从AI个人应用层面大爆发开始，我一直在思考一个问题：AI时代的能力模型。
为什么呢？如果把AI应用水平分为“能用、会用、善用”三个层次，那么，教学大半年后，能够发现人人之间的显著差距。
第一阶段，所有人（非业界人士）都是“学习模仿”：尝试各种工具、模仿早期采用者（early adaptor）的使用案例。
渐渐，部分人进入了第二阶段“分析泛化”，将应用经验迁移，去解决自己在生活和工作的各个场景中的实际需求。
很快地，其中一小撮人进入了第三阶段“研究创造”，尝试用AI解决更复杂业务问题或者为满足一个需求造点东西出来。
是什么造成了这样的差距呢？
关于这个问题，在《创新的扩散》一书中有理论视角的分析，感兴趣可以去看看，此处不赘述。
而在《Only Humans Need Apply: Winners and Losers in the Age of Smart Machines》一书中，作者提出了5个“Step”分别对应不同的职业定位与核心能力，即五种智能时代的适应路径。
可发展的核心能力是哪些呢？
研究结合观察实践来看，我尝试收敛到最核心，并分为两类，一边是影响人机协同的通用能力；另一边是回归和放大人类价值的能力，那些所谓的变化中的“不变”的部分。画了张图如下，今天先聊聊左侧人机协同部分（但其实可以看到，有些能力是左右共享的、也就是说不管选择什么适应路径都需要的）。
1. 逻辑思维：厘清需求与评估决策
逻辑思维能力也是产品经理的必备能力，包括分析与判断等面向，在人机协作中，显得尤为重要。
因为，AI只根据你输入的指令进行操作。
一方面，AI不具备人类的直觉和创造性。“无法提出一个真正创新的观点，也无法真正理解情感或道德的细微之处。”因而，当遇到模糊的意图时，需要我们将之转化为清晰的需求，而这就需要分析问题并看到本质的能力。
比如，对模糊意图进行结构化拆解和逻辑推演，它包含哪些子问题？哪些是核心，哪些是次要？用户诉说的需求背后的、未被言说的诉求是什么？
另一方面，AI是强大的工具，而非决策者。我们需要评估甚至质疑机器的输出、识别其局限性，并选择修改再应用于解决问题。
比如，业务分析师使用AI模型生成了下一季度的销售预测。如果直接采信数据，而没有深入分析数据来源或模型假设，忽略了未被包含的外部市场变化，将会导致预测与实际情况严重偏离。
而在高水平的协同中，分析师则会将AI模型的预测作为起点，审视模型的数据输入，并结合行业报告、竞争对手动态和宏观经济趋势交叉验证；思考AI未曾考虑到的关键风险因素，并据此调整预测，最终提供更全面、更具洞察力的建议。
2. 沟通能力：清晰表达与人机互动
沟通能力在AI时代的重要性被进一步放大。过去的沟通，是人际交流，现在还得人机交流。此处讲沟通能力，就是后者，主要指的是向AI清晰提出需求，以及与AI协同互动的能力。
第一层，是精准表达，正如信息学中的古老定律所说“垃圾进，垃圾出”。AI工具的产出质量，直接取决于我们输入的指令是否精准。虽然，我们常说“想清楚，就能讲清楚”，但实际上，有时候也并非那么容易。
第二层，是协作互动。沟通本质上也不是一次性输入，而是一个不断优化的对话过程。从AI的反馈中发现偏差与盲点，再通过补充条件、提出反问、加入边界条件等方式不断校正方向。这样不仅AI在执行中能更贴近目标，也会反过来刺激我们再思考，突破自身的局限。
实际上，当我们在心态上把AI从“工具”升级为一个“协同伙伴”，沟通的方式与深度就会发生质变。如果你和人类同事讨论方案时，会主动解释背景、抛出假设、提出多轮追问，那么你和AI也能进行这样的“深度对话”，不再是生成答案，而是启发思路和推动创造的对话。
3.心智突围：学习成长与敏捷迭代
技术更迭的节奏已经快到让人猝不及防，真正的人机协同竞争力，不在于掌握了某个技巧或用了哪个工具，而是不断“用中学、学中改”。
首先是持续性拓宽边界。保持好奇、学习与实践。比如，掌握了基础的AI文案生成后，是不是探索一下用多模态工具生成用户画像，继而再尝试下将AI融入工作流、自动化那些重复性高的任务？通过不断拓展边界，形成“学习杠杆”。
其次是敏捷试错。很多突破与创新，不是规划出来的，而是快速试错、敏捷迭代的“平行小实验”的结果。企业落地AI的难点，很多时候在于一下子想要解决大问题、产生大收益，最好一拳到肉、一步到位；作为领导者，一些假设的松动会是破局的核心。
以及反身性成长。AI的出现并非让人类“外包大脑”，反而可以倒逼我们升级思维模型。人机协同者，会用AI输出当作“镜子”，不断循环“自省+升级”，保持主动成长的姿态，借力技术，重构学习、工作和创造的方式。
小结一下，逻辑思维让我们看清问题，人机沟通能力让我们转化意图，心智突围让我们不断进化。三者互为支撑，构成了人机协同能力的黄金三角。
