过去一段时间，AI世界内广泛讨论的，往往是模型分数、发布会、参数排行榜和各种新工具。可从用户的视角看，一项技术有没有真正进入日常，最后还是要回到这些AI产品的实际使用上来。
就像手机、平板、智能家居一样，参数往往决定产品上限，只有体验才能决定它会不会被长期使用。真正判断一个人或者一个团队在AI上走到哪一步，不能只看有没有和AI聊天，也不能只看有没有收藏一堆AI网站，而要看它有没有进入真实工作。
更具体一点，可以看三个细节。
那就是有没有开始使用优质模型和优质工具，资料有没有逐渐以Markdown的方式沉淀下来，以及重复性的工作流有没有开始Skill化。因为AI带来真正的改变，不会先出现在口号里，而是先出现在工具、文件和流程中。
优质工具决定AI的真实边界
AI工具千千万，但其中大概只有Claude Code总是被人们提及，因为它代表了一种全新的AI使用方式。用户除了直接提问，还可以让AI深入到各种项目、读取电脑中的文件，或是直接修改代码、排查报错、部署工具等等。而且得益于Claude模型的强大能力，很多人使用过都会有一种“旦用难回”的感受。
Claude Code
它给人的感受是，这不再只是一个会回答问题的机器人，而是像一个能参与执行的数字助手。比如让它帮你装一个插件，部署一个本地工具，整理一个项目，修一个报错。这些看起来都是小事，可它总能给你一种极高的“专业性”，而这种专业性也将变为“可信赖”，同时让人第一次清楚感受到AI的能力边界。可以说，一个AI模型，它能读懂多少上下文，能推进到哪一步，遇到问题会怎样处理，什么时候需要人补充信息，什么时候必须由人判断结果…这些都需要亲自体验，才能真正感受到。
不过对中国用户来说，Claude Code的使用体验并不算友好。从注册账号到网络环境，再到支付以及长期使用的稳定性，这些问题都会提高使用门槛。也正因为如此，“用过Claude Code”这个判断标准可以再延伸一层，变成是否真正用过优质模型和优质工具。
市面上能提供类似体验的选择已经越来越多，比如Codex或者是Google Antigravity，也包括各种接入强模型的IDE、Agent工具和本地开发助手。关键不在于某一个工具的名字，而在于用户有没有进入那种新的协作状态。
Google Antigravity
真正懂得让AI帮忙，是一个很重要的里程碑。刚开始接触AI时，很多人会把它当成搜索框、写作工具或者灵感生成器。用到更深一层之后，AI会变成工作现场里的协作者。你给它目标，它读取上下文，它尝试执行，它遇到问题再反馈。人负责方向、判断和验收，AI负责承担越来越多中间过程。
这时候，人对AI的理解会从“它能回答什么”，变成“它能帮我推进什么”。
Markdown将大幅提升AI利用率
第二个细节是Markdown。
如果你用过各类“全家桶”，就会发现好体验其实是来自生态之间的顺滑连接。
Markdown格式
文档也是如此。过去人们的资料散落在聊天记录、截图、PPT、Word和各种在线文档里。人看起来没问题，AI处理起来却很费劲。因为AI想要看懂这些复杂的格式，需要先猜结构，再猜重点，最后才能进入真正的任务。
所以与其浪费Token去让AI猜，倒不如提前准备好能够让AI直接读懂的内容。Markdown的价值就在于此，它干净、轻量、结构清晰，不仅对人友好，对AI也友好。产品说明、操作流程、项目记录、复盘文档、提示词、接口说明、常见问题等等，只要以Markdown格式沉淀下来，就很容易被AI读取、引用、改写、组合和继续加工。
如果将工作比作日常的下厨，那么Markdown格式的内容就是给AI准备好的，一份高质量的食材。
一个团队里有多少资料以Markdown保存，其实反映了这个团队有没有开始为AI时代重新整理知识。以前写文档主要是为了留档和交接，现在写文档还多了一层意义，它会成为AI后续工作的初始资料。
资料越清楚，AI就越容易接手；结构越稳定，AI输出就越稳定。很多时候AI好不好用，问题并不全在模型，也在于人给它的材料够不够规整。
这也是很多人使用AI时容易忽略的地方。总有人抱怨AI“不够聪明”、“不懂需求”，可如果提供的资料本身散乱，或者是使用AI的人自己就不了解流程、没有一个固定的标准，再强的AI也只能在混乱的信息里猜答案。
AI时代的文档，不只是写给人看的，也是写给机器看的。谁能更早把资料变成AI容易读取的形态，谁就能更早享受到AI带来的复利。
Skill重塑价值
第三个细节是Skill化。
