这一期不是日报，是一次一次性的人工抓取盘点。抓取 hbr.org 首页列出的全部 49 个链接后，结论很明确：44 篇编辑部文章一律只放出标题、导语和开头一段，正文在付费墙后——连 1996 年的经典文《Building Your Company's Vision》也不例外。
真正能拿到完整内容的只有两类共 5 篇：三档播客（页面自带完整逐字稿）和两篇赞助内容（广告主付费，因此不设墙）。下面是这 5 篇的精读。所有内容均为笔者的概述与分析，原文链接附在每节标题处。
课堂设计本身就是论证。Cullen 讲 Metaphysic 这个案例时不从 Metaphysic 开始，而从 Suno AI 音乐生成开始。学生先花几分钟"成为音乐家"，兴奋地模仿知名歌手的风格写歌；接着思考怎么把作品放到 Spotify、Instagram 上变现；最后必然有人意识到——如果我火了，别人也会照样抄我。Cullen 说到这里，整个金字塔结构就此崩塌。结论是学生自己推导出来的，不是被告知的。
她坚持把这件事框成"人类专长的价值"，而不是"一个技术平台"。理由是技术质量直接取决于训练数据的人类质量，两者在幕后紧紧绑定；而多数人尚未意识到，自己工作中被记录下来的那些数据流，正是复制自己的关键原料。
好莱坞的两层制度，顺序不能颠倒：
Metaphysic 的选择是逆向的。技术上它完全可以"模糊创作者"：把海量碎片化的人类专长混合成一个无法溯源的产物，这样微支付既不必要也不会发生——而这正是不少 AI 公司在做的事。Metaphysic 反其道而行，主动去为用户的肖像申请版权保护。拍《Here》时，不只主演拿到报酬，连当年拍摄早期影像的制片方也被拉到谈判桌前。
最冷峻的一个概念是"scab farms"（工贼农场）——Cullen 与合作者对"影子劳动力"的命名。逻辑是：即使你意识到数据流与被复制之间的关系，可以主动控制自己泄露多少，但只要企业能转向全球市场按小时雇人打标签、复制你在做的事，你手里那份"劳动数据资产"的议价能力就被替代品的供给量摊薄了。个体的能动性，被替代品数量所中和。
她拿自己举例，说服力最强。她的专长以论文形式被编码；学校可以把她的课堂视频与其他教授的重新组合，做出比她单独更好的东西，用她签合同时根本无法预见的方式售卖。她说这话时没有抱怨，而是指出制度空白：医生诊断心梗时的模式判断同样可被复制，而医院与医生的初始合同里对此只字未提——因为签约时技术还不存在。
给 CEO 的建议是本集最实用的部分。Cullen 点破一个常见僵局：很多企业推动员工"训练 AI 同事"、参与 AI 创新时进展停滞，原因不是意愿问题，是合约问题。你在要求员工把核心专长转化成公司拥有的资产，却只留给他们"这资产会砍掉我的岗位"的恐惧。顶级演员之所以主动参与 AI 影像，是因为激励对齐了。她试验过两类可执行的合约设计：
她给出的愿景是：全体员工都成为你的 R&D 团队。收尾的判断是——只要你尊重顶级人才全情投入所必需的产权，你就能拿到顶级人才。
一个有力的历史类比：1930 年代提出"剧本要同行评议署名"，在当时听起来一定异想天开；现在它是整个行业的运转基础。
Schulman 原本在蒙大拿的农场退休，是被董事会（他任首席董事）拉回来的，此前推掉过至少两次。他对病情的描述极其直白：连续 5 年丢市场份额；从行业最高市值差距变成最低市盈率——他说这是市场在表达"不相信你未来能增长"；流失率上升，客户满意度下降。最要命的一条是心态：公司心甘情愿地做猎物，温和地把份额让给对手，没有在为赢而战。
根因在文化：长期依赖工程实力，把网络而非客户放在中心；作为一家骄傲的公司，骄傲反而带来对变化的抗拒——总想复制过去的成功。他给出的判据可以直接拿走：当公司外部的变化速度快于内部的变化速度，你就在落后。
他认为领导者必须同时做好三件事：
财务逻辑上他明确驳回了主持人的假设。被问到"简化套餐是不是等于暂时接受收入下降换长期忠诚"时，他直接否认：以客户为中心不等于对股东不负财务责任，恰恰相反。他的链条是——过去涨价却不给对应价值，导致客户不满、流失率上升；现在不给真实价值就不涨价，同时投资体验，流失率下降、客户数增长，收入反而上升。第一个季度净增约 65 万用户，股价当天涨幅创 18 年新高。他的总结是：赢是会传染的，早期胜利在转型中至关重要。
