夜雨聆风这是悟鸣的第 271 篇公众号文章
大家好，我是悟鸣。
最近和一些粉丝、朋友做了不少交流，我发现一个很有意思的现象：
很多人并不是完全不用 AI，而是“用了，但没什么效果”。
有的人装了很多工具，看了很多教程，也收藏了不少提示词，但真回到自己的工作里，还是不知道从哪里下手。也有人一开始很兴奋，试了几次发现结果一般，就很快得出一个结论：AI 好像也就那样。
我的观点是，很多时候不是 AI 没用，而是我们使用 AI 的范式还没有跟上。
下面这 10 个问题，是我结合最近的交流和日常观察整理出来的。它们不一定覆盖所有情况，但基本能解释大多数人“用 AI 没效果”的原因。
第一，业务判断：忽视自己的专业能力，误以为 AI 可以替代判断。
很多人认为，只要我问 AI，只要大模型越来越强，就可以解决所有问题。
但 AI 更像能力放大器。你的业务判断、流程理解、审美和经验不够，AI 放大的也可能是这些薄弱点。真正厉害的人不是把自己完全交给 AI，而是把自己的经验、标准和判断注入 AI。
第二，投入产出：不懂 AI 投入产出比，宁愿走弯路也不愿升级资源。
很多人愿意花几个小时折腾一个低效工具，却不愿意花几百块换一个更强模型，或者请有经验的人指出关键问题。
表面是在省钱，本质上可能是在浪费自己的时间。一个任务如果能每周省下几个小时，花几百块买模型、买靠谱的课、买咨询，其实并不贵。
第三，场景识别：不会观察自己的工作，也找不到 AI 应该接入哪里。
很多人说：“工作已经很累了，回去真不想学”，这其实还是很能理解的。
问题是没有AI的时候，技术发展很缓慢的，你学的东西可以吃一辈子。现在有了AI之后，一天一个样，你不学AI、不懂AI，就不可能用AI更好的解决你的问题。
很多人从来没有把自己的工作拆出来：哪些是重复性的，哪些是高频的，哪些是耗时的，哪些是 AI 能做好的。
结果就是，装了一堆“热门”工具，收藏了一堆“热门”提示词，最后发现好像也没帮上什么忙。其实真正能解决自己工作问题的，是踏踏实实梳理有用的场景，并且找到最适合的解决方案，主动封装为 Skills、Clis 等。
第四，落地路径：被“全自动叙事”带偏，总想一步到位。
比如开发同学刚接触 AI，就想端到端全自动；财务同学一上来就想打通多个系统；老师一上来就想完整生成超过高质量课件。
但很多所谓全自动，其实只是半自动包装成全自动；很多所谓效率提升，也可能只是把 2 小时变成半小时，而不是把 5 天变成半小时。真正可行的路径，往往是先省下 20% 的时间，再用省出来的时间继续优化。
刚开始还是选择一些相对明确的，好做的先做起来。然后慢慢的掌握AI、理解好AI，然后形成自信，再去挖掘更多场景，逐渐由点到线，由线到面，由面到体。
第五，协作闭环：不会表达需求，也缺少结果判断力。
很多人以为提示词就是套模板、加角色。其实专业提示词的本质是：目标清楚、材料给够、背景无歧义、标准可判断。
连“我要什么”“输出什么格式”“参考哪个例子”“哪里不能错”都说不清，AI 只能猜。更麻烦的是，AI 给了一个结果，很多人也只能判断“看起来好像还行”，说不出哪里好、哪里不好、哪里需要改。
没有判断标准，就没有反馈；没有反馈，AI 也没法“成长”。
第六，经验资产：不会把经验沉淀成 Skill、工作流和知识库。
不管是写提示词，还是做 Skill，还是搞知识库、造工具，我们都很难一开始就做得很完美。
真正提效的关键，是在使用过程中不断测试、发现问题、持续优化，然后把高频场景沉淀成 Skill、智能体、工作流或个人知识库。否则每次都重新复制提示词、重新打开网页、重新解释需求，下次还是从零开始。