现在很多人使用AI，仍然停留在临时提问的状态。今天让它写一段文案，明天让它分析一个竞品，后天让它帮忙做一个图。每次都需要重开一个页面，重新说明标准，让AI从零开始理解任务。这样虽然能够提升效率，但幅度有限。
Skill会把一个人多年积累下来的经验，拆成一套可以被机器反复调用的方法。
这件事落到具体的人身上，其实很有冲击力。一个经验丰富的人，往往会在一些我们不了解的细节中精准拿捏。他知道一个流程哪里最容易出错，知道客户真正介意什么，知道老板一句话背后的重点，知道某个项目看起来简单，但一定要注意哪个地方容易卡住。
这些东西过去藏在人的脑子里，也藏在一次次加班、踩坑、返工和救火里。它们构成了一个人的经验，也构成了一个人在组织里的安全感。
可这些经验被写成Skill，情况就会改变。
那些原本需要人类来完成的流程，AI也能读懂。那些原本只有经验丰富的个人才知道的注意事项，可以被文档记录。那些原本依赖手感完成的工作，可以被拆成步骤或标准，直接交给新人，或是AI Agent来调用。
这个时候，一个很尖锐的问题就会浮出来：如果经验被系统学走，人的价值是什么？
这个问题的核心是人的安全感。过去很多人的价值，来自熟悉流程，知道怎么把事情做完。AI和Skill最容易吸收的，恰好就是这些能够被描述、记录、复用的部分。
所以Skill化一定会带来价值重估。
当AI进一步发展，只靠重复执行维持的价值一定会被压缩。那些只靠“我知道怎么做”建立起来的优势，会变得没有以前牢固。一个人如果多年积累下来的东西，最终都能被整理成一份Skill，并且在整理完之后再也没有新的判断、新的方法、新的洞察，那他的价值确实会变薄。
但这里还有另一层，那就是当技能本身可以被复制时，影响力会变得更值钱。
就像汉堡。汉堡并不复杂，很多餐厅都能做，甚至很多人在家也能做。可大多数人想吃一个稳定、熟悉、不会出错的汉堡时，脑子里第一个跳出来的，应该还是麦当劳。麦当劳的价值不只在于它会做汉堡，还在于它定义了很多人对汉堡的第一印象，它把一个普通品类，变成了一个稳定标准。
Skill也是这样。
未来，很多人都会写Skill，很多团队都会沉淀流程，很多AI工具都能执行任务。真正拉开差距的地方，会变成谁的Skill更值得被调用，谁的方法更容易被信任，谁的标准更容易成为默认选择。
这就是影响力的变化。
以前，一个人的影响力可能来自职位、经验和资历。别人遇到问题，会来问他。以后，一个人的影响力可能会沉淀在他的Skill里。别人不一定每次都来找他本人，但会调用他的方法，沿用他的标准，复用他的判断框架。这个时候，他的影响力并没有消失，反而从个人身上扩散到了更多场景里。
一个好的Skill，本质上就像一个人的工作方法被产品化了。也许未来，人们也会为了一个Skill而付费，甚至是以订阅的形式，长期付费。
所以，如果一个人只是流程本身，他会越来越危险。因为流程一旦被写下来，被优化，被调用，他的独占性就会下降。
如果一个人能持续创造流程、修正流程、升级流程，他会变得更重要。因为他的价值已经从“我会做”，变成了“很多人愿意按我的方法做”。
这才是AI时代更深的分水岭。
大家都会做汉堡，但麦当劳依然有价值。因为它占据了心智，建立了标准，提供了稳定预期。
当大家都能写提示词、做流程、用AI工具，真正有价值的人，也会是那些能建立方法、形成风格、输出标准，并让别人愿意反复调用的人。
Skill化会让一部分人失去原来的安全感，也会让另一部分人的影响力被放大。前者守着自己会做的事，后者把自己会做的事变成别人也能使用的系统。
这就是差距真正开始拉开的地方。
写在最后
有些时候，判断AI到底用到哪一步，不必只盯着最新模型发布。更实际的观察方式，是看身边的人有没有真的开始使用优质工具，有没有给AI提供更简单易读的资料，以及有没有把重复流程变成可以调用的Skill。
技术的变化，往往不是通过一场发布会，或是一个新闻稿，而是会慢慢渗透到我们的生活，进入那些每天重复却没人想反复做的小事。等到用户习惯让AI装插件、改配置、跑项目、读文档、执行流程时，对AI的体感就会彻底改变。
AI的能力边界在不断扩大，而人对这个边界的感知，来自一次次真实使用。昨天还需要自己查半天教程的任务，今天可以交给AI先跑一遍。过去需要一个熟手带着做的流程，现在可以被写成Skill反复调用。过去沉在文档里的知识，现在可以被模型直接读取和再加工。
AI走到哪一步，最终会反映在日常的工具中。它有没有变成每天愿意打开的东西，有没有接住那些具体任务，有没有让工作方式发生微小却持续的改变。
真正的分水岭，往往就在这些细节里。