Aparna Chennapragada
署名于 AI 与新工作方式
过时 AI 先验套利Updating AI Priors Arbitrage
很多人几个月/一年前试过某个 AI 能力（图像生成、推理、数据分析）觉得不行，就此形成固定印象，之后即使模型大幅进步也不再重新尝试。这个反直觉的观察指出：这种"过时的先验"本身就是一个可以被套利的机会。
前沿项目早期采用沙盒Frontier Program Early Adopter Sandbox
大型企业推新技术往往陷入"两辆分开的车"困境（作者用 Van Damme 劈叉做双车特技的比喻）：一边是技术以"周/月"为单位的极致压缩迭代周期，另一边是组织的人和习惯改变需要以"年"为单位的稳健变更管理。如果为了照顾大多数人的适应节奏而压住早期尝鲜者，会白白浪费掉技术红利；但如果强推给所有人，又会破坏必要的信任和治理。这是微软 AI 团队应对这个矛盾的具体做法。
先求解再扩张模式切换Solve Before Scale Mode Switch
做 0-to-1 新产品时，团队常常急于套用"规模化阶段"的打法——定精确指标、追求一致的产品叙事、快速收敛——结果扼杀了新产品最需要的探索空间。这是作者反复踩坑后总结的反直觉教训:必须明确区分"解决问题模式"和"规模化模式"，并且不能过早切换。
自然语言即新 UXNlx Natural Language As New UX
很多产品人把"用 AI 做产品"简化理解成"反正就是聊天框"，认为对话界面不需要被设计，模型输出什么就是什么。这个框架反驳了这个误解，给出"自然语言作为界面"这件事本身需要被刻意设计的具体构成元素。
Agent 三维定义坐标系Agent Definition Autonomy Complexity Async
"Agent"这个词被用得极其宽泛，从"能调用工具的聊天机器人"到"能自主完成复杂任务的系统"都被叫做 agent，导致团队讨论"我们要不要做 agent"时其实在说完全不同的东西。这个框架给出一个具体、可操作的三要素判断标准。
Why Now 三要素框架Two Of Three Inflection Points Why Now
投资人和创业者都会问"为什么是现在（why now）"，但这个问题往往被回答得很模糊。这是作者判断一个 0-to-1 新品类是否具备成功土壤的具体、可核对的三因素框架，来自她在 Google Lens 和 Robinhood 的亲身实践。
框架、方法、洞察本身属于 Aparna Chennapragada。卡片是用中文重新组织的转述，仅保留少量带署名的短引述。关于与出处 →