同一个模型，同一个订阅，同一个团队——Power User对模型推理能力的使用量是普通用户的7倍。

这不是OpenAI随便说的一个数字，而是出自其2026年1月发布的官方报告《Ending the Capability Overhang》。7倍。同一个GPT-4o，同一份每月20美元的Plus订阅，有人用它完成30分钟的专家级任务链，有人拿它替代谷歌搜两个词。模型没有区别，区别在人。

这就是Logan Kilpatrick那条被疯狂转发的推文要说的全部事情：

"every ~3 months, you need to increase your level of ambition in the AI era, else you forfeit the capability overhang of the models to your competitors"

翻译过来：在AI时代，大约每三个月，你就需要提升一次自己的野心水平，否则你就会把模型的能力盈余拱手让给竞争对手。

这条推文的锋利之处，不在于它描述了一个现象，而在于它命名了一种焦虑——你隐约感觉武器越来越强，但自己还在用旧战术打仗，又说不出哪里出了问题。Logan给这个感觉起了名字：capability overhang，能力盈余。模型能做的，远多于你在让它做的。而那段差额，不会被浪费——你不吃，对手会吃。

7倍差距的背后：人们不是"跟不上"，是"不敢用"

看到7倍这个数字，多数人的第一反应是："是不是Power User用了什么高级功能？是不是他们付了更多钱？是不是他们更懂技术？"

都不是。

OpenAI的报告明确指出，这7倍差距是在同一Plus计划的用户中测量的。Power User（第95百分位）和普通用户（中位数）付同样的钱，调同一个API，用同一个界面。差距纯粹来自他们让模型做什么。

更触目惊心的是内部数据：OpenAI员工人均使用的"思考能力"（reasoning tokens消耗量）是普通Plus用户的15倍，每条消息的使用量是后者的5倍以上。这些员工没有特殊权限，他们只是更清楚模型能做什么，并且更敢于让模型去做。

这不是孤证。IBM 2026年全球CEO研究给出了另一个维度的数据：85%的员工已经拥有AI工具的访问权限，但只有25%在真正使用。61个百分点的鸿沟，横亘在"能"和"用"之间。Epoch AI与Ipsos的联合调查更精细：在使用AI的人中，62%只用它做1-2件简单的事，只有5.6%的人"重度依赖"。80%的用户把AI当搜索引擎用——打字、得到回答、离开。

微软2026年工作趋势指数把重度用户精准地框定在16%。这16%有一个共同特征：他们说"我现在能做一年前做不到的事"。剩下84%的人，在用AI的方式上，和一年前没有本质区别。

把这些数据放在一起看，一个反直觉的结论浮出水面：

瓶颈已经转移了。 2023年的瓶颈是模型不够强，你问多了它就出错，所以只能小心翼翼地拆小任务。2026年的瓶颈在人——你想不到、不敢想、习惯性地低估模型的边界。模型已经翻了好几轮，你的用法还停留在上一轮。

Logan自己承认过这个陷阱：

"Twelve months ago I was like, let me ask for the bare minimum thing possible, because otherwise the model will fumble. And now I'm constantly kicking myself — maybe I should ask for three extra things, or four extra things, or all 30 things that I want."

一个在OpenAI和Google DeepMind都工作过的核心人物，明知模型已经够强了，还是会在下意识里"保守提问"。如果连Logan都需要"不断踢自己"来提升野心，普通人的处境可想而知。

三重锁定：为什么你的野心不会自动升级

理解了瓶颈在哪里，下一个问题是：为什么多数人无法自然地提升野心？这不是意愿问题。没有人故意拒绝用更好的武器。这是三重结构性障碍，每一重都会自我强化。

第一重：习惯锁定。

过去两年，用户训练出了一套"保守提问"的肌肉记忆——拆小任务、限制范围、小心验证。这套记忆不是一夜形成的，是无数次模型出错、幻觉、答非所问后，用挫败感浇筑出来的。现在模型变强了，但习惯没有自动更新。就像你在一个限速30的路段开了两年车，突然告诉你限速改成了120，你的脚还是会不自觉地轻踩油门。

