前两天，课代表在社区里发了一篇文章，讲的是一次数据处理流程。项目本身乍看并不复杂，但里面几个细节，让我想起前段时间团队里发生的一件事，也让我重新审视了自己最近使用 AI 的方式。
看完之后，我突然意识到一个现象：AI 时代最危险的人，可能不是那些不用 AI 的人。
不用 AI 的人当然危险。他们对模型没有体感，对工具没有使用习惯，对新的工作方式也缺少基本兴趣。随着 AI 继续进入真实工作流，他们要么被环境推着改变，要么逐渐离开某些岗位。
但这类人其实很好识别。
真正值得警惕的，反而是第二种状态。
在这种状态下的人，已经开始用 AI，而且用得很勤。他们会用 AI 写代码、写周报、写方案、做总结、生成 PPT、分析数据、整理会议纪要。他们关注模型更新，尝试各种工具，也愿意把 AI 放进自己的日常工作里。
他们不是保守派，也不是懒人。相反，他们通常是团队里更积极、更努力、更愿意学习的人。
我觉得社区里有很多在这一状态的同学。我自己在相当长一段时间里，也属于这一阶段。甚至到现在，在很多工作流上，我仍然还处在这个阶段。某种意义上，这也确实是每个学习 AI 的人都会经历的阶段。
但问题恰恰在这里。
这种状态很容易让人产生一种错觉：我已经在使用 AI，所以我已经跟上了时代。
这种安全感很诱人，因为它建立在真实提升之上。过去一天才能完成的分析，现在两个小时能做完；过去半天写完的文案，现在十分钟可以出几版；过去要查很多资料才能写出的报告，现在 AI 可以先给一个完整框架。
这些提升都是真的。
只是，它们还不够。
第二种状态的问题，不是效率不高，而是还在用 AI 完成旧工作
第二种状态，在这里，我姑且先称之为“交付状态”。交付状态下最大的问题，不是不会用 AI，也不是用得不够努力，而是仍然在用 AI 完成旧工作。
任务来了，处理；处理时，让 AI 帮忙；处理完，交付；交付完，等下一轮任务。
这是一条线。
AI 只是让处于这一状态下的人在这条线上跑得更快。
所以交付状态下的人的真正局限，不在工具熟练度，而在工作结构。在这一阶段，我们把 AI 当作一个更快的助手，用来加速原来已经存在的任务：写报告、做图表、总结信息、完成别人交代的工作。
这当然有价值。但它的上限也很清楚。
只要工作仍然是“输入、处理、输出”，那每一轮工作结束之后，大部分价值也就结束了。下一次任务来了，还是要重新输入、重新处理、重新输出。AI 帮你节省了时间，但并没有让这项工作本身变得更聪明。
这让我想到一个比喻：这一阶段的人用 AI 像是在二维世界进行探索。
二维状态下，有了 AI 辅助当然可以跑得很快。但我们此时做的所有努力都发生在同一个平面上。
交付状态下，对个人和组织，都有一个巨大的隐性成本：得到了很多，失去的更多
最近看到一句话，印象很深。
有人说，他最近又回去“古法写代码”了。虽然速度慢一些，但发现自己的记忆力和思考能力，比前段时间高度依赖 AI 的时候有明显提升。
这个感觉很真实。
它指出了 AI 提效里一个正在逐渐显现的问题：在传统工作流程里，慢本身不一定都是浪费。很多慢环节，其实承担着学习、记忆和判断力形成的功能。
比如写代码时，你自己想接口怎么设计，自己查文档，自己排查报错，自己在脑子里模拟程序怎么运行。这个过程当然慢，但它会把一些东西刻进你的认知结构里。
写分析也一样。你自己拉数据，自己看异常，自己猜原因，自己推翻假设，自己重新组织结论。这些过程看起来低效，却是在训练你对业务的体感。
AI 加进来之后，旧工作的速度变快了。但如果使用方式仍然停留在交付层面，它会绕过那些原本落在人身上的思考、试错和沉淀过程。
结果是，工作完成得更快了，但人没有同步变强。
甚至更糟糕一点：人可能变弱了。
这就是这一状态下真正危险的地方。
我们不是不用 AI，而是用 AI 的方式，把自己从工作里的学习回路中摘了出去。
过去，一次任务虽然结束了，但它会在人的身上留下痕迹。你会记住一个坑，形成一个直觉，理解一个指标，积累一个判断。
现在，如果 AI 只是替你快速完成交付，而你没有把判断、反馈、错误和经验重新接回一个更高层级的闭环，那么这次任务结束后，可能什么都没有留下。
这对个人，当然算不上什么好事。对给你付工资的企业来讲，也同样如此。
