上周跟一个做消费品的朋友聊天，他说：「我们去年花了大几十万买了一套 AI 选品系统，模型跑出来的 TOP 10 推荐，没有一个最后卖爆的。反而是我们产品经理在逛小红书时随手截图说『这个感觉会火』的一款，成了年度销冠。我跟老板汇报的时候都不知道怎么解释——AI 花了五十万选不出来，人刷了五分钟手机选出来了。」
我听完笑了——不是因为 AI 不行，而是因为这种故事太常见了。选股、选人、选品、做爆款内容，四件事看起来领域完全不同，但如果你仔细看它们失败的方式，几乎一模一样。
这不是 AI 暂时不行，是 问题结构决定了 AI 天然受限。
四件事的共同特征
把选人、选品、选股、做爆款内容放在一起看，它们共享四个结构性特征：
| 特征 | 选股 | 选人 | 选品 | 爆款内容 |
|---|---|---|---|---|
| 样本极少 | 每年真正跑赢大盘的股票是个位数 | 一个高管岗位一年招 1-2 人 | 一个品类一年出几个爆款 | 99% 的内容无人问津 |
| 规则在变 | 每次行情环境都不同 | 人才市场供需持续变化 | 消费趋势受文化、政策、黑天鹅影响 | 平台算法和用户口味双变 |
| 有对手盘 | 零和博弈，Alpha 被追求时就消失 | 优秀候选人也在选你 | 竞品也在用同样的数据 | 所有人都在抢同一批注意力 |
| 反馈延迟 | 选对了可能三年后才验证 | 选错一个人，半年后才暴露 | 产品上线到市场反馈有滞后 | 发了才知道爆不爆 |
这四个特征叠加在一起，构成了一个 AI 最不擅长的问题类型： 不确定性下的小样本判断。
而 AI 真正擅长的是什么？是 高频重复、规律稳定、反馈即时 的任务——图像识别、推荐系统、风控规则。两者的问题结构完全错位。
第一道墙：样本太少
大数据的前提是「大」。但在这四个领域，真正有价值的数据点少得可怜。
一个基金经理一年可能做 50 次投资决策。一个 CEO 职业生涯可能面试 200 个高管候选人。一个内容创作者一年产出 100 条内容，其中爆款可能只有 3-5 条。
这点数据量，连训练一个像样的统计模型都不够，更别说深度学习了。
更要命的是 幸存者偏差：你能拿到的训练数据几乎全是「成功案例」的复盘——那些用了同样方法但失败了的案例、那些你没选的选项后来怎么样了，这些数据根本不存在。没有反事实数据，模型学到的可能是巧合而非因果。
第二道墙：规则一直在变
大数据的隐含假设是「未来长得像过去」。但在这四个领域，这个假设几乎总是错的。
选股 里有个著名的概念叫 反身性 （Reflexivity）——索罗斯的核心投资哲学。当足够多的人相信某个预测，预测本身就改变了结果。如果 AI 告诉你某只股票会涨，而你据此买入，你的买入行为就改变了股价的轨迹。
爆款内容 也一样。同样的选题、同样的写法，周一发和周五发，热点前发和热点后发，结果完全不同。内容消费是情绪驱动的，而情绪有阈值——差一点就是「看了没感觉」。
选人 更复杂。一个人过去在 A 公司表现优秀，不代表他在 B 公司也能复制成功，因为团队化学反应、组织文化、业务阶段全变了。
第三道墙：对手盘博弈
| 领域 | 博弈结构 |
|---|---|
| 选品 | 竞品也在用同样的数据做同样事 → 套利窗口迅速关闭 |
| 选股 | 市场是零和博弈，当所有人都有 AI，优势互相抵消 |
| 选人 | 优秀候选人也在选你，信息不对称且双方都在「表演」 |
| 爆款 | 所有创作者都在抢同一批注意力，算法也在反制套路 |
这是 AI 最容易「看起来灵其实不灵」的地方。
短期内，一个团队用了 AI 选品可能确实比没用的人快一步。但一旦所有人都有了 AI，先发优势就消失了。这跟量化交易的历史一模一样——早期的量化基金赚得盆满钵满，但当越来越多的参与者进入，Alpha 就被交易掉了。
AI 再强，当所有参与者都有 AI 时，它就变成了新的起跑线，而不是竞争优势。
第四道墙：隐性知识无法编码
