S1 · 专业写作随机实验
短而有边界的任务出现提效
2023-03-10 的 Noy／Zhang MIT 工作论文，所引为未同行评审版本：444 名受过大学教育的专业人士参与专业写作任务。
27 → 17 分钟，平均任务时间
约减少 37%；质量提高 0.45 个标准差，见原稿第 3—4 页。[S1]
边界：短任务的时间与质量结果，不是创业收入、长期协作或最新模型的证据。
01先找价值，再找实现方式
即使某些开发环节变便宜，买方的预算、信任和切换意愿也不会自动出现。任务提效、产品卖得出、客户持续付费，是三个不同命题。商业验证必须沿着下面的链条前进，而不是从“能做什么功能”倒推需求。
- 1 · 买方谁使用，谁付款
- 2 · 痛点当前损失与替代
- 3 · 可衡量结果改变什么，如何计量
- 4 · 付费试验为明确范围真付款
- 5 · 可重复交付质量、成本可复现
- 6 · 留存／利润继续使用，算清全账
02把绝对判断改成可检验主张
| 原主张 | 判断 | 修订后主张 |
|---|---|---|
| AI 只帮助已有研发团队，从不帮助个人 | 证据不足 | 收益随任务、技能、上下文和工作流变化。特定写作任务的提效与特定编码任务的减速，均不能支持“个人无益”的断言。[S1] [S2] [S3] |
| 开发越容易，变现门槛必然越高 | 条件推断 | 供给增长可能加剧竞争，也可能使原本不经济的细分需求变得可行。成本下降如何影响变现，要看替代品、分发和服务成本；所供材料没有普遍必然性的实证证明。 |
| 个人无法在技术上胜过大公司 | 过度概括 | 领域知识、客户接入、分发与支持都可能形成差异；能解决困难任务的技术优势仍重要。应比较具体问题上的交付能力，而非按公司规模预判输赢。 |
| 数千次 Git 提交乘每次两三分钟，就证明开发成本 | 度量错误 | commit、push、模型执行不同，频率与串行等待也不固定。仅作算术示意：1000 次真正串行等待 × 2 分钟 ≈ 33.3 小时，不代表典型情况。应测交付历时、主动工时、失败返工、支持负担与采用情况。 |
| 给目标、数据、规则、标准与反馈，就保证稳定输出 | 不能保证 | 还应加入正反例、检索与数据质量检查、留出评测、拒答及不确定性处理、人工核验和版本追踪。这是降低风险的验证设计，不是稳定性保证书。 |
| 界面不重要，教学永远比工具好 | 视场景而定 | 界面可以降低认知负担、把约束写进操作流程；服务、培训与软件可以互补。应以客户能否独立完成、是否重复使用来取舍，而不是以一次演示或满意表态下结论。 |
| 企业实施语境中的 FTE，以及数据清洗的简化表述 | 术语待确认 | 原稿写的是 FTE，通常指 full-time equivalent（全职当量）；此处可能想说 FDE（Forward Deployed Engineer，前线部署工程师），须原讲者确认，不能静默替换。FDE 不只是清洗数据：官方描述还涉及客户问题、流程、数据、逻辑、行动、安全与部署反馈。[S5] [S6] |
03研究区分：任务效率、业务发现与利润
S2 · 成熟开源仓库编码实验
熟悉代码库的开发者反而更慢
METR 2025 年论文：16 名有经验的开源开发者，在各自熟悉的成熟仓库中处理 246 项任务，使用 2025 年 2—6 月的前沿工具。
多用 19% 任务完成时间
这是该历史场景下的结果，不代表所有开发者、所有任务或今天的工具。[S2]
边界：真实编码工作不等于写作短任务，更不等于个人创业成败。
不能合成一个“AI 收益率”。分钟、相对耗时变化和质量标准差不是同一指标；两项研究的人群、任务、工具时期也不同，不应混画共同条形图或简单相减。
S4 · 工程边界。Anthropic 在 2024-12-19 的工程文章中建议：从最简单且够用的方法开始，复杂性会增加延迟和费用，并应配置评测与人工检查点。这是官方工程经验，不是受控因果证据；页面也提示 2024 年以来工具已经变化。[S4]
任务适配：本文建议先问四个问题