关于 AI，他把乐观与诚实并置，这是本集最值得注意的部分。
乐观面：Verizon 未来不只是连接公司。设想包括卖 token 套餐并做编排层帮消费者做成本优化（不同模型擅长不同任务、价格不同，消费者不知道，但作为网络方知道）；用近亿用户的规模提供跑 agent 的安全环境；把中心局改造成边缘计算数据中心，把推理推到边缘，服务远程手术、自动驾驶这类低延迟场景。他判断 token 会成为流通货币。
诚实面：他给出的时间表相当激进——今天用的模型是此生会用到的最差的模型；递归自我学习 6 到 12 个月；量子 2028（他形容为"一切乘以 1000"）；再往后是人形机器人；两三年内接近或达到 AGI。他明说毫无疑问会有颠覆，并强调不该低估 AI 的冲击。
应对：全员一周制 AI 培训；裁员时同步设立 2000 万美元 AI 再培训基金（他称是第一家这么做的公司），并说这还不够，未来一两年要翻倍甚至翻三倍，还要覆盖所服务的社区和小企业。理由是公共性的：如果出现两到五年的高失业低谷，对经济、国家、所有公司都不好，处在负责任位置上的人都得站出来。
三年路线图：第一年承认问题并建立全面转型方案（10 条工作流、400 项举措，他每周开会，每条流花数小时）；第二年制度化、看结果、纠偏；第三年成为 AI 原生公司。
领导力观点里最锋利的一句是：如果你觉得自己是屋里最聪明的人，那你只是走错了屋。他还提到练了 40 年综合格斗教会他在高压下保持冷静；领导者不能太高也不能太低；对内说什么、对外就说什么——这样根本不用费脑子记自己说过什么。他也坦承这套打法有筛选效应：高强度环境对有些人是天堂、对有些人是地狱，而天堂和地狱本是同一个地方；不适应的人，"我们现在不是适合他的公司"。
这一集的价值在于两位嘉宾观点不完全一致，而且当面交锋，比单向输出的访谈信息密度高。
Ferriss 开场就推翻了外界人设：出身于钱一直是问题的家庭，他说自己从一开始就对最小化损失高度警觉，并不认为自己是个冒险者。他对风险的定义非常精确——风险等于出现不可逆负面结果的概率。而商学院学生最怕的那类风险（声誉受损、被人评判），他一句话打掉：事实是大多数人根本没在想你。有个反直觉的点：天使投资让他更大胆而非更谨慎，因为投资逼他系统性审视"哪些赌注可恢复、哪些不可恢复"，然后他意识到大多数事情不会成，但你不需要做对很多事，就能拥有很棒的人生和事业。
四个可直接套用的操作规则：
现场交锋：期权 vs. 承诺。Satchu 直接开火——社会高估期权、低估承诺；商学院学生的职业选择与他们声称想要的影响力完全不一致，只为保留所有选项。他称之为期权性的诅咒，并主张承诺是超能力，不是牺牲。Ferriss 同意这个判断，但做了重要限定：他要期权是因为童年被困住的经历，那给他心理安宁，但"期权"不等于"无限期地什么都要"。他用自己成名作的书名测试举例：他确实做了广告分投、拿计数器去书店统计封面拿取率，但他是在自己已经认定的六到十个候选里挑，不是对着虚空问"我该做什么"。有参照系的测试才叫测试。
两人罕见地完全一致的一点：那些说"我先去咨询或投行干四五年积累跨行业视野，然后再创业"的人——Ferriss 说他见过这种事发生的次数正好是零次，Satchu 说他听过一千次、见过的次数也差不多。Ferriss 补刀说明机制：五年后的你会有一辆积灰的跑车、要跟上邻居、要维持同侪眼中的体面，你造出了一头需要喂养的怪物，那时候你还会去开面包店吗？他给出的诊断是——这是伪装成"保留期权"的安全感。
职业策略：不做单点第一，做罕见组合。这来自他大学时的一位老师（前国会议员、竞技花滑运动员、临危受命教计算机、带多家公司上市）。核心公式是：与其在一个领域拼进前 1%，不如在两个很少被组合的领域各进前 25%，组合起来你就是那个极窄专长的唯一去处。理由不是浪漫主义而是竞争论——你想进 NBA 跟顶级球星对位？祝你好运。
