早上扫资讯从40分钟压到15分钟下午写技术方案从4小时压到1小时但有一个环节，AI基本没用

上周有读者留言：你说AI能嵌入日常工作，到底怎么嵌？第一步打开哪个软件？第一句话怎么说？

这个问题问得实在。太多文章讲“AI提升效率”，就是不告诉你怎么开始。

今天我把自己一个完整的工作日拆开给你看。不美化，不夸大，包括那些我以为AI能搞定、结果翻车的地方。

我在证券行业做监管系统开发二十年。下面这个周二，是我最近一个典型的日子。

08:30 扫信息：40分钟 → 15分钟

我有个老习惯：每天到公司第一件事，扫一遍行业资讯和监管动态。

证监会、交易所、中证协、各地证监局……新规、解读、自律规则修订、问答更新，不能不看。但每一条都仔细读，早上就没了。

以前我会手动标记重点，觉得和哪个系统有关就单独记下来。

现在这样做：

把当天要扫的内容（几份PDF或几段网页文字）粘进AI，问它：

“帮我梳理这些内容里和风控合规系统、监管报送直接相关的要点。按影响范围分成三类：① 需要系统改造② 需要关注但暂无改造需求③ 背景了解即可”

出来的结果基本准确。我花五分钟过一遍、确认分类合理，把“需要系统改造”那类记下来推进评估。

40分钟 → 15分钟。这是AI效果最稳定的环节——信息摘要与分类。只要你给明确的分类标准，它基本不犯大错。偶尔有遗漏，自己复核一遍就好。

10:00 规则解析：AI读文件，但最后的话我说

上午主要工作：评估一个新报送字段变更对现有系统的影响。

监管部门发了一份技术规范修订说明，涉及某张报送表单里十几个字段的口径调整。这种活儿我们每年至少五六次，每次都是一道“逐条比对题”。

我把新旧两版规范文档都给了AI：

“对比这两版规范，列出所有变化的字段。注明变更类型：新增/删除/口径调整/格式调整。对每个变更标注是否可能影响现有系统的采集逻辑或校验规则。”

三轮对话后，它输出了一张清晰的变更清单。

说“清晰”，是因为确实帮我省了逐页翻找的时间。但有几个地方它判断错了。

比如一个字段，AI认为是“仅格式调整”。我一眼看出其实是枚举值新增了一个取值——背后系统里有一段判断逻辑需要改。这种错误，不熟悉业务的人完全看不出来，但我五秒钟就能发现。

这就是我在第一篇里说的：AI帮你缩短“到达判断节点之前的路程”，但判断本身还是靠你。它把我从“逐条啃四十页文档”变成“复核一张清单，找出AI没判对的地方”。后者轻松得多，也快得多。

这个环节的经验： 让AI做“初筛”，自己做“复核”。不要把AI输出当结论，把它当一份需要你审阅的草稿。

14:00 写技术方案：我最顺手的用法

下午的任务：针对上午的规则变更，写一份系统改造的技术评估方案，供下周需求评审会使用。

这种文档我写了二十年，结构早就在脑子里了：背景→变更清单→影响范围→改造方案→工作量估算→风险提示。但把脑子里的东西搬到文档上，历来最耗时间。

这次换了做法。

先用十分钟，用语音备忘录把自己的想法口头说了一遍——这个变更的核心是什么、改造难点在哪、有几个可选方案、我倾向哪个、工作量大概怎么估。说完转成文字，丢给AI：

“这是我对这个技术方案的口头梳理。帮我按照‘背景→影响分析→方案建议→工作量估算→风险点’的结构整理成一份技术评估文档。语言正式但不要堆砌术语。保留我原话里的判断和结论，补充必要的结构性表述。”

二十分钟后，一份框架清晰、逻辑顺畅的初稿出来了。我花了半小时补充了几个细节数据、调整了两处表述、加了一个风险场景——完稿。

以前从空白页开始写到完稿，三到四个小时。现在一小时。

关键点：先用口头整理自己的思路，再让AI帮你把思路变成文字。 顺序很重要——不是让AI替你想，是让AI帮你写。你的判断和结论必须先在脑子里，AI只是一个更快的“打字员+排版师”。

