战略研究的第三界面
自然语言正在成为调度算力、工具、上下文和组织协作的新方式。
Bill Gates 说，AI 只和过去一种技术处在同一类别。那是什么？
不是互联网。不是移动互联网。也不是云计算。
GUI 改变了谁能操作计算机；AI 改变了什么工作可以被语言调度。
命令行
强大、通用，但需要程序语言和工程能力。
图形界面
窗口、图标、菜单、鼠标，让普通人能操作软件。
自然语言
搜索、分析、写作、执行、跨工具协作，开始可以用语言调度。
战略研究的新能力，是把原本靠人手协调的研究工作变成可调度、可检查、可复用的流程。
编码判断
什么信息可信，什么机制关键，什么结论值得进入内部讨论。
调度算力
检索竞品、整理访谈、生成简报、跟进工作室问题、沉淀结论。
复利能力
每次调研、评审和复盘留下上下文，让下一次研究站在已有判断上。
两个博士，一线大厂经验，以及靠近 AI 前沿的教学现场。
Meta、Amazon、腾讯、Statsig（后被 OpenAI 收购）。长期做数据科学、实验、增长和 AI-native 教育。
Adobe、Microsoft、Samsara。近 20 年 AI 研发经验，约 40 篇论文和 20 项美国专利。
从界面变迁，到战略研究的操作系统。
自然语言只有变成调度层，才真正改变工作。
课程从日常工作切入，因为这是从“知道 AI 重要”走向“真的会用 AI 工作”的最快路径。
第三界面降低了通用工作的入口门槛。
新引擎，旧流程，杠杆就释放不出来。
战略部门的日常工作，本身就是 AI 能力复利的入口。
竞品体验、外部研究、内部访谈、工作室对接、周会复盘：这些工作重复发生，也最容易漏掉价值。
Action
会议纪要自动进入负责人、待办、邮件、文档和下一次 follow-up。
Opportunity
多个工作室、多款竞品、多次访谈里的重复信号，能在消失前被看见。
Context
人、项目、证据、假设、异议、结论和后续动作，成为可检索的团队记忆。
只把 AI 当聊天框，人仍然是所有工具之间的中间件。
1. 跟进
AI 给了答案，但邮件、文档、会议、负责人和检查点仍靠人手搬。
2. 上下文
每次都要重新解释项目背景、历史判断、工作室关系、标准和禁区。
3. 记忆
有价值的内容留在 chat history，而不是进入文件、标签、索引和复盘系统。
Agentic AI 把语言变成闭环工作流。
市场信号指向一件事：强团队已经在重构工作流。
开发者是领先市场，因为他们的工作天然有文件、工具、测试和 review loop。游戏战略要借这个市场观察工作方式。
Cursor 的信号：一个高价值职业会很快迁移到新的工作表面。
| 里程碑 | 公开报道口径 | 为什么重要 |
|---|---|---|
| Jan 2025 | $100M ARR | 达到过去 SaaS 头部公司需要更久才能达到的规模。 |
| Jun 2025 | $500M ARR; $9.9B valuation | 个人开发者和企业采用同时发生。 |
| Nov 2025 | $1B+ ARR; $29.3B valuation | AI-native 工作流产品压缩了传统 B2B 增长曲线。 |
| 2026 reports | $2B ARR; $50B talks | 市场在为“工作流入口”定价，而不只是为 seat-based 软件定价。 |
Claude Code 展示了生产力跃迁背后的工作模式。
真实生产工作
Anthropic 曾表示，Claude Code 已经写了其内部大部分代码。
闭环执行
Agent 读取代码库、编辑文件、运行测试、处理错误，并迭代到可交付结果。
人的质量控制
强用户会指定目标、检查 diff、加严测试、评估失败，并沉淀可复用模式。
领先企业正在把 AI 变成组织规则，而不是个人兴趣。
| 信号 | 发生了什么 | 对游戏战略意味着什么 |
|---|---|---|
| Goldman Sachs | 自主工程 agent 从实验走向受监督的企业采用。 | 高风险工作需要权限、review、可追溯、回滚和责任边界。 |
| Shopify | AI proficiency 进入人力和资源配置讨论。 | AI fluency 正在变成管理期待，而不是兴趣爱好。 |
| Block | 管理注意力从层级路由转向共享智能层。 | 更深的变化是协调方式和工作设计，而不是软件上线。 |
课程要补的是 AI leverage。
目标是让战略研究者更接近 AI-native 团队已经展现出来的工作标准。
