一个人想把手上的事情做好，打开 AI 产品以后，却先遇到一串新的功课：提示词怎么写，模型怎么选，上下文放在哪里，工作流怎么连，结果不好时又该换哪一种问法。每一项单独看都有道理，合起来却让我们有些困惑：到底是谁在学习谁？
做这个产品时，我们越来越强烈地感到，AI 产品展示出来的能力，与普通人每天真正需要解决的事情之间，隔着很长一段路。演示里可以一句话生成一大批内容，回到工作中，人却还要自己弄清哪些能用、哪些有错、接下来找谁、上一次为什么改过。做出结果的那几秒被反复展示，接住结果的几个小时却容易消失。
我们有一句带着不满的判断：现在被大声讲述的 AI，常常更像“资本的 AI”，距离“人民的 AI”还有很远。
这里说的是一种产品取向。谈论 AI 时，我们很容易以组织能扩大多少产出、减少多少成本、占据多大市场为起点。这些问题有商业意义。但轮到具体的人，他也许只想把一个客户服务好，少重复解释几遍，能看懂一个重要决定，做完今天的事还有精力照顾生活。效率应该怎样回到他身上，这个问题也需要成为产品的起点。
我们并不想给所有产品和公司贴一张相同的标签。我们更在意的是：当一种设计既能让平台更容易规模化，又会让用户多学一套东西时，产品会优先替谁省事？当用户积累了自己的经验，那些积累究竟会留在他手里，还是只在某个平台的规则下才有用？
这让我们重新审视了自己习惯的软件做法。
一种常见的 SaaS 路径，是先把某类问题整理成流程，再让用户学习界面、填写字段、遵守步骤。流程可以带来可靠性和效率，我们的产品内部也离不开它。但不同的人需要先把自己的工作翻译成软件认识的形状，遇到例外，再由人去绕路、补说明、维护配置。这笔适应的成本，长期记在使用者身上。
如果加上一个模型以后，普通人仍然需要先成为熟练的软件操作员，才能得到帮助，那么在我们看来，“AI 时代”这个称呼还来得太早。它在使用关系上，仍然延续着 SaaS 的逻辑：软件规定一种做法，人负责学会配合。
自然语言输入也不一定改变了这件事。假如每次都要用户写出结构完整、条件齐全、格式严格的指令，还要学会绕开模型的误解，那么输入框只是变大了。原来要找哪个按钮，现在要猜该说哪一句话。
我们想尝试另一种分配：让 AI 来学习人怎样处理事情。
学习成本不会凭空消失。它会变成系统的观察、询问、记录、试用与校正，会消耗算力，也要求产品把反馈过程接好。我们愿意把这部分成本接过来，做成产品本身的工作。用户已经解释过的背景、已经纠正过的误解、已经确认过的做法，应该在下一次发挥作用。
比如，一位店主改掉了一段夸大的商品描述。他不应该被要求先找到“品牌语气配置”，把自己的要求翻译成一套专业术语。事务官可以结合这次修改问清楚：这是这件商品的特殊限制，还是以后都希望这样表达？有了依据，再在合适的下一次协作中试用。理解不对，就改回来。
这并不是把所有行为都收集起来，替一个人猜出完整人生。用户需要知道 AI 根据什么形成了某个判断，也能纠正、删除和收回。学习应当围绕被允许参与的工作展开。我们想减少的，是重复训练软件的负担，而非增加一种难以摆脱的观察。
同时，有些学习仍然属于人。理解客户、掌握一门手艺、判断一件事是否值得做，这些能力不会因为有 AI 就不再重要。我们希望把精力留给这些事情，减少为了迁就工具而学习的那一部分。软件熟练度不应该成为一个人获得帮助的入场券。
这也给事务官提出了比“接入更多模型”更难的要求。它要把工作过程接住，知道一条要求为什么出现，能把反馈用到下一次，也能承认自己的理解尚未经过验证。最终衡量它的，不应只是回答有多快，而是用了一段时间以后，用户还要重复交代多少次，能放心交出去多少事。
“人民的 AI”对我们来说，落在这些具体选择里：普通人能否用自己的话开始，经验能否留在自己手里，产品能否随着人的工作调整，节省下来的时间能否由人自己决定怎样使用。它也包括可承担的成本和可退出的选择。一个口号远远不够，我们需要在每一次设计中把它兑现。
我们自己的产品也还在这条路上。今天仍然需要配置、磨合和纠正，不能因为写下这个方向，就宣称已经消除了门槛。它更像一把尺子：遇到一个不顺的地方，先问系统还能承担什么，而不是顺手再给用户加一页教程。
我们期待的 AI 时代，是一个人可以从“我正在做这件事”开始，产品认真学习怎样帮到他。科技向前走了一大步，人不该只是多领到一份使用说明书。