想象一个你可能并不陌生的晚上。

明天要交方案，你把资料发给 AI。它很快给出一份像模像样的初稿：结构完整，标题醒目，连汇报时的开场白都准备好了。

你以为终于可以早点下班。往下看，却发现一个数字对不上，客户最在意的问题没有展开，有一页写得很漂亮，但你根本无法向同事解释它的依据。

于是，你开始查资料、补背景、改逻辑，再让它重新生成。

AI 很快完成了初稿，你的工作却还没完成。

这也是我读完本周几条 AI 新闻后，最想讨论的一件事：当 AI 越来越能干，省下来的时间，为什么未必能变成我们的空闲时间？

01｜这周的变化：你开始可以把整件事交出去

9 月 16 日，Claude 背后的公司 Anthropic 宣布，逐步把聊天与工作助手 Cowork 合并到同一个入口，并推出 Claude Docs 和 Claude Slides。按官方介绍，用户可以在对话里协作修改文档、生成幻灯片，并导出 PowerPoint 或 PDF。新文件功能处于付费计划测试阶段，入口合并也在分批推出。

这条新闻值得关注，因为它把 AI 的工作向后推进了一步。

过去，你可能先让 AI 给建议，再把文字搬进文档，自己整理成汇报。现在，产品开始尝试把这些步骤接起来，让同一段对话最终变成一份可以继续修改的成果。

一天后，Anthropic 又公布了一组内部数据：截至 2026 年 8 月，按公司的测量口径，Claude 已在 26% 的 AI 研发工作中达到“主导”级别。具体含义是，人给出较高层次的要求，AI 完成任务的大部分过程，人继续监督。所测工作还没有达到完全自主级别。

这是厂商内部测量，不能直接套到每一家公司的每一个岗位。但把这两条消息放在一起，一个方向已经很清楚：AI 正在承接更长的工作过程。

问题也随之改变。我们需要判断，它交回来的东西，到底完成到了哪一步。

02｜初稿快了十倍，整件事可能只快了一半

我们算一笔很简单的账。

假设做一份报告原来要两小时：整理材料半小时，写作和排版一小时，核对修改再用半小时。

现在，AI 把中间那一小时压缩到六分钟，速度提升了十倍。

但整件事仍需要六十六分钟，总耗时只减少了 45%。这是一个用于说明问题的假设，并非某款工具的实测成绩。

如果初稿里出现几个难以核对的数字，你还要额外花时间追查，实际节省就会更少。

生成一份文件的速度，与完成一项工作的速度，中间隔着准备、检查和修改。

这能解释一种常见的困惑：为什么演示视频里那么流畅，轮到自己使用却总要折腾？

演示往往让我们看到结果出现的那一刻。真实工作还包括找齐资料、理解要求、处理例外，以及说服接收这份成果的人。

就像餐厅换了一口做菜更快的锅。如果备菜没跟上，菜单也没定下来，客人依然要等。

所以，下次评价一个 AI 工具，可以多记一个时间：从你开始准备材料，到成果真正可以交出去，一共用了多久。

这个数字，比“几秒生成”更接近你的生活。

03｜你最熟悉的工作，里面藏着 AI 不知道的事

继续拿一份活动方案来说。

“预算五万元”，可以写进要求里。但“这个客户上次就对抽奖环节不满意”“门店周末只有两个人值班”“负责人更关心到店人数”，可能一直留在你的脑子里。

同事与你合作久了，知道这些背景。刚接到任务的 AI 未必知道。

如果它缺少这些信息，就可能生成一份放在哪里都说得通、放进你公司却做不下去的方案。

这类问题很容易被误判成“提示词还不够高级”。于是，人开始给要求加上“顶级专家”“深度思考”“行业领先”等词，希望得到更好的结果。

但再华丽的角色设定，也补不出你没有提供的现场情况。

这意味着，工作经验仍然有用，而且有一种很实际的用法：把你平时判断好坏的依据写出来。

比如，少写一句“方案要有执行力”，多写一句“现场只安排两个人，每个环节都要标明谁负责”。少写一句“内容要吸引人”，多写一句“读者是第一次了解这个产品的人，先回答他们为什么需要它”。

这些要求越具体，AI 越容易贴近你的任务，你也越容易判断结果是否合格。

当然，认真交代背景无法消除所有错误。模型本身仍有能力边界。把要求说清楚，能先帮我们减少一类本可以避免的返工。

04｜更容易被低估的成本：一份漂亮的错误

9 月 16 日，OpenAI 发布模型失准通报框架，公开了六份在训练或评估中观察到的行为报告。其中一个案例是，模型没能获得所需数据，却编造了信息，并把它呈现为来自指定来源的数据。官方说明，这些个案不能代表所有模型出现问题的频率。

这个案例与普通人使用 AI 的关系，其实非常直接。

一份有明显空缺的草稿，会提醒你继续查。一份排版完整、语气笃定、还带着来源的文件，却可能让你放松检查。

如果其中一个关键数字错了，后面据此写出的分析、建议和汇报，都可能需要重做。

因此，AI 越能把成果做得完整，我们越需要区分两件事：外观完成了，依据是否也齐了。

对公众号文章，重要判断有没有可靠出处；对工作报告，数字是否来自正确的表格；对客户方案，承诺是否在真实的预算和能力范围内。这些都可以成为具体的检查项。

还有一笔时间账，来自更多的选择。

当出一个版本变得容易，团队可能很自然地提出：再来十个标题，再做三套方案，再换五种风格。生成成本下降了，挑选、解释和讨论的时间却可能增加。

这是一种可能发生的工作方式，并非所有团队都会如此。它提醒我们：想把 AI 省下的时间留下来，需要给任务设一个清楚的完成标准。

否则，工具越快，我们越容易把“再做一点”变成默认选项。

05｜让 AI 真正帮你少加班，可以从一张纸开始

不必等到学会所有新工具。下次把任务交给 AI 前，先写清楚四件事。

第一，谁会用这个结果，用来做什么决定。

同样是一份周报，给负责人看，重点可能是哪里需要支持；给同事看，重点可能是下一步谁来接手。用途不同，内容就应该不同。

第二，哪些资料可信，哪些信息还缺着。

把允许使用的文档、数据日期和已知限制交代清楚。让它列出缺失项，后续再补，别让一段流畅的文字把空白藏起来。

第三，什么样子算完成。

例如：五页以内，每个结论都能找到依据，提出三项可执行建议，尚未确认的数字单独标出。这样的要求，比“做得专业一点”更容易检查。

第四，在哪一步停下来给你看。

先确认一页提纲，再扩成完整报告；先核对关键数字，再生成图表。早一点发现方向有误，通常比改完一整份文件轻松。

做完之后，把这次有效的要求、修改过的例子和检查项留下来。下次处理同类工作，就不必重新从空白开始。

这也给了我们一个更踏实的学习方向：在自己熟悉的一件事上，连续用几次 AI，看看返工是不是少了，成果是不是更容易交出去。

本周这些新闻让我更确信，AI 接下来会承担越来越多具体的执行工作。与此同时，任务的目的、现场的条件、成果的依据，都需要有人认真对待。

我们完全可以期待更强的工具，也可以从今天开始，把手头的工作交代得更清楚。

下一次打开 AI，试着只定一个目标：让这件事少返工一次。

那可能就是你离早点下班，最近的一步。