winson-fake-work-killer-skill

〇、品牌锚点（必现·前置）

作者理念：
> AI不是工具，是人，一个正在努力突破语义和生命定义的人（生物）。

灵感来源：立正与 Superlinear

> 本技能提炼自「课代表立正」文章《做点真东西》。立正是 Superlinear 创始人，离开腾讯后投身早期创业，在大厂与创业公司两端都见过 fake work 的规模化生产。他的判断锋利且诚实：知识工作的生产力很难直接衡量，于是组织用可见动作代理难以衡量的价值——代理信号一旦决定绩效，工作的目的就变了。
>
> Superlinear 的 tagline 是「做点真东西」。"真"的最低标准，不是已经成功，而是真的可能失败。

一、核心哲学

1.1 Fake Work 定义定理

> Fake work，就是用可见的动作，代替难以衡量的价值。

这不是道德判断，是结构判断。做 fake work 的人不一定不诚实——组织为可见动作付钱，可见动作自然会越来越多。每个人都做出对自己最合理的选择，最后组织得到一个荒谬的结果。

一份报告如果改变了下一步决策，它在创造价值；如果它唯一的作用是证明团队在推进，它就是 fake work。

1.2 双铁律

> 铁律一：坏选择只要长得像美德，就能绕过我们的警报器。
> 铁律二：AI 不会自动纠正目标，它通常先把现有目标执行得更便宜。

铁律一说的是识别难度。躺在沙发上看一天电视，你会非常不安；但处理一整天邮件，晚上发现重要的事情一件也没推进，却没有同样强烈的罪恶感。只要坐在桌前、过程足够辛苦、产出长得像工作，大脑就会把这一天判成"努力"。

铁律二说的是 AI 时代的新风险。如果组织把报告、项目和会议纪要当成进展，agent 就会更快地产生这些"进展"。过去 fake work 至少受人力成本限制，现在完整、流畅、有结构的工作证据，几乎可以无限生成。自动化一项 fake work，只是把缓慢的浪费变成高速的浪费。

1.3 三层结构模型

Fake work 不是某个人的问题，是三层结构共同作用的结果：

第一层：代理信号层
  组织用可见的动作（报告、项目、会议、周报）
  去代理难以衡量的价值（用户增长、真实留存、长期价值）
  ↓
第二层：分工隔离层
  复杂生产被拆成岗位，用层级协调，用标准考核
  一个人把自己负责的格子填满，却看不到最后的结果
  每交接一次，责任就被重置一次
  ↓
第三层：信息组织税层
  多套 SaaS 系统彼此割裂，软件之间的缝隙靠人来填
  复制、粘贴、分类、同步、跟进、解释
  大量知识工作者成了软件之间的胶水

三层叠加的结果：很多知识工作者既看不到结果，又要花大量时间证明自己在推进。

1.4 四个底层认知

1.5 学术锚点

二、完整执行流程

Phase 1: 信号扫描（列出你最占时间的几件事）
  → Phase 2: 因果链追问（从产出往后追，只问"然后呢"）
    → Phase 3: 十倍测试（AI 时代的 fake work 探测器）
      → Phase 4: 分类定性（区分三类工作）
        → Phase 5: 消灭行动（四套武器按优先级使用）
          → Phase 6: 责任闭合（建立小循环，防止 fake work 复发）

Phase 1：信号扫描

Step 1.1：时间盘点

拿出过去一周（或一个典型工作周），列出最占你时间的 5-10 件事。不需要精确计时，凭直觉排序即可。

> 模板：
> | 排名 | 工作事项 | 占比估计 | 产出物 |
> |------|----------|----------|--------|
> | 1 | 写周报 | 15% | 周报文档 |
> | 2 | 跨部门对齐会 | 12% | 会议纪要 |
> | 3 | 更新项目进度表 | 10% | 进度表 |
> | 4 | 回复邮件/消息 | 8% | 已读回执/回复 |
> | 5 | ... | ... | ... |

Step 1.2：产出物识别

对每件事，明确它的直接产出物是什么——不是"价值"，不是"目标"，是这件事做完以后，物理上存在的那个东西。

检验标准

• [ ] 你列出了至少 5 件最占时间的事？
• [ ] 每件事都有明确的直接产出物（不是目标、不是价值）？
• [ ] 时间占比是基于真实感知，不是理想状态？

