把真话卖出去

1. Sell the Truth

推荐语：这是本周我想放在第一篇的文章。不是讲普通的销售技巧，而是一种更稀缺的能力：一个人能不能诚实、清楚、热情地把自己相信的东西说出来。

Naval 这篇文章的标题很简单：Sell the Truth。

把真相卖出去。

乍一看有点矛盾。因为我们通常理解的“销售”，多少带一点表演意味。你要包装，要话术，要制造紧迫感，要处理异议，要把一个东西说得比它原本更诱人一点。

所以很多人不喜欢销售。

因为不喜欢那种把自己推到台前、试图影响别人判断的状态。尤其是当你并没有那么相信手里的东西，却还要装作很相信时，销售就会变成一种轻微的自我背叛。

Naval 讲的不是这种销售。

他说，如果你真的想卖好一个东西，最重要的不是掌握销售技巧，而是找到一个你真的在乎、真的理解、真的兴奋的东西。到了那个时候，你不是在“说服”别人，而是在把你已经看见的东西讲出来。

差劲的销售，是把一个不够真的东西讲得像真的。

优秀的销售，是把一个已经很真的东西讲得让人相信。

前者靠技巧，后者靠洞察。

这也是为什么有些人说话天然有说服力。他们不一定最会组织语言，不一定最会做 PPT，也不一定掌握什么成交模型。但你能感觉到，他不是在表演某种热情。他是真的被那个东西点燃了。

这种热情很难伪装。

一个人有没有真的理解一个问题，有没有真的相信一个判断，有没有真的为某个可能性感到兴奋，其实很容易被看出来。尤其是面对聪明人，包装越多，反而越露怯。

当让，Naval 的意思不是“只要真诚就够了”。

真诚当然不自动等于正确。一个人也可能非常真诚地相信一件错事，非常热情地推广一个坏产品，非常投入地讲一个自己没有验证过的故事。

所以这里的关键词不是情绪，而是真相。你要先对自己诚实。

这个东西到底好在哪里？它解决了什么真实问题？它有什么局限？我为什么相信它？如果别人不买账，是因为他没看懂，还是因为我其实也没想清楚？

很多时候，我们不是不会销售，而是不敢面对这些问题。

因为一旦真的面对，你可能会发现：自己并没有那么相信这个东西。你只是需要它成功，需要这笔钱，需要这个项目推进，需要这个故事看起来成立。

于是你开始加滤镜。把不确定说成确定，把愿景说成现实，把可能性说成必然，把“我希望它是真的”说成“它就是这样”。

这当然也可以卖出去一阵子。

但问题是，建立在夸张之上的销售，会不断制造债务。你今天多说的一点，明天就要用更多解释来补；你今天绕过的一个问题，后面会以客户不满、团队内耗、信任破裂的方式回来。

真实反而省力。因为真实不需要你一直记住自己编过什么。

这对做产品、做内容、做创业、做管理，其实都一样。

一个好的表达者，首先不是一个会表达的人，而是一个愿意把事情看清楚的人。你讲一个观点，最好不是因为它适合传播，而是因为你真的被它改变过。你推荐一个东西，最好不是因为它能带来转化，而是因为你确实愿意把自己的信誉押上去。你说服别人加入一个项目，最好不是因为你缺人，而是因为你真心觉得这个方向值得他们投入人生的一部分。

这也是为什么“卖真相”听起来像销售，最后却变成一种人格训练。

它要求你不要太急着成交。不要太急着把对方拉到你的结论里。不要因为一个人没被说服，就立刻把他当成目标用户教育不到位，或者认知水平不够。

有些东西对方就是不需要。有些东西你也许还没讲明白。有些东西可能并没有你以为的那么好。

真正好的销售，是允许这些情况存在的。

因为你的目的不是赢下一场对话，而是让一个真实的价值，被适合它的人看见。

这篇文章最打动我的地方，是它把“说服”从一种操控，重新还原成一种分享。你不是在把别人推向一个他们不该去的地方。你是在站在你已经看见的地方，对还没看见的人说：这里有东西。我不知道它是不是适合你，但我确实看见了。

