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。
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。
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。或者说即便现在，在很多工作流上，也依然处于这一状态中。某种意义上，这也确实是每个学习 AI 的人都会经历的阶段。处于这一状态没问题，有问题的是一直处于这一层级。
但问题也恰恰就在这里。
因为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。
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。
今天，如果每个个体都持续处于“交付状态”，由于个体离开了进化的链路，而无法变的更强；那么由个体组成的企业也就同样无法通过海量的一次性交付物而变得更加先进。
这看起来是个奇怪的循环。因为用了 AI，长期看，似乎走在一条变差的路上。
解决办法肯定不是回到过去。真正的问题也不是要不要用 AI。
问题是，我们不能只是更快地往前走。
我们应该往上走。
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 构建能够自我进化的闭环。
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。
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。
一个普通岗位长出迭代闭环
我身边有一个很好的例子。
他原本做广告投放的数据分析。传统分工下，他的工作是线性的：投放跑一段时间，拉数据，分析哪个渠道转化不好、哪个素材衰退、哪个人群成本上升，然后把结论交给投放优化的同事。
如果他只是交付状态的人，他可以让 AI 帮写 SQL、做归因、总结异常，半天的分析压缩到半小时。这已经很不错。
但他真正做对的，不在这里。他把自己负责的数据模块，做成了一个小闭环。
投放数据、转化数据、历史策略效果、外部行情信息都接进来。AI 不再只看一张投放报表，而是结合周边信息对每次投放做判断：哪些计划该收缩，哪些渠道值得观察，哪些波动可能不是投放策略的问题，而是外部环境的结果。
更关键的是，他给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，都成为验证依据。AI 做出判断后，后续结果会回来验证这次判断是否成立。判断成立，沉淀为样本和规则。判断不成立，系统继续拆解原因，错误进入人工审核规则、经验库，或反过来影响下一轮策略生成。
他不是一个更快的数据分析师。他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“设计新地形”。它不一定是改掉整个公司流程，也不一定是推动组织级变革。它可以从一个普通岗位手里的一小段工作开始。
课代表讲的文章最后列出来的几点中，其中第三点，我想也是非常明确的指向了这一变化“人的反馈再反过来改进程序、skill 和 evaluation”，这是迭代闭环的本质。
迭代系统，是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。
交付状态下，人的工作仍然依赖外部驱动。别人提问题，他更快回答；别人要方案，他更快生成。能动性停留在个人层面。
迭代闭环则把能动性沉淀到了结构里。即使没人每次来提醒，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。
更重要的不是操作者本人更有主观能动性，而是他创造了一个有主观能动性的闭环。
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，每一个工作单元也开始具备了主人翁意识。
迭代闭环就是 token 资产化：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（这里的收益并不是指短期的经济收益）？
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。
所以企业真正该看和想看的，肯定不是 token 消耗量，而应该是 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？
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。但这种越来越高的成本，因为聚焦在一次性交付物上，也并不会让企业有一种研发投入的感觉，因为它根本没有成长性叙事的逻辑在。
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。所以组织也不会越来越聪明。
于是，它同时带来三件事：交付更快，token 更贵，人的理解更浅。
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
这也许是传统组织迈向 AI native 组织的可能路径。当然，我不是说都能迈成功，对此我也没什么信心，但这至少看起来是一条可行的路径。
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。
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。
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
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。