夜雨聆风今天很多讨论把“用好AI”理解成会不会提问、会不会写提示词、会不会选模型。
这个目标太低了。
本文说的“用好AI”，不是让AI写一段文案、整理一份资料、生成一个简单方案，而是指在复杂度明显超出AI单次工作能力范围的复杂项目或实际商业项目里，仍然能够和AI协作，有效推进项目进度。
这才是AI真正进入生产系统后的核心问题。
复杂项目里，AI不会一次给出完整正确答案。它会遗漏上下文，误解目标，制造看似合理但实际错误的判断，也会在长对话中逐渐偏离主线。
这时，人不是简单地“向AI提问”，而是在承担项目控制、信息压缩、错误识别、任务拆解和进度判断的责任。
这件事有硬门槛。
一、有效表达
第一个门槛，是有效表达。
很多人以为自己已经把问题说清楚了，但实际上只是把感受、目标、碎片信息丢给AI。AI可以顺着这些信息生成内容，但不代表它真的进入了问题结构。
复杂项目里的表达，不是“多说一点”，而是把问题组织成AI可以处理的形式：
要解决什么问题 现在处在哪个阶段 已有约束是什么 哪些结论已经确定 哪些地方还不确定 这次希望AI完成的是判断、生成、修正，还是拆解
表达能力不够，AI就会把真实项目问题降级成泛泛问题。
你问的是业务转型，它回答的是咨询报告。你问的是产品落地，它回答的是功能清单。你问的是工程实现，它回答的是原则建议。
表面上有输出，实际上没有进入问题。
二、能发现AI的错误
第二个门槛，是能发现AI的错误。
AI最危险的地方，不是它会错，而是它经常错得很顺。
它的错误不一定表现为明显胡说。更多时候，是逻辑链中间有一处偷换概念，技术方案里少了一个关键约束，业务判断里默认了一个不存在的前提，或者把“听起来合理”误装成“可以落地”。
复杂项目里，人必须能识别这些错误。
这要求使用者本身对项目、行业、技术或业务有足够判断力。否则AI给出的内容越完整，反而越容易被误认为是进展。
低复杂度任务里，AI错了可以靠常识发现。高复杂度项目里，AI错在结构深处，只靠感觉很难发现。
发现不了错误，就无法稳定使用AI。因为你不是在和一个可靠执行者协作，而是在和一个高产、流畅、偶尔会偏航的系统协作。
三、信息吞吐量适应：警惕信息过载
第三个门槛，是信息吞吐量适应。
AI会极大提高信息产出速度。它能在很短时间内生成大量方案、解释、代码、文档、分支判断和后续建议。
但人的信息处理能力没有同步提高。
这里要明确提出一个概念：信息过载。
信息过载不是简单的“信息太多了”或者“看不过来”。在复杂项目里，信息过载指的是：人在长时间处于信息超负荷状态下，逐渐进入一种异常工作状态，失去正常判断力，被AI的输出节奏和叙事结构带着走。
这时，人表面上还在思考，还在判断，还在推进项目，但实际上已经开始丧失主导权。
AI给出一个新方向，你觉得有道理。AI补充一个新概念，你觉得应该考虑。AI展开一个新分支，你也跟着继续讨论。AI提出一套更完整的方案，你觉得项目好像又推进了一步。
但回头看，主线越来越模糊，真正需要解决的问题反而被冲淡了。
信息过载最危险的地方在于，它不会让人立刻停止工作，而是让人进入一种高强度、低判断力、持续被牵引的状态。
所以，真正用好AI，不是让AI尽可能多地产出，而是控制AI产出的粒度、节奏和密度。
复杂项目里，最重要的不是“AI还能给我什么”，而是“我现在还能有效处理什么”。
一旦使用者无法适应AI带来的信息吞吐量，AI就会从效率工具变成认知噪音源。它不是帮你推进项目，而是在持续制造看似有用的信息，把人带进更深的信息过载。
四、工程化拆解的能力
第四个门槛，是工程化拆解。
复杂项目不能直接丢给AI。
因为复杂项目通常包含目标、资源、约束、流程、角色、数据、系统、反馈和风险。它不是一个问题，而是一组互相耦合的问题。