输入能否获准取得？正确与错误能否判定？检查输出是否比重做更省力？失败是否可逆，并有明确的人接管？答案不清楚时，先缩小范围或人工执行；能写成提示词，不等于适合交给 AI。
可确定的计算、校验和状态转换，优先考虑规则或普通代码；有资料依据的整理与候选生成，可试用模型。先用单次调用或固定流程，只有简单方案达不到验收、增加复杂度的净收益又可测时，才考虑更自主的代理。对外发布、承诺报价和修改业务记录，都要明确审批边界。
补充研究｜把时间节省与商业结果分开
企业调查 · 自报数据：麦肯锡 2026 年调查于 5 月 4 日至 6 月 8 日进行，覆盖 97 国 1,719 名受访者。报告正文称，80% 的受访者自报 AI 提高了自己的生产率；37% 将至少部分企业 EBIT（息税前利润）影响归因于 AI。约 6% 同时达到“至少 5% 的 EBIT 归因于 AI”及“显著价值”的高绩效定义。它支持区分个人效率与企业财务结果；不能解释为其余 94% 都不挣钱，也不能代表中国个人创业者收入。不同问题的比例不是同一条转化漏斗。[S8] 比例沿用报告问项口径；本报告未逐题复核有效答题分母，不将其直接乘以总样本量计算人数。
现场实验 · 时间节省：另一项覆盖 66 家企业、7,137 名知识工作者的研究发现：六个月实验后半段，使用工具的受处理员工每周少花约两小时处理邮件；研究未检测到任务数量或结构的变化。这说明“省下时间之后发生了什么”仍须单独测量，不能将省时直接记为新增收入，也不能据此断定企业没有获利。[S7]
直接观察企业结果 · 工作论文：INSEAD/HBS 的 2026 年现场实验覆盖 515 家高增长初创企业；两组均获 AI 使用权限、额度与技术培训；处理组额外获得其他企业围绕 AI 重组业务的案例，对照组参加一般创业工作坊。机构摘要报告，其营收约为对照组的 1.9 倍，收益更多集中在高分位企业。这为“发现有价值的应用位置”提供了比单纯省时更接近商业结果的证据；并非所有企业收入都会翻倍，更不证明只要改善提问就能挣钱。本报告核验了机构摘要与研究团队所在机构的解读，未审核完整原始数据。[S9]
本报告建议：对同一任务同时记录主动工时、端到端周期、返工、客户验收和真实收款。选题更快但合格线索不变、代码更快但客户仍不会使用，都意味着价值链后续环节尚未改善。
04客户与提供方，要各算一本账
- 客户净收益
- 可归因新增毛利 ＋ 可实际利用的节省成本 ＋ 预期避免损失
− 工具、实施、核验与切换成本 - 提供方现金贡献
- 收款额（未扣退款）− 实付交付人工、API、外包、返工、支持、支付／平台手续费、交易相关税费与退款
- 提供方完整贡献（含时间价值）
- 现金贡献 − 未计入实付成本的本人主动工时 × 时薪／机会成本假设
省下工时，不会自动变成现金。先确认是否减少支出或释放可用产能；未兑现的便利可以单列。同一收益不能重复计入：某段工时若已贡献新增毛利，就不能再全额计作人工节省；减少损耗也不能同时在两项收益中重复记账。
先区分现金口径与含时间价值的经济口径。已支付的人工、返工及支持成本只计一次；自己的工时若已计入实付人工，也不能在完整贡献中再次扣除。贡献为正仍不等于企业盈利，还需另计获客与固定成本，并保持同一核算口径。税费按实际承担与收入口径列示，不将代收税额当收益。
归因要留余地。季节、渠道、产品／促销方案与样本选择都可能干扰前后对比。尽量保留同类任务基线或同期可比组，记录变化原因；不能把收入增长全部归给 AI。预期避免损失还应列明概率与损失假设。
完整交付的成本清单
写出功能之外，还要估算需求确认、集成与数据处理、评测和返工、上线配置、可靠性与权限、培训与支持、持续维护。成本大小取决于交付范围，不能用 commit 数量替代。先做一个有边界的任务，再决定哪些成本值得长期承担。
05脚本网站：从生成内容到业务闭环
以下为编辑模拟：为本地商品摄影工作室设计面向社区小店的获客脚本流程。各步骤是待执行方案，不代表已观察到的表现。
| 步骤 | 输入 | 输出 | 责任人 | 验收 |
