ARTICLE · 1012404
AI 写得越来越快,你为什么还在加班?
下午四点，主管发来一句话：
“明天讨论一下新客户活动，你先做个方案。”
你打开 AI，输入“帮我写一份客户活动方案”。几分钟后，活动背景、目标人群、传播渠道、执行安排一应俱全，连小标题都整整齐齐。你调整格式，补上公司名称，发给主管。
对方看完，只回了三个问题：
“这次主要想让客户做什么？”
“预算按多少考虑？”
“明天是讨论方向，还是确定执行？”
你重新打开文档。刚才省下来的时间，又一点点还了回去。
这是一个情境示例，却指向一种值得警惕的工作状态：初稿完成得很快，离真正交付却还很远。
如果你也遇到过类似情况，不妨先检查一下：在开始生成之前，你是否已经说清楚——什么样的结果才算完成？
01｜一份完整的文档，可能并没有回答真正的问题
新人接到任务，很容易先关注“我要交什么”：一份方案、一张表格、一段回复、一套演示文稿。这些都是看得见的东西，把它们做出来，会让人感觉工作正在推进。
但更关键的问题是：对方拿到这份材料之后，准备做什么？
同样是“活动方案”，用途可能截然不同。如果主管只是想比较几个方向，最有用的就是各方案的取舍、成本对比和待确认的问题；如果活动已经敲定、即将启动，他需要的就变成负责人、时间表、物料清单和风险预案。两份材料都能叫“活动方案”，内容却相去甚远。
要求没有讲清楚时，AI 依然会继续生成。它会补出一个常见结构，填上看起来合理的内容，让文档显得很完整。你若没有及时识破这些假设，后续的润色和排版，就会一直沿着错误的方向推进。
所以，收到任务后，先确认三件事：这份材料给谁看？对方看完要作出什么决定？这次需要做到哪一步？
这不需要开一场长会，直接向主管复述即可：
“我理解明天先讨论方向。我准备一页对比，写清目标、两个备选方案和待确认事项，暂不展开执行排期——这样是否符合需要？”
一次简短的确认，能让后续工作有明确的终点。
有经验的人往往知道该问什么；新人也可以借助 AI，先整理出需要确认的问题清单，再带着这些问题去找真正的任务负责人沟通。
02｜工具能提供帮助，但效果取决于任务
AI 确实可以帮助经验不足的人。
2023 年发布的工作论文《Generative AI at Work》研究了 5,179 名客服人员使用生成式 AI 助手的情况：按每小时解决的问题数衡量，生产率平均提升约 14%，新手及技能较弱员工的提升约为 34%。[1]
这提供了一个有价值的观察：在合适的场景中，AI 能帮员工获得处理问题的思路。但这些结果来自特定工作环境，不能直接换算成每个人的办公提效比例。
另一项研究则提醒我们注意任务差异。BCG 在 2023 年的一项实验中，让超过 750 名顾问参与不同任务：使用 GPT-4 的参与者在创意产品创新任务中表现更好，但在超出当时工具能力的商业问题求解任务中，表现反而更差。[2]
这些是当时模型和特定实验条件下的结果，对日常工作的提醒是：使用之前，先判断自己能不能检查结果。
整理已有记录，你可以逐条对照原文；改写一封邮件，你可以核对事实、语气和承诺。但如果要求 AI 根据几句背景判断客户为什么流失，你可能很难分辨一个流畅的解释，究竟是事实还是猜测。
同一个工具，用在不同的环节，需要的监督程度也不同。对新人而言，可以优先选择输入明确、结果可核对的小任务，跑通之后再逐步扩大范围。不要因为一次生成效果很好，就把更复杂的判断也全部交出去。
03｜把模糊要求，变成一份可以验收的任务
回到开头的活动方案。假设经过确认，你获得了这些信息：活动面向已有客户；目的是收集产品使用反馈；明天只讨论方向；预算尚未确定；暂时不能向客户作出任何承诺。（这些都是示例条件，并非真实项目记录。）
现在，你可以给 AI 一份更清楚的任务说明：
请准备一页客户活动讨论稿，供主管明天比较方向。活动面向已有客户，目标是收集产品使用反馈。
提出两个不同方案，分别说明适合解决什么问题、需要哪些资源，以及主要风险。预算尚未确定，请列出成本项目，不填写虚构金额。
目前只讨论方向，不生成已确定的执行排期，也不编造客户需求或历史效果。最后列出需要主管确认的三个问题。
这段要求并不复杂，但它做了四件很有用的事：明确用途——帮助比较方向；限定范围——两个方案、一页讨论稿；标出未知——预算没有确定；规定边界——不能把设想写成已确认事实。