第七，工具视野：模型和工具认知太封闭，也缺少持续学习。
很多人只知道 DeepSeek、豆包，甚至连更适合某些任务的工具和模型都没听过。
结果就是，明明是模型能力不够，却误以为“AI 不行”；或者明明换个工具就能解决，却在原地反复折腾。AI 工具变化又很快，今天有效的方法，半年后可能已经落后。
前段时间 OpenClaw 很火，很多知名自媒体大 V “狂吹”，结果很多创业者或者很多企业里的人也跟着做。但现在就“掉坑里去了”：
Tokens消耗非常大 因为消耗大就不舍得用更好地模型，效果差 响应还是有点慢 可观测行差 不稳定，升级容易挂掉 不擅长编码，如果 Coding 还要用 ACP 调用 Claude Code 等
那么比如说你选择更适合的工具，比如 QoderWork、CodeX 等，那么有可能这个事反而就做成了。
普通用户容易卡在某个工具上；更成熟的用户关注的是底层能力：怎么学新工具/技术，怎么评估新工具或技术，怎么把新工具活技术更好地用到解决自己的问题中。
第八，学习方式：追大 V、追热点、只看不练，把信息输入当成能力提升。
很多人是谁火谁粉丝量大就关注谁，而不是看谁更专业、更务实。
其实，你相信什么、想要什么，就把更多时间投入到哪里；你想成为谁，就跟谁学。
AI 快速发展的时期，管理好自己的注意力非常重要。很多人什么火就学什么，今天学某个新工具，明天学多智能体军团，后天又去看各种红、黄、蓝、绿皮书。看起来很努力，其实缺少判断：这个东西解决我的哪个问题？它比我现在的方法好在哪里？成本和稳定性怎么样？
很多人看了直播、文章、教程，也没有拿自己的真实工作练一遍。看过就以为自己懂了，略知一二就感觉不用学了。只看别人的案例，不迁移到自己的场景里，永远不会暴露真实问题，也就不会真正进步。
第九，自主探索：过度依赖别人，不会自己定位问题。
有些人遇到问题，第一反应是问人，而不是先问 AI、先查资料、先试三种方案。
请教别人当然有价值，但如果没有自我探索，别人不可能愿意反复给你做基础答疑。效果不好时，也不要只说“AI 不行”。真正要拆的是：是模型不行？资料没给够？任务太大？流程没拆细？缺少测试工具？缺少业务规则？缺少验收标准？
定位不到问题，就只能靠情绪和运气。
第十，预期管理：不会校准 AI 的真实能力边界。
尤其在企业里，很多人既不知道行业真实能做到什么水平，也说不清自己能做到什么水平。
老板听自媒体说“全自动”，自己又没有证据和方法去校准预期，最后就会变成老板失望、自己焦虑。AI 能做很多事，但它不是魔法。越想真正用好 AI，越要把目标、边界、成本、风险和验收标准讲清楚。
我认为，表面上看起来是 AI 的技术问题，本质上还是认知和执行力问题。
很多学 AI 最大的坎之一，就是“不知道自己不知道”，也没有保持一种谦虚和持续学习的心态。
有句话说得好：人挣不到认知之外的一分钱，挣到了也会赔进去。
其实搞 AI 也是一样：你对 AI 技术懂多少，对业务、产品、商业，甚至对人性的理解有多深，最终都会反映在 AI 能给你创造的价值里。
所以，如果你觉得自己用 AI 没有效果，别急着否定 AI。
可以先问自己几个问题：
我的真实场景拆清楚了吗？ 工具是否和场景匹配 我给 AI 的材料和标准足够明确吗？ 我有没有能力判断结果好坏？ 我有没有把有效经验沉淀下来，下次继续复用？
真正关键的不是“我有没有用 AI”，而是“我有没有用 AI 解决真实问题”。
如果文章对你有帮助，可以给我三连击：点赞、喜欢，并转发给身边需要的朋友。
希望本文分享的内容对你有帮助，我们下次再见。
