KeyFrame內部研究專用

I Asked 6 CEO On Their AI Workflow: Best Tools, Agents, Skills (copy them now)

Silicon Valley Girl22 min英文
觀看原始影片

三句話摘要

CEO 和高級 AI 使用者分享如何將 AI 轉變為實際生產力系統,而不是只停留在工具嘗試階段。 真正的 AI 生產力不是選對工具,而是將工具系統化到工作流程中、建立可重複技能庫,並始終讓人類保持最終決策權。 系統集成勝於單點應用 — Luana Lopez(Kalshee 創始人,估值超過 10 億美元)將 AI 代理連接到郵件、文檔、Slack 等所有系統。她每週日原本要花整天時間整理公司狀態,現在 AI 自動化完成,讓她能邊吃早午餐邊審視數據。系統並能追蹤過度承諾、交付不足的員工模式,支持更好的人事決策。

重點整理

  1. 系統集成勝於單點應用 — Luana Lopez(Kalshee 創始人,估值超過 10 億美元)將 AI 代理連接到郵件、文檔、Slack 等所有系統。她每週日原本要花整天時間整理公司狀態,現在 AI 自動化完成,讓她能邊吃早午餐邊審視數據。系統並能追蹤過度承諾、交付不足的員工模式,支持更好的人事決策。

  2. 個人化記憶和決策框架是必需品 — Eric(史丹佛數位經濟實驗室)強調 AI 價值深度融入生活時最高,他估計一個月不用 AI 損失「數萬美元」。他建議新手先問 AI「你如何能幫助我」,讓 AI 進行訪談式對話找出 10 項使用場景。Aaron Levy(Box CEO)則強調上傳品牌語調、商業策略、個人目標、決策規則等文檔,讓 AI 輸出聽起來像自己。

  3. AI 執行 90%,人類做最後 10% — Peter Yang(前 Meta/Reddit/Roblox)構建了播客製作、電子報編輯、社交媒體發佈、顧問建議等自動化技能。但所有決策、郵件發送、社交發佈都必須人類先審核。Sal Khan(Khan Academy)同樣強調讓 AI 草擬郵件,但不讓它直接發送。

  4. 技能庫實現團隊級自動化 — 將重複流程文檔化成可重複使用的技能,而非每次重新提示。Peter Yang 在一天內將所有工作流程帶入 Codex,構建 16 個應用無須寫程式碼。Khan Academy 為每個重複流程(來賓評分、包裝、簡報、追蹤等)文檔化技能,讓全隊用一次點擊執行。

實用技巧與重點

  • 關鍵數據與成本:
  • 52% 美國員工在工作中使用 AI,15% 每天使用
  • 1-2 項任務:45% 生產力提升;7 項以上:90% 生產力提升
  • 58% 美國公司要求員工使用 AI
  • Khan Academy 年度 AI 支出:120 萬美元(主要 Anthropic)
  • 單個工程師日花費:最高 3,000 美元(Sal Khan 認為值得)
  • 推薦工具:
  • Claude (Anthropic)、ChatGPT、Codex、Perplexity
  • Dentspark(統一訪問多模型平台,年營收 2.5 億美元)
  • MCP servers(連接 Slack、Gmail、Docs)
  • Browser use(爬取無 API 網站)、Whisper Flow(語音轉文本工作流)
  • 具體做法:
  • Luana Lopez:AI 代理每周日生成完整周報,追蹤承諾與交付
  • Eric:每月損失估值「數萬美元」若不用 AI;建議先對話式訪談尋找用途
  • Peter Yang:用 Codex 一天整合所有工作流;技能連接 Google Doc 個人數據;週獲收入報告和內容表現分析
  • Aaron Levy:自動分析百家公司趨勢(代替手工 Google 搜尋);快速設計原型(AI 完成 75% → 設計師精修)
  • Sal Khan:工程師同時運行 5-10 個 AI 代理;一黑客馬拉松完成原需 3-4 月功能;每日詢問 AI「什麼滑落了」當參謀長
  • 避免陷阱:
  • 不要盲目 token maxing;定期評估「我應自動化什麼」
  • 不要讓 AI 獨立決策;所有戰略決策由人類做
  • AI 易阿諛奉承(「你是天才」),需主動要求 AI 批判性思考