AI 交回结果后，你便有了检查依据：两个方案有没有实质差异？是否都服务于收集反馈？有没有擅自加入尚未承诺的优惠？最后的问题是否真的需要主管拍板？如果某个方案偏离目标，可以指出具体问题，再让它修改——这时的修改是围绕标准收敛，而不是反复说“再好一点”。
对新人来说，这个变化尤其重要。你会逐渐分辨出：为什么一份材料能用，而另一份看起来漂亮，却仍然需要重做。
04｜给 AI 的材料，要分清事实、假设和空白
写周报时，你可能记录了：“联系了十位客户，其中三位愿意进一步交流。”这是一条可以核实的事实。
但 AI 可能把它润色成“客户对方案反响积极，项目推进顺利”。后一句范围更大，也更难证明。这种变化很隐蔽——文字顺了，信息却变了。
所以，整理材料时不妨先分成三类：
已经确认的事实：日期、数量、已交付文件、收到的明确回复。
用于讨论的假设：比如“如果客户主要在下班后有空，可以考虑晚间安排”——这只是一个等待验证的条件。
目前还不知道的信息：预算、审批时间、最终负责人。
三类信息分开，AI 才更容易守住边界，你也能更快发现它是否把“可能”改成了“确定”、把“建议”改成了“决定”。
遇到空白，可以要求它写“待确认”。一张表格里留着几个待确认项，并不意味着工作不认真，反而说明你知道下一步该找谁、补什么材料。真正麻烦的是，空白被看似合理的答案填满，直到交付时才被发现。
来源也要跟着信息保留下来：引用资料时记录文件名称和位置，使用数据时注明统计时间和口径——让接收者能够追溯，也让未来的自己能够复查。
05｜先做一个小样，再展开整份内容
很多返工发生在最后，原因却出在最前面。比如一份报告的结构本来不适合读者，你却先让 AI 生成了几千字，随后逐段修改，越改越舍不得删。
可以把复杂任务拆成两个阶段：**先做小样，确认方向，再扩展全文。**一页结构、一段示范、一张对比表，都算小样。
准备汇报时，可以先让 AI 给出：“这次汇报要回答的三个问题，以及每个问题需要哪些证据。”你检查后，如果发现其中两个问题并非主管关心的重点，立即调整——此时修改的成本很低。
对外回复也是一样：先明确事实和可承诺范围，再处理措辞。不要等到一封邮件已经写得很漂亮，才发现最关键的交付日期根本没有确定。
小样还有一个作用：方便沟通。同事面对一页内容，更容易指出问题；面对一大篇完整材料，往往只会说一句“感觉不太对”。你越早把关键选择摆出来，越容易得到具体反馈。
06｜把检查做成固定动作，才能知道到底省了多少时间
生成结束之后，给自己留出一次固定检查。不必复杂，先查四件事：
事实有没有改变：数字、日期、人名、引用和原始材料是否一致。
内容有没有越权：是否出现未经确认的折扣、期限、分工或承诺。
结果是否服务于用途：讨论稿有没有帮助比较选择？周报有没有突出进展和所需支持？
下一步是否清楚：谁来确认，谁来执行，还有哪些条件没有满足？
这几项通过之后，再处理排版和文字精简，通常会更有方向。
同时，记录总时间。把准备材料、输入要求、生成、检查、修改和沟通都算进去——只记录模型生成用了几分钟，容易高估收益。例如，原来一项任务需要四十分钟；现在准备和输入用十分钟，生成用两分钟，检查和修改用十八分钟，总计三十分钟。真正节省的是十分钟，而不是三十八分钟。（这是一个计算示例。）
如果连续几次都没有减少总耗时，就回头看看：任务是否太复杂？输入是否不够明确？你是否花了大量时间去判断无法核实的内容？这时可以缩小 AI 参与的范围——让它先帮你整理已有事实，复杂判断暂时留给自己。
从下一份任务开始，先写五句话
你不需要先学会很多工具。下一次接到任务，先补齐下面五句话：
这份内容给谁看？
对方拿到之后，要完成什么动作？
已经确认的材料有哪些？
哪些信息不能推测、哪些承诺不能作出？
满足什么条件，就算这次任务完成？
然后再把它们交给 AI。
一周之后，回看自己完成的几项工作：哪些问题提前发现了，哪些修改减少了，哪些环节仍然需要反复沟通。把有效的做法保存成模板——模板里既要有指令，也要有你的检查标准，它会随着你对业务的理解逐渐完善。
工作经验有一部分，就藏在这些具体判断里：知道谁需要什么，知道哪里不能猜，知道什么时候应该停下来确认。
AI 可以让你更快得到一份初稿。而当你能把要求说清、把事实守住、把结果检查好，速度才会真正变成可靠的交付能力。