AI时代最危险的不是没有五年规划，而是把“长期方向”和“短期路线”写在同一张纸上：稳定原则要长，行动假设要短

AH-0600是一篇关于不确定性的文章。

它的核心判断是：

变化越来越快，过去那种五年、十年、十五年把路线写死的规划方式越来越脆。

因此应该把时间和精力押在“不会很快变化的能力”上。

这个判断很有价值。

但如果继续推到：

“长期规划没有用了”

又会走到另一个极端。

真正需要拆开的不是：

规划 vs 不规划。

而是：

Stable Direction vs Fragile Route。

1. 长期方向可以稳定，具体路径必须允许更新

例如一个人希望未来十年拥有：

更强的健康； 更高的现金流安全； 更可迁移的技能； 更强的关系网络； 更高的选择权。

这些可以非常长期。

但具体做： 哪家公司； 哪个AI工具； 哪种内容平台； 哪个职业； 哪个产品；

可以一年甚至一个季度就更新。

所以：

Long Horizon for Principles, Short Horizon for Plans。

2. “不会变的能力”也不能被神化

写作； 沟通； 销售； 学习； 判断； 健康；

这些确实比某个软件版本稳定。

但它们同样需要放进场景。

“会写作”不是抽象资产。

真正资产是：

在某类问题里组织证据、影响行动、建立信任的能力。

Stable Capability must still connect to a market/context。

否则“练基本功”也可能变成新的逃避。

3. 不确定性管理核心是Reversibility

在高不确定环境里，最重要的不是预测最准。

是：

判断错时能不能回来。

因此行动分：

Reversible； Costly-to-reverse； Irreversible。

可逆决策： 快速试。

不可逆： 提高证据门槛。

这比所有决策都“快速行动”更成熟。

4. 计划应该写Review Trigger

传统规划常写：

“未来三年做X。”

更好的版本是：

做X，直到： 需求连续下降； 成本超过阈值； 平台规则改变； 技术路径被替代； 个人约束变化； 出现明显更高赔率方案。

这叫：

Plan with Expiry / Review Trigger。

不是靠日历自动坚持。

5. “方案不对就扔”也需要切换成本

旧项目已经投入： 客户； 数据； 品牌； 代码； 组织； 合同。

不是一句“时代变了”就全部重做。

真正要比较：

Continue； Adapt； Migrate； Stop。

包含：

Sunk Cost（不能拿回来）； Switching Cost； Future Value； Option Value。

Adaptability ≠ Constant Reset。

6. 高频改方向也可能是一种恐惧

每周看到新模型就换赛道； 看到别人赚钱就换产品； 一个月没结果就换平台。

这不是适应性。

是没有足够长的实验窗口。

所以每个Bet需要：

Minimum Runway； Success Metric； Failure Metric； Review Date； Stop Rule。

没有达到Review Point之前，不因噪声反复切换。

7. 押“不会变的东西”要区分需求和实现

贝索斯式问题常问：

未来什么不会变？

客户可能长期希望：

更便宜； 更快； 更可靠； 更简单。

这些需求较稳定。

但实现方式可以完全变化。

所以产品策略：

Stable Customer Need + Changing Technology Delivery。

这是企业AI转型非常实用的框架。

8. 职业规划也应该从岗位名转为Capability Portfolio

不要写：

“未来十年做某岗位。”

可以写：

我要积累： Domain Knowledge； Engineering； Sales； Writing； Network； Capital； Reputation； Health。

岗位只是这些资产的当前容器。

这样技术替代某个岗位时，资产不会全部归零。

9. 需要一个Option Portfolio

不确定时期，一个人不必把所有时间都押一个未来。

可以有：

Core； Adjacent； Experiment。

例如： 70%维持主业和稳定收入； 20%积累相邻能力； 10%测试新机会。

比例不是普遍公式。

关键是：

不要让探索毁掉生存，也不要让生存消灭探索。

10. 对alphahole的直接意义

我们不能因为AI工具每天更新就每天改网站定位。

稳定的应该是：

帮助普通人用AI创造真实结果； 提供工具、实验、教学和证据； 把内容变成方法和产品。

变化的是：

具体模型； 插件； 平台； 页面形式； 某个产品的V3实验。

这正是Master Context存在的意义：

长期原则稳定； 短期规则可Supersede。

11. 商业机会：Adaptive Planning OS

用户输入：

Stable Goals； Capabilities； Constraints； Current Bets； Review Triggers； Reversibility； Evidence； Switching Cost。

系统不预测未来。

只帮助判断：

继续； 调整； 停止； 增加一个小实验。

Stop Rule

如果所谓“适应变化”变成：

每周换方向； 没有实验周期； 从不积累复用资产； 看到新技术就抛弃旧客户； 只追热点； 没有生存底线；

就不是适应。

真正的抗不确定性，不是没有计划，而是把计划写成可以在现实变化时更新，却不会把长期能力一起推倒重来的结构。

12. 不确定性还要求“证据更新频率”匹配变化速度

不是所有判断都需要每周重做。

健康习惯、核心价值、长期客户需求可能半年复盘一次；AI工具价格、平台政策、模型能力可能几周甚至几天就会变化。

所以计划还应有：

Evidence Half-life； Review Frequency； Trigger Source。

变化快的事实短周期更新，稳定原则长周期复盘。

这能避免两个极端：

对稳定事情天天焦虑； 对快速变化的条件几年不更新。

13. 选择权本身是一种资产

现金缓冲、可迁移技能、良好信誉、低固定成本、可退出合同，都会提高未来选择空间。

因此高不确定期的目标不只应最大化当前收益，还可以最大化：

Option Value。

一个短期收益稍低、但保留更多未来路径的选择，可能更适合不确定环境。

14. 复盘应该区分“判断错”和“世界变了”

原计划失效有两种原因：

第一，原来判断就错； 第二，原来判断合理，但外部条件后来改变。

这两类学习不同。

前者要改决策方法； 后者要提高监测和适应速度。

如果每次都简单说“计划赶不上变化”，就无法知道自己到底应该提升预测、信息更新还是执行。