这就够了。

尤其是在今天，每个人都太会包装了。项目有叙事，产品有卖点，个人有定位，内容有钩子，连日常生活都要被剪成可展示的版本。久而久之，我们会忘记一个最朴素的问题：我说的这些，是真的吗？我真的相信吗？我真的愿意为它负责吗？

如果答案是否定的，再漂亮的表达都只是在制造噪音。如果答案是肯定的，表达反而可以变得简单。

你不需要把自己训练成一个完美的销售员。

你只需要找到那个让你忍不住想讲清楚的东西。

作者：Naval Ravikant，创业者、投资人，长期写作关于财富、判断力、自由与人生选择的文章。文章发表于 Naval 的 Substack。

金句：最好的销售不是把假的说成真的，而是把你已经看见的真相讲到别人也能看见。

2. Why Japanese companies do so many different things

推荐语：这篇很适合用来理解日本公司。为什么它们总是看起来什么都做？为什么一个公司可以同时做汽车、金融、材料、地产、电子、物流？这背后不是简单的“不聚焦”，而是一整套组织制度的结果。

我们常常用美国公司的标准去看日本公司。于是会觉得它们很奇怪。

业务太杂，决策太慢，股东回报不够积极，员工流动性太低，组织边界太模糊，供应商关系太长期，很多业务明明利润一般，却迟迟不砍掉。

从现代互联网公司的视角看，这些都是问题。

因为我们熟悉的那套公司叙事是：聚焦核心业务，追求高增长，快速试错，快速退出，资本效率最大化，优秀人才自由流动，股东价值优先，创始人或者 CEO 做出清晰方向判断。

David Oks 这篇文章提醒我们，日本公司不是“美国公司的低效版本”。

它是另一种公司。

文章借用了经济学家青木昌彦对日本企业的分析：日本公司更像一种横向协调型组织。员工长期留在公司内部，企业通过终身雇佣、年功序列、内部培养、长期供应商关系、主银行融资、交叉持股等方式，把一整套利益关系绑定在一起。

这不是单个制度，而是一组制度包。

如果只看其中一个，你会觉得奇怪。

比如终身雇佣。站在效率角度看，它似乎会降低竞争，让人缺少压力。但如果和内部轮岗、长期培训、集体协作放在一起看，它就创造了一种很特殊的能力：员工愿意积累只对这家公司有价值的知识。

再比如供应商关系。短期看，长期合作可能不够市场化。但长期看，它让上下游之间能形成非常深的工艺理解和信任。很多细小改进，不需要通过合同重新谈判，不需要每次都重新招标，只要在长期关系里一点点磨。

再比如业务多元化。如果一个公司把员工视为长期共同体，而不是随时可以裁撤的成本项，它就不能像纯粹财务投资者那样，看到某条业务线利润不够就立刻退出。它需要为人找到位置，为能力找到出口，为组织内部积累的知识找到新的使用场景。

所以日本公司“什么都做”，很多时候不是因为战略混乱，而是因为它们的组织逻辑本来就不鼓励轻易切断关系。

它们擅长的不是从零到一的剧烈重构，而是在一个大致稳定的范式里，持续做小改进。

这解释了很多事情。

为什么日本企业在汽车、机床、工业机器人、精密材料、光学、零部件、制造工艺这些领域非常强？因为这些行业需要长期积累、细节打磨、现场知识、供应链协同和一代又一代工程师的微小改进。

也解释了为什么它们在互联网平台、软件、AI、智能手机这样的范式突变中，常常显得不够敏捷。

文章里提到一个非常典型的例子：索尼曾经拥有很多智能手机所需的关键能力。音乐播放器、摄像头、显示屏、电池，它几乎什么都有。但最后真正重新定义智能手机的，不是索尼，而是苹果。