这四个领域都严重依赖一种很难用数据表达的能力——隐性知识 （Tacit Knowledge）。
- 选品 靠的「手感」：对文化情绪、时机窗口的直觉，这是十年行业浸泡泡出来的经验
- 选股 靠的「判断力」：对管理层品格、行业拐点的定性理解，巴菲特称之为「护城河嗅觉」
- 选人 靠的「识人术」：气场匹配、潜力判断、团队化学反应，顶级猎头说「聊十分钟我就知道」
- 爆款 靠的「网感」：知道什么话能引发共鸣但不会翻车，这是无数次发布和反馈循环训练出来的
这些是 高维、非线性、难以标注 的信号。它们存在于一次握手的力度、一句回答的措辞、一条评论的语气里——恰恰是 AI 最不擅长的。
关于爆款内容，多说几句
这四个里面，爆款内容的变量结构最值得展开，因为它有一个独特特征： 回报分布是极端幂律。
不是正态分布，不是「做得好就回报高」。而是 0.1% 的内容吃掉 90% 的流量，同一作者不同内容之间的表现差距可以是 100 倍。你无法通过增加产量来线性提高命中率。
在爆款内容这个领域，大多数人把精力花在了权重最低的变量上——文笔、发布时间、标签技巧、算法优化。而真正决定生死的三个变量是：
- 情绪共振 — 内容触发的不是思考，是情绪。愤怒、焦虑、认同、优越感、怀旧——情绪有阈值，差一点就是「看了没感觉」
- 身份信号 — 用户分享的不是内容，是「我是谁」。转发深度分析代表「我有思想」，转发行业洞察代表「我专业」，转发段子代表「我有趣」
- 时机窗口 — 同样的内容，热点前发和热点后发完全不同
这三个变量之间是 乘法关系：
爆款概率 ≈ 情绪共振 × 身份信号 × 时机
任何一个为零，结果就是零。情绪对了 + 身份对了 + 时机不对 = 沉了。时机对了 + 身份对了 + 情绪不够 = 小水花。全对了 + 标题没钩子 = 没人点进来。
而 AI 做内容的尴尬恰恰在这里：它能生成「正确」的内容，但没有情绪锐度；能模仿风格，但模仿的是过去爆过的，不是下一个会爆的；能高产，但幂律分布下，100 篇平庸 = 0 篇爆款。
一个百试不爽的招：提高迭代速度
说了这么多「为什么难」，有没有什么招是确定能提高概率的？
有，而且只有一个： 提高迭代速度。
幂律分布下，单次命中爆款的概率极低，但如果你把尝试次数从一年 12 次提高到一年 365 次，命中至少一次的概率就完全不同了。这不是鸡汤，是概率论——假设每次有 2% 的爆款率，一年发 12 条，至少中一个爆款的概率是 22%；日更 365 条，至少中一个的概率是 99.9%。
这就是为什么自媒体圈有个共识： 日更是最好的策略，没有之一。主播日播、播客日更、短视频日发——不是因为每天的内容都必须是精品，而是因为每一次发布都是一次低成本的实验。做完即复盘，看完数据总结提升，下一轮迭代就更接近靶心。
这个逻辑在四个领域都成立：
- 选品：快时尚品牌 ZARA 的核心竞争力不是设计好，是迭代快——一年上万款，市场用脚投票
- 选股：高频交易的本质不是预测更准，是试错更多——每笔小仓位，靠次数和速度取胜
- 选人：最好的招聘不是「一次面试定终身」，而是「先试用、快反馈、及时调整」
- 爆款：日更创作者的命中率，远高于憋大招的月更选手
但这里有个关键前提： 迭代必须带复盘。单纯重复不等于迭代。发 100 条一模一样的内容，和发 100 条每条都在微调角度、测试假设、根据反馈调整的内容，是完全不同的两件事。前者是蛮干，后者才是贝叶斯更新。
这也是人和 AI 在迭代上的本质区别：AI 可以帮你把迭代速度提高 10 倍（快速出稿、批量测试），但 每一轮迭代的方向判断——这次该往哪个方向微调、哪些数据信号值得重视、哪些噪音该忽略——仍然需要人的经验。
换句话说， AI 的最大价值不是提高准确率，而是提高实验次数。
大多数人用 AI 的姿势是「让它帮我选对」——选对股票、选对爆款、选对候选人。但在小样本、非平稳、有博弈的领域，单次正确率几乎不可能被 AI 显著提升。真正被 AI 改变的是实验成本：过去做一次选品测试要两周，现在两天；过去写一条内容要半天，现在二十分钟出初稿。成本降了，你就能试更多次。
