1. 招了100个天才，结果没人派活，全在茶水间待着
生成式AI确实厉害。能写代码，能写文章，能查资料，能翻译，背后还有海量知识。
听到这儿，感觉明天人人都能一个人开10家公司。
但现实中，很多人恰恰卡在这一步：
“所以……做什么？”
就是这一句。
AI再聪明，没人给它派活，什么都不会发生。摆100辆法拉利，不设目的地，也只是个豪华停车场。
AI时代最容易缺的，不一定是模型性能。
而是给这份能力派第一份活的人。
2. 厉害的不是“惊天大发明”，而是能擦出第一个火花
一说到“点子多”，很多人会想到“突然灵光一闪，想出前所未有的革命性发明”。
其实，有一种更朴素、也更厉害的能力：
- 这里好麻烦
- 这个和那个能不能连起来
- 现有的功能能不能换个用法
- 话说回来，这一步到底为什么要做
- 先做个最简单的版本，会看到什么
就是制造这种火花的能力。
第一个想法不用很完整。更重要的是，先放一块让下一个想法能踩上去的垫脚石。
对着空桌子，讨论很难开始。可只要放上一个哪怕很粗糙的原型，“这里怪怪的”“这个能用”“那下一步这样改”就会一下子冒出来。
第一步不是答案。
而是能批量产出下一个答案的装置。
3. “点子能力”不是一种能力
拆开来看，至少有这些零件：
| 能力 | 在做什么 |
|---|---|
| 发散 | 从一个问题想出多种可能 |
| 类比 | 把别的领域的做法搬过来 |
| 重组 | 用现成的A+B做出C |
| 发现问题 | 找到比题目本身更靠前的不便 |
| 换个角度 | 重新想清楚“真正该解决的问题” |
| 收敛 | 从一堆点子里挑出要做的 |
| 拆解 | 拆成AI能处理的小任务 |
| 动手 | 先把第一个实物做出来 |
| 再想 | 看着做出来的东西想到下一步 |
心理学里的发散思维，是其中很重要的一部分。APA把发散思维解释为：跳出常用或学过的方法，用新的策略来解决问题、做出决定的创造性思维。[1]
不过也有人提醒，光看发散思维测试的分数，衡量不了现实中全部的创造力。[2]
也就是说，光是“能想出很多点子”还不够。
要能换角度、挑选、做出来、再接着想，这才是实战。
4. 创造是“想出来→琢磨→再想”的来回循环
创造性认知研究里有一种观点：点子不是一次成型的，而是先生成一批候选，再去琢磨、评估，需要的话再回头重新生成。这就是Geneplore模型。[3]
放到用AI做开发上，特别好懂：
- 想到一个点
- 跟AI来回聊
- 写个粗略的需求
- 做出来
- 跑一下
- 发现“好像不对”
- 想到另一个角度
- 再做一遍
也就是说，点子不需要在动手之前就想完整。
动手本身就是思考的一部分。
这是和过去最大的区别。
做一个原型要3个月的时候，人自然想先在脑子里想透再开工。
30分钟就能做出样子的时候，原型本身就能当思考笔记用。
“出点子的人”和“干活的人”不再是两个部门。
5. “我做不了多任务”——如果什么都要自己干，这话没错
“我没法同时干那么多事。”
确实。
一个人要是把10个项目的需求、代码、调研、检查、修改同时装进脑子里，脑内浏览器的标签页基本会全部白屏。
那就换个前提。
人不需要多任务，让系统去并行处理。
人只需要把握：
- 想做什么
- 什么最重要
- 能接受到什么程度
- 最后用哪个结果
接下来，把
- 调研
- 写需求
- 开发
- 测试
- 翻译
- 审查
在能独立的范围内拆开，交给AI。
不是“我不擅长多任务，所以用不好AI”。
恰恰相反，越不擅长多任务，把活从脑子里搬出去、拆成明确分工的做法就越值钱。
6. 海量知识是建材仓库，不是施工图
AI和数据再庞大，本身也不会告诉你“该做什么”。
想象一家超大建材市场：木材、钢材、玻璃、工具、重型机械应有尽有。
很厉害。
可如果顾客不决定“要盖什么”，建材市场永远只是建材市场。
AI也差不多。
它能查信息。 能做对比。 能写代码。 也能出点子。
但只要有人说出：
“我想把这个麻烦消掉” “把这两个连起来应该挺好玩” “想让这个体验再上一个台阶”
这样的方向，能力就在那一刻变成了活。
想用好AI，不需要比AI懂得多。
只需要能告诉它“往哪儿挖”。
7. 先别急着解题，能把问题重新想一遍的人更厉害
设计研究里，一直把“搭框架”当作处理复杂、开放性问题的重要做法。Dorst关注的是“重构框架”：组织在面对棘手局面时，先把看问题的方式本身重新搭一遍。[4]