抛开变化多端的 AI 时代不提，即便在过去三四十年的互联网时期，几乎任何一个企业，所推崇的都是如何构建一个“学习型组织”，企业从来不是单纯追求“流水线”的速度，而是追求认知迭代和学习成长的速度，然后，把这种速度优势，体现在自己面对客户的服务中去。
过去，这种追求，依托在组织结构以及组成企业实体的每一个个人身上。如果每个个体，在拥抱 AI 之后，仅仅是交付物变多，自身的学习和迭代反而变弱，组织的发展又从何而来呢？
但是，解决办法肯定不是回到过去。
“古法写代码”可以作为一种短期校准，让人重新找回思考的肌肉。但它不应该成为长期方向。AI 已经出现了，往回走并不现实，也不值得。
真正的问题不是要不要用 AI。
问题是，我们不能只是更快地往前走。
我们应该往上走。
往上走，就是把 AI 从“替我完成任务的助手”，变成“帮助这项工作形成反馈、记忆和自我迭代的系统”。
不是让 AI 拿走学习过程，而是重新设计学习过程，让人和系统都能从每一次任务里变得更强。
这就是使用 AI 的第三个阶段的差别。
使用 AI 的第三种状态，不是更会用工具，而是会构建迭代的闭环
迭代状态和交付状态的差别，不是我们更会写提示词，也不是我们知道了更多 AI 工具。
真正的差别在于：交付状态下用 AI 生产交付物，而下一个状态则是用 AI 构建能够自我迭代的闭环。
交付物是一份报告、一张图表、一页 PPT、一个分析结论、一段代码、一个方案。AI 可以让这些东西变得更快、更便宜、更像样。
迭代则不一样。
迭代闭环关心的是：输入从哪里来，判断怎么产生，行动怎么执行，结果如何验证，错误如何处理，经验如何沉淀，下一轮怎么因此变得更好。
一份分析报告写完之后，可能只是进入某个文档、群聊或会议。它被看过，被讨论过，也许产生了一些动作，然后慢慢消失在日常工作里。
但如果一个人把分析背后的判断链条做成迭代的闭环，事情就变了。
数据自动进来，AI 先做判断，判断绑定指标，后续结果回来验证判断。判断错了，不只是改正这一次，而是进一步拆解原因：哪些错误需要人工审核，哪些错误要沉淀成经验，哪些错误应该改变下一轮策略。
这时，工作不再是一轮一轮地消耗，而开始积累。
交付状态提高的是单次交付速度。
迭代状态提高的是这项工作自身的进化速度。
当一个普通执行环节长出迭代闭环，旧岗位就开始变成立体结构
我身边有一个很好的例子。
他原本是做广告投放的数据人员。按照传统分工，他的工作大概是：投放跑了一段时间，把数据拉出来，分析哪个渠道转化不好，哪个素材衰退，哪个人群成本上升，哪个环节可能有问题。然后他把分析结论交给投放优化的人，下一个环节再决定怎么调预算、换素材、改策略。
这是典型的线性工作。
数据进来，人工分析，输出结论，交给下游。
如果他只是第二类人，他也可以做得很好。他可以让 AI 帮他写 SQL，帮他做归因，帮他解释波动，帮他总结异常。原来半天完成的分析，现在半小时完成。这已经很不错，也足够让人觉得他在积极拥抱 AI。
但他真正做对的地方，不在这里。
他没有停留在“让 AI 帮我更快写分析”。他把广告投放里的数据模块，做成了一个小闭环。
投放数据会进来，转化数据会进来，历史策略效果会进来。因为我们做的是金融广告投放，他还把外部行情信息也加了进来。金融广告的效果，有时不只是素材、渠道、人群的问题，也会受到市场行情、用户情绪、产品收益变化和风控边界的影响。
于是，AI 不再只是看一张投放报表，而是结合周边信息，对每一次投放做快速判断：哪些计划应该收缩，哪些渠道值得继续观察，哪些素材可能已经疲劳，哪些波动可能不是投放策略的问题，而是外部环境变化带来的结果。
更关键的是，他没有让 AI 的判断停留在“看起来有道理”。
他给这些判断绑定了可衡量的指标。获客成本、转化率、有效线索率、ROI、后端质量、风险指标，都可以成为验证依据。AI 做出判断之后，后续结果会回来，验证这一次判断是否成立。
如果判断成立，它会被沉淀为样本、规则或策略依据。
如果判断不成立，系统会继续拆解：是数据噪音的问题，还是行情理解错了？是渠道变化，还是素材衰退判断过早？是某类策略不适合自动决策，还是需要加入人工审核？
有些错误进入人工审核规则，有些错误进入经验库，有些错误会反过来影响下一轮策略生成。
这件事的关键，不在于他是不是团队里最会玩 AI 工具的人。
