AI压缩学习 reps 模型

核心洞察：初级岗位（如分析师）的本质是"用两年低效的 grind 换判断力"——干重复的活、等别人有空给反馈、反馈质量随机、再试一轮。这个学习回路本来就低效，只是过去没有替代品。担心"AI 会消灭学习机会"的人，错在假设"判断力必须用两年岗位磨出来"。AI 让"获得 reps"与"占着一个岗位"解耦，同时改善学习回路的两个变量：回路速度和 rep 数量。

三个已验证的做法：

1. 把资深者的反馈做成 on-demand：Hilary 把自己的思维方式做成 custom GPT，团队能随时获得"至少 80% 接近她本人"的反馈，不用等她回消息或等 1:1，且可以无限次要
2. 把低频判断场景做成无限刷题：她的 Aristotle GPT 生成 LSAT 风格的逻辑推理题，但情境全部是 PM 会遇到的（销售团队要 feature A、工程说只够做 B、数据显示某功能提升留存——哪条路径逻辑最优），多选+解释对错。可以定制到具体公司/行业
3. 工程估算训练：给无技术背景的 PM 做 t-shirt sizing 练习 GPT（"这个 scope 你估多大？"→"这类集成通常因 X 复杂，实际偏 large"）。这类判断在真实工作中一周才碰到一两次，用 AI 一个下午能刷几十次

结论：仍然必须投资人的技能，但不必沿用历史方式；未来回看，靠岗位自然积累 reps 的方式会显得非常低效。