fake work 最容易长在责任被反复交接的地方：每交接一次，原本要解决的问题就被翻译成一个更容易验收的交付物，用户问题变成需求，需求变成功能，功能变成上线，所有交付物都按时完成，最初的问题却原封不动。所以定义成功时，要问这份产出完成后，下游会作出什么不同的决定或行动；如果多生产十份，真实结果会不会更近。对低风险、可恢复的周期性工作，可以先停一轮，停之前写清：如果它有用，少做一轮会在什么时候造成什么后果，到期什么都没发生就删掉。不要先让工具把它做得更便宜，成本越低，没用的工作反而越容易永久存在⁠1。

立正讲过一个区分：组织的 goal 是你要服务什么，你定的 metrics 是用来衡量你的 strategy，但 metrics 不是 goal。你的 goal 永远不是增加百分之十的用户，而是服务更多的用户；为了衡量朝策略前进的进度才做那个指标。本末倒置时，动作就会变形⁠2。放到一个打算做几十年的社群上，这意味着"成员数""活动场次""内容产量"这类数字只能当代理信号，而且要定期和真实的人发生了什么变化对账，并且随时可以取消——一个永远不会失效的指标，迟早会变成一台 fake work 制造机⁠1。

立正在讲自媒体时提过：你一开始如果没有想清楚成功是什么，就会觉得这是失败，因为虽然有了，但笔记只有十个赞。他给周洁定的成功不是流量，而是少数精准、认可你的人带来的高价值连接——一条视频促成一个以前很难建立的合作，在他看来就是成功⁠3。对非营利社群，可以照这个思路把成功说具体：不是"影响力更大"这种抽象说法，而是某个具体的人因为社群做了什么、某个问题被推进到什么程度。同时要分清作品账、故事账和商业账，一本账上的成功不能自动替另外两本作证⁠4。

立正把 AI 看成人类调度算力的第三个接口：编程要会写代码，图形界面要有人先把软件做出来，自然语言则可以直接描述目标、让 AI 调工具接着做。关键不在今天有没有现成 SaaS 好用，而在于过去因为开发成本太高、大家忍一忍就过去的小需求，现在终于值得被满足⁠1。所以判断一个方向是不是长期真实，可以问：它服务的是原本没人愿意做的需求，还是只是把已有产品换个说法。技术能力出现和它进入大多数人的工作并不在同一天，很多看起来突然的事，是早就看得见的变化终于落到身边⁠1。

2026 年最值得注意的悖论是个人更快了、公司没变快：调研显示七成企业声称在用 AI，其中近九成说没看到可衡量的生产力影响，而个人任务层面的提升是真实的⁠2。组织真正改变通常要走到第三步——触碰决策权与责任，砍掉重复汇报、让交付替代协调成为升迁信号；卡住的原因不是技术，是靠协调和信息不对称生存的角色会受损⁠3。所以“到处都在自动化”里，大量是工具采购和治理项目，未必等于结构变化。

立正把认知校准放在第一位：面对新模型、新工具，要能分辨哪些是信号、哪些是流量驱动的热闹，判断标准不是它厉害不厉害，而是能不能嵌进你现有的价值创造链条⁠4。方法上，他更强调把真实任务交出去、逐步积累 agent 需要的上下文，再建立判断结果好坏的方法，否则知道很多工具名字，工作方式却没变⁠1。他提到技巧之上是方法：能不能用结果确定性的方式把任务委派出去、理解 context architecture、提供高质量原料⁠5。对想领先几十年的人，这意味着可迁移的是这套判断和委派能力，而不是某个当下最火的工具。