版块（这其实是测试 Claude 能否遵守荒谬指令——它做到了）
- 当天旧金山天气和穿搭建议
- 未来四天旧金山活动推荐
Allie 评论：
"I don't even think about this as prompts anymore. The rambling for 1 minute, 10 minutes is going to be more valuable. Not because it's longer — it is because I have been able to communicate all that weird nuance."（我已经不把这当做"写提示词"了。漫无目的地说 1 分钟、10 分钟，价值会更大——不是因为更长，而是因为我传达了所有奇怪的细节和语气。）
洞察：她不再用"提示词工程"的思维框架，她在对话。把 AI 当人说话，而不是写命令，往往能得到更好的结果。
六、三份文档：让 AI 永远了解你的地基
Allie 给出了最重要的操作建议：每个人都应该先创建这三份文档，作为所有 AI 工作的上下文基础。
文档 1：个人宪章（Personal Constitution）
这份文档与当下无关，与历史无关，只与"你是谁"有关。
内容包括：
- 你的核心价值观（比如 Allie 的：创业精神、高主体性/agency）
- 你的行事方式和决策原则
- 你的性格和沟通风格
Allie 说，在硅谷，很多人在入职时互相交换"个人宪章"，像名片一样递出去，告诉对方：学我，研究我。
把这份文档给 Claude，它就知道了你的"操作系统"。
文档 2：年度目标文档
这份文档包括：
- 当年（或当季、当月、当周）的目标
- 想养成的新习惯、想戒掉的坏习惯
- 具体的输入/输出指标（比如每周跑两次步、每周至少一次家庭晚饭、减少 30% 的出差）
有了这份文档，Claude 在你问任何事时，都可以结合你的目标来回答——而不是给出一个通用答案。
文档 3：商业战略文档
如果你在运营自己的业务，这是必需的。
不需要写得很详细，不用记录"六月用了哪个供应商"，只需要：
- 你的业务是什么、服务谁、不服务谁
- 你的价值主张
- 你之前尝试过但没做成的事情（以及为什么）
- 你所在地区的因素（Allie 举例：我们住在萨凡纳，是因为……）
这个文档给了 AI 决策背景，它给出的建议不再是针对"任何人"的，而是针对"你这家特定公司"的。
构建这三份文档的方法：
Allie 的团队做过一个叫"上下文黑客日（context hack）"的团队练习：所有人开一个 Zoom 会议，静音但开着摄像头，各自对 Claude 说："请问我问题，帮我建立以下这几份文档。"一小时后，每个人都完成了自己的上下文文档库，然后互相分享。
她估计这三份文档最多只需要一个小时：
"Claude is likely to come back and say, 'I will ask you the three questions that will give me the highest signal, and we will only use five minutes of your time.'"（Claude 很可能会说："我只问你三个最关键的问题，只需要五分钟。"）
七、AI 是实习生还是队友？这个区别很重要
Allie 对"AI 是聪明实习生"这个说法深恶痛绝：
"What intern has PhD level intelligence, the ability to read the entire internet? If I hear 'AI is a smart intern' one more time, I'm gonna throw this table."（什么实习生有博士级别的智识、读过整个互联网的能力？如果我再听到一次"AI 是聪明实习生"，我要把这桌子掀了。）
她提出了一个四级框架来描述 AI 在工作中的角色定位：
| 级别 | 名称 | 定义 |
|---|---|---|
| 1 | Microtasker（微任务执行者） | 帮你做一个单点任务，你给指令，它完成 |
| 2 | Companion（陪伴者） | 你来回对话，一起头脑风暴 |
| 3 | Delegate（委托者） | 你把一整个工作流委托给它，它独立完成并汇报 |
| 4 | Teammate（队友） | 它主动运作于整个系统，赋能团队而非个人 |
大多数人卡在 1-2 级。Allie 的 36 个主动工作流让她运行在 3-4 级。
关键洞察：Teammate 级别不只是"效率提升"，而是在提升整个系统：
"Teammate is when it is uplifting a system and not just an individual."（Teammate 是在提升整个系统，而不只是一个个人。）
她还指出大型企业里的隐患：AI 超级用户往往不愿意分享自己的方法——因为他们从中获益太大，不想让同事追上来。这造成了企业内部的 AI 知识孤岛。
八、从 ChatGPT 切换到 Claude：原因是什么
Marina 问：为什么不用 ChatGPT？
Allie 的回答很务实：
"Two years ago, 99% of the time I was using ChatGPT. Now 99% of the time I'm using Claude Code."（两年前我 99% 的时间用 ChatGPT，现在 99% 的时间用 Claude Code。）
