01
这两天，AI圈又开始了新一轮的竞赛迭代。
Kimi发布了模型参数量达到2.8万亿，拥有100万token上下文窗口的K3，在前端代码测试中，已经接近Claude跟GPT的顶级模型水平。
DeepSeek也完成首轮融资，正式启动上市筹备工作，计划2027年完成IPO，加快新模型的开发进度。
谷歌这边，原计划6月推出Gemini3.5pro，但发现没有做到领先水准之后，谷歌又重新开始训练，加强代码编程能力，预计在8月有新的消息。
今天AI迭代的速度越来越快，参数量也越来越大，但有一个有趣的问题来了，我们使用AI的能力变强了吗？体验变好了吗？
02
过去这一年，我们跟很多企业交流了他们学习、使用AI的情况。
很多人用AI的第一件事，就是搜集提示词。
有人保存了几百条万能指令，有人专门设定角色，每次问AI，都要来上这么一段：
“现在，你是一位拥有二十年经验的顶级专家，请你站在第一性原理的角度，经过深度思考、反复验证之后，给我一份专业、全面、深刻、可执行的方案，我的要求是什么什么……”
可能最终AI回答的篇幅，都还没有提示词写的多。
这是因为我们形成了一种直觉，提示词越长，要求越多，AI就会表现得越聪明。
但OpenAI刚刚公布的GPT-5.6提示词指南，给出了一个反常识的建议：提示词应该变得更精简。
OpenAI在内部编码代理测试中发现，精简系统提示词、删除重复指令跟冗余案例之后，AI回答的成绩反而提高了10%-15%，总Token消耗减少了41%-66%，成本下降了33%-67%。
这是一个很重要的变化，AI的能力在提高，对使用它的人来说，我们的技巧也要变高。
在早期，大模型能力还不够稳定，我们想要AI完成一项复杂任务，就必须把工作过程拆得非常细。
诶，你要扮演谁，先做什么，后做什么，分成几步，每一步要输出什么，遇到什么情况应该怎么处理，都要讲得清清楚楚。
但随着AI的能力提高，它可以从上下文中去推断用户的真实目的，以及一项工作应该做到什么程度。
所以，很多时候，AI其实已经不需要我们去人为规定每一个中间步骤。
这其实非常像在管理员工。
他刚入职的时候，你让他做一份客户分析，不能只说“你去分析一下这个客户”，而应该告诉他去哪里找资料、使用什么框架、按照什么顺序汇报，甚至连PPT每一页写什么都要说清楚。
但员工开始成熟了，你就不需要去规定每一个动作，你要做的就是把目的讲清楚，把必要的资源交给对方，把不能突破的边界说清楚，再定义一个可以验收的结果。
至于具体怎么完成，就放心交给有能力的人，留下更多判断空间。
所以，今天我们去用AI，跟管理一名员工已经没有什么本质区别了。
企业真正需要的，不是让每个人学习角色设定、结构化指令跟各种AI框架，形成一本越来越厚的提示词大全。
这些训练有价值，但很难解决更深层的问题，更重要的是有一套越来越清楚的AI工作制度。
任务清楚的组织，会被AI加速，任务混乱的组织，会被AI放大混乱。
03
那么，一份真正能够让AI完成工作的提示词，应该包含什么？
结合OpenAI的官方建议跟企业实际的使用场景，我们可以把提示词升级成一份AI的任务书，它至少要包含六个要素。
第一是任务结果。
首先要说清楚，AI最后要交付的是什么。
比如说，做市场分析，不是笼统地说我要分析哪个行业，可以这么说“形成一份供经营会议决策使用的市场进入建议，比较三个目标行业，最后只推荐一个优先行业。”
任务结果越清楚，AI越容易判断自己应该做到什么程度。
第二是业务场景。
同样一个任务，放在不同企业、不同阶段中，答案会完全不同。
就像我们去辅导一家刚刚成立的公司跟一家已经经营二十年的公司，制定的战略跟方向肯定会有不同。
同样，当我们向AI提问的时候，也要告诉它，这件事为什么要做，服务谁，处在什么业务场景中，以及现在需要解决的问题是什么。
关键的业务场景跟背景，会有效改变AI回答的质量。
第三是关键材料。
