從資訊容器到工作系統：AI 產品如何從資訊走向生產力
在設計 AI 產品時，產品經理面對的第一個挑戰，往往不是某個特定的使用情境、模型能力或互動模式，而是更根本的一件事——設計的對象本身已經改變了。
在網際網路時代，產品是圍繞資訊來設計的。要解決的核心問題，是資訊應該如何被產出、組織、分發與消費。因此，產品形態逐漸收斂成各種不同類型的資訊容器。
到了 AI 時代，產品開始直接承載生產能力。問題不再是資訊應該如何被呈現，而是如何將 AI 的生產能力加以組織、調用，並隨時間持續運作。
當設計對象改變後，既有產品方法論與結構模型背後的假設，也開始失效。
如果要用一個簡單的比喻來描述這個轉變：
網際網路產品像報紙，而 AI 產品更像辦公室。
這反映的是設計對象、產品結構與價值循環的根本轉移。
網際網路產品是圍繞資訊設計的
網際網路解決的是資訊問題：資訊如何被產出、組織、分發與消費。
因此，網際網路產品的設計對象從一開始就很清楚——就是資訊本身。
產品經理的核心職責，是設計適合特定情境的資訊容器：
資訊存在於哪裡、如何被結構化與分發，以及使用者如何持續消費它
隨著時間推進，資訊容器大致經歷了幾個清晰的演進階段：
| 階段 | 形式 | 核心特徵 |
|---|---|---|
| 階段 1：實體媒介 | 報紙 / 雜誌 | 版面與欄位決定了資訊如何被結構化。編輯決定什麼重要，以及應該被如何凸顯呈現。 |
| 階段 2：數位分發 | 網頁 / 資訊流 | 資訊移動到線上，更新更快、入口更多，但核心設計邏輯仍然圍繞呈現與展示。 |
| 階段 3：演算法策展 | 推薦系統 / 個人化資訊流 | 產品不再設計一份固定的「報紙」，而是設計生成報紙的規則。每位使用者看到的版面都不同，決定它的也不再是編輯，而是演算法。 |
換句話說，設計網際網路產品，本質上一直是在設計一份報紙。即使報紙的形式不斷變化，設計對象依然是資訊，而整個設計範式始終圍繞資訊容器展開。
AI 產品是圍繞生產力設計的
AI 的出現，不只是讓內容生成得更快。它把一種可被調用的生產力直接帶進了產品之中——這種力量可以參與任務拆解、路徑選擇、執行，以及結果驗證。
在這個前提下，產品經理面對的是一個全新的根本問題：
你要如何設計一個工作容器，來承載、調度並約束這股生產力？
這是 AI 產品與網際網路產品之間最本質的差異。
同樣地，工作容器也經歷了不同階段的演進：
| 階段 | 形式 | 協作模式 | 核心特徵 |
|---|---|---|---|
| 階段 1：實體工作容器 | 辦公室 | 人類 ↔ 人類 | 工作依賴實體空間與制度化分工。脈絡主要存在於人與會議之中，因此經驗難以累積，也難以轉移。 |
| 階段 2：數位工作容器 | Notion、Lark、Docs 等 | 人類 ↔ 人類 | 辦公室轉移到線上，解決了協作、同步與權限控管問題。生產力依然來自人類，而系統的角色則是促成更好的協調。 |
| 階段 3：AI 原生工作容器 | Kuse、Cowork 等 | 人類 ↔ AI | AI 不再只是助手，而是容器內持續存在的生產力。產品重心也從「如何讓人類高效協作」轉向「如何組織並釋放 AI 生產力」。 |
真正的分界線，不在於產品是否「有 AI」，而在於它的容器是否是為 AI 驅動的生產力而設計。
要回答什麼樣的容器才能真正支撐 AI 生產力，我們必須理解人類如何工作、AI 如何工作，以及兩者如何在同一個共享結構中協作。
檔案系統作為人類與 AI 共享的工作容器
為什麼檔案系統適合人類工作
人類的工作，不是在產出一次性的結果，而是一個持續把某件事從歷史狀態推進到目標狀態的過程。
每往前一步都伴隨著約束：朝目標推進，永遠都要付出真實成本。
為什麼檔案系統適合人類工作
狀態在時間與空間中的結構
任何工作狀態，都同時存在於兩個維度之中。
在時間上，它承接過去、存在於當下，並指向下一步。
在空間上，它作用於具體的物件，具有明確的範圍、粒度與成本。
若要讓工作持續推進，這些狀態就必須能被穩定地表達、存取與操作。
檔案是狀態的最小表達單位
檔案不只是儲存內容，它表達的是狀態。
- 歷史文件表達已完成的狀態
- 進行中的工作檔案表達持續中的狀態
- 策略或目標文件表達預期中的未來狀態
檔案讓狀態變得可見、可繼承、可操作。
資料夾是管理與推進狀態的容器
資料夾不只是用來整理內容。它的主要角色，是管理一項工作的完整脈絡。
在同一個資料夾中，歷史檔案、當前檔案與目標檔案並存，並共同定義這項工作的範圍、起點與下一步。它們不再是彼此孤立的內容，而是連續的工作狀態。