她描述切换 ChatGPT 到 Claude 的用户最常提到的感受，不是"Agent 工作流更精准"，而是：
"It gets me. I have to ask for things less. I can give it just a little bit of a description, it's able to build out this whole client template that I need."（它懂我。我需要说的更少，给一个简短描述，它就能帮我搭出整个客户模板。）
这里的核心差异是语气、个性和情商——Claude 在理解语气和模仿声音方面更强，这对于需要保持个人品牌声调的内容创作者和顾问来说尤其重要。
但她也补充了重要的提醒：几周后情况可能又变了。 她的建议是选定一个主力 AI 工具（Claude、ChatGPT 或 Gemini 三选一），然后找时间测试其 Agent 版本，保持随时可迁移的灵活性。
九、时间的概念变了：不应该再按小时收费
这是整个访谈里最让人停下来想一想的观点。
Allie 说：
"The concept of an hour has changed."（"一个小时"的概念已经变了。）
Marina 也有同感，正在把她的团队从"按小时付费"改成"按视频/成果付费"。
Allie 解释了其中的逻辑：
假设你为当地餐厅建网站，以前需要两天，现在用 AI 两小时就能搞定。但你给餐厅的价值没有变——它不会自己建网站，它没有变得更不需要你了。那为什么你要按 1/48 的价格收费，只因为你能在一小时内完成两天的工作？
"Why would you charge 1/48th of what you used to charge just because you can do it in one hour instead of two days?"（只因为你现在一小时能做完两天的活儿，为什么要收原来的 1/48 的价格？）
正确的收费模式是：按输出和质量水平收费，而不是按时间。这个转变现在应该主动思考，而不是等市场来倒逼。
十、何时信任 AI，何时不信任
Marina 分享了一个研究：把 ChatGPT 给肯尼亚创业者使用，一些人因此把生意搞垮了，另一些人则实现了 10 倍增长。区别在哪？
Allie 的分析：
"The difference between those two groups was not expertise...One group decided to take the lazier route and over-rely on these systems. The other group thought from a growth mindset."（两组人的区别不在于专业知识……一组选择了更懒的路，过度依赖 AI。另一组用成长型思维来看待 AI。）
如何判断何时信任 AI 的输出：
- 在你的专业领域内：你很容易看出什么是真实的，什么是编的。用你的专业知识作为过滤器。
- 超出你专业范围时：交叉验证——同一个问题跑多个 AI，把结果互相对比；给 AI 喂你手头的真实数据（合同、以往案例、行业报告）而不是让它凭空生成。
- 高风险决策时（如法律、财务） ：把 AI 作为第一层筛选，再找专业人士复核。Allie 举例：她会先用 AI 整理合同疑点，再找律师确认，律师花 15 分钟而不是两小时。
真实的反面案例：有人基于 ChatGPT 的建议解雇员工不支付 2 亿美元赔偿，结果员工起诉成功，欠的更多。
十一、未来 12 个月：没有人预料到的事
Allie 每年发布 AI 预测清单，已经做了八年。她说今年最让人意外的趋势是：AI 的自我学习（Self-Learning） ——但不是你以为的那种。
澄清一个常见误解：你在和 Claude 或 ChatGPT 对话时，它并没有在学习。它只是把你的对话加入到当前会话的上下文里处理。模型的权重没有变，本质的能力没有变。那些"记忆"功能，本质上是在 RAG（检索增强生成）系统里存了笔记，在需要时调出来。
真正的自我学习是什么：模型权重本身会根据环境信号更新——不是等人类告诉它"你现在需要学习"，而是模型自己根据现实世界的反馈来调整自身。
Allie 举了一个例子：
"It's going to know: hey, I've been listening to Marina's calls for the last 5 months. She's been deciding whether her next hire will be in Nashville or New York. I can see she just hired Jeff Smith, and Jeff Smith lives in New York. Therefore I just got feedback that she picked the New York one."（它将会知道：我观察了 Marina 五个月，她一直在权衡下一个招聘放在纳什维尔还是纽约。我看到她刚雇了 Jeff Smith，而他住在纽约。所以我得到了一个反馈——她倾向于高风险高回报的决策。）
这不是记忆，这是从环境中主动提取决策模式并更新自身判断框架。