关键在于，他把自己负责的一小段工作，从“分析后交付”，变成了“持续判断、验证、修正、记忆”。
他不是一个更快的数据分析师。
他是在自己负责的局部范围里，搭了一个会学习的小系统。
这就是我理解的“设计新地形”。
这个词听起来很大，好像只有老板、架构师、组织负责人才能做。但其实不一定。设计新地形，不一定是改掉整个公司流程，也不一定是推动一次组织级变革。
它可以从一个普通岗位手里的一小段工作开始。
迭代系统，是传统主观能动性的极致表达
这个例子也让我重新理解了企业里常说的“主观能动性”和“主人翁意识”。
过去我们讲这些词，常常是在讲人的态度。一个人是不是更积极，是不是不用老板催也会往前推，是不是能站在更大的视角想问题，是不是不只完成自己手上的动作。
这些说法没有错，但它们太依赖个人品质，也很难被规模化。
到了 AI 时代，迭代系统给了这件事一个更具体的形态。
所谓主观能动性，本质上不是“人很努力”，而是一个工作单元能够根据目标和反馈，自我发现问题，自我调整动作，自我沉淀经验，并且让下一轮变得更好。
这正是迭代系统在做的事。
它不是被动等人下指令。它会持续接收输入，判断当前状态和目标之间的差距，然后提出动作。动作执行之后，结果会回来验证判断是否正确。如果判断错了，错误不会只是被抹掉，而会被分类、解释、沉淀，反过来改变下一轮判断。
这时候，这个闭环就不再只是一个工具。
它开始像一个有主观能动性的工作单元。
过去我们希望一个员工像主人一样对结果负责，能够主动发现问题、主动推动优化、主动积累经验。现在，使用 AI 进入到迭代闭环状态的人，所做的事情，就是把这种能力做进系统里：让自己负责的那一小段工作，不只是被人推动，而是能围绕目标持续自我迭代。
所以，第三阶段迭代闭环的价值并不只是操作者本人更有主观能动性。
更重要的是，他创造了一个有主观能动性的闭环。
交付状态下的人虽然用了 AI，但他的工作仍然依赖外部驱动。别人提出问题，他更快回答；别人要方案，他更快生成；别人要报告，他更快交付。他的能动性仍然主要停留在个人层面。
而迭代闭环状态下的人则把能动性沉淀到了结构里。即使没有人每次都来提醒，这个系统也会因为目标、指标、反馈和记忆的存在，持续暴露问题、调整判断、积累经验。
这就是为什么迭代性的闭环比一次性交付更重要。
一次性交付依赖人的状态。人今天认真，结果就好一点；人今天忙，结果就差一点。闭环系统一旦搭起来，就会把一部分“主动性”从人的情绪和习惯里抽出来，变成一种稳定的工作机制。
传统组织想要更多有主人翁意识的人。
AI 时代真正更进一步的做法，是让一个个具体的工作构建起了可以自我迭代的闭环，也开始具备主人翁意识。
很多企业的 AI 成本问题，本质上是 token 没有资产化
这也解释了为什么很多企业现在对 AI 的使用会进入一个微妙阶段。
一开始，大家会很兴奋。公司鼓励员工使用 AI，员工大量消耗 token，个人效率也确实提升了。会议纪要更快了，方案更多了，报告更厚了，代码初稿更快了，PPT 更漂亮了。
但过了几个月，企业可能会开始怀疑：为什么 token 消耗上去了，组织收益却没有同比例上去？
表面上看，这是成本问题。AI 调用太多，费用太高。
但更深层看，问题可能不是 token 太贵，而是大量 token 没有资产化。
所谓没有资产化，就是这些 token 大部分被用来生产一次性交付物：写一篇报告，生成一页 PPT，总结一次会议，解释一次数据波动，回答一个临时问题。
它们有用，但用完就过去了。组织没有因此多出一条可复用规则，没有多出一个判断样本，没有多出一套反馈机制，也没有多出一个会自我修正的小系统。
这是一种燃料型消耗。
烧掉 token，换来一次输出。
懂得把 AI 推向迭代闭环状态下的人，他们的 token 消耗不一样。他们也在消耗 token，但这些消耗会留下东西。一次判断留下一个样本，一次错误留下一个规则，一次复盘留下一个经验，一次策略验证改变下一轮的决策方式。
这是一种资产型消耗。
它不只是提高当下这次交付的效率，而是在提高以后每一次判断的起点。
所以企业真正该看的，可能不只是 token 消耗量，而是 token 资产化率。
这些 token 有多少只是帮员工更快做完一次任务？又有多少变成了组织可以复用的判断、规则、记忆、流程和系统？
