2026年3月29日，美好创业小组的一个下午。
其中一位做医疗器械的创业者，把公司融资用的 data pack 整个文件夹给了 AI，然后问它：我怎么才能卖出3000台产品？
AI 给出的回答让他有点沉默。
不是因为 AI 说错了。而是因为它说得太准了。它从 data pack 里翻出了他做尽调时联系过的几个省份的代理商，据此推断出哪些省份的客户关系更强，建议他从特定省份先开始铺货。它把27位医保编码的结构给他拆开讲了一遍，告诉他注册证、挂网、零采购应该按什么顺序推进。
"他的关键动作还是比较准的，颗粒度比我们市场总监写的更细，信息量更全。"他停了一下，说，"我在想，这个市场总监的工作是不是可以下岗了。"
创业者们现在怎么用 AI
工作坊开始前，Michael 先让大家各自聊聊自己的 AI 使用现状。
七八个人，七八种用法，几乎找不到两个完全一样的。
有人把 AI 当"想法梳理器"——那些不清晰的问题，先跑去跟它对话，理清思路。
有人把它当"信息触手"——每天自动生成一份行业资讯和金融市场日报，定时推送。
有人把它用在组织管理上——让 AI 扮演一个在业务流程里不断催促和提醒团队的角色。"不然我就得扮演这个，但我没有那么多精力时时刻刻去盯。"
有人把 AI 接入了公众号后台，自动回复代理商的问题——而且不是用现成的服务，是自己写代码搭的，大年初一写的。
还有一位，把 AI 用于教练工作的督导和反馈。他会录下自己的教练对话，让 AI 事后帮他复盘，指出哪里问题定义得不清楚、哪个假设没有被验证。
IT 团队全员转型这件事，也被提到了。一位创业者的公司里，五人 IT 团队已经不再手写任何代码，整个内部系统的开发迭代速度飞升；设计评审的第一关，交给了 AI 来做，基于内部规范库，避免幻觉。
用法的跨度如此之大，背后其实有一条共同的困惑：我现在用的这些，到底算不算真正地在用 AI？
上下文，才是决定一切的东西
Michael 没有直接回答这个问题，而是先抛了一个问题：
"为什么 CEO 是公司里做决策做得最好的人？"
答案很快来了——因为信息最多。
"正是因为所有信息都汇总到你这里，你才能做出更好的决策。如果你的信息没有汇总到你这边，你是做不到好决策的。"
他讲了一个细节：一位创业者曾经把公司管理完全授权给了同事，说"你们不要来烦我"。结果发现，公司运转得出乎意料地好。
为什么？
"因为你原来是霸占了那个上下文，你不断地去做决策。现在你因为全权授权了，同事拿到了所有的信息，他的决策质量就上来了。"
对 AI 来讲，也是一样的道理。
AI 本身的模型能力——理解、推理、分析——其实已经很强了。但很多人用来用去，总觉得效果上不去，核心瓶颈不是 AI 不够聪明，而是它拿到的信息太少了。
每次开一个新对话，手动粘贴一段背景，上传一个文件，AI 就在那个孤立的信息片段里工作。它不知道你的公司背景，不知道你上周开了什么会，不知道你三年前做的那个决策背后的逻辑。
"AI 的能力被人的带宽限制住了。AI 其实比人快，它在等我们。"
Michael 做了一个对比——
现在的多数用法是"单点模式"：每次写提示词，上传附件，项目文档在微信群里传，会议纪要在各自笔记里，让 AI 来帮忙，先花半小时整理，然后 AI 干活。
他的目标是"AI native 模式"：AI 直接读取项目文档，所有信息集中存放随时可查，会议纪要自动归档，AI 随时调用，对 AI 说一句话就能获得全面分析，AI 像团队成员一样持续参与项目。
这两种模式，差距不在于用了什么模型，而在于信息有没有打通。
把 AI 当人看，说人话，讲清楚 why
演示开始的时候，参与者注意到一件事。
Michael 对着 AI 说话的方式，跟平时跟人说话没什么区别。没有什么格式化的"请你扮演一个……"，没有精心设计的"分步骤输出"，就是很自然地说：
"我想你先看一下现在超脑，包括我现在做的所有的这些事情……我希望你通过现有的这些相关信息和我们所有的上下文来给我一些建议，觉得有哪些是我的盲区？我希望能够知道一些我不知道的东西，给我一些你的洞察。"
有人说，"就像你跟人说话一样。"
Michael 点头，"对，这是我今天想告诉你们的一个非常重要的技巧——把 AI 当人看，说人话。"
第一点是说人话，第二点是讲清楚 why。
"我们很多时候是告诉他 how，比如说我要你做12345。但其实更重要的是要告诉他，你为什么要他这么做。甚至于有很多时候未必是要按照你的做法。我会加一句，这些只是仅供你参考，你觉得有更好的方法就用更好的。总之，你先想想我最主要的动机是什么？"