哈佛商学院2026年3月发表的一项研究追踪了2600名员工、140万次AI交互，发现了Power User和普通用户之间最本质的行为差异：普通用户把AI当搜索引擎——打字、拿答案、走人；Power User把AI当思考伙伴——给角色、定约束、要求解释、迭代修正。这不是技术差异，是认知模式的差异。而认知模式一旦固化，改变它需要的不是"更好的提示词教程"，而是系统性地重建人与AI的交互直觉。

第二重：组织惯性。

即使个人想提升野心，组织也不会轻易允许。企业的审批流、合规审查、KPI体系、数据权限，都是为"人做"设计的，不是为"AI做"设计的。AI可以在30秒内出一份完整方案，但等审批要两周。AI可以自动执行多步骤任务链，但安全团队不允许它访问核心数据库。

HFS Research 2026年的调查给出了一个精准的量化：59%的财富1000强AI组合卡在任务级别，但63%的领导层希望在24个月内达到工作流或系统级。从"任务"到"工作流"是2.5倍的野心跃迁，而当前的组织架构根本不支持这个跃迁。67%的企业承认关键业务逻辑和隐性知识是碎片化、未文档化的，只有38%有资金计划来解决这个问题。

Beaconly的研究更尖锐：88%的企业至少在一个业务功能中使用了AI，但只有6%看到了有意义的、规模化的财务回报。另外94%在积累风险——技能差距预计到2026年底将在全球造成5.5万亿美元的损失。

第三重：想象力赤字。

这是最深层的障碍，也是最被低估的。人们用旧范式理解新工具，就像当年把汽车叫"无马的马车"。大多数人把GPT理解为"更快的搜索"或"更好的写作助手"，而不是一个可以承接复杂工作流的协作者。他们问AI的问题，是自己已经知道答案的问题——只是想让AI更快地给出答案。他们不会问AI自己没想到的问题，不会让AI去做自己不敢想象能自动化的任务。

Anthropic 2026年发布的经济指数报告用一张雷达图把这件事可视化到了极致。他们用ONET数据库和Claude实际使用数据对比了22个职业大类的理论AI覆盖率和实际AI覆盖率*。在计算机与数学类岗位上，理论覆盖率94%，实际只有33%。在管理与商业类，理论85%，实际30%。在法律类，理论85%，实际25%。每一个类别，实际使用都只是理论可能的一个零头。

蓝线（理论可能）像一只张开的巨手，红线（实际使用）是手心里一个蜷缩的小拳头。 两者之间的巨大空白，就是capability overhang的面积——而这块面积每天都在膨胀。

能力盈余的博弈论：你不吃，对手会吃

Logan把capability overhang定性为一个竞争问题，而非效率问题。这不是修辞，是博弈论。

理解这一点，需要拆开一个关键结构：模型能力是公共品，野心是私有品。

所有人都能调用同一个GPT-4o、同一个Gemini 2.5、同一个Claude 4。模型能力的边际获取成本趋近于零——一个API密钥，几行代码，任何人都能拿到同等算力。这意味着模型能力本身不构成护城河。

但野心不同。野心是你在特定领域对AI可能性的认知深度、使用强度和工作流嵌入程度的总和。它不能通过购买获取，不能通过一次培训速成，它只能通过一个季度一个季度的实践累积。当你率先用野心匹配了模型能力，你就率先收割了那段盈余。

关键在于：那段盈余具有先发不可逆性。

率先利用能力盈余的玩家，会启动三重飞轮：

数据飞轮：更深度的AI使用产生更丰富的交互数据和反馈信号，这些数据反过来优化你的工作流、微调你的模型、训练你的团队。后来者即使有同样的模型，也没有同样的数据。

工作流飞轮：你把AI嵌入核心流程后，每一次使用都在固化这种嵌入。团队的肌肉记忆、审批路径的适配、系统间的对接——这些不是"功能"，是"基础设施"。后来者要重建这些，不是写代码的事，是重组织的事。