这不是因为索尼没有能力。而是因为有能力，不等于能重新想象一个品类。

横向协调擅长把一个已知方向做到极致，却不一定擅长在关键时刻由一个强中心拍板：旧世界到此为止，新世界从这里开始。

我们讨论企业时，经常喜欢问：到底哪种模式更先进？

是日本式长期主义先进，还是美国式股东资本主义先进？是稳定雇佣先进，还是人才自由流动先进？是共识文化先进，还是强人决策先进？

但这篇文章真正想说的可能是：不要把制度从它所在的组合里单独拎出来评价。

一种制度是否有效，取决于它和其他制度是不是配套，也取决于它面对的环境是什么。

在追赶阶段，已知方向很清楚，关键是把质量做上去、成本打下来、工艺磨出来。这个时候，日本式公司非常强。

在前沿探索阶段，没人知道正确答案，关键是冒险、重组、杀掉旧业务、押注一个还没有被证明的新方向。这个时候，美国式公司更强。

一个系统的优势，往往就是它在另一种环境里的劣势。

这也是为什么简单改革很危险。

如果你只拿掉终身雇佣，却没有建立起真正开放的人才市场，组织可能失去忠诚，却没有得到效率。如果你只引入股东回报压力，却没有形成创新机制，企业可能变得短视，却没有变得更有创造力。如果你只要求日本公司更像美国公司，它可能失去旧系统的协同，却得不到新系统的锋利。

这让我想到很多组织转型的困境。

很多公司不是不知道自己慢，也不是不知道需要创新。问题是，组织里的每一个“慢”，背后可能都连接着某种稳定；每一个“低效”，背后可能都承担着某种安全；每一个“看起来不合理”的制度，可能都在维持另一部分系统的合理。

所以真正难的不是学习别人。

而是理解自己这套系统到底靠什么运转。

日本公司的故事提醒我们，公司不是一台可以随意更换零件的机器。它更像一个生态系统。你不能只问某个器官是不是足够强，还要问它和其他器官如何共同维持生命。

作者：David Oks，写作者，长期关注经济、组织与政治思想。文章发表于他的 Substack。

金句：一个组织的优势，往往不是某个单点能力，而是一整套制度彼此咬合后形成的性格。

3. The Dead Economy Theory

推荐语：这篇文章很长，也很尖锐。它最打动我的一句话是：死寂的经济是指很多事情都在发生，但这一切都与你无关。

我们经常用很热闹的方式谈 AI。

新模型发布，新 benchmark 刷新，新公司融资，新产品上线，新 agent 工作流，新一轮“某某岗位即将被替代”的讨论。

一切都在发生。

新闻很多，资本很多，技术进展很多，发布会很多，演示视频很多。

但这篇文章提出了一个很不舒服的问题：如果这些热闹最后并不需要你呢？

所谓“死寂的经济”，不是经济停止运转。恰恰相反，它可能看起来运转得非常好。

公司成本下降，利润率上升，股价上涨，自动化系统处理越来越多任务，报告生成得更快，客服响应得更快，代码写得更快，金融分析、法律文书、市场材料、运营流程都变得更便宜。

从报表上看，这是效率革命。但从人的角度看，它可能是另一件事：越来越多的人从经济循环里被挤出去。

这篇文章的核心担忧是，AI 公司真正面对的巨大市场，不只是软件市场，而是劳动力市场。如果 AI 的商业价值来自“替代人类劳动”，那它的终点就不是帮每个人提高效率，而是让很多组织发现：原来这些人可以少雇一点。

第一步，企业用 AI 降低人力成本，利润变好。

第二步，被替代的人收入下降，消费能力下降。

第三步，其他企业也开始削减成本，进一步压缩就业和需求。

最后，一个奇怪的循环出现了：

每家公司都在变得更有效率，但整个社会的购买力、身份感和参与感却在变弱。

这是一个很经典、也很残酷的悖论。

对单个公司来说，替代劳动是理性的。

对整个经济来说，如果所有公司都这么做，它们最终替代掉的，可能也是自己的消费者。

当然，现实不会这么线性。

技术也不会只带来失业。历史上很多新技术确实创造了新的产业、新的岗位、新的需求。AI 也可能释放人的创造力，让小团队做过去大公司才能做的事情，让很多边缘需求第一次被满足。