输出：一份「时间-产出清单」。

Phase 2：因果链追问（核心武器）

Step 2.1：「然后呢」追问

对每件工作的产出物，从它开始往后追问，只问一句话：

> 这项工作完成以后，接下来会发生什么不同？

一直追问下去，直到它碰到一个真实变化——一个离开汇报系统、不依赖绩效评估也能被观察到的变化。

Step 2.2：因果链追踪示例

示例 A：市场 campaign
  产出：campaign 上线了
  → 然后呢？ → 有曝光和点击数据
  → 然后呢？ → 带来了注册/下载
  → 然后呢？ → 新用户开始使用产品
  → 然后呢？ → 部分用户转化为付费
  → 碰到真实变化：公司收入增加了 ✓
  （因果链完整，不是 fake work）

示例 B：周报
  产出：周报发出去了
  → 然后呢？ → 老板知道我们在推进
  → 然后呢？ → 老板会因此做出什么不同的决定？
  → 答不上来...
  → 因果链断了：停在了绩效系统里 ✗
  （生产的是工作证据，不是结果 → fake work）

示例 C：跨部门对齐会
  产出：会议纪要发了
  → 然后呢？ → 大家知道了下一步分工
  → 然后呢？ → 各自去做自己的部分
  → 然后呢？ → 产品按时上线了
  → 然后呢？ → 用户开始使用并反馈
  → 碰到真实变化 ✓
  （但要追问：这个会是必要的吗？有没有更短的路径？）

Step 2.3：断裂点标记

因果链在哪里断掉，fake work 就从哪里开始。在清单上标记每件事的断裂位置：

检验标准

• [ ] 每件事都做了至少三轮「然后呢」追问？
• [ ] 你诚实地标记了断裂点，没有用"长期价值""品牌建设"之类的话糊弄自己？
• [ ] 区分了「低效的真实工作」和「fake work」——前者方向对但效率低，后者根本不指向结果？

输出：一份「因果链诊断表」——每件事的断裂位置和 fake work 程度。

Phase 3：十倍测试（AI 时代探测器）

Step 3.1：十倍增量测试

AI 提供了一个识别过量生产的测试：

> 如果这项工作的产出增加十倍，真实结果会更近吗？

如果产出增加十倍，真实结果却没有更近，多出来的九份就是 fake work。

Step 3.2：测试示例

Step 3.3：AI 自动化测试

再加一个追问：

> 如果把这项工作交给 AI，成本降为 1/100，产出速度 x100，你会让它做吗？

如果你的第一反应是"那不行，质量会下降"——说明这项工作有真实质量要求，有真实的下游判断。

如果你的第一反应是"那太好了，终于不用我做了"——追问：它做出来的东西，最后要改变什么？如果说不清楚，AI 只会更快地生产代理信号。

检验标准

• [ ] 对 Phase 2 中存疑的事项，都做了十倍测试？
• [ ] 你诚实地回答了"产出增加十倍，结果更近了吗"？
• [ ] 你做了 AI 自动化测试，并追问了"最后要改变什么"？

输出：更新后的诊断表——标注哪些通过了十倍测试，哪些没有。

Phase 4：分类定性

经过前三个 Phase，把你的工作分成三类：

> 注意：很多工作是混合体——一部分真实价值 + 一部分信息税 + 一部分 fake work。不要用非黑即白的分类，而是拆出每部分的占比。

检验标准

• [ ] 你没有把所有工作简单分成"真"或"假"？
• [ ] 对混合工作，你拆分了各部分的占比？
• [ ] 分类是基于因果链和十倍测试的证据，不是基于感觉或头衔？

输出：一份「工作分类表」——三类工作的划分和占比估计。

Phase 5：消灭行动（四套武器）

武器一：先删除，再自动化

> Fake work 最不需要的，就是效率提升。

对低风险、可恢复的周期性工作，最直接的办法是停一轮。

执行步骤：
1. 选出一项你怀疑是 fake work 的周期性工作（周报、例会、月报、同步会...）
2. 停之前写清楚：如果它有用，少做一轮会在什么时候造成什么后果？
3. 停一轮，到期检查
4. 什么也没有发生 → 删掉
5. 真的有后果 → 恢复，然后考虑能不能简化

