不用學AI了！圈內(nèi)公開的秘密：頂級玩家已開始讓AI用AI

新智元報道

編輯：Aeneas

【新智元導讀】會用AI的人也要被AI替代了？我們實測爆火的胖鵝AI后徹底驚了：AI已經(jīng)學會自己用自己，不會Prompt、不懂Vibe Coding，也能像頂級玩家一樣「開掛」干活。AI的下半場，正在從「會不會用」變成「直接給結(jié)果」。

AI圈有個公開的秘密。

隨便拎一個出來主流大模型，單論智商都足夠勝任大多數(shù)日常工作。但真到了上手干活的時候，一個詭異的現(xiàn)象出現(xiàn)了——

同一個模型，有人用出花來，有人連第一步都邁不出去。

差距不在模型，在用AI這件事上。會不會寫指令、懂不懂調(diào)參數(shù)、能不能排查報錯，成了AI時代的新文盲分界線。

但這個分界線，可能很快要被一款產(chǎn)品打破了。

胖鵝AI，打出的旗號就四個字：低提示詞。簡單交互，就能實現(xiàn)和精通AI的人一樣的效果。

聽起來像夸大其詞，我們拿來實測了一波。

做公司Logo視頻，一句話就夠了

先上硬菜，AI生成視頻。

這不是個新鮮功能，但一直是買家秀和賣家秀的重災區(qū)。市面上大部分AI視頻工具的共性問題是：能做，但沒法看。

我們給胖鵝AI丟了一個故意刁難的需求：

為我的Logo，生成酷炫的宣傳片，動態(tài)效果要很多。

這個Prompt的難點在于：它是一組有空間關系的連續(xù)運鏡指令。鏡頭要有記憶點，每一個元素都需要在時間軸上正確呈現(xiàn)，關鍵還得是要理解Logo的意義。

胖鵝AI的等了沒多久，就搞出來一支完整的公司Logo宣傳視頻。

沒有對比就沒有傷害，再來看下Perplexity生成的效果：

可以看到，從文字、效果、運鏡、轉(zhuǎn)場，二者完全不是一個層級的。

我們又補了一個更有趣的測試，先參考一下面這個視頻：

同樣是只需要跟胖鵝AI說一句「參考這個視頻，制作胖鵝開賽車競速的視頻」，類似的效果就生成了：

10頁PPT，從提問到交稿

視頻能打，那辦公場景呢？

我們模擬了一個投行分析師的真實需求：

幫我做一份某零食品牌小紅書投放策略復盤報告。要求包含投放概況、爆文分析、競品對比、優(yōu)化建議四個板塊。風格不要太花哨，數(shù)據(jù)導向。

這個任務的門道在于，它是生成一個結(jié)構完整、視覺規(guī)范、可直接編輯的PPT文件。

大部分AI工具對這類需求的響應是用通用的解法去解決專業(yè)領域的細節(jié)問題。

胖鵝AI的處理路徑不同。它會先識別用戶意圖屬于商業(yè)復盤報告PPT這個垂直任務，匹配對應的SOP。

這個SOP里預設了復盤類報告的標準結(jié)構：封面、摘要、投放概況數(shù)據(jù)頁、爆文拆解頁（標題+封面+互動數(shù)據(jù)）、競品對比矩陣、優(yōu)化建議分點頁、下一步行動計劃表。

然后自動進入信息搜集階段：抓取公開的行業(yè)數(shù)據(jù)，整理成表格，計算關鍵指標（互動率、CPE、爆文率），提煉優(yōu)化方向。最后組裝成一份風格統(tǒng)一的PPT，輸出.pptx文件。

我們拿到的成品：近10頁，封面簡潔，板塊分隔清楚，圖表配色統(tǒng)一為低飽和商務色，每一頁的文字信息密度控制在可讀范圍內(nèi)。有些數(shù)據(jù)因為公開信息不全標注了待補充，但結(jié)構和框架可以直接用。