第二个预测：agent 对 agent 的通信。Allie 说她已经开始看到这个迹象——有人在给她的 Gmail 写邮件时直接写："致 Allie 的 AI 代理……"，知道第一个读到这封邮件的不是 Allie 本人，而是她的自动化代理。
这意味着未来实际的人际关系会变得更珍贵，因为大量的日常沟通和协作会在代理层面完成，而真正的人与人之间的连接会成为稀缺资源。
十二、团队里每个人都 10 倍高效，会发生什么
Marina 的问题：如果我的社媒经理用 AI 把原来 8 小时的工作缩短到 20 分钟，接下来会怎样？
Allie 描述了两条路径：
路径 A（缩减人员） ：一些公司会把 8 个社媒经理减到 2 个，用节省下来的人力成本作为利润。
路径 B（扩展输出） ：把同样的 8 个人保留，但让他们承担更多以前没有带宽完成的事情——比如开 YouTube 频道、把内容翻译成 70 种语言的音频版本、搭建 Instagram 自动化私信系统。其中一个人的工作就是专门维护团队所有的 AI Skills 和项目。
Marina 正在走路径 B：她的团队在过去几个月把社媒输出量提升了 5 倍，一个原来做嘉宾外联的人现在同时负责公关和 GEO（生成式引擎优化）。
十三、一年后的鸿沟：两个版本的你
这是整个访谈最核心的问题——Marina 问：
同一个人，一个看完这个视频、建立好所有文档系统，另一个没有。一年后，这两个版本的差距是多少？
Allie 的回答不是数字，而是描述了质变：
"They are going to have a system that can better help them and their business without heavy lifting. All of the answers are more customized and valuable. You don't have to keep resetting up your projects and systems."（他们会拥有一个无需大量重复工作就能更好服务自己和业务的系统。所有答案会更定制化、更有价值。你不需要一遍遍重新建立项目和系统。）
但更重要的差距，Allie 说，是面对新 AI 功能发布时的恐惧感：
没有建立系统的人，每次看到新工具、新功能，都会感到焦虑和不知所措。
而已经建立系统的人会看着新功能说："我已经在用 Agent 做事情了，这个新的调度功能，对我来说只是给已有 Skill 加一个触发器而已。"
她把这描述为一种"雪球效应"（phenomenal snowball effect） ：起步的练习循环越多，每一次新 AI 发布带来的收益就越大，而恐惧感会减少 30-70%。
"My bigger hope is that you're going to have less fear as you see these new releases, because you're going to go: I've actually been playing with agentic AI things. I've already built a skill."（我更大的期望是，当你看到新功能发布时，你的恐惧会减少——因为你会想：我已经在玩 Agent 了，我已经建过 Skill 了。）
十四、行动启示
如果你只做一件事：去 Claude Code，说：
"我每天早上都很焦虑。我想要一个晨报。我现在不想给你访问我日历和邮件的权限。但帮我抓取 [你的行业] 最近的新闻，挑出三条最重要的。再告诉我我所在城市的天气。"
就这样开始。不需要写提示词，不需要懂技术，只需要说出你的烦恼。
接下来的步骤（按优先级） ：
- 建立三份文档：个人宪章 + 年度目标 + 商业战略（让 Claude 来问你问题，只需一小时）
- 识别你每天重复做的事情：任何你每天都要问 AI 的问题，都应该变成自动化工作流
- 从 Claude.ai 升级到 Claude Co-work 或 Claude Code：至少测试一次 Agent 功能
- 把你的工作流保存为 Skill 文件：这样将来换工具也不用重来
- 考虑定价模式：如果你在为客户提供服务，评估是否应该从按小时转向按成果收费
附录：金句收录
"The best first step to figure out what Claude should code to help you is just to complain. All humans know how to complain." （找出 Claude 应该如何帮助你的最好方法，就是抱怨。所有人都会抱怨。）—— Allie Miller
"I don't even think about this as prompts anymore. The rambling for 1 minute, 10 minutes is going to be more valuable. Not because it's longer — it is because I have been able to communicate all that weird nuance." （我已经不把这当做"提示词"了。漫无目的地说一分钟、十分钟，反而更有价值——不是因为更长，而是因为传达了所有细微的语感和背景。）—— Allie Miller