16:30 代码审查：AI有用，但边界很明显

下午还有一项工作：review一段同事写的代码，涉及一个报送数据的校验逻辑。

我把代码片段丢给AI，让它先做一遍初步审查，标出潜在逻辑问题和边界情况。

结果挺有意思。

AI发现了两个我大概率也会发现的问题：一处空指针没保护，一处数值比较用了浮点数可能有精度问题。这些通用代码质量问题，AI处理得不错。

但有一个更关键的问题AI没发现——那段校验规则，表面逻辑没错，但和我们系统里另一个模块的处理结果存在潜在冲突。只有了解整个系统架构和这条业务逻辑历史沿革的人才能看出来。这种问题，AI永远发现不了，因为它看不到你整个系统的上下文。

AI做代码审查的价值：帮你快速过滤通用性、表面性的问题，让你把精力集中到那些真正需要业务判断的深层逻辑上。 别指望它替你做完整的业务逻辑审查。

下班路上，我做了个复盘

哪些环节AI真帮了大忙？哪些用了但没太大价值？哪些反而绕了弯路？

帮了大忙 ✅

• 海量信息的摘要与分类（早上扫资讯）

• 结构化文档的起草（技术评估方案）

• 文本对比与差异提取（规则变更梳理）

有帮助但需大量人工复核 ⚠️

• 专业文本的内容解析（AI读得懂字，读不懂“字背后的意思”）

• 代码的通用质量检查（业务逻辑层面仍要人工）

基本没用 ❌

• 和外部客户的沟通邮件（AI起草的语气总偏模板化，不如自己写）

• 需求优先级评估（需要战略方向、资源情况、甲方关系，AI根本没有这些信息）

这个清单我摸索了几个月，肯定不是最终版。但至少现在，它让我知道每天在哪些时刻打开AI、哪些时刻不用费这个劲。

给你一个可以直接用的框架

如果你也想开始把AI嵌入工作日，三个建议：

第一，从“信息处理”开始，别从“判断决策”开始。AI最稳的是摘要、分类、对比、提取。从这里开始，最快看到效果，最不容易翻车。

第二，“先想清楚，再让AI写出来”，别“让AI帮我想”。AI不擅长替你思考，但很擅长帮你把想清楚的东西表达出来。这个顺序反了，越用越迷糊。

第三，建立你自己的“AI适用清单”，别追求“全面AI化”。花一两个月把自己工作任务逐一试一遍，记下哪些有用、哪些没用、哪些有条件有用。这张清单，比你看一百篇教程都有价值。

如果你想试，这里是我今天用过的提示词（可直接复制）

信息分类：

帮我梳理这些内容里和[你的业务领域]直接相关的要点。按影响范围分成三类：①需要立即行动 ②需要关注但暂无行动 ③背景了解即可。

文档对比：

对比这两版文档，列出所有变化。注明变更类型：新增/删除/口径调整/格式调整。对每个变更标注是否可能影响现有[系统/流程/规则]。

口头转文档：

这是我对[某件事]的口头梳理。帮我按照[你习惯的结构]整理成正式文档。保留我原话里的判断和结论，补充必要的结构性表述。

最后说一句很多人不爱听但真实的话。

AI没有让我的工作变轻松——它让我的工作变得不一样了。那些消耗时间却不需要真正动脑的部分被压缩了；那些真正需要我的判断、经验、二十年行业理解的部分，反而更密集了。

某种程度上，这比以前更累——因为你被推着一直在做需要思考的工作，再也没有“逐页翻文档”那种可以放空脑子的时间了。

但我觉得，这是好的那种累。

你有没有在工作里尝试过用AI？遇到过什么意外惊喜，或者踩过什么坑？欢迎留言告诉我。特别是如果你也在金融、合规、或者任何“不能出错”的行业——我特别想听你的故事。

我们下周见。