AI再聪明，也不能凭空知道企业内部发生过什么。
这就像我们去辅导企业的时候，一定是去提前了解企业的销售数据、产品资料、会议纪要、对手信息、行业背景。
同样，这些都属于AI完成任务要用到的材料，特别是让AI处理复杂任务的时候，要提供那些能够影响到结果的文件、图片、数据、背景跟相关资料，告诉AI，它可以从这些材料中提取到什么信息。
这也是我们很早就在单仁牛商的专业营销AI系统文思子牙中，设置了企业专属知识库的原因。
AI越是理解这些资料，就越能给企业生成独一无二的个性化内容。
第四是硬性约束。
也就是哪些事情不能违反？
比如数据必须来自什么时间范围，不能使用哪些案例，能不能上网查找，能不能对外发送等等。
约束的作用，不是要去控制每一个过程，而是避免AI的幻觉率跟交付的准确率。
第五是成功标准。
这是很多提示词最缺的部分。
我们很多人问AI就像在寻找某种神奇咒语，比如说请你深度思考、请从第一性原理出发、请扮演世界顶级专家、请给我专业回答、不要偷懒。
这些话有时候能产生一定作用，但它们只是在要求AI表现得更好，却没有定义什么叫好。
你看，什么叫深度思考？
是要引用更多数据，还是要找到反常识的结论？
什么又叫专业呢？
是用更多术语，还是说提出一个能够真正解决问题的方案？
这像不像一个老板对员工说，这个方案你认真做一下，要有高度、深度，让我眼前一亮。
你猜员工能不能听懂？
他只会更迷茫，因为这不是任务，这是你的情绪表达。
同样，当我们没有去定义清楚标准的时候，AI就会依靠自己的猜测去补全。
所以，少一点空泛的形容词，多一点判断标准。
比方说下次，你让AI去分析一家客户，你给了AI资料跟业务背景之后，你可以这么去说：
识别客户目前重要的三大经营问题，所有判断都要有材料依据，不能把推测写成事实，告诉我下一次沟通中应该重点验证的问题。
只有成功标准是清楚的，AI才能自我检查，确认回答是不是合格了。
第六是输出格式。
也就是告诉AI怎么去交付结果，是先给结论，再给依据，还是按照问题、原因、方案跟风险去排列？
需不需要表格、案例、数据来源跟下一步动作？
这一步不是为了美观，而是决定信息能不能进入工作中。
就像一份给老板看的报告，需要快速支持决策；一份给执行团队的方案，需要明确动作、责任跟时间节点；一份给客户的内容，需要控制语气跟表达边界。
所以，提示词的本质，不是教AI说话。
它是在定义一个结果如何真正进入到真实的业务。
04
其实，当我们这样去逐步形成AI任务规范的时候，也会推动企业发生一个更深的变化。
什么呢？
把个人经验变成组织资产。
因为过去企业很多工作，其实是依赖少数能人，但这些人往往很难把自己的经验说清楚，沉淀下来。
但未来如果用好AI，让它真正能完成企业的工作，我们就必须告诉AI，完成这项工作需要哪些信息？哪些步骤是稳定的？哪些地方需要专业判断？什么错误不能出现？什么结果代表工作合格？
这就等于AI在倒逼企业，把过去依赖个人经验的隐性知识，慢慢变成可以被理解跟执行的显性系统。
这件事的意义，其实远远大于写好一条提示词。
因为当经验被整理成任务、规则、案例跟标准之后，它不仅可以交给AI，也可以用于培训新人、优化流程跟复制组织能力上。
所以，我相信，随着AI的持续进化，它会逐渐淘汰一种旧的工作方式，既说不清自己究竟想要什么，也判断不了什么才是好结果。
同样，我们也要明确一件事，AI越来越聪明，但人的价值还不会消失。
只是人的价值，会越来越集中在一件更难的事情上，把真正重要的问题，定义清楚。
责任编辑|罗英凡
图片均来源于AI
本文不构成任何投资建议，股市有风险，投资需谨慎
■ 免责声明
本文涉及有关上市公司的内容，为作者依据上市公司根据其法定义务公开披露的信息（包括但不限于临时公告、定期报告和官方互动平台等）作出的个人分析与判断；文中的信息或意见不构成任何投资或其他商业建议，市值观察不对因采纳本文而产生的任何行动承担任何责任。
热门跟贴