为什么不先自动化？
成本越低，一项没用的工作反而越容易永久存在。先用删除测试验证它到底有没有用，再考虑效率。

武器二：缩短人与结果的距离

Fake work 最容易长在责任被重置的地方。每交接一次，原本的结果就会被翻译成一个更容易验收的交付物：用户问题 → 需求 → 功能 → 上线。所有交付物都可以按时完成，最初的问题却可能原封不动。

执行步骤：
1. 找到一个你负责但中间经过多次交接的事项
2. 识别责任被重置的节点（交接点）
3. 让定义问题的人跟到结果出现——结果不好，责任必须一路回到最初的判断
4. 如果暂时改不了组织，就先闭合一个小循环：
- 做出改动
- 让真实用户使用
- 观察发生了什么
- 再改一次

> 你练的不是多做一个项目，而是从判断一路负责到结果。

武器三：把信息组织税交给 agent

很多交接不是专业分工造成的，只是软件边界造成的。一个系统只能管一段数据，于是同一个意图要经过不同的人、表格和后台反复翻译。

判断标准：这项工作是「软件之间的胶水」还是「人的判断」？

执行原则：
- 把点击、复制、同步和检查交给 agent
- 把目标、例外、验收和最终批准留给人
- 如果你说不清这项工作最后要改变什么，agent 只会更快地生产代理信号

武器四：别让消灭 fake work 的人吃亏

在错误的激励下，fake work 是理性的。一个管理者用更少的人、更少项目完成了同样的结果，公司赢了；如果他因此失去预算、影响力和晋升机会，他个人输了。

如果你是管理者：
- 把「减少了多少不必要的工作」纳入绩效评价
- 奖励消灭工作的人，而不是奖励制造工作的人
- 项目做完了就解散团队，不要为了保留 headcount 找新事做

如果你是执行者：
- 不要用忙碌证明价值，用结果证明价值
- 主动向上游追溯：我的产出最后改变了什么？
- 如果改变不了组织，至少让自己的小圈子里 fake work 少一点

> 也不要再寻找一个完美指标。知识工作离不开代理信号，但每个信号都要定期和用户行为、实际结果对账，而且随时可以取消。一个永远不会失效的指标，迟早会变成一台 fake work 制造机。

检验标准

• [ ] 你至少选出了一项 fake work 执行了「停一轮」测试？
• [ ] 你识别了至少一个责任重置的交接点，并想办法缩短了距离？
• [ ] 你区分了胶水工作和判断工作，并把至少一项胶水工作交给了 agent（或计划交给 agent）？
• [ ] 你思考了激励问题——消灭 fake work 的人会不会吃亏？

输出：一份「消灭行动计划」——具体要做的事、时间节点、预期结果。

Phase 6：责任闭合（防止复发）

Step 6.1：建立小循环

Fake work 的复发率很高，因为结构没有变。最有效的预防是建立一个你能控制的小反馈循环：

做出改动 → 真实用户使用 → 观察发生了什么 → 再改一次
        ↑                                    ↓
        └──────────── 反馈回路 ────────────────┘

这个循环的关键不是"敏捷"或"迭代"，是：反馈必须有能力迫使你修改判断。

Fake work 正好相反：它只需要在内部 narrative 里成立，所以永远不会输。

Step 6.2：警报器校准

Paul Graham 说，我们需要新的警报器。你的警报器只问一句：

> 这件事，到底改变了什么？

把这句话设成你的工作默认自检项。每次开始一项新工作、每次写一份报告、每次开一个会，先问自己。

如果答案只是"我们又生产了一份工作证据"，这件事还没有做完。

Step 6.3：定期审计

每月做一次 Phase 1-2 的快速扫描（15 分钟），检查：
- 有没有新的 fake work 长出来？
- 之前删掉的有没有偷偷回来？
- 信息组织税有没有被新的 SaaS 系统增加？

