AI时代来了,然后呢?

这几个月，我干了一件越来越不像“用AI”的事。

一开始，我跟大多数人差不多：有问题了，打开对话框问一句；要写东西了，让它起个草稿；看到一篇长文，扔进去叫它总结。

现在，我身边有了几个长期合作的Agent，也就是能接任务、调用工具、继续往下干的智能体。

落弦（Hermes）负责日常执行和深推演，霜言（Claude Code）负责把关。还有几个专门收尾、盯错和记失败的小帮手。

做动画时，为了一个只有几秒钟的镜头，我们来回返工了很多轮。人物的动作、画风、构图、道具，前后都得对得上。有些图单看挺好，放进整条片子里就是错的。

到这里，事情已经变了。

我不再只是让AI给个答案。我开始重新安排：谁来做，怎样算完成，出了错退回哪里。

也就在这个时候，我读到了刘润老师为年度演讲筹备写的一篇文章。他用了一个很有意思的说法：

今年，是1918年。

电灯亮了，工厂还得重新安排

1882年9月4日，爱迪生的珍珠街电站开始商业供电。

按照IEEE历史里程碑页面的记载，供电区域只有曼哈顿下城约四分之一平方英里，首日服务约85个客户、约400盏灯。

规模不大，但电真的可以从中央电站送进城市了。

可是，灯亮了，不等于工厂立刻换了一套做法。

蒸汽机时代，一台大机器带动厂房上空的总轴，再通过皮带把动力传给各台设备。这根总轴，就是“天轴”。机器放在哪里，首先得考虑怎样接上动力。

后来，一些工厂换上了电动机，仍沿用原来的传动方式。动力换了，机器还在原来的位置上。

独立电机带来的机会就不一样了：每台机器可以有自己的动力，不必再围着一根总轴排队。机器可以按照工序摆，物料搬运和厂房布局也能重新设计。

但机会变成收益，需要投资、改造和学习，不是换个电机就自动发生。

福特在1913年开始试验移动装配线。他在《我的生活与工作》中回忆，经过持续调整，到1914年初，每副底盘的装配劳动时间，从原先约12个半小时缩短到了1小时33分钟。