当然，不是所有 token 都必须资产化。
探索、讨论、创意、一次性沟通，本来就会有消耗，也不可能每一次调用都沉淀为资产。但当企业开始大规模使用 AI 时，必须关心一个比例：到底有多少 AI 消耗，正在变成组织以后可以复用的能力？
如果大部分 token 都在支持员工生产交付物，那成本当然会显得越来越高。因为公司只是把原来的人力消耗，换成了 AI 消耗。大家都更快了，但组织没有变得更聪明。
更麻烦的是，组织可能还损失了原本藏在旧流程里的学习机制。它可能同时带来三件事：交付更快，token 更贵，人的理解更浅。
如果没有闭环，没有反馈，没有记忆，没有系统性的经验沉淀，AI 消耗越大，组织未必越聪明。它可能只是更快地产生更多一次性内容，然后更快地遗忘。
但如果越来越多尝试通过 AI 构建迭代闭环系统的人出现，情况会不一样。
token 消耗依然可能很高，但它不再只是成本，而更像是组织学习的燃料。每一次调用 AI，都在帮助某个局部闭环更快发现问题、更快做判断、更快验证结果、更快沉淀经验。
这时，企业得到的就不只是效率提升，而是认知迭代速度的提升。
AI native 不一定是一场自上而下的大改造，也可能是很多小迭代闭环在组织里长出来
这也许才是 AI native 组织真正的起点。
AI native 不一定是 CEO 发布一个战略，组织架构突然重组，所有系统一夜之间接上大模型。那当然是一种路径，但不是唯一的路径。
另一种路径，是公司里开始长出很多小闭环。
一个人在广告投放里搭一个迭代闭环，一个人在客服质检里搭一个迭代闭环，一个人在风控运营里搭一个迭代闭环，一个人在产品分析里搭一个迭代闭环。每个闭环一开始都不大，但它们都在让某一小段工作具备感知、判断、反馈和记忆能力。
这些小闭环慢慢连接起来，组织就不再只是“很多人在用 AI”，而是开始真的具备 AI native 的工作方式。
这也是为什么只停留在交付状态下使用 AI 会变得尴尬。
他明明很努力，也明明在学习，但他学习的层级可能太低了。
他学会了更快地完成任务，却没有学会重新理解任务。
他学会了使用工具，却没有学会构建闭环。
他以为自己已经在未来，其实只是把过去跑得更快了一点。
未来的分界，不是会不会用 AI，而是你的工作会不会因为每一次完成而变得更好
二维的人面对三维的人，最无力的地方就在这里。
不是对方比你快一点，而是对方每完成一次工作，都会让下一次工作站在一个更好的起点上。
你每次做完一个任务，任务就结束了。你也许更快，也许更轻松，也许交付物更漂亮。但如果这一次工作没有改变下一次的判断方式，它就仍然是一次性消耗。
第三类人不一样。
他每完成一次工作，系统都会多一点判断、多一点记忆、多一点修正。错误不只是错误，反馈不只是反馈，它们都会回到系统里，改变下一轮的起点。
所以，真正的方向不是回到过去，也不是在旧平面上跑得更快。
而是往上走。
回到过去，是放弃 AI 带来的新能力。
更快地往前走，是继续在二维平面里加速旧工作。
往上走，是把 AI 接进一个更高维的工作结构里，让它不只是替你完成任务，而是帮助任务本身形成反馈、记忆和自我迭代。
所以，未来的分界未必是“会不会用 AI”。
会用 AI 的人，会先超过不用 AI 的人。
但只会用 AI 生产交付物的人，最终会被能用 AI 搭建闭环的人超过。
因为前者提高的是个人效率。
后者提高的是工作本身的进化速度。
最危险的不是不用 AI，而是只会用 AI。
写在最后
顺便说一句，很多人可能会把这件事理解成最近流行的 Loop Engineering。它们确实相关，但我想并不是一回事。
Loop Engineering 更多是在讲如何让 AI agent 在一个任务里自动循环：计划、执行、观察、验证、重试，直到达成目标或触发停止条件。它解决的是“不要每一步都靠人手动 prompt”。
而我这里想说的，是另外一个层面的问题：不是让 agent 多跑几轮，而是让一项工作单元本身形成可学习、可反馈、可积累的闭环。其实在这种时候，真正重要的反而不是 loop 这个形式，而是 loop 里的评价函数、记忆结构、权责边界和经验沉淀。否则，再自动的循环也可能只是更快地完成一次性交付。
这一状态下的关键，不是人用 AI 做完更多任务，而是人开始设计让工作自我进化的系统。