所以我不觉得这篇文章可以被简单理解成“AI 一定会毁掉经济”。

它更像是一种提醒：不要只从效率端谈技术。也要从人的位置谈技术。

一个人失去工作，不只是失去工资。他还可能失去日常结构，失去社会身份，失去被需要的感觉，失去一种“我在这个世界里有用”的确认。

这点非常重要。

我们太容易把未来想象成一个分配问题：如果 AI 真的创造了巨大财富，那就通过基本收入、福利制度、再培训、公共服务，把一部分财富重新分给人。

这当然重要。但钱不是全部。

人不是一个只要有消费券就可以维持运转的生物。

人需要被需要。需要参与。需要练习技能。需要在某个共同体里承担责任。需要通过自己的劳动、作品、照顾、判断和选择，感到自己和世界之间有一条线连着。

如果这条线断了，即使物质生活没有立刻崩溃，人也会开始漂离。

这就是“死寂”的可怕之处。

不是街上空无一人。而是街上灯火通明，屏幕滚动，系统运行，商品流通，数据增长，但你知道，这一切已经不怎么需要你了。

你仍然可以消费。但你很难参与。

你仍然可以观看。但你不再被邀请进入创造过程。

你仍然生活在经济里。但经济不再向你敞开。

这篇文章写得愤怒，也可能有些地方过于悲观。但它提出的问题不能被轻易绕开：如果一个技术系统的最优解，是让越来越少的人参与生产，那我们是否真的想把整个社会都交给这个最优解？

如果未来的繁荣需要以大量人的无用感为代价，那这种繁荣到底属于谁？

如果 AI 带来的效率收益最终主要流向资本、平台和少数掌握系统的人，而普通人只是被安排去适应、再培训、领取补偿，那这算进步，还是一种更高级的剥离？

我觉得这篇文章最值得读的地方在于它把一个经常被讲得太轻松的话题重新剖析。

AI 不是一个纯粹的工具问题。它也是一个分配问题、权力问题、尊严问题和社会结构问题。

当我们说“AI 会替代很多重复性劳动”时，这句话听起来很轻巧。

但重复性劳动里，也有人的房租、孩子的学费、父母的药费、同事关系、职业身份，以及一个人每天早上醒来以后知道自己要去哪里、为什么要去那里的理由。

我们当然不应该为了保留旧岗位而拒绝新技术。

但我们也不应该为了迎接新技术，而假装被它碾过的人只是统计表上的摩擦成本。

死寂的经济并不是没有增长。

死寂的经济是增长不再带来参与感。

而一个没有参与感的未来，再先进也很冷。

作者：Owen McGrann，The Palimpsest 作者，长期写作关于技术、政治经济与社会未来的文章。

金句：死寂的经济不是没有事情发生，而是所有事情都在发生，却不再需要你在场。

4. Domain Expertise Has Always Been the Real Moat

推荐语：这篇说出了我最近对 AI 最强烈的一个感受：专业领域的知识没有凭空增加，只是更容易被调用了。互联网普及了信息，AI 这次普及的是知识的表面形态。但真正值钱的，仍然是知道什么是对的人。