到了AI时代，这一点更重要。
你让AI“帮我做这个”，它可能会以惊人的速度把你说的问题解决掉。
所以才可怕。
问题一开始就跑偏，它也能超高速批量产出“看起来很对”的东西。
真正有力的问题，不止是：
“怎么把这件事做得更快？”
而是要往回追问：
“这件事本来就有必要吗？” “用户想要的是做得更快，还是干脆不用做？” “能不能从别的入口解决？”
AI越会回答问题，人怎么提问题，撬动的效果就越大。
8. 做得越快，点子越多——这事其实很要命
有实验显示，生成式AI能在某些知识型工作中缩短时间、提高质量。Noy和Zhang的实验里，在专业写作任务中，平均用时减少了40%，质量评分提高了18%。[5]
当然，这不是说所有工作都能快40%。
重点在另一处：
试错成本一降，能试的次数就多了。
试得越多，从实物里得到的信息也越多：
- 到底好不好用
- 是不是比想象中丑
- 换个用途会不会更好
- 能不能和旁边的功能连起来
- 用户会在哪儿卡住
这些信息，光靠脑子想很难想出来。
所以，
想法 → 做出来 → 观察 → 新想法
这个循环越短，点子就越不是一次性的，而会连成一串。
做东西的速度，不只是生产力。
也是点子引擎的转速。
9. 但如果点子全让AI出，大家可能会爬上同一座山
生成式AI也能帮你想点子。
但在Doshi和Hauser的实验中，借助AI点子写出的短篇故事，个人作品平均评价更高；可AI辅助的作品彼此越来越像，整体的多样性下降了。[6]
这点很关键。
如果每次都只是问AI“给我10个有趣的点子”，大家很可能坐上同一辆旅游大巴。
所以人的价值不会消失：
- 自己真心觉得麻烦的事
- 在一线发现的别扭之处
- 现有系统的各种怪脾气
- 从别的领域借来的比喻
- 奇怪的组合
- “大家都这么做，但真的对吗？”的反问
正是这些只有你才有的输入，给AI的海量知识定了方向、加了个性。
不是让AI替你想完所有事。
而是人先扔一块怪石头，再让AI把涟漪放大。
这样更有意思。
10. 最强循环：想到→写成一句话→拆开→交出去→检查→再想到
说到底，实际工作中这么简单就够了。
① 起因 “这个要是能这样，是不是很方便？”
② 一句话 用一句话写清楚：想为谁、改变什么、怎么改变。
③ 拆开 分成调研、设计、开发、检查等能独立推进的分工。
④ 交出去 把任务交给AI。人不用把所有事同时扛在身上。
⑤ 实物 文章、界面、代码、结果，总之先拿出看得见的东西。
⑥ 回头确认 看一看、点一点、测一测，确认是不是真的达到了想要的状态。
⑦ 再想 “这个能做的话，那下一步那个也能做。”
正因为有最后的⑦，这个循环停不下来。
一次实现，就是下一个点子的素材。
做出功能A。 有了A，想到B。 做出B，A+B=C。 做出C，又会想：“干脆把整个服务重新定义成D？”
一开始只是个小火花，回过神来，发电站已经建起来了。
11. 陷阱：想点子的速度超过了整理的速度
这种做法有一个明显的副作用。
点子一个接一个，做得又快，系统就会不断加盖、再加盖。
然后某天，你打开线路一看：
这是谁做的？
昨天的你。
对策不是不再想点子：
- 别把“唯一准确的原始资料”搞出好几份
- 同一个职责别做两套机制
- 能并进现有功能的就并进去
- 只把真正独立的任务并行处理
- 做完一定回头确认
- 重要改动前设好质量关卡
- 分清“能做”和“现在该做”
想得快，就得整理得也快。
与其松油门，不如把方向盘和刹车升级。
12. 结论：AI时代的本事，不是“会用AI”，而是“能给AI找活干”
AI模型会一直变强。
知识会越来越多。 写代码、写文章都会更快。 同时调动好几个AI也会越来越容易。
于是，人身上稀缺的能力会慢慢转移。
从“自己什么都能做”，
变成：
找到值得做的东西。
擦出第一个火花。
重新定义问题。
把活拆开。
交给AI。
看实际成果。
再从中想到下一步。
AI是巨大的能力。
但能力会一直待命，直到有人给它派活。
所以厉害的人，不只是写代码比AI快的人。
而是能第一个说出“哎，这个是不是能做出来？”的人。
一家招了100个天才AI的公司，最先需要的不是第101个天才。
而是在任务单上写下第一行的人。
参考资料（6条）
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