|---|---|---|---|---|
| 1 · 受众／服务 | 买方观察、服务清单 | 目标社区小店店主与服务范围 | 工作室负责人 | 使用者、付款人与服务边界明确，否则暂停 |
| 2 · 定位规则 | 能力、服务边界、禁区 | 定位一句话与禁用承诺 | 工作室负责人 | 不夸大、不超出交付能力 |
| 3 · 选题 | 获准使用的问题与材料 | 候选选题、取舍理由 | 策划 | 对应客户问题，依据可追溯 |
| 4 · 脚本初稿 | 选题、规则、事实资料 | 开场、说明、证据、行动 | 策划；AI 起草 | 事实有出处，缺项明确标注 |
| 5 · 审校 | 初稿、原资料、正反例 | 核准稿或拒发理由 | 业务审核人 | 事实、授权、报价与承诺过关 |
| 6 · 发布 | 核准稿、授权素材 | 带版本与渠道标识的内容 | 运营 | 授权有效，咨询入口可用 |
| 7 · 合格线索 | 咨询内容、来源与联系许可 | 按预定标准筛选的线索 | 接待 | 需求明确、服务可覆盖；去重 |
| 8 · 咨询 | 线索需求、可交付能力 | 确认需求与报价方案 | 工作室负责人 | 范围、时点、费用双方确认 |
| 9 · 成交 | 确认方案、客户决定 | 订单与收款记录 | 工作室负责人 | 以实收为准，记录取消／退款 |
| 10 · 反馈 | 漏斗、工时、返工与异议 | 更新规则、继续或停止 | 负责人 | 检查贡献与复用，不只看播放 |
播放量是代理指标，不是收入。线索、咨询、收款、退款与复购分层记录。对发散型客户，先限定受众、目标和禁区，再做选择；对卡住的客户，给出有材料依据的备选方向。把思考偏好当协作假设，不给客户贴固定标签。
06可复用任务简报，不是万能提示词
- 买方与目标
- 〔谁付款、谁使用；业务结果、当前基线、本次范围〕
- 数据与来源
- 〔资料出处、日期、授权、缺失；检索结果如何核对原文〕
- 规则与禁止事项
- 〔事实边界、表达风格；不得编造案例、价格、承诺或隐私信息〕
- 执行顺序
- 〔先核资料，再选题、起草、核验；哪些步骤必须停下请人确认〕
- 输出与验收
- 〔交付格式、必需字段、合格示例、失败示例及判定理由〕
- 既往反馈
- 〔上一版问题、修改理由、仍未解决的冲突；不可照搬旧错误〕
- 不确定性与负责人
- 〔缺信息就标注并追问；无依据的断言不生成；明确人工审核与升级责任人〕
上线前，用未参与调试的任务做留出评测，覆盖缺资料、资料冲突与越界要求。记录数据、模型、提示词、规则版本及审稿结果；事实不明时追问、拒绝无依据断言或转人工。好简报减少歧义，不能消除模型与数据的不确定性。
07同一原则，两条起步路径
给技术型独立开发者
先做付费陪跑，再考虑应用
观察问题与现成替代，确认客户接触渠道、数据许可和交付能力。先做范围清楚的人工／AI 辅助试点，验证结果与付款，再把重复工作软件化。技术要用于难点，不把功能数量误当市场优势。
给小企业主
只画一条痛苦流程，不先改造全企业
写清负责人、数据、交接、异常和验收，保留不用 AI 的基线。小范围试点后，依据独立完成、错误、支持成本和复用情况，决定继续、改培训、改界面或停止。服务与软件不必二选一。
最小数据就绪卡：来源；字段定义；唯一标识；责任人；缺失、重复与过期状况；访问权限及同意依据；输入输出接口；纠错和回写方式。先准备这一条流程真正需要的数据，不必等待全企业数据完美。
交付形式也要试：问题还不清楚时，可用服务共同梳理；客户欠缺判断方法时，可加入训练与示例；规则稳定、任务重复时，再把约束做进软件。让客户不靠开发者临场提示完成一次真实任务，并观察再次使用，才能检验培训和界面是否真的有效。
决策边界｜先验证价值，也允许用小原型学习
“先验证”不等于付费前不能写任何代码。一个有限、可丢弃的原型可以帮助验证技术可行性、演示真实任务或发现资料缺口；关键是给它限定时间与验收问题，避免把“开发已经做了很多”当成继续投入的理由。
