一个月 200 刀的 ChatGPT，一天消耗 10 亿Token，你一定非常好奇我到底拿来做什么？ 我自己的 ChatGPT 会员，最开始是每个月 20 刀，后来升级到 100 刀，再到现在的 200 刀。 现在算上其他工具和 Agent，我整套 AI 工作流每天的 Token 用量已经在几亿的量级，多的时候一天就是十几亿 Token 有些任务，我会直接让 AI 连续跑两三个小时。 中间调用不同的 Agent，分别查资料、处理数据、验证假设，遇到问题继续尝试，最后再把结果汇总回来。 我说句实话，用得越多，我越觉得，我们对 AI 的使用空间，依旧想得太小了。 我现在衡量一个人会不会用 AI，会看他能不能把一件复杂的事情想清楚，再组织 AI 一步一步把它做完。 会问问题当然重要，但任务往往在第一次回答之后，才刚刚开始。 就拿我们平时做的美股分析来说。 问一句“帮我分析一下 $NVDA”，很容易得到一篇业务介绍、财务数据和风险提示。读起来什么都有，看完以后，你可能依旧不知道应该调整哪个投资判断。 我更愿意把任务往下拆：先查公司最新的财报、公告和电话会原文，把过去几个季度的收入、利润、订单和管理层指引放在一起； 再顺着产业链，看看客户的钱准备花在哪里，供应商有没有出现相互印证的变化；同时把利率、估值和当前股价放进来，分析市场已经在为哪些预期付钱。 接下来还没结束。 我会让另一组 Agent 专门找反对证据：这套判断里面，哪几个假设最脆弱？ 公司说的增长，能不能在其他数据里找到支持？利润继续增长，股价就一定有空间吗？如果利率抬升，或者客户削减支出，原来的估值还能不能成立？ 最后交付给我的，应该是一份能继续跟踪的研究： 哪些公司值得关注，预期差在哪里，接下来要验证什么，出现什么变化就需要推翻判断。来源、数据日期和推导过程都要留下来，方便我检查。 我希望 AI 帮我把研究做深，让我有更多精力判断，而不是拿一份看起来专业的报告就去下单。 这样我就会发现我无论是对 AI 的理解，还是公司的理解都高了很多。 那同理，商业模式也可以这样去设计。 比如我已经有内容、有用户，也有一些产品和服务。接下来怎么发展，就可以把这些现有条件交给 AI，先梳理用户为什么关注我、遇到了什么问题、哪些需求值得长期投入，再往下推收入从哪里来、成本花在哪里、哪个环节太依赖我本人，以及下一步应该先验证什么。 还可以让不同的 Agent 分别站在用户、经营者和竞争者的角度挑问题。一项业务看起来很有想象力，但获客太难、交付太重，或者收入增长始终跟着我的工作时长走，这些都应该提前拆出来。聊到最后，至少要落到一个可以执行、可以验证的小实验上。 工作效率和时间安排，也是同样的思路。 我最近也在考虑，把自己的目标、待办和实际时间投入整理得更完整，在我愿意提供信息和授权的范围内，让 AI 参与持续复盘：哪些研究可以合并做，哪些重复工作可以自动化，哪些事情忙了很久，却没有给业务带来多少推进。 临时多出一项任务，后面几天的安排怎么调整；一个目标连续几周没有进展，究竟是时间不够，还是一直没有拆出能执行的下一步。 这样用，AI 才能逐渐理解你在推进什么，带着已有的进度继续工作。每天重新开一个聊天框，从头解释一遍背景，其实会浪费掉很多已经积累下来的东西。 这些实践带给我最大的心得，就是：你得先具备组织复杂任务的能力，才能让 AI 替你承担更多工作。 目标是什么，需要哪些信息，几项工作之间有什么依赖，结果怎么检查，什么情况下继续尝试，什么情况下必须停下来找你确认——这些都需要想清楚。 你自己对一件事只有模糊的感觉，交给 AI 以后，它很可能只是把这份模糊扩写成几千字。 所以现在我会刻意训练自己，把任务交代得更完整，把验收标准定得更具体。 能独立推进的环节就放出去，涉及资金、对外发布和重要决定的地方，留给自己确认。跑得久、调用得多，都得服务于最后的结果；绕了三个小时还在重复犯错，就该检查任务设计，或者直接换方法。 我真的建议大家，把 AI 用深一点。找一件你每周都要花几个小时处理的真实工作，尝试把从收集信息到交付结果的整套流程交给它，看看究竟卡在哪里，再一轮一轮调整。 我现在更愿意花时间，把一类反复出现的工作安排好。 今天多花一点精力，后面每次碰到它，都能少亲自处理几个环节，这种积累很值得，你也会非常上头！ 期望大家也可以找到自己使用 AI 的心流时刻……