We are always driving into the future via the rearview window. 我们总是透过后视镜驶向未来。 —— Marshall McLuhan
这是Ivan Zhao在他的blog Steam, Steel, and Infinite Minds 中的引用。就像我之前发布的观点，历史和惯性可能是我们通往未来的最大阻碍。作为一个知识工作者，看到各种编程Agent已经可以几乎完美的完成最后一公里的task，我们难免会想到知识工作的agency到底什么时候才能跟上。
“恶劣”的学习环境
Ivan提到，知识工作之所以难以像编程那样快速切换到 Agent 模式，是因为缺乏“可验证性（Verifiability）”。但我认为与其说是缺乏，不如说是验证的方向太多了。结合我做推荐策略的经历，让我们把这个问题拆的再细一些：
在编写代码的场景中，验证标准是明确的：从能跑通，到能编译，性能优化，所有的目标反馈都是即时且明确的。但大部分的知识工作（比如写一份策略分析、做一个竞品调研）都处在一个“恶劣”的学习环境中，它的验证标准是一个动态变化的非凸函数。
举个例子，如果我给 AI 一个指令：“帮我写一份竞品分析”。 这听起来像是一个明确的任务，但实际上，我们脑子里的“验收标准”完全取决于当下的 Context：
- 如果是为了给老板汇报，我希望它结论先行，甚至带点危机感，强调产品差异化；
- 如果是为了给研发团队看，我希望它逻辑清晰，数据详实，强调功能实现的细节；
- 如果是为了发 blog，我希望它通俗易懂，能给人带来认知的火花感。
同一个指令在不同的场景下，我们期待的其实是完全不同的结果。
在推荐系统中，我们的验证标准也是极其明确的——CTR、时长、留存，或者更复杂的加权公式。而这个目标函数其实是业务和算法沟通最重要的桥梁，大部分时候算法和业务是在同一个目标函数下共舞的，但业务场景更加复杂。
单纯的点击率最大化往往只能带来“局部最优”，甚至可能因为过度迎合人性弱点而损害长期价值。除了显性的ctr或时长，我们还需要考虑内容生态的平衡，防止低质高热内容产生“劣币驱逐良币”的效应，留存可能在一定程度上反应生态健康，但是这个反馈延迟导致我们几乎无法指依赖这个指标在实验中立即进行调整优化。
更加复杂的是，作为一个平台型产品，还需要关注创作者成长，为此甚至需要主动干预流量分发，牺牲一部分短期的ctr去给中腰部或新作者冷启动的试错空间。
这些涉及长期价值（LTV）、多样性以及生态健康，甚至平台定位的复杂考量，往往很难像 ctr或时长那样被简单，实时地写入 Loss Function 中。
这些恰恰也映射了知识工作面临的困境：显性的效率指标容易对齐，但那些隐性的、关乎长远发展的“战略偏好”和“价值判断”，才是最难被量化、验证并传达给 AI 的部分。
组织中显性的部分
但毕竟不是所有的context都是“隐性”的。组织层面上更是如此：除了战略直觉或是价值判断，组织中大量的Context其实是可结构化的事实性信息（历史数据，流程规范等等）。
组织的问题不在于这些信息不存在，而在于它们分散在不同的文档，会议记录，甚至在早已离职的人的脑子里。当一个产品经理需要推动一个实验或者产品功能时，他需要花大量时间去"对齐"——找人问、翻文档、开会同步。这个过程本身就是信息的衰减和失真。
Ivan 提出了一个很有意思的视角：在钢铁出现之前，建筑的高度是被材料锁死的。你不能用木头来建造摩天大楼，但现代公司的规模化管理问题还是在用像木质结构一样的层级，流程和文档来解决。
信息在传递过程中会衰减。团队vs团队，一线vs老板，组织需要中间层来传递和翻译，这个中间层就像一个木头房子，靠堆人、堆文档、堆流程来解决规模化问题。 而一旦业务复杂到一定程度（比如我们要同时兼顾数千个并行的AB测试和策略分支），现在还能不断“打补丁”的木头结构就会因为沟通负载过重而崩塌。
Ivan 认为 AI 作为新时代的“钢铁”，具有"maintain context across workflows"，也就是在工作流之间维持上下文的能力，可以帮助我们在需要时过滤噪音，进行决策。当AI可以真正理解并无损地在不同节点间传递分散的context时，组织这栋楼才能突破人类沟通带宽的物理限制，盖成真正的摩天大楼。
不止于此
也许大家都已经尝试过用AI做会议记录，写日报周报，但在组织中AI的潜力当然不止于此。
脑补一些场景：文档不再是保存即过时的静态文字，而是能够自我更新的“活”的节点：当上游的逻辑生效，功能变更，所有下游的PRD和文档自动同步更新。知识库像推荐系统一样“千人千面”，给工程师看技术细节，给产品经理看业务逻辑，给老板看战略意义。
再进一步，这些context的高效流转可以极大的降低跨部门协作的friction，甚至可能逐渐消融部门间的刚性边界，公司不再有固定的"产品部"或"技术部"，变成一个动态的资源池。AI像路由器一样，基于项目特点，人员匹配度而非职级Title来动态组建团队。
bottom line
The real gains are limited only by our imagination and inertia. 真正的进步只受限于我们的想象力和惯性。
当AI接管了那些繁琐的信息搬运与对齐工作，决策者才终于可以从信息的噪音中解放出来，专注于那些真正关于价值与方向的“隐性”判断。AI提供了支撑摩天大楼的“钢铁”，但楼要盖成什么样、为谁而盖，依然是由作为建筑师的我们决定的。
早期的汽车曾被设计成“不用马拉的马车”，因为人们习惯了马车的逻辑。我们现在对AI的想象，或许也还停留在“不用人写周报”，或者“不用人记会议纪要”这种打补丁的场景中。但真正的变革往往隐藏在那些我们尚未构建的全新工作流中。
毕竟，我们无法一边盯着后视镜，一边驶向未来。