客户愿意学习 AI 时，训练目标应是他能独立完成任务并判断结果；客户不愿学习、任务频率低或责任重大时，代交付与人工审核也可能更合适。流程重复、输入输出稳定、规则可检验、支持成本可控时，再考虑用软件承载。服务、训练、软件的取舍要由实际完成率、复用和付费决定。
个人交付还要计算自己的主动工时与机会成本。现金贡献为正，并不自动代表投入时间划算；风险损失的减少属于带概率假设的估计，不应当作已经发生的收入。“高端市场需求未满足”目前只是待验证线索，要找到具体决策人、替代方案、预算及试单证据。
0814 天建议试验：逐关取得证据
以下节奏、人数和判断规则是编辑建议，不是科学验证的普适阈值；两周也不足以证明长期留存。
-
第 1—3 天 · 观察真实任务
观察 3—5 位目标买方的任务与替代做法，问清上一次问题、后果和付款决策人。记录不值得解决的理由，不只问“会不会用”。
-
第 4—6 天 · 交付一个工作结果
人工或 AI 辅助完成一项任务，与同类基线比较。记录交付历时、主动工时、错误、返工和支持；先判适用性，不急着加代理或功能。
-
第 7—10 天 · 寻求真实付费
提出范围、价格、交付、验收和退出条件明确的试点。记录实际付款，也记录拒付、无数据、信任不足或替代更好的理由；口头兴趣不算付款。
-
第 11—14 天 · 检查重复与全账
换一个同类任务，检查交付能否重复、客户能否独立完成及是否主动再用。核算完整单位经济性，把继续观察留存列入后续计划。
09来源、覆盖与未解决事项
- S1Noy／Zhang · MIT 专业写作实验工作论文（PDF）。2023-03-10，未同行评审版本；统计见第 3—4 页，仅支持所测任务的时间与质量结论。
- S2METR · 2025 年初 AI 与有经验开源开发者研究（PDF）。2025 年论文；历史工具与特定成熟仓库场景，须结合 S3 阅读。
- S3METR · 开发者生产率研究更新。2026-02-24；后续估计受招募、任务选择与并行计时问题影响，不能确定当前总体效应。
- S4Anthropic · Building effective agents。2024-12-19；官方工程经验，非受控因果证据，页面注明此后工具已有变化。
- S5Palantir · Foundry 架构官方概览。未标日期；本次访问日 2026-10-03。产品与方法描述，不是独立投资回报测量。
- S6Anthropic · FDE 官方岗位说明。未标日期；本次访问日 2026-10-03。涉及生产应用、客户流程、部署支持与可复用模式，不证明所有公司需要 FDE，也不证明市场支付某种价格。
- S7NBER · Shifting Work Patterns with Generative AI。2025-05，2025-11 修订；66 家企业、7,137 名知识工作者，时间与工作模式的现场实验，不能直接外推利润。
- S8McKinsey · 2026 年 AI 调查。2026-08-25；2026-05-04 至 06-08 调查，1,719 名受访者、97 国，按各国 GDP 贡献加权；自报调查，非审计利润或因果证明。
- S9INSEAD · Mapping AI into Production 研究摘要。2026-03 工作论文；515 家高增长初创企业，AI 重组案例信息干预；另核验 HBS AI Institute 的研究设计解读（2026-04-07）。非代表性个体创业样本；本次未复核完整原始数据。
本次来源覆盖与限制
公共研究使用 web search 与 AnySearch 发现线索，再逐项读取原论文、机构摘要或官方页面。九项来源共十个引用网址已打开核验；NBER 页面通过直接抓取读取。全部访问于 2026-10-03。未验证的辅助数据源未用于结论；检索不构成全网穷尽。
没有进行客户访谈、付款或留存观察。原文经历属于用户提供的信息；开场“很多人研究 AI 却不挣钱”没有总体收入统计支持。原始发言结尾截断，本文行动方案属于编辑补充，不能当作讲者逐字结论。FTE/FDE 原意仍待原讲者确认。