写作也是一款产品

Derek Sun — Wed, 04 Nov 2026 00:00:00 GMT

我越来越不愿意把写作当成“表达”。表达关注的是作者；写作真正困难的部分，是让某个具体的人，在某个具体的时刻，获得一点新的清晰。

从这个角度看，一篇文章和一款产品没有太大区别。

每篇文章都有一个用户

动笔之前，我会先写下这句话：

这篇文章是为正在把忙碌误当成进展的早期创始人写的，读完之后，他们应该能分辨哪些动作只是在缓解焦虑。

如果这句话写不出来，文章通常会变成一篇气势很足、但谁也带不走的演讲。读者范围越模糊，文字越容易依赖形容词，而不是判断。

先写坏，再编辑

初稿的任务不是正确，而是把脑内模糊的雾变成可以修改的实体。我允许初稿重复、绕路、甚至自相矛盾。它只需要存在。

第二遍才开始做产品经理的工作：

这个段落解决的是哪个问题？
这句话删掉，意思会有损失吗？
这里是在解释，还是在回避？
读者走到这里，还有力气吗？

我通常会把一篇文章删掉 20% 到 30%。不是追求短，而是让留下来的部分获得更好的呼吸。

结构是给读者的路标

一篇长文里，读者最怕的不是复杂，而是不知道自己走到哪里了。小标题不是装饰，它应该像产品里的导航：告诉读者当前位置、下一步，以及为什么值得继续。

我的检查方式很朴素：只读所有小标题，看它们能否连成一条完整的论证。如果不能，说明文章的结构只是段落的编号，而不是思考的顺序。

一个可用的写作流程

定义读者与变化。 谁，在什么处境里，读完能做什么？
先列问题，不列目录。 一口气写下读者会追问的五个问题。
用一个故事或矛盾开场。 不要从定义开始。
每节只完成一次推进。 解释、例子、结论避免混在一起。
朗读最后一遍。 耳朵比眼睛更诚实。

发布不是终点

文章发出去之后，我很少立刻离开它。真正有价值的信息发生在读者身上：哪一段被划线，哪个问题被转发，哪一句话被误解。

这和做产品没有区别。发布只是开始收集证据，不是宣布完成。

写作不是把你知道的倒出来，而是为读者搭一条能走进去的路。

所以，别再问“我想说什么”。先问：读完之后，他会变成什么样？ 剩下的工作，都是编辑。

AI真正的竞争，已经不在模型，而在组织。

Derek Sun — Wed, 08 Jul 2026 00:00:00 GMT

很多人仍然认为，当下全球AI竞争，比的是模型、算力和人才。

实际上，真正拉开差距的，早已不是技术，而是组织能力。

美国在持续堆高模型能力和底层生态，用算力和资本不断推高技术天花板；中国企业则把AI迅速推向真实产业，在供应链、制造、客服、采购、研发等场景高速迭代Agent，让技术快速转化为生产力。

而当我们走进许多传统欧洲工业企业，尤其是德国制造巨头，会看到一种耐人寻味的景象：战略会上，AI是最高频的关键词；预算会上，数字化投入不断增加；PPT里，每一页都是智能制造、数字化转型、AI First。

可真正进入业务现场，AI却迟迟无法成为生产力。大量项目停留在PoC（概念验证），真正能够进入核心业务流程、持续创造价值的案例并不多。企业拥有世界级工业积累，却没有形成世界级AI竞争力。

这不是因为他们缺钱、缺人才，也不是因为没有GPU。真正限制他们的，是整个组织体系仍然按照工业时代的逻辑运行，却希望获得AI时代的结果。

一、最大的资产，正在变成最大的包袱

工业时代，数据意味着沉淀。AI时代，数据意味着流动。

德国制造最值得骄傲的是百年积累：工艺参数、设备经验、质量体系、供应链数据、研发知识……这些曾经构成全球工业竞争壁垒。

但到了AI时代，这些资产开始暴露另一面。

采购一套系统，研发一套系统，生产一套系统，售后一套系统；ERP、MES、PLM、CRM彼此割裂，不同事业部形成一座座信息孤岛。数据散落在Excel、邮件、PDF、历史数据库甚至员工个人电脑中。

