学了很多 AI 工具,为什么生活还是没有变轻松?

我的电脑里已经装了不少和 AI 有关的工具。

我安装 Skills，配置 Obsidian，尝试让 WorkBuddy 和 Codex 帮我完成公众号选题、写作、封面和排版。

教程也收藏了很多，看到新的工作流，总觉得以后可能用得上。

那段时间，我每天都在学习。

可真正开始产出时，事情并没有立刻变轻松。

有一次，我打开 Obsidian，里面几乎什么都没有。文件生成了，却没有进入我正在使用的资料库。

有一次，封面确实做出来了，但颜色、字体和插画像临时拼在一起，完全不是我想长期使用的风格。

还有一次，本地预览看起来很整齐，复制到公众号后台以后，行高、图片和段落效果却变了。

第一篇可能很顺，第二篇开始返工，第三篇还要重新检查路径、格式和预览。

工具越来越多，页面越来越多，真正能稳定重复的东西却没有同步增加。

我才发现，学会打开一个 AI 工具，和拥有一套能减轻生活负担的工作方式，中间还隔着很长一段路。

AI 焦虑最隐蔽的样子，是不停准备

以前提到焦虑，我会想到拖延、害怕失败，或者什么都不做。

开始学 AI 以后，我看到另一种更隐蔽的焦虑：一个人看起来非常忙，也一直在行动，但所有行动都停留在准备阶段。

今天收藏一份提示词，明天安装一个插件，后天又看到别人推荐新的模型。每个东西似乎都有价值，所以都不舍得错过。

这种准备会带来短暂的掌控感。

至少我可以告诉自己，我没有落后，我还在学习，我正在为未来做准备。

可如果没有一个真实任务来筛选，学习就很难结束。

因为新工具永远会出现，新教程永远学不完。每多装一个工具，就多一套界面、一组规则和一种输出方式需要理解。

原本想减少工作，最后先增加了一份“管理 AI 工具”的工作。

我一开始很容易把“系统搭得更完整”当成进步。只要文件夹更多、插件更多、流程图更长，就觉得离结果更近。

后来几次返工让我意识到，系统是否完整并不重要。它能不能在第二天重新跑一遍，并交出相近质量的结果，才更重要。

AI 可能提高效率，但不是装上就有效

AI 能不能真正提高效率，公开研究给出的答案也没有宣传语那么简单。

一项由美国国家经济研究局发布的研究观察了 5,179 名客服人员。使用生成式 AI 辅助后，他们平均每小时解决的问题数量提高约 14%，经验较少或技能较低的员工提升更明显。