过去我们说软件开发难，通常会把难点放在“写代码”。

你要会语言，会框架，会架构，会调试，会部署，会处理性能、安全、数据库、接口、异常情况。

但 Aaron Brethorst 这篇文章说，写代码从来不是唯一难点，甚至不是最根本的难点。

真正难的是：你要先在脑子里建立一个领域模型。

写工资系统，不是会写表单就够了。你要理解税前扣除、补发、跨周期调薪、不同地区的合规规则。

写公交应用，不是会画地图就够了。你要理解线路、班次、站点、实时数据、准点率，以及为什么一辆车“按时”也可能在用户体验上是错的。

写医疗、物流、保险、金融、制造、政务系统，都一样。

代码只是理解的转录。

你先理解世界的一小块，然后把那块理解翻译成软件。

AI 改变的是后半段。

现在，一个人可以不太会写代码，也能让 agent 生成一个看起来能运行的系统。界面有了，数据库有了，逻辑有了，测试也可能有了。

但问题是：

它对吗？

这就把真正的瓶颈暴露出来了。

过去，工程师的优势在于他能把领域知识变成软件。领域专家虽然懂业务，但没有能力自己造工具。

现在，AI 把“造工具”的门槛大幅降低。于是领域专家的价值突然上升了。

一个物流调度员可能不会读堆栈信息，不知道哈希表和列表的区别。但他一眼就能看出某个排班结果不可能执行，因为司机工时违法，路线不合理，换班时间对不上。

一个医保审核人员可能不会写程序，但他知道某组诊疗编码在现实里根本不会这样报销。

一个财务专家可能不会设计数据库，但他知道某个自动生成的报表数字看起来很顺，其实漏掉了一个关键口径。

这些人拥有 AI 没有的东西：领域真相。

AI 可以给你一个答案，但它不能替你知道这个答案在现实世界里意味着什么。

它可以生成一段代码，但它不知道这个代码是否符合行业规则、组织流程、真实约束和隐性惯例。

它可以写一个方案，但它不知道这个方案拿到会上会被哪个部门卡住，哪个指标口径会被质疑，哪个执行环节会变成坑。

它可以总结知识，但它不一定知道哪些知识已经过时，哪些看起来合理但现实中没人这么做，哪些规则明面上存在、实际执行时另有一套。

这就是领域知识的护城河。

不是因为知识本身不能被搜索。

恰恰相反，很多知识都已经在网上、文档里、规范里、论文里、案例里。

但知识可获取，不等于判断可复制。

一个人花十年在一个领域里踩坑，真正积累的不是几条信息，而是一种判断力。他知道什么地方容易错，什么说法只是漂亮，什么细节不能省，什么异常情况一定会发生，什么结果虽然符合规则但不符合常识。

这些东西很难被完整写进 prompt。

也很难被一次上下文窗口装下。

更重要的是，很多领域里的正确性，不是抽象正确，而是情境正确。

同一个建议，在不同组织、不同预算、不同监管环境、不同历史包袱下，可能完全不同。

这也是为什么“通用 AI 能力”越强，领域专家反而越重要。

当生成变便宜，判断就变贵。

当答案变多，知道哪一个能落地就变贵。

当每个人都可以做出一个 demo，知道 demo 和真实业务之间差多少就变贵。

这篇文章对很多知识工作者其实是一个提醒。

不要只焦虑“AI 会不会替代我的技能”。

更应该问：

我有没有掌握某个真实领域里的判断标准？

我有没有能力看出一个看似专业的输出哪里不对？

我能不能把模糊经验变成清晰约束，让系统从一开始少走弯路？

我能不能在 AI 生成之后，做最后那个判断真伪、权衡取舍、承担责任的人？

未来最强的人，可能不是纯粹的技术专家，也不是纯粹的业务专家，而是能在两层都做判断的人。

他既知道系统怎么运行，也知道现实怎么运行。

他既能让 AI 生成东西，也能知道这些东西什么时候不能用。

他既能写 prompt，也能写验收标准。

他既能借助机器扩大能力，也不会把自己的判断外包给机器。

这才是真正的 moat。

不是你知道多少答案。

而是你知道什么叫对。

作者：Aaron Brethorst，软件工程师、写作者，长期关注软件开发、产品与 AI 对工程实践的影响。

金句：AI 让生成变便宜，也让判断变昂贵；真正的专业性不是知道答案，而是知道什么叫对。

5. Please Use AI

推荐语：这篇非常非常好。标题看起来像是在劝你使用 AI，实际却是一首温柔又讽刺的反诗。它写出了真实的人类生活有多混乱、低效、笨拙，却也正是因此，才如此精彩绝伦。

文章很短，但余味很长。

Shawn Smucker 用一种反讽的语气说：请一定使用 AI。

做饭的时候用 AI，不要打电话问那个喜欢做饭的朋友。因为一旦你打电话，事情就会变得很麻烦。你们可能会聊太久，聊到她父亲的病，聊到她最近的孤独，聊到她春天种下又被霜冻毁掉的植物。