企业拥有海量数据，却没有能够被AI调用的数据。

AI有一句最朴素的规律：

Garbage In，Garbage Out。

模型从来不会因为参数更多，就自动理解混乱的数据。

没有统一的数据标准，没有持续的数据治理，没有实时的数据流转，再先进的大模型，也只是面对一堆无法学习、无法关联、无法推理的信息碎片。

今天很多工业企业讨论AI，实际上讨论的并不是AI，而是补几十年前欠下的数据治理课。

AI不是数字化的开始，而是数字化成熟后的结果。

二、合规本应是底线，却逐渐变成了天花板

欧洲建立了全球最完善的数据保护体系。

这是优势，也是代价。

GDPR、欧盟AI法案、行业规范、企业法务、工会制度，共同构成了一套极其严密的风险控制机制。

问题在于，这套体系天然适合管理稳定业务，却并不适合管理高速演进的新技术。

一个简单的AI合同助手，从需求提出到正式上线，往往需要经历数据保护评估、模型来源审查、版权分析、风险评级、部门会签、工会沟通等多个环节。

等审批全部结束，模型已经更新了几个版本。

于是企业陷入一种典型困境：

技术更新速度按"周"计算；

组织决策速度按"季度"计算。

技术越快，组织越慢。

最终不是AI能力不足，而是组织速度不足。

真正危险的，不是监管本身，而是把监管变成了组织停止创新的理由。

当所有人都只对风险负责，没有人对创新负责，组织最终一定选择最安全的一条路：

什么都不做。

AI最大的风险，从来不是犯错，而是因为害怕犯错而永远不开始。

三、工业时代追求确定性，AI时代依赖概率

德国制造之所以伟大，是因为它建立在确定性之上。

零误差，零缺陷，零偏差。机械设计如此，汽车制造如此，质量体系如此。几十年来，这种工程文化创造了全球制造业最高标准。但AI不是传统软件。

AI天然就是概率系统。

它不会100%正确，而是在不断反馈中越来越接近正确。

很多传统工程团队看到模型幻觉，第一反应是：

“不能100%正确，所以不能上线。”

真正成熟的AI企业思考的是：

如何通过RAG、知识库、规则引擎、Agent流程、安全护栏、人工审核，把95%的准确率提升到99%，再让AI承担80%的重复劳动。

他们接受AI不是替代人，而是放大人的能力。

工业时代追求一次性交付。

AI时代追求持续迭代。

前者强调设计完成；

后者强调持续进化。

仍然沿用瀑布式项目管理，希望做完完整方案、预算审批、五年规划再上线AI，本质上就是用昨天的方法解决今天的问题。

AI最大的特点不是智能，而是进化。

停止迭代，比模型不够聪明更危险。

四、真正落后的，不是技术，而是组织哲学

很多人把AI竞争理解成模型竞争。

事实上，模型能力正在快速趋同。

真正决定企业未来的，将越来越不是模型，而是谁能够最快把模型嵌入业务流程、形成数据闭环、持续优化组织效率。

未来企业之间竞争的，不再是谁拥有GPT，而是谁拥有能够持续训练自己的组织。

组织每天产生数据；

数据不断优化Agent；

Agent反过来重塑流程；

流程继续产生新的数据。

这是一个持续增强的飞轮。

没有组织变革，再先进的大模型也只是一个聊天工具。

没有流程重构，再昂贵的GPU也只是成本中心。

没有数据闭环，再多的AI预算最终都会变成一份漂亮的年度汇报。

结语

德国制造依然拥有全球最优秀的工程师、最深厚的工业积累、最完整的制造体系。

这些优势不会一夜之间消失。

但AI时代，真正决定竞争力的，不再只是工程能力，而是组织学习能力。

工业革命比拼的是谁把机器造得更精密。

数字化时代比拼的是谁把流程做得更高效。

而AI时代，比拼的是谁能够让组织持续学习、持续迭代、持续进化。

真正阻碍传统工业企业的，从来不是模型，不是算力，也不是预算。

而是仍然试图用工业时代的管理逻辑，去驾驭一个指数级演化的智能时代。

技术革命从不会等待任何人。

它淘汰的，往往不是资源最少的人，而是改变最慢的人。

未来真正决定一家企业命运的，不是谁最先拥有AI，而是谁最先成为一家能够不断进化的AI组织。

AI不会淘汰所有企业，但一定会淘汰那些拒绝改变组织方式的企业。

而真正危险的衰退，并不是轰轰烈烈的失败。

而是在一次次"再等等"“再评估"“再论证"中，悄无声息地失去整个时代。

Derek's Blog — Notes on products, code, and daily life