当工作流开始复利，AI 才真正进入生产系统

信源：《The AI Workflow That Puts You in the Top 1%: Practical Steps to Level Up》，2026 年 8 月。
过去两年，人们讨论 AI 生产力时，注意力总是落在模型上：GPT、Claude、Gemini 谁更聪明，哪个版本又刷新了 benchmark。但从一批已经深度使用 AI 的创业者、CEO 和知识工作者身上，可以看到另一条更值得关注的分界线：模型差距正在缩小，真正拉开效率差距的，是工作流。
文件开头提到一个有意思的现象：越来越多员工已经开始在工作中使用 AI，但真正获得明显生产率提升的人，往往不是偶尔拿它写邮件、查资料，而是把更多类型的任务持续交给 AI。材料引用的数据称，只在一两个任务中使用 AI 的人，约 45% 报告明显效率提升；当任务种类达到七个以上，这一比例上升到 90%。 数字本身还需要结合原始研究验证，但背后的方向很清楚：AI 的价值很可能存在一种“工作流渗透率”。
单点使用 AI，节省的是几分钟。把 AI 接入整个工作流程，改变的却可能是人的工作方式。
一家预测市场公司的案例很典型。管理者过去每周需要花大量时间整理邮件、文档、公司指标和团队进度，判断谁承诺了什么、哪些任务正在延期、哪些问题值得关注。现在团队试图让 AI 直接连接这些信息源，自动形成公司的状态视图。更理想的状态是，每位员工都拥有自己的 Agent。真正棘手的问题反而不再是模型够不够聪明，而是谁能够访问哪些数据、法律文件应该开放给谁，以及 Agent 拥有什么权限。
这暴露了企业 AI 的一个重要变化：Context 正在取代 Prompt，成为新的基础设施。
过去使用 ChatGPT，是人先搜集材料，再把上下文喂给模型。下一阶段，AI 本来就连接着邮件、文档、会议、数据库和业务指标。人不再负责搬运 Context，只需要提出目标。材料里一句话概括得很准确：AI 最终应该知道工作中正在发生什么，而不是每次等待人重新解释背景。
在这个基础上，Skill 开始出现。
最简单的 Skill，其实就是把一个反复执行的任务固定下来。比如每周统计内容表现、分类主题、寻找异常值。过去每周重新写一遍 Prompt，现在把整个流程保存下来，团队成员可以重复调用。 这看似只是少敲几行字，意义却远大于 Prompt 模板：一旦 SOP、历史案例、数据源、输出格式和判断规则被封装进去，Skill 就开始接近一种“可执行的组织知识”。
Peter Yang 的做法更进一步。他会在 Skill 执行之后和 AI 反复修改结果，然后要求 AI 根据这次修改，重新更新 Skill，让下一次尽量少犯同样的错误。 模型权重没有变化，但工作流已经开始学习。
这可能是当前最现实的一种“持续学习”。
很多人想象 AI 自我进化，需要模型不断重新训练。实际工作中，更便宜也更容易实现的路径，可能只是持续修改 Context、规则、案例和 Skill。今天完成一项任务，不只得到一个结果，同时也留下了一次反馈。反馈进入流程，下一次执行就更好一点。时间拉长以后，人与人之间的差距不再只是“谁写 Prompt 更快”，而是谁的工作系统已经积累了几百次这样的迭代。
Token 的经济学也因此发生变化。材料中，Khan Academy 负责人提到，大约 200 名工程师的 AI 年化开支已经达到约 120 万美元，一名工程师甚至曾在一天内消耗约 3000 美元计算成本。但当管理层发现，这些算力让几个小时的工作替代了过去可能需要数月完成的任务，反应反而变成了“继续花”。
企业以后真正关心的指标，也许不会是用了多少 Token，而是每一美元推理成本换回了多少工程时间、研究产出和决策速度。
当然，这套体系仍然缺少最后一块拼图：Eval。AI 可以生成内容、执行 Skill、读取 Memory，也可以调用越来越多工具，但一个流程究竟有没有变好，修改之后是否出现新的错误，研究结果有没有遗漏重要信息，仍然需要可度量的反馈机制。材料中的先进用户已经开始人工复核、记录 performance，但距离真正工程化的闭环还有一步。
AI 工作正在因此经历一个很自然的演进：从聊天工具，到 Workflow，再到 Skill、Memory 和 Agent。真正值得长期积累的，也许不是某个模型的使用技巧，而是自己的工作方法本身。
当经验能够被写进 Skill，判断规则能够沉淀进 Memory，历史反馈能够不断修改下一次执行，一个人的工作方式第一次开始具备软件的特征。
到了这一步，AI 带来的就不只是效率提升了。
工作本身开始产生复利。