从 chat use 到真实战略杠杆，中间有五个差距。
| 差距 | Chat 模式体验 | 课程目标 |
|---|---|---|
| 1. 可用产出 | 总结漂亮，但观点弱，需要大量重写。 | 产出能进入简报、周会、项目讨论和下一步行动。 |
| 2. 质量诊断 | 凭感觉换 prompt 或换模型。 | 分清上下文、工作模式、prompt、工具权限和模型边界。 |
| 3. 完整委派 | 人盯着每一步，自己变成 pipeline。 | 一句话委派工作环，agent 检索、执行、检查、汇报。 |
| 4. 复利记忆 | 上周调好的方法消失在聊天记录里。 | 个人和团队上下文累积，新工作继承过去判断。 |
| 5. 新能力 | AI 只是加速原流程。 | AI 捕捉漏掉的动作、发现跨项目信号、监控假设漂移。 |
我们教的是 craft 里的动词，不是名词。
名词学习
模型名、工具名、功能、RAG、MCP、agent、benchmark。有用，但仍在能力上游。
- 开会时显得很懂
- 容易变成追工具
- 很少直接改变产出质量
动词学习
指定、拆解、委派、检查、测试、修订、记录、复用。真正杠杆在这里。
- 把 AI 从回答框变成工作者
- 创造可复用资产和判断系统
- 跨模型、跨工具迁移
AI 像新的 Excel：是基本功，可学习，也并不简单。
1. 基本功
Excel 曾经变成商业人士的基础技能。AI fluency 正在成为处理信息和做判断的人必须具备的能力。
2. 可学习
业务人员可以学会 Excel，不需要变成软件工程师；AI 也可以通过真实工作、重复、反馈和模板学会。
3. 有深度
打开 Excel 很容易，建好模型很难。AI 也是：上手容易，但强用户会形成持续扩大的优势。
三步：先把工作跑起来，再把判断打包，最后把能力做成层。
跑完整工作环。
用真实或近似真实的竞品研究、访谈纪要、内部调研任务，练习目标、上下文、owner 和质量标准。
把判断打包成上下文。
把来源层级、常见模式、失败模式和 workflow instructions 沉淀成 context files 和 skills。
把工作变成基础设施。
扩展到检索、产物生成、引用、委派、review 和 context capture。
腾讯游戏战略最终拿到的，是第一版研究操作层。
现在，把能力落到战略研究最稀缺的部分。
AI 不应该只帮你更快总结信息，而要帮你更好地形成判断、推动协作、积累上下文。
战略研究的价值链，是把信息变成更好的组织判断。
战略部门的价值，常常来自正确的非共识判断。
Naval 的区分很有用
有价值的 contrarian，是在从众压力下仍然能从第一性原理独立推理。
AI 应该帮什么
- 理解共识模型
- 找到正确非共识判断
- 变成可推动的战略动作
覆盖面有帮助；上下文让 AI 进入判断。
一次性研究
全面检索、来源综合、共识框架、漂亮总结。
- 适合快速覆盖
- 通常平衡、合理
- 弱在团队具体判断和行动
Context-aware workflow
在战略团队自己的来源层级、品类模型、历史判断、工作室上下文和行动标准中执行工作。
- 过滤“现在重要”的信号
- 检验正确非共识判断
- 把证据连接到内部推动和下一步
Context 是战略判断的操作系统。
| Context layer | 包含什么 | 如何改变输出 |
|---|---|---|
| 来源层级 | 不同品类、地区、项目阶段里，哪些证据更有权重。 | 避免所有信息被压平成同等可信的 prose。 |
| 捕获上下文 | 工作室访谈、会议、异议、后续动作、历史简报和决策记录。 | 保留工作推进后最容易消失的线索。 |
| 游戏机制模型 | 玩法、内容、商业化、社区、发行、平台和组织能力之间的关系。 | 从列事实进入因果推理。 |
| 战略 lens | 共识容易低估、过度反应或看漏的地方。 | 强制 AI 给出观点，而不是安全的平衡总结。 |
| 行动标准 | 什么结论值得简报、对齐、试点、跟进或放弃。 | 把研究连接到可执行、可复盘的组织动作。 |
Demo 故意看起来简单：真正要看的是工作如何移动。
细节由 Yan 展示。这里先给大家三个观察点。
1. 语言调度工具
一个会议动作可以变成文档、邮件、owner 通知和下一步，而不是让人手工搬运。
2. Context 改变输出
系统在生成产物前先检索相关笔记、SOP、历史反馈和标准。
3. 工作留下记忆
纪要、决策、产物和 follow-up 变成结构化上下文，未来 AI 可以复用。