這並不代表檔案系統是推進工作的唯一方式。但經過長期實務驗證，自從電腦誕生以來，它已成為組織與推進工作最穩定、也最廣泛採用的結構之一。
為什麼檔案系統也適合 AI 工作
當我們理解了人類工作的結構後，就能看見 AI 的工作邏輯其實呈現出一種類似——但受到更多限制——的模式。
AI 如何運作：Token 與 Context
從根本上來看，不論是生成文字、撰寫程式碼，還是規劃任務，模型做的其實始終是同一件事：
在給定 context 的情況下，根據既有 token 預測下一個 token。
所謂的「輸出」，本質上就是一串被預測出來的 token 序列。
輸出是否符合預期，不只取決於模型本身有多強，也取決於在生成之前，有哪些 token 對它形成約束。
而這些 context token，決定了三個關鍵因素：
目標是否清楚、粒度是否受控，以及範圍是否界定明確。
Context 的結構性限制：一次性視窗
Context 本身有一個根本限制。它不是持續存在的工作空間，而是一個一次性的運算視窗。
這意味著，在每一次推論之前，系統都必須為模型重新建構合適的 context。
Context 的經濟性限制：Token 成本
Context 同時也是一種會產生成本的資源。每一個 token 都會直接參與推論。
更多 token 代表更高的運算成本與延遲。因此，AI 產品設計的重點，不是給模型更多資訊，而是在有限的 token 預算內，建構出當前任務所需的最小充分 context。
檔案系統作為 Context 的外部狀態空間
當工作狀態被穩定地儲存在外部系統中，context 就不再需要一次性完整載入。
系統可以有選擇地擷取、裁切並組合相關狀態，為當前任務建構出剛剛好的 context。
檔案系統正是這樣的外部狀態空間。
檔案與資料夾不是資訊的堆積，而是圍繞具體工作所累積起來的狀態表徵。它們定義清楚的物件邊界，建立明確的範圍，並讓歷史狀態與當前狀態能夠被一併讀取。
一種已被驗證的結構：程式開發產品
這種結構優勢，已經在程式開發產品中得到驗證。
軟體的演進，是透過持續維護與修改具體的程式碼檔案來完成。每一次變更都會回寫到檔案系統中，後續工作也都從這些狀態繼續展開。
AI 能在程式設計中展現持續且可控的生產力，並不是因為它在這個領域天生「更聰明」，而是因為程式碼本來就存在於一個高度結構化、可持續演進的檔案系統中。
檔案系統如何放大 AI 生產力
回頭看 AI 的工作本質，檔案系統放大的不是智慧本身，而是 AI 輸出符合預期的機率，以及工作能夠持續推進的可能性。
正因如此，這種設計不會被更強的模型「吃掉」。
模型會越來越強，而檔案系統確保這股能力能持續、經濟且可靠地落在正確的位置上。
當人類與 AI 在同一個檔案系統中協作
當檔案系統同時滿足人類表達工作狀態的需求，以及 AI 建構 context 時在結構與成本上的限制，協作方式就會產生根本性的改變。
從指令循環走向狀態交接
協作不再主要發生在對話層，而是圍繞工作狀態本身展開。
檔案成為共享的工作物件，資料夾則定義共享的邊界。
人類透過修改目標與限制檔案來調整方向，AI 則根據既有狀態推進執行。
協作從來回下指令，轉變為以狀態為基礎的交接：
人類負責判斷與驗證，AI 負責執行與推進。
從一次性輸出走向可演進的工作資產
當 AI 的輸出被穩定寫入檔案系統後，它們的性質也改變了。
輸出不再是可丟棄的內容，而是可繼承、可修改、可重複使用的工作狀態。
歷史檔案記錄已完成的工作，進行中的檔案承載持續中的進度，目標檔案則指向預期的目的地。
工作不再是一堆彼此孤立的結果，而是一條持續延伸的軌跡。
從操作動能走向系統性潛力
在這種結構之中，系統開始展現出動能與潛在能力。
工作不再依賴人類持續介入，而是在既定狀態與限制之下持續推進。
人類定義目標並處理例外，AI 在範圍內執行，檔案系統則累積流程與資產。
一個「會自己運作的辦公室」之所以能出現，不是因為 AI 取代了人類，而是因為工作被放進了一個人類與 AI 都能共同推進的結構之中。
結論
從網際網路時代走到 AI 時代，產品設計的中心，正從資訊如何被呈現，轉向生產力如何被組織。
當工作被理解為持續的狀態推進，產品設計的核心就不再是入口或互動，而是系統是否能承載這種推進。
檔案系統不是一種偏好。在當前的技術與成本限制下，它是一個讓人類與 AI 協作成為可能的結構性決策。
它所定義的，不是一組功能，而是一種關於 AI 是否能真正被吸收到實際生產力中的設計判斷。