I Asked 6 CEO On Their AI Workflow: Best Tools, Agents, Skills (copy them now)
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
重點- 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
乾貨- 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
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
詳細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。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