认知飞轮：你在一个季度提升野心后，下一个季度你知道该往哪里提升。Logan说的"每3个月"不是匀速增长——它是复利增长。每轮野心升级都让你看到更大的可能性空间，看到别人看不到的overhang区域。

Bain 2026年CEO调查给出了这个逻辑的硬证据：与以往技术浪潮不同，AI优势从Day 1就开始复利累积。 等一等再追赶的成本不是"延迟"，而是"可能永远追不上的差距"。在云计算和数字化时代，后发者可以靠更大的预算和更好的供应商追赶。在AI时代，这些追赶手段失效了——因为差距的核心不是技术，是嵌入深度和组织学习，这些东西用钱买不到。

McKinsey的分析从另一个角度验证了这一点。他们识别出AI时代四类真正的竞争壁垒：规模经济（将认知工作转化为基础设施）、特权数据（数据飞轮）、嵌入性（切换成本）、网络效应（AI作为网络架构师）。没有一类是靠"更强的模型"建立的。 每一类都需要时间、实践和野心来累积。

回到Logan的推文，现在可以读懂它真正在说的了：

"else you forfeit the capability overhang of the models to your competitors"

Forfeit——拱手让出。 不是一个温和的"失去"，是一个带有产权意味的"放弃权利"。能力盈余不是凭空消失的，它是被有野心的人收割的。你不收，对手收。每拖一个季度，你就把一整轮的能力盈余永久地让给了先动者。

加速膨胀的剪刀差：为什么"等一等"比你想的更致命

Logan说"每3个月"需要提升一次野心。这个数字比OpenAI官方报告的"每7个月任务时长翻倍"更激进，但它可能更接近真实体感。原因在于：模型能力的增长不是单维度的，而是多维度叠加。

2024年，前沿模型的突破主要在推理能力——o1证明了模型可以"想更久"。2025年，多模态成熟——模型可以看图、听音、读视频。2026年上半年，Agent能力爆发——模型可以连续执行多步骤任务、调用工具、访问网络。每一条增长曲线都在以自己的节奏翻倍，而它们的叠加效果是：模型在3个月内的可感知能力跃迁，远超任何单一维度的7个月翻倍。

腾讯云开发者社区的一张图把这个加速膨胀可视化到了令人不安的程度。图中，代表AI产品能力水平的紫色线从ChatGPT 3.5一路飙升到Agent编排，而代表非技术人员可掌握程度的红色线在断崖式下跌——ChatGPT掌握度90%，Deep Research降至30%，Agent编排只剩4%。两条线之间的剪刀差不是在缩小，而是在急剧扩大。

这意味着什么？意味着如果你的野心每3个月没有翻级，你落后的速度不是匀速，是加速。模型能力指数增长，你的野心线性增长甚至停滞，两者之间的overhang就在指数膨胀。你感受到的不是"没进步"，而是"以前够用的方法越来越不够用了"，但又说不清为什么。

这就是为什么Logan把时间尺度定在3个月而不是1年。1年太长了——一年4个季度，每个季度overhang翻一轮，一年下来差距已经是2的4次方，16倍。等到你"终于想通"要升级野心的时候，你面对的不是一个小缺口，而是一个可能已经无法跨越的结构性鸿沟。