配套的是他的蓝海观。他跳来跳去不是因为无聊，而是"我一开始在能用单副牌算牌的桌子上，后来牌桌挤满了，这套策略失效了"——他说自己不迷恋难的游戏，喜欢简单的游戏。找蓝海的方法反直觉：不追当下的热点（几年前是 Web3，然后 VR、AR，现在人人在 BP 里撒点 AI 仙尘，估值立刻上天），而是去挖曾经性感、现在不性感的东西——十年前所有人说"邮件已死"时他开始建邮件列表，他的判断是邮件死了，直到人们需要找工作，那时邮件活得好好的。他现在下注的方向是：对数字过载的反弹。
给学生的建议相当不客气：在建公司的世界里，没人在乎你的商学院学位；如果你带着"我理应得到什么"的姿态待人接物，会非常难熬。但如果你带着这个漂亮学位，还愿意放下身段做琐碎的活，人们反而会注意到——因为这违背了大家对名校毕业生的预期。他的观察是：智力是入场券，真正稀缺的是可靠、卷起袖子、活不分大小。他还说自己对任何过度共识都保持怀疑，建议去做怪事、保持好奇，机制解释是：在顶级咨询公司待四年后，你会远远更不倾向于去冒那种异想天开的险。但他给"逆向思维"设了防：别人都说 No，不代表你的想法就好；如果你给自己贴"逆向者"标签，你实际上说的是"我是个从众者，只不过反着来"。
他现在真正想做的事是用自己的受众做分布式科学研究：给参与者寄可穿戴设备和居家自助采血盒，用可量化指标而非自我报告。他的洞见是运营性的——学术研究最大的瓶颈之一是招募受试者，正规渠道招 20 个人可能要一年半，而他几分钟就能做到。他自己承认局限（难做安慰剂对照），也认可 IRB 和人体伦理存在的理由。动机上他引用 Seth Godin 的意思：躲在"大"的后面很容易，躲在"小"的后面不可能——你说要影响十亿人？那下周去影响 10 个人，然后告诉我你具体做了什么。他的版本是：尽管大处想，但下周小处做。
诊断：ROI 落差的原因是企业把 AI 螺栓式地拧到现有职能上，或叠加进现有运营模式——结果是智能碎片化、风险上升、信任受损，减损而非增值。
唯一有真实分析价值的是这组对照：
领导力主张：从职能负责人变为 system steward（系统管家）——不再做出指导行动的个别决策，而是设计和治理"做决策的系统"；权威不再来自层级和职位，而来自对平台、数据和企业级成果的托管；继续依赖职能控制的领导者，会在机器速度运转的系统里迅速变成瓶颈。知识的定义也随之改变：不再是单一领域的深度，而是跨业务、技术、人的组合能力。
软文落点：结尾把"领导者不必独自面对"引向托管服务与第三方合作——而作者之一正是 EY 托管服务的全球副主席，文末直接是 EY 的引流链接。概念框架可用，因果结论不可尽信。
数据（2025 年调研，针对千禧一代与 Z 世代）：近一半希望有 AI 助手管理财务；79% 使用信用监控；68% 看重欺诈提醒；34% 使用数字预算工具；62% 说离不开手机银行 App。
核心主张：银行业受强监管、依赖敏感个人数据，风险容忍度天然更低，因此 AI 的可解释性不是加分项而是必需品——客户要知道贷款为什么被批准或拒绝，员工要确信 AI 给的建议站得住脚。安全与控制必须从第一天就内建，绝不能是事后补丁，且要对监管机构完全透明。
几句还算实在的话：Haus 说信任是自上而下和自下而上同时建立的——高层设愿景、证明 AI 是赋能，但让它成真的是一线员工；AI 能做很多惊人的任务，但替代不了人的连接。关于产品方向的自省也不算套话：客户期待推着企业创新，但有时技术能解锁客户根本没想象过的可能，关键是贴近客户去听、去学、去调整；最好的 AI 落地扎根于真实需求，而不是闪亮的新技术。
衡量口径值得借鉴：保持 human-in-the-loop，用真正重要的结果评判 AI——客户满意度、员工敬业度、安全性、业务影响。以及一个体验标准：用户可能根本没察觉自己在用 AI，但他们能感觉到速度、准确度和共情的提升。
三条明线在这五篇里交叉：
识别软文的方法可以留意：EY 那篇的"system steward"概念本身站得住，但通篇的问题定义（能力缺口、认知转变太难）恰好只能由 EY 的托管服务填补；Chase 那篇的数据和案例都真实，但选择性只呈现顺利的一面。有用的是它们的概念框架，不可信的是它们的因果结论。
ainews-digest/ainews_digest.py、modelwatch/modelwatch.py；发布器：digest-site/publish.py。