"What intern has PhD level intelligence, the ability to read the entire internet? If I hear 'AI is a smart intern' one more time, I'm gonna throw this table." （什么实习生有博士级别的智识、读过整个互联网？如果我再听到一次"AI 是聪明实习生"，我要把这桌子掀了。）—— Allie Miller
"Why would you charge 1/48th of what you used to charge just because you can do it in one hour instead of two days?" （只因为你现在一小时能做完两天的活儿，为什么要收原来 1/48 的价格？）—— Allie Miller
"The difference that I see in enterprises — even down to the department — between a super user and someone who's falling years behind is mindset." （在企业中，甚至在部门层面，AI 超级用户和落后多年的人之间的区别，是思维方式。）—— Allie Miller
"Your long-term goal should be financial stability, not always financial maximization." （你的长期目标应该是财务稳定，而不是始终追求财务最大化。）—— Allie Miller
"I see a problem that 5 years ago Ally would have been like, 'why am I having to solve this?' And now I'm like, 'I get to solve this. Let's go.'" （我看到一个问题，五年前的我会说：为什么我要去解决这个？而现在我的反应是：我有机会解决这个，走着。）—— Allie Miller
术语表
| 术语 | 解释 |
|---|---|
| Proactive Workflow（主动工作流） | 无需用户每次触发、由 AI 自动在预设条件下执行的任务流，如每周五的邮件汇总 |
| Agentic AI | 能够主动规划、执行多步骤任务的 AI 系统，区别于被动回答问题的模式 |
| Skill | Claude 中的能力单元，本质是一个包含指令文件和配套资源的文件夹，可被 Claude 在需要时调用或新建 |
| Context Document（上下文文档） | 向 AI 描述你是谁、你要什么的背景文档，包括个人宪章、目标文档、商业战略等 |
| Context Hack | Allie 团队创造的术语：团队集体花一小时构建各自上下文文档库的练习 |
| RAG | Retrieval-Augmented Generation，检索增强生成，AI 在回答时从外部文档库检索相关内容加入上下文 |
| Self-Learning | 模型权重本身随环境反馈更新的能力（区别于当前的"上下文记忆"机制） |
| Market of One | Allie 预测未来每个人都将拥有完全个性化的 AI 系统，所有内容和服务都将为个人定制 |
| GEO | Generative Engine Optimization，生成式引擎优化，让内容更容易被 AI 搜索引擎收录和引用 |
| Agent-to-Agent | 未来两个人的 AI 代理互相通信以完成协调，取代部分人与人之间的邮件和日程沟通 |
时间线索引
| 时间 | 内容 |
|---|---|
| [00:00] | 开场：Allie 的早晨，100 个代理已替她工作了几小时 |
| [01:08] | 36 个工作流、100 个代理——系统细节 |
| [02:59] | 两年前 vs 现在：从 20-30% 效率到 2-10 倍 |
| [05:58] | 所有这些都不需要写代码 |
| [08:12] | 最佳起点：对 Claude 抱怨你的生活 |
| [09:37] | Claude 四个版本的区别与适用场景 |
| [13:26] | 现场演示：构建晨报工作流的完整过程 |
| [16:01] | Skill 的工具箱比喻：什么是 Skill，怎么创建 |
| [18:57] | 技能可移植性：切换 AI 平台的成本为零 |
| [20:23] | AI 是实习生还是队友？四级框架 |
| [24:22] | 三份必须创建的上下文文档 |
| [30:07] | 为什么从 ChatGPT 换到了 Claude |
| [31:57] | "一个小时的概念已经变了"：定价模式的革命 |
| [33:38] | Allie 自己的业务：AI 如何提升顾问服务 |
| [35:48] | 实时点评 Marina 的 Claude 项目架构 |
| [40:10] | 何时信任 AI，何时不信任 |
| [43:21] | 区分 AI 赢家和落后者的真正因素：成长型思维 |
| [46:05] | 未来 12 个月最出人意料的趋势：AI 自我学习 |
| [49:33] | 一年后 AI 将比你的战略顾问更了解你 |
| [52:06] | 10 倍生产力后，团队会发生什么 |
| [54:25] | 一年后的两个版本：建立系统 vs 没有建立 |
| [57:41] | 要不要牺牲收入去全力转型 AI？ |
评论
还没有评论，来第一个留言吧 ✨