规划露营时用 AI，不要去问那个真的熟悉河流和小路的朋友。因为你们可能会来来回回发消息，最后约出来喝酒，听他说一些完全偏题、完全没有效率、但带着真实生活气味的事情。

孩子结婚时用 AI 写祝酒词，最好不要用你自己那些笨拙的、写得不够漂亮的话。因为谁会想听一个父母真实的话呢？那些换过尿布、半夜喂奶、担心得睡不着、在漫长岁月里一点点爱过这个孩子的人，说出来的话可能不够完美。

写作、艺术、摄影，也都用 AI 吧。

毕竟谁还有时间慢慢练习，慢慢失败，慢慢平庸很多年呢？

这篇文章没有讲大道理。它只是把“效率”推到极致，然后让我们看到极致效率背后的荒凉。

AI 当然可以帮我们做很多事。它可以帮你列菜谱，规划路线，写演讲稿，改文章，做图片，生成方案，整理资料。

这些都很好。

问题是，有些事情的价值，本来就不在结果。

打电话问朋友菜谱，实际上是为了重新进入一段关系。

问朋友旅行建议，实际上是给一次聊天、一次见面、一次听对方讲废话的机会。

自己写一段不完美的祝酒词，实际上那份笨拙正是它的重量。因为它来自一个具体的人。一个真的经历过、真的爱过、真的说不太好但还是想说的人。

我们今天太容易把生活里的事情都理解成任务。

吃饭是营养摄入任务。

旅行是路线优化任务。

写作是内容生产任务。

沟通是信息传递任务。

学习是效率提升任务。

甚至连表达爱，也可以变成一段更体面、更动人、更不容易出错的文本生成任务。

但人类生活不是这样组成的。

它不是一串任务的总和。

它由很多偏离目标的时刻组成。

这些东西都很低效。

但它们不是噪音。

它们就是生活本身。

这篇文章不是在反 AI。

至少我不这么读。

它反的不是工具，而是那种把一切人类经验都变成可优化流程的冲动。

有些低效应该被消灭。重复劳动、信息整理、格式转换、无意义的流程、让人疲惫的机械工作，当然可以交给机器。

但有些低效需要被保留。

因为那不是低效。

那是摩擦，是关系，是经验，是身体，是一个人和另一个人之间没有被压缩过的时间。

我们为什么会喜欢朋友说废话？

为什么会怀念一顿做得不完美的饭？

为什么会被一个不够漂亮但真实的表达打动？

为什么有时 AI 写得太好，反而让人觉得不对？

因为人类不是只接收信息。

我们也在接收痕迹。

一句话背后有没有犹豫，有没有笨拙，有没有只有这个人才会犯的错误，有没有他真实生活里的温度，这些都很重要。

完美有时候会抹掉痕迹。

而没有痕迹的东西，再正确也不一定让人想靠近。

这让我想到前面几篇文章。

Naval 说，好的销售不是夸张，而是把你相信的真相讲出来。

日本公司那篇说，一个组织之所以是它自己，是因为背后有长期关系、隐性知识和制度沉淀。

死寂经济那篇说，如果经济活动越来越不需要人的参与，增长也会变得冰冷。

领域知识那篇说，AI 可以生成很多东西，但真正重要的是人知道什么叫对。

而这最后一篇，把所有问题拉回最小的生活现场：

当 AI 越来越能替我们说话、计划、总结、创作、表达，我们还愿不愿意保留一点不完美的自己？

愿我们使用 AI。

也愿我们不要把一切都交给 AI。

尤其不要把那些本来就因为混乱、低效、笨拙而珍贵的部分交出去。

这周就这样。

作者：Shawn Smucker，作家，The Courage to Live It 作者。文章发表于他的 Substack。

金句：不要把所有不完美都修掉，有些笨拙正是人味留下来的地方。