他还分享了一个叫"呕吐式表达"的方法：
说话的时候不用管逻辑，不用管结构，天马行空地说，说到哪里算哪里，说错了也没关系，让 AI 去帮你梳理。"人听得懂的它都能听懂，人听不懂的它也能听懂。"
这对那些不擅长写提示词的人来说，是一个解放——原来不需要把话说得那么精确，把你真实的想法倒出来就好。
另外一个实用原则，是关于交付物的分层：
"你要先让它交付文档，这个文档你认为 ok 了，然后再让它交付成 PPT 或者其他格式。如果这个文档本身的思路就有不认可的地方，你可以先迭代。不然的话，中间任何一个链路掉链子，后面都会掉链子。"
先文档，再格式化。这个顺序，很多人在实操中会颠倒。
现场实验：卡点比惊喜更真实
工作坊的大头是动手环节。每个人打开工具，把自己手边能找到的公司文件丢进去，提一个真实问题，看 AI 能给出什么。
那位做医疗器械的创业者，已经分享了他的体验。
还有一位运营类的创业者，把录音转写文件都导了进去，让 AI 给每个在孵项目写一个 BP。他自己评价说，"效果不是很满意，还要持续调教。"
这个结果其实更真实。
做了一次尝试就能大功告成的情况，在工作坊上很少见。更普遍的体验是：AI 可以干活，但你给它的信息越精准、越充分，它给出的结果就越贴近你想要的。那些第一次尝试就惊喜的人，往往是因为准备了最充足的上下文。
还有创业者当场遇到了连接卡点——公司文档全部在飞书上，本地没有存档，想接入 AI 需要先配置飞书机器人，然后是各种权限审核……
"就这种东西，目前还是比较专业的，非常不友好。"
Michael 没有回避这个问题："现在用 AI 最大的卡点的确就是在部署上，很多部署需要 IT 背景才行。但只要这个事情你折腾完一次，后面的东西就全都通了。"
他说自己现在的整套系统，全部是手搓的——录音自动同步、会议纪要自动归档、知识库索引、向量数据库……每一个环节都是自己搭的。"非常原始。"
但原始的系统运转起来之后，他日常工作的模式变了：同时开两三个项目，每个项目里开五六个任务，十几个智能体并行工作，他只需要布置任务和检查结果。
两种人，两种选择
工作坊接近尾声，Michael 分享了一个观察。
"现在有两类人。一类是坚定的 AI 降临派，像我这样的，会经常跟 AI 进入一种神交的状态，颅内高潮，觉得 AI 无所不能。还有一类人会一直抱有怀疑，觉得你们在那边大惊小怪，这个东西跟我没什么太大关系。"
他说，后者不一定是错的。真正要警惕的，是另一种情况：
"有很多人用过 AI，觉得不好用，就很快下了一个结论。这个结论会伴随着他，因为人会有一种潜意识觉得我有一个立场了，之后我就会不断地去 defend 这个立场。这个时候你看到的 AI 只要出错的地方都会是不好的，然后就不断强化你的那个结论。"
他自己的经历是：半年前，Claude Code 比现在更难用，体验更差。但他选择了接纳那种不完美，继续尝试，慢慢找到了正向反馈。然后他发现 AI 的迭代速度远超他的预期——那时候不完美的地方，半年之后已经很完美了。
"你还是得不断地去接纳这种不完美，然后在一线接触的过程当中，慢慢会有新的认知出现，然后会不断坚定你的信念。"
企业家用 AI，和员工用不一样
有人提出了一个问题："AI 时代，老板应该用 AI 做什么？员工都在用，老板该怎么用？"
Michael 的回答是：企业家用 AI，和下面的人用，需求根本不一样，所以用法也不一样。
因为企业家手里的上下文，天然是最多的。这让他们在信息完整度上有优势，但同样，也让他们最能从打通信息这件事上受益。
一家公司的战略决策、组织判断、竞争洞察，这些东西不是写在某一个文档里的，而是散落在所有的会议录音、飞书笔记、行业调研报告里。把这些东西打通，让 AI 可以随时调阅，相当于给了 AI 一个完整的企业视角。
这比让员工用 AI 写周报、做表格，产出的价值高出一个量级。
下一步怎么做
工作坊结束的时候，留下来的问题比开始的时候更具体了。
不再是"AI 这么多，我该用哪个"，而是：我的公司信息散落在哪些地方，怎么把它们集中起来？我最近最烦的一件事是什么，能不能今晚就试着让 AI 处理一下？
这个转变，或许就是一场好的工作坊应该做到的事情——不是把答案都给出来，而是帮你把问题问得更清楚。
如果你现在还在犹豫，有一个最小可行的起点：
找一件你最近反复做、觉得烦、而且有记录的事。把相关的文档、邮件、会议纪要，能收集多少收集多少，丢进去，说清楚你想要什么、为什么想要。
然后看看它给你什么。
不完美没关系。第一次的结果往往不是终点，而是你和 AI 之间那个对话的开始。