AI单次工作能力再强，也很难一次性跨过这种复杂度。
所以人必须把项目拆成AI可处理的任务单元：
什么可以让AI直接做 什么需要人先定义边界 什么需要拆成多轮验证 什么需要先做原型 什么必须用外部数据校验 什么不能交给AI判断，只能由业务负责人决策
这就是工程化拆解能力。
没有这项能力，使用者会反复把过大的问题交给AI，然后得到过于宏观、过于完整、过于不可靠的输出。
看起来AI回答了，实际上任务没有被真正切开。
复杂项目不是靠“问一个更好的问题”推进的，而是靠持续把大问题拆成可执行、可验证、可回收的小任务推进的。
五、判断长沟通是否收敛
第五个门槛，是判断长沟通是否收敛。
很多AI协作会进入一种危险状态：对话越来越长，内容越来越多，但问题没有变清楚。
双方一直在讨论，一直在补充，一直在修改，一直有新版本。
但核心卡点没有被解决，关键决策没有被做出，下一步行动也没有变得更确定。
这时，使用者必须能判断：这段沟通是在收敛，还是在发散。
收敛的标志是：
问题边界更清楚了 关键分歧减少了 可执行步骤更明确了 不确定性被隔离了 下一步验证方式出现了
发散的标志是：
新概念越来越多 方案越来越复杂 讨论越来越抽象 没有明确取舍 没有形成可执行动作
长沟通本身不是问题。复杂项目本来就需要长沟通。
真正的问题是，很多人无法判断长沟通是否在逼近结果。于是对话持续进行，注意力持续消耗，产出却没有发生。
六、识别虚假进展感
第六个门槛，是识别虚假进展感。
这是AI协作里最隐蔽的问题。
LLM的机制决定了，它总能继续生成内容。无论你现在的问题是否被解决，它都能给出下一段分析、下一版方案、下一组建议、下一轮优化。
这会制造一种强烈的进展感。
你会觉得事情一直在推进，因为屏幕上一直有新内容出现。
但复杂项目的真实进展，不等于内容增加。
真实进展是约束被澄清，风险被识别，任务被拆开，决策被完成，产物被交付，反馈被验证。
而虚假进展是：
文档变长了，但结论没变清楚。方案变多了，但选择没发生。讨论更热烈了，但行动没出现。AI一直在回应，但项目没有推进。
这不是某个使用者不努力，也不是AI完全没用，而是LLM本身很容易让人把“持续生成”误认为“持续进展”。
越是复杂项目，这种错觉越危险。
用好AI不是低门槛技能
所以，用好AI并不是一个低门槛技能。
在简单任务里，AI确实降低了使用门槛。很多人不需要专业训练，也能立刻得到帮助。
但在复杂项目和实际商业项目里，情况相反。
AI降低了执行某些局部任务的门槛，却提高了整体协作和项目控制的要求。
因为过去你可能只需要自己慢慢想。现在你面对的是一个高产、高速、强表达、但不稳定的智能系统。它能放大你的能力，也能放大你的混乱。
你表达不清，它会把模糊问题包装成完整答案。
你发现不了错误，它会把错误推进到更深层。
你信息处理能力不足，它会制造信息过载。
你不会工程化拆解，它会在大问题上反复空转。
你判断不了对话是否收敛，就会陷入长时间沟通。
你识别不了虚假进展感，就会把无产出误认为正在推进。
这些门槛，大部分或全部达不到时，结果往往不是“AI用得一般”，而是反复进入一种更糟糕的状态：
长时间、多轮、高强度沟通。看起来一直在讨论。看起来一直有新东西。看起来一直在优化。但最后没有真实进展，也没有可靠产出。
在实际公司AI转型中，这个问题几乎会在每个人身上出现。区别只在于，有些人能逐渐跨过这些门槛，把AI变成复杂项目里的协作工具；多数人则会长期停留在“和AI聊了很多，但项目没有明显推进”的状态。
这也是AI时代最容易被低估的分化。
AI本身很强。
但在复杂项目里，真正决定AI能不能产生价值的，仍然是人能不能驾驭这种强度。