注意，是底盘装配，不是整辆车从原材料到成品的全部时间。

工人不用再围着底盘来回跑，零件和底盘沿着工序移动。节省下来的时间，藏在做事方式里。

经济史学家保罗·戴维在1990年的论文里，把美国制造业1920年代生产率增长的加快，与电气化扩散及相应的技术、组织改造联系起来。

这不是“小电机一出现，生产率就起飞”的故事。新动力给了工厂改造的空间，人还得把改造做出来。

所以，我把刘润所说的“1918年”理解为一个历史隐喻，不是精确的年份对照，更不是说此前几十年什么变化都没有。

它提醒我：通用技术出现了，人未必已经学会围绕它重新做事。

当然，AI和电还有一个不能略过的差别。

电也会出故障，但它不会一本正经地把错话说得像真的。AI会。它还会把“我知道怎么做”说成“我已经做完”，交来一份漂亮结果，让人忘了继续检查。

所以，这一轮的伴生技术，不只是把能力接进工作，还得确认：它到底有没有做对。

从问一句，到接进真实工作

今天，很多人用AI，仍然是打开豆包，问一个问题。

这当然有价值。只是聊天框太像搜索框，也太像微信：我提问，它回答。哪怕背后的模型已经能读文件、连续干活，我也很容易继续照旧使用。

而且，问一个问题，不需要改变原来的做事方式。

让AI写一段周报很容易。让它接进真实工作，就得说清资料在哪里、谁能访问、先做哪一步、怎样核对。

我改文章时就碰到了这件事。

我知道什么叫“不像我写的”，但一开始未必能立刻说清。落弦把话改顺了，我还是不满意：有时是砍掉了我需要的信息，有时是把括号里那句嘀咕也一起“优化”掉了。

这些标准不说出来，她只能猜。我最后看一眼，觉得不对，再让她重来。

人还牢牢占着最后一道工序。只不过，前面多了个AI。

做动画也一样。人物都在，动作也有，单帧看着甚至不错。但手是虚影，脸也是虚影；修掉一块灰斑，又多出一个补丁；为了改成横屏，一不小心把人的脚裁掉了。

AI最危险的时候，往往不是它明显不会，而是它看起来已经会了。

如果只让我押一种与真实工作最相关的伴生技术，我会押可验证的流程编排。

一件事进来，知道该交给谁；做到哪里要检查；没通过就退回；最后拿出东西，证明真的做完了。

这不只是一张把方框连起来的流程图。

先得知道前情。

资料、权限、以前的决定，都得找得到。不能每次开工，我先花半天重新介绍背景。

还得知道怎么接力。

谁执行，谁复核，哪些地方能自动继续，哪些必须等我拍板。多人一起干，不能最后每个人都以为下一步归别人。

更要有验收和失败记录。

我现在用的验收单、失败账本，就是为了解决这件事：结果哪里不对，哪一步弄错，下一轮该先检查什么。

不过，记下来不等于以后一定不会犯。规则有没有真被执行，也得查。

再慢慢攒出经验。

某类场景出现什么问题，什么做法试过，结果怎样。攒的是判断和结果，不是把资料越堆越高。

研究给了我两种值得并排看的结果。

NBER一项考察5,179名客服人员的工作论文发现，使用生成式AI助手后，员工每小时解决的问题数平均增加**14%**，新手和低技能员工改善更明显。

也就是说，在这个明确的工作环节里，AI确实帮人多解决了问题。它不是所有行业都能直接套用的增幅。

另一项连接丹麦调查与行政就业记录的研究，则在ChatGPT推出后的两年观察窗口内，未检测到AI聊天机器人对劳动收入和记录工时的显著影响。

与此同时，内容生成、AI监督、AI集成等新任务已经出现。做事的内容变了，收入和工时的平均数却未必马上跟着变。

两项研究的对象不同，不能接成一条“效率提高，收入迟早就提高”的保证。但它们让我更想看清：AI进来之后，工作究竟改在了哪里。

如果把大模型比作电，Agent像能装进各个工位的小电机，那么我关心的伴生技术，就是让这些能力能接力、能验收、出错能追到原因的那套流程。

对我这个文科生，入口在哪里？

我的判断，怎样才能不用每次重讲

我不是程序员。但这不妨碍我读材料、辨语境、看结构、找因果，追问一句话到底是什么意思。

这些能力以前很容易被叫成“感觉”。

文章不像我，视频画风不对，一份方案的前提站不住。只停在“我觉得不对”，别人很难接着做，Agent也一样。

做动画时，我还遇到过一个更拧巴的问题：验收也可能把事情带偏。

有一版原型，我已经说差不多，可以往后推进。后来，内部审片又提出了更高的动作要求，执行时竟然顺着新要求另起了一套画风。

我本来要微调，结果越改越大，越改越偏。

问题不只是“图画得不好”，而是谁有权决定改到哪里，没有被守住。

后来我们把已经认可的版本定成母版，明确锁住人物、线条、声音和镜头结构。每轮先写“只改什么”，没有点名的部分不动。内部审片的新要求，只能当建议，不能自动扩大修改范围。

后续分集制作回到了这套已经认可的画风上。成片我看过，也已经分集上传。

我不能拿这件事证明，规则一写，返工就少了多少。没有统计过。

但至少，“像我认可的那版”“别越改越远”，不再只是我每次生气时重说一遍的话。它们有了可以逐项对照的边界。

这也让我发现，验收不是标准越高越好。标准不能悄悄换，已经拍板的边界不能被下一个环节推翻。

写文章时，我也在做类似的事。

“不像我”，继续拆：是不是跳过了我最初为什么提问？是不是把信息砍了？是不是把我的话改得太像公文？括号里那句我自己跟自己嘀咕的话，还在不在？

任务说完成了，继续追：文件在不在？测试跑没跑？结果是谁看到的？“准备好了”和“验证通过”，有没有被混成一件事？

做过几次，才慢慢认出这条共同的路：

模糊目标 → 拆解任务 → 确定标准 → 分工执行 → 留下证据 → 验收结果 → 失败回流。

我把这件事叫作判断力工程化。

不是把所有判断都交出去，而是把能说清的部分变成标准；仍需要我决定的地方，就让流程停下来等我。

如果你也想试，不必先搭一整套系统。

下次让AI改文章，可以先多交代一句：

先别改。把我的要求整理成验收清单，区分必须保留、允许修改、需要问我的地方。确认后再动手，改完逐项对照，没检查的不要说检查过。

让它做调研时，也可以换成：把原始出处、已经核实的事实、你的推断和还没查到的内容分开；没有来源，不要替我补齐。

先在一件小事里试。反复用得上的要求，再存成固定清单。等到多人、多个Agent需要接力，再加负责人、检查点和失败记录。

不必第一天就拥有一座工厂。

接下来，先拿真实工作试

我不准备因为AI时代来了，就去跟专业工程师比赛造一个通用Agent框架。

这不意味着我以后不能学。只是眼下，我更想把已经接进真实工作的这套东西跑稳。

如果给接下来半年列一个方向，我想先做三件事。

第一，选一个创作者或小团队的一段真实工作。范围小一点，最好就是那种反复改、负责人又总得亲自盯的环节。先弄清它原来怎么做，再试着让Agent接走其中一部分。

第二，把改造前后的过程留下来：人花了多少时间，哪里返工，哪些错误又犯了一次。没有这些记录，我很容易只记住某一次特别惊艳的结果。

第三，把反复出现的部分抽成清单。先自己复用，再看别人拿走能不能用。真能复用的部分，才值得继续做成工具。

这还是我想试的方向，不是已经验证有效的服务。

（先别急着给它起个公司名。作品还得接着做。）

绕了一圈，标题里的问题也能说得更清楚了：我想发展的伴生技术，是让人和Agent能稳定合作的流程；我能从中出力的地方，是把自己的判断变成能执行、能检查、能改进的标准。

让含混的经验能够说清，让“差不多”有边界，让失败留下下一次用得上的东西，判断权仍留在人手里。

所以下次再遇到一件反复返工的事，我大概会多问一句：

我脑子里的哪条判断，还没有说清楚？

先把这一条写下来。别急着换一个更聪明的AI。