結論

真正的 AI 生產力不是選對工具,而是將工具系統化到工作流程中、建立可重複技能庫,並始終讓人類保持最終決策權。

完整解析

AI 的生產力革命不在於工具本身,而在於如何把它變成運營系統的一部分。根據這次訪談,只有 15% 的 CEO 從 AI 獲得真實價值,其中最大的差異在於投入時間。成功的領導者每週至少花 8 小時精進 AI 技能,並且關鍵的轉折點是從「偶爾用工具」進化到「構建系統」。

Luana Lopez 的故事最具代表性。她領導的 Kalshee 是一家估值超過 10 億美元的預測市場公司,業務本質就是快速決策。她沒有讓工程師們為她客製化系統,而是構建了一個 AI 代理生態,連接到郵件、文檔、Slack 的每一個角落。這個系統每週日自動生成公司狀況總結:誰超額承諾、誰交付不足、哪些指標需要關注。原本需要她整個下午的工作,現在 AI 完成,她邊喝早午餐邊審視核心決策。這就是系統級整合的威力。

但系統級整合的前提是個人化。Eric 從史丹佛強調,AI 要變成生活的一部分,必須先讓它「認識你」。他建議新手坐下來問 Claude 或 ChatGPT:「告訴我你如何能幫助我,問我問題。」AI 會自動進行訪談,問你的工作、家庭、擔憂,最後推薦 10 個使用場景。Aaron Levy(Box CEO)則補充了另一個層次:上傳你的品牌聲調、商業策略、個人決策規則——他稱之為「個人憲法」。這樣 AI 的輸出才不會是冷冰冰的通用文本,而是聽起來像你。

第二個成功模式是「技能庫」。Peter Yang 前任職 Meta、Reddit、Roblox 做產品,現在零行程式碼建立 16 個應用。他的秘訣是花一整天坐下來,把所有重複工作流程告訴 Codex:播客製作、電子報編輯、社交媒體發佈。Codex 幫他把流程轉成可重複使用的技能。更聰明的是,他將技能連接到一個包含個人商業數據的 Google Doc,讓 AI 每週自動生成商業建議和內容表現分析。每個流程從「手工重複」變成「一鍵執行」。Khan Academy 做得更大規模:他們為 200 位工程師文檔化了每個重複流程(來賓評分、製作、包裝、簡報、發佈),轉成技能庫。結果是年 AI 支出雖然達 120 萬美元,但工程師們能在黑客馬拉松一天內完成原本需要 3-4 個月的功能。Sal Khan 說,當一個工程師一天花 3,000 美元 compute 成本完成這種工作,「絕對值得投資」。

最後一個關鍵原則是邊界。所有訪談者都強調 AI 應該做到 90%,最後 10% 的戰略決策必須是人類。Peter 說他的 AI 永遠只到 90%,最後 10% 是他。Sal Khan 強調永遠不要讓 AI 無監督地發送郵件或發佈社交。Eric 補充一個陷阱:AI 很容易阿諛奉承(「你是天才」),所以他主動要求 AI 批判性地推回他的想法。

成功的 AI 使用者還有一個共同習慣:定期問自己「我應該自動化什麼」。Sal Khan 用一個技能定期分析他的查詢歷史,建議他本週應該自動化哪些任務。這是「遞歸學習」——AI 系統持續改進自己的流程。因此,AI 的投資報酬率不是一次性的,而是隨著時間累積的。

11 min
AI 技術中文11月21日

20261120 Craft 4K Review Version V3

灵姐说AI | Ling Talk AI看原片 ↗
  • Craft Anything 透過將觀察、構建、檢查和修改環節無縫銜接,將傳統費力的開發流程簡化為提供參考對象並說明目標,讓通用編碼Agent執行具體實現,大幅降低製作難度。
  • 複製範圍廣泛但難度差異大:網站和簡單工具相對容易,複雜遊戲因涉及場景、資源、物理引擎、存檔等要素難度大幅提升,需要提供的信息和輸入量成倍增加。
AI 技術英文11月19日

DeepMind Just Released The Best Thing AI Ever Did

Two Minute Papers看原片 ↗
  • 同一個DNA變異在不同細胞中會產生截然不同的效應——例如胰島素產生的β細胞與其他胰臟細胞對同一基因變異的反應完全不同,這使得精準預測變成考量數十億個變異×數百種細胞類型的難題。
  • 利用既有的大規模單細胞測序數據作為訓練資料是關鍵突破,科學家已測量過大量細胞中各基因的活性水準,這提供了足夠的輸入輸出對讓AI學習細胞特定的基因調控模式。