Ethan Mollick 谈用 AI 要更敢想
Ethan Mollick 提出用 AI 的通用方法：不断追问“怎样把这件事做得更有野心”，直到遇到能力边界，从而看清 AI 的前沿在哪里。
原贴
查看原文原文
中文翻译
我对用 AI 做任何事的通用建议是：问问自己“我怎样才能让手头这件事更有野心？”
一直这样做，直到你遇到阻碍，那时你就知道了前沿的形状（这很有用！），或者你发现 AI 能做的比你想象的更多（这很常见！）
核心信息
Ethan Mollick 提出用 AI 的通用方法：不断追问“怎样把这件事做得更有野心”，直到遇到能力边界，从而看清 AI 的前沿在哪里。
- 把“怎样更有野心”当作使用 AI 的默认追问
- 撞墙是有效信息，它标出当前能力边界
- 没撞墙往往说明你低估了 AI 能做的事
- 加码探索要配合事实核对，避免放大错误
- 撞墙需区分是提示不足还是能力真到顶
详细解读
这是什么信号
Ethan Mollick 给出的不是某个工具技巧，而是一条使用 AI 的探索规则：把“我怎样才能让手头这件事更有野心”当成默认追问，反复向上加码，直到撞墙。撞墙本身就是信息，它标出了当前模型能力的边界；没撞墙则说明你对 AI 能力的估计偏低。
为什么重要
大多数人用 AI 的方式是“把原有任务原样交给它”，于是只拿到原样水平的产出，还容易得出“也就那样”的结论。这条建议把评估方式从“它能不能做我原来的事”换成“它能承载多大的事”，把每次使用变成一次低成本的能力探测。前者只产出效率，后者产出对能力边界的认知，而认知会复用到之后所有任务上。
对谁有价值
对独立创作者、产品经理、运营、以及任何需要判断“这件事值不值得用 AI 重做一遍”的人最有价值。对团队负责人同样适用：团队对 AI 的能力认知如果停留在旧版本，就会持续低估可交付的范围。
可以怎么行动
拿一个正在做的真实任务，先按原样交给 AI；然后连续加码两到三轮：换成更难的版本，比如要它给出多个可选方案、要它自己检查、要它把输出直接变成可交付物。记录在哪一步开始失败，失败原因是提示不清、缺少资料，还是能力真的不够。这份记录比任何评测榜单都更贴近你的实际工作。
风险或限制
“更敢想”不等于“不加验证”。加码会放大错误的规模，所以凡是涉及事实、数字、对外发布的产出，都必须回到原始资料核对，不能因为产出看起来完整就默认可信。另外，撞墙也可能只是提示或信息不足，不一定代表模型上限，需要区分这两者。
信息差价值
信息差价值在于：多数人把 AI 当执行工具，只在原任务上比速度；这条建议把使用过程变成一次能力探测，产出的是“边界在哪”的判断，而这种判断会迁移到后续所有任务上，别人还在试错时你已经知道该把哪类活交给它。
业务启发是：团队对 AI 的能力认知通常落后于模型实际水平，导致任务范围被系统性低估。可以把“加码两轮再下结论”定为内部默认做法，让每次试用都顺带更新团队的能力地图，而不是各自凭一次失败就放弃。
可沉淀动作：建立一份能力边界日志，记录任务、加码轮次、失败点与失败原因分类（提示问题／资料缺失／能力上限）。积累十几条后，它会变成比通用评测更贴合自身业务的选型与分工依据。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
Ethan Mollick 谈用 AI 要更敢想主要讲什么？
Ethan Mollick 提出用 AI 的通用方法：不断追问“怎样把这件事做得更有野心”，直到遇到能力边界，从而看清 AI 的前沿在哪里。
这篇文章最值得关注的要点是什么？
Ethan Mollick 提出用 AI 的通用方法：不断追问“怎样把这件事做得更有野心”，直到遇到能力边界，从而看清 AI 的前沿在哪里。；把“怎样更有野心”当作使用 AI 的默认追问；撞墙是有效信息，它标出当前能力边界；没撞墙往往说明你低估了 AI 能做的事
这篇文章和哪些AI专题相关？
它适合放在Agent工作流、AI超级个体、AI工具专题里阅读。 关联原因：这篇内容命中「Agent、工作流」等主题信号。；这篇内容命中「技能」等主题信号。；这篇内容来自该专题长期覆盖的栏目。
阅读这篇文章建议先理解哪些关键词？
建议先理解AI工具、工具、自动化、模型、Cursor这些关键词，再结合正文判断工具、机会或风险是否值得进入自己的工作流。