從對著大綱自己做到拿到文件直接改，這是本質(zhì)區(qū)別。

更復雜的做網(wǎng)站任務，胖鵝AI也是不在話下，提示詞是這樣的：做網(wǎng)站，各省5A景區(qū)對比地圖。

低提示詞的背后：SOP驅(qū)動的隱形工程

跑完三輪實測，一個核心問題自然浮現(xiàn)：憑什么同樣一句話，胖鵝AI交出來的東西就是能用的文件，而不是一段需要二次加工的文字？

答案藏在一個聽起來很傳統(tǒng)的詞里：SOP，標準作業(yè)流程。

大部分AI工具的運作邏輯是「通用模型+用戶指令」：你給Prompt，它生成。Prompt越精細，結(jié)果越精準。Prompt寫得不好，結(jié)果質(zhì)量隨機。本質(zhì)上，用戶承擔了「流程設計者」的角色。

胖鵝AI走的是另一條路：提前把流程設計好，封裝成預訓練的垂直SOP，用戶觸發(fā)的是開關，不是設計稿。

當你輸入「做一份小紅書投放復盤PPT」，系統(tǒng)不會從頭問你這10頁怎么分。它已經(jīng)有一個復盤報告SOP在等著，這個SOP知道復盤的標準框架，知道常見的數(shù)據(jù)指標，知道什么風格的圖表適合什么內(nèi)容。用戶省掉的那部分Prompt，其實是被前置化和結(jié)構化地注入了SOP。

這套SOP體系有兩個關鍵環(huán)節(jié)：

一是智能匹配。 系統(tǒng)根據(jù)用戶畫像和任務語義，從SOP庫里自動挑選最合適的執(zhí)行方案。用戶無需知道背后用的是哪個模型、配了什么參數(shù)。

二是持續(xù)生產(chǎn)。 當某個任務沒有現(xiàn)成SOP時，系統(tǒng)會自動啟動一個優(yōu)化循環(huán)：先跑一遍市面上的主流模型和競品，確定行業(yè)基線水平；然后在這個基線之上，不斷嘗試不同模型組合和工具鏈配置，直到找到一個顯著優(yōu)于基線的方案；最后測算這個方案能覆蓋多廣的同類任務，打上標簽入庫。

這種模式的結(jié)果是：行業(yè)越用越懂，SOP越跑越專，用戶越來越省事。

AI的下半場：不放技能，交結(jié)果

聊到產(chǎn)品理念時，胖鵝AI團隊有一個判斷值得細品：

「你看現(xiàn)在網(wǎng)上AI教程有多少。教程越多，說明產(chǎn)品的易用性越差。未來人用AI的能力，大概率不如AI用AI。」

這話說得有點絕對，但邏輯是自洽的。AI已經(jīng)能寫代碼、能操作電腦、能調(diào)用API，理論上它比你更擅長搞清楚怎么把一個任務跑通。如果還需要你去學怎么配環(huán)境、怎么調(diào)Skill、怎么寫思維鏈，那說明產(chǎn)品層做得還不夠。

胖鵝AI試圖回答的問題是：一個不會用AI的人，能不能拿到一個精通AI、擅長Vibe Coding的人同等質(zhì)量的產(chǎn)出？

從我們的實測來看，在某些高頻、相對標準化的垂直任務上，差距在明顯縮小。

當同行還在卷上下文窗口長度、卷多模態(tài)能力、卷推理速度的時候，胖鵝AI選擇了一個更樸素也更難的方向：把工程化做到極致，把復雜性留在后臺，把簡單還給用戶。

這條路好不好走，市場會給出答案。但有一個趨勢是確定的——

AI工具的下半場，不是比誰更強，是比誰的產(chǎn)出更直接。

一句話換一個文件，而不是一段文字。這才是大多數(shù)人對AI的真正期待。