这个结果说明，在任务清楚、有即时反馈、产出可以衡量的场景里，AI 确实可能帮助人更快完成工作。

但它不能证明，每个人只要安装一个工具，就会自动得到同样的提升。

客服人员面对的是重复频率高、质量可以检查的任务。如果一个人连自己想解决什么都没有说清楚，AI 很难替他决定什么结果才算有用。

另一项来自 Microsoft Research 与卡内基梅隆大学的研究，收集了知识工作者使用生成式 AI 的实际案例。

研究发现，对 AI 越有信心的人，自我报告投入的批判性思考往往越少。

这只是相关关系，不能写成“AI 一定让人停止思考”。它提醒我的地方在于，AI 省下部分执行工作后，人的责任没有消失，而是转向检查事实、判断质量和承担结果。

生成一段文字可能只需要几十秒，确认它有没有编造、适不适合读者、能不能正常发布，却仍然需要人的判断。

如果把这些检查和返工全部忽略，所谓效率很可能只计算了生成速度，没有计算得到可用结果的成本。

我的转折：先固定一个结果

我后来没有继续扩大目标，也没有要求 AI 一次接管全部工作。

我先固定了一个很小的结果：每天为公众号准备一篇可审核的文章。

关键词是“可审核”。

它不要求 AI 替我自动发布，也不要求第一次生成就成为成品。它只要求每天按照相同顺序，得到一套我能检查、能修改、能决定是否发布的材料。

流程被压缩成几个固定环节：选题、大纲、正文、标题、封面与配图、公众号排版。

每一步需要我判断时停下来，确认后再进入下一步。

这样做并没有让问题马上消失。

文件没有进入正确目录，我就把保存位置写进流程。

封面审美不统一，我就固定暖象牙、炭黑、赭红和鼠尾草绿。

本地预览与公众号后台不同，我就把检查标准改成“粘贴后是否正常”，而不是只看电脑上的页面。

我现在更愿意把这些失败看成流程暴露出来的缺口。

同一个错误重复发生，说明规则还没有写清楚；只有某一次偶然失败，才需要判断是不是工具本身的问题。

这比不停更换工具慢，却让我开始知道，自己究竟在改什么。

用“1-1-7-3”，做一次真实实验

如果你也收藏了很多 AI 教程，却还没有感到生活变轻松，可以先不学新的东西。

给自己做一次“1-1-7-3”实验。

先选 1 项重复任务

不要从“我要学会 AI”开始。

选择一件每周至少会发生两次，而且结果能够检查的任务。

它可以是整理会议记录、写固定类型的文章、制作报表、汇总客户问题，或者把零散资料整理成一页清单。

任务越具体，越容易判断 AI 有没有帮助。

“提高工作效率”无法检查，“把一小时会议整理成五条行动项”就可以检查。

选择任务时，还要排除那些你暂时无法承担错误后果的事情。涉及医疗、法律、投资、重要合同和隐私资料时，不能因为方便就把判断全部交出去。

暂时固定 1 套工具链

一套工具链不一定只包含一个工具。

它可以是一个聊天工具加一个笔记软件，也可以是写作工具加排版工具。关键在于，七天内不要因为看到新推荐就立刻更换入口。

固定开始方式，固定交付物，也固定保存位置。

比如，每次都从同一张选题卡开始，最后必须得到 Markdown 正文、封面图片和可复制的公众号排版页面。

如果每天的起点和终点都不一样，就很难判断问题来自工具、提示方式，还是任务本身。

连续记录 7 天

七天不是经过研究证明的最佳周期。

我选择这个长度，只因为它足够短，不会让实验变成新的长期计划；也足够长，可以看到同一流程重复几次后的变化。

每天只记录发生了什么，不急着评价自己适不适合 AI。

今天卡在文件保存，就写“文件没有进入指定目录”；今天封面返工两次，就写“第一次颜色不统一，第二次文字超出安全区”。

不要把事实改写成“我学不会”“我没有技术天赋”。

流程出错，是流程信息；它不是人格评价。

只看 3 个指标

第一个指标是时间。

从任务开始，到得到真正可用的结果，一共花了多久？这里必须包含配置、等待、检查和返工，不能只记录 AI 生成的几十秒。

第二个指标是返工。

为了达到你愿意使用或发布的标准，一共重新修改了几次？返工发生在哪一步？同样的问题第二天是否再次出现？

第三个指标是稳定性。

第二天重复相同流程，能不能得到相近质量的结果？如果只有一次看起来很好，下一次完全失控，它还不能算稳定的工作方式。

这三个指标不漂亮，却比“我今天又学会了一个新工具”更接近实际生活。

什么时候换工具，什么时候改流程

并不是所有问题都能靠优化流程解决。

如果一个工具长期缺少任务所需的关键能力，频繁出现无法检查的事实错误，或者根本不能导出你需要的格式，换工具是合理的。

但如果问题来自输入模糊、完成标准没有写明、文件位置每天变化，先换工具通常只会把同一个问题带到新界面里。

可以先问三个问题：

这次失败，是工具做不到，还是我没有说清楚？

我有没有提前写明什么叫“完成”？

下一次重复时，哪一条规则可以避免同样的返工？

也不要因为一次失败马上放弃，更不要因为已经投入很多时间，就永远坚持一个不合适的工具。

判断依据仍然是结果：它是否让那项重复任务变得更省时、更少返工、更稳定。

AI 不该成为新的自我证明

我们已经有很多需要证明自己的地方。

证明自己足够努力，证明自己没有落后，证明自己懂新技术。AI 出现以后，很容易再增加一条：我要证明自己能跟上所有更新。

可普通人不需要认识每一个模型，也不需要安装每一个热门工具。

如果一套简单流程能稳定帮你整理资料，它就已经有价值；如果一个工具看起来很强，却让你每天花更多时间配置和返工，暂时放下也不丢人。

我这段时间最大的变化，不是掌握了多少 AI 名词。

而是开始把注意力从“我还缺哪个工具”，转向“我今天要完成哪个结果”。

先让一个重复问题真正变轻，再增加第二个任务。

不要先增加第二十个工具。

你最想先交给 AI 的那项重复任务是什么？

本文中的研究结果来自特定工作场景，不能直接推导为所有人的效率提升。

文中的“7 天实验”是个人行动框架，不是通用科学结论。涉及医疗、法律、投资、合同和隐私的信息，请保留专业审核与人工判断。