这意味着竞争的本质正在发生位移： AI 正在把竞争从「正确率」变成「学习率」。
当所有人的正确率都被 AI 拉到差不多的水平线上，决定胜负的就不再是「谁猜得更准」，而是「谁从每次实验中学得更快」。正确率是静态的——你要么猜对要么猜错；学习率是动态的——你每一轮迭代都在逼近靶心。前者是天赋，后者是系统。
那 AI 在这四个领域到底能做什么？
说完局限，也要说清楚 AI 不是没用。关键是 搞清楚它适合做什么、不适合做什么。
| AI 擅长（辅助决策） | AI 不擅长（替代决策） | |
|---|---|---|
| 选品 | 分析历史销售数据、发现品类趋势信号、缩小候选范围 | 判断哪款产品会引爆文化情绪 |
| 选股 | 财报分析、异常检测、回测策略 | 判断管理层品格和行业拐点 |
| 选人 | 简历筛选、背景调查、能力测评结构化 | 判断气场匹配和团队化学反应 |
| 爆款 | 生成草稿、测试标题、分析已爆内容的结构 | 判断下一条内容的情绪和时机 |
一句话： AI 缩小候选范围，人做最终判断。
这也是我在 不写一行代码做出了一个 App 中总结的规律——AI 擅长实现方案，但不擅长判断方案是否正确。执行力极强，判断力为零。你定义问题，它执行方案；你判断方向，它落地细节。
真正值得投资的能力
如果这四个领域 AI 都难以替代人的判断，那我们的一万小时应该投在哪里？
这里有一个反直觉的结论： AI 越强，人越需要判断力。
逻辑很简单——AI 把执行成本压到接近零，意味着「想到」和「做到」之间的鸿沟消失了。过去你有一个想法，光是实现就要花三个月，所以你必须想清楚再动手；现在三天就能出原型，于是「该不该做」比「能不能做」重要一百倍。执行越便宜，判断的杠杆就越大。
我在 AI 时代的一万小时定律 里讨论过，AI 时代战术技能的价值在快速贬值，真正值得投资的是 系统思维 和 判断力。具体到这四个「选」的场景，我认为有三种能力是 AI 无法替代的：
1. 跨领域模式识别
顶级投资人的「嗅觉」不是在金融数据里训练出来的，而是跨领域观察的副产品——从历史、心理学、生物学中看到重复出现的模式。选品高手往往也是社会学、人类学的业余研究者。这种「看到别人看不到的联系」的能力，是当前 AI 做不到的。
2. 在不确定性中做判断的勇气
数据永远不会告诉你「该不该赌这一把」。选一个有争议的高管候选人、押注一个反共识的选题、在所有人恐慌时买入——这些决策需要的不是更多数据，而是 在信息不完备时敢于承担后果的判断力。正如我在 AI 时代，成为有判断力的人 中写的：真正的自信不是你知道答案，而是你不知道答案的时候也相信自己能搞明白。
3. 对时机的感知
「什么时候做」往往比「做什么」更重要。同一个产品在 2020 年和 2023 年推出，命运完全不同。同一个投资判断，早半年和晚半年入场，回报率天差地别。这种对时机的感知——什么时候窗口打开了、什么时候该等、什么时候该冲——是在无数次真实决策中练出来的肌肉记忆。
写在最后
回到开头那个朋友的故事。他的 AI 选品系统不是没有价值——它帮团队把候选产品从 500 个缩小到了 50 个，省了大量人工筛选时间。但最终决定哪款产品押重注的，还是产品经理的直觉。
AI 是望远镜，不是方向盘。 它帮你看清更远的地方，但往哪个方向走，还是得你来决定。
但望远镜的价值恰恰在于：它让你能更快地验证方向对不对。你看得更远，就能更早发现走错了，更早掉头。AI 不会让判断消失，而是让执行无限便宜——于是 判断、反馈闭环和学习速度 成为新的核心竞争力。
选人、选品、选股、选爆款，这四件事的本质不是「在大量选项中找最优解」，而是 在不确定性下做判断。前者是优化问题，AI 越来越强；后者是判断问题，目前仍然是人类的护城河。
与其焦虑 AI 会不会替代你的判断，不如想清楚：你的判断力是怎么练出来的？它经得起 AI 的挑战吗？
你在这四个领域有类似的经历吗？欢迎留言聊聊。