破局：从"问"到"派"，一个季度一次野心审计

认清了问题的本质，解法的方向也就清晰了。不是学更多的提示词技巧，不是买更贵的模型订阅，而是系统性地、周期性地提升你对AI的野心水平。

具体怎么做？三个可执行的路径：

第一，季度野心审计。

每个季度末，问自己三个问题：

• 如果现在模型比上个季度强2倍，我上季度的用法是不是已经过时了？

• 我现在让AI做最难的事情是什么？它是不是3个月前我就会让AI做的事？

• 有没有什么任务我一直在犹豫"AI能做吗"，但从未真正试过？

如果三个问题的答案都是"是的/没变/有但没试"，你的野心没有增长。overhang在膨胀，你站着不动。

Ramp公司给出了一个榜样。他们的AI工具采用率达到99%——但团队意识到大多数人已经触及天花板，不是因为模型不够强，而是因为没有共享基础设施来连接工具、传播工作流、跨会话传递上下文。他们建了一个叫Glass的内部AI生产力层，让一个人的突破迅速成为全公司的基线。正如他们说的：内部生产力本身就是护城河，你不能把护城河交给供应商。

第二，从"问"到"派"。

这是最核心的行为转变。大多数人用AI的方式是"问"——"帮我查一下X""给我写一段Y""总结一下Z"。问的特征是：你已经有答案的框架，只是让AI更快地填充细节。

"派"是另一种模式：你定义意图和约束，让AI规划路径和执行步骤。 不是"帮我写一封邮件"，而是"给Sarah写一封跟进邮件，她5天没回复了，语气温暖但直接，80词以内，建议周四见面，不要用公司黑话"。不是"帮我分析这个数据"，而是"基于这份数据，制定下季度策略，考虑三种情景，输出可执行的步骤和风险标注"。

Logan在播客中用一个比喻精准地描述了这个转变："Prompt Engineering Was a Bug, Not a Feature." Prompt工程的本质是人被迫为模型做上下文搬运——找资料、拼信息、喂上下文。当模型强到可以自己获取上下文、自己搜索、自己调用工具时，人的角色应该从"信息搬运工"跃迁为"意图定义者"。但大多数人还停留在搬运工的角色认知上，还在精心设计每一个prompt，而不是大胆地委派整个任务。

第三，消除人工瓶颈。

审视你的工作流，找出所有"AI已经能做但还在等人"的环节。等审批、等整合、等确认、等某个人的反馈——这些就是overhang正在被浪费的地方。每多一道人工瓶颈，你就多浪费一轮模型能力的增量。

HFS Research的数据说得很清楚：企业的AI组合卡在任务级别的根本原因，不是技术不足，是上下文缺口——67%的企业关键业务逻辑是碎片化的、未文档化的，只在人的脑子里。当这些隐性知识没有被编码进系统，AI再强也无用武之地。解决问题的方向不是"更好的模型"，而是"把人的知识变成系统可以消费的资产"。

站在对手的角度看这段盈余

最后，让我们换一个视角——站在那个有野心的对手的角度，看这段overhang是什么。

你的对手在每个季度做三件事：发现模型新能力→把新能力嵌入核心工作流→用嵌入产生数据和反馈。三轮循环之后，他们不只是在"用更好的AI"，他们是在运行一条完全不同的生产函数。你和他们之间的差距，不是效率差距，是代际差距。

Epoch AI的数据显示，只有5.6%的AI用户在"重度使用"。微软的数据是16%。无论哪个数字更准，结论都一样：绝大多数人还在用2024年的方式使用2026年的模型。而那5.6%或16%的人，正在以你看不见的速度拉开距离。

这不是一个会自然修正的问题。在以往的技术浪潮里，后发者可以追赶——买更好的服务器、雇更好的顾问、用更新的框架。但AI时代的优势是复利累积的，每一个季度的overhang都在产生不可逆的嵌入。等到差距大到肉眼可见时，已经不是"追一追"能解决的了。

Logan Kilpatrick这条推文，本质上是一声警报。不是"AI很强"的废话，而是一个精确的博弈判断：在AI时代，野心是比能力更稀缺的资源，而稀缺的东西决定竞争的胜负。

模型每3个月翻一倍。你的野心呢？

这个问题的答案，将决定你是收割能力盈余的人，还是把盈余拱手让出的人。（文/王子祺）