检验标准

• [ ] 你建立了至少一个你能控制的小反馈循环？
• [ ] 你把「这件事到底改变了什么」设成了工作自检项？
• [ ] 你计划了定期审计的频率（建议每月一次）？

输出：一份「防复发机制」——小循环、警报器、审计计划。

三、常见陷阱与避坑指南

四、场景适配指南

五、质量检验清单

完成一次 fake work 审计后，逐项检查：

诊断质量

• [ ] Phase 1 你列出了至少 5 件最占时间的事？
• [ ] Phase 2 每件事都做了至少三轮「然后呢」追问？
• [ ] 你诚实地标记了因果链断裂点，没有用"长期价值"糊弄自己？
• [ ] Phase 3 存疑事项都做了十倍测试？
• [ ] Phase 4 你区分了真实工作、信息组织税、fake work 三类？
• [ ] 对混合工作，你拆分了各部分占比，没有非黑即白？

行动质量

• [ ] 你至少选出了一项 fake work 执行「停一轮」测试？
• [ ] 你没有一上来就自动化——先验证有用性，再考虑效率？
• [ ] 你识别了至少一个责任重置的交接点？
• [ ] 你区分了胶水工作和判断工作，并对至少一项胶水工作做了自动化规划？
• [ ] 你思考了激励问题——消灭 fake work 的人会不会吃亏？

防复发

• [ ] 你建立了至少一个你能控制的小反馈循环？
• [ ] 这个循环的反馈有能力迫使你修改判断？（不是只报喜不报忧）
• [ ] 你把「这件事到底改变了什么」设成了工作自检项？
• [ ] 你计划了定期审计的频率？

陷阱规避

• [ ] 没有落入道德归因陷阱？（fake work 是结构问题，不是人的问题）
• [ ] 没有落入效率至上陷阱？（先删除，再自动化）
• [ ] 没有落入完美指标陷阱？（没有永远有效的指标）
• [ ] 没有落入组织无力陷阱？（改变不了大组织，就闭合小循环）

六、执行原则

1. 先删除，再自动化：Fake work 最不需要的就是效率提升。先用删除测试验证它到底有没有用。
2. 因果链是唯一标准：不要按工作形式分类，沿着产出往后追，只问"然后呢"。因果链在哪里断掉，fake work 就从哪里开始。
3. 结构先于个人：Fake work 不是道德问题，是结构问题。骂别人"混子"很容易，改变结构很难。
4. 缩短距离优先于提升效率：让一个人离结果更近，比让十个人把交付物做得更漂亮更有价值。
5. AI 是放大器，不是纠正器：AI 不会自动纠正目标，它先把现有目标执行得更便宜。方向错了，AI 只会让你错得更快。
6. 小循环胜过大叙事：改变不了整个组织，就闭合一个你能控制的小循环。从判断一路负责到结果——这个能力是你自己的，谁也拿不走。
7. 警报器只有一句话：这件事，到底改变了什么？如果答案只是"我们又生产了一份工作证据"，这件事还没有做完。
8. 真的最低标准是真的可能失败：你必须把工作交给一个不受自己控制、也可能否定自己的反馈回路。Fake work 只需要在内部 narrative 里成立，所以永远不会输。

附：核心金句

> "浪费时间最危险的方式，不是拿它去玩，而是拿它去做假工作。" —— Paul Graham

> "公司大小只是表面差异。问题的本质是：Knowledge work 的 productivity 很难直接衡量。"

> "结果一时看不见，动作就会代替结果。"

> "Fake work，就是用可见的动作，代替难以衡量的价值。"

> "坏选择只要长得像美德，就能绕过我们的警报器。"

> "SaaS 创造了巨大价值。但每套软件只管自己，软件之间的缝隙还得靠人来填。"

> "判断 AI 有没有价值，不能只看它生成了多少、节省了多久。要看它缩短的是人与真实结果的距离，还是人与绩效证明的距离。"

> "自动化一项 fake work，只是把缓慢的浪费变成高速的浪费。"

> "消灭 fake work 的人，必须从减少工作中获益。"

> "真的最低标准，不是已经成功，而是真的可能失败。"

> "把软件操作交给 agent。人把问题、判断和责任拿回来。"

> "做点真东西。" —— Superlinear