夜雨聆风谢谢你点开这篇文章，这是我的第 9 篇原创。
（《AI 杠杆：从战略到结果》连载 · 第 4 / 6 篇）
把 AI 当下属
阅读约 18 分钟，本课最重要的一章
上一章你已经让 AI 出了一份 OGSM+ 初稿。这一章我们把这件事讲透。不是"我偶尔用 AI 查个东西"，而是 AI 是你团队里固定的、每天工作的一位新下属，需要你像带新员工一样去带。
4.1 心智：把 AI 当成一位新员工
想象一位刚入职的新员工进了你的团队：
| 新员工的特点 | 对应到 AI |
|---|---|
| 聪明、学得快、勤奋 | 是。能力强，24h 不累，不抱怨 |
| 有通识但没有公司上下文 | 是。不知道你们去年做了啥，谁是关键客户，什么是禁区 |
| 需要你把任务讲清楚 | 是。说不清楚就出垃圾，说清楚就出好东西 |
| 产出需要审核 | 是。新员工会犯错，AI 也会，甚至会一本正经地编 |
| 会看脸色、有政治敏感 | 不。AI 不懂办公室政治，会说大实话也会说蠢话 |
| 会主动找事做 | 不。AI 默认被动，你不派活它就闲着 |
| 有职业前途 | 不。AI 不需要被激励，但需要你升级它的工具和 prompt |
这个类比的关键是：你已经会带新员工了。把那套技能搬到 AI 身上，派活前讲清楚、产出回来 verify、不合格让它重做，你就已经会用 AI 了。剩下的只是知道哪些活儿适合派给它。
4.2 任务分派矩阵
不是所有任务都适合派给 AI。下面这张矩阵帮你判断，看两个维度：判断成本（任务的对错容易判断吗）和 上下文需求（任务依赖多少公司内部知识）。
两个轴判断，上下文需求（垂直）× 判断成本（水平）
| 低判断成本（对错好验） | 高判断成本（对错难验） | |
|---|---|---|
| 低上下文需求 （通识、外部信息） | AI 主 事实查找 / 框架套用 / 文档翻译 / 资料汇总 / 代码 / 数据清洗 | 协同 市场分析初稿 / 行业报告初稿 / 竞品研究 / 战略 brainstorm |
| 高上下文需求 （公司内、关系、经验） | 协同 OGSM+ 起草 / 邮件 / 周报 / 汇报 deck / 内部说明 | 纯人 关键决策 / 跨部门谈判 / 人事问题 / 客户关系 / 公司政治 |
四个象限怎么玩
· AI 主 整段交给 AI，你做最终核对。你的角色是"质检员"。
· 协同 AI 出初稿，你改、补、删。你的角色是"主编"。这是最大的一类。
· 纯人 不要让 AI 替你做。AI 可以帮你准备（如分析对方立场），但拍板和沟通的人必须是你。
常见错误
· 把"纯人"的活派给 AI。比如让 AI 直接给客户回邮件谈价格。AI 不知道你们的价格底线、之前的关系、销售老板的态度。
· 把"AI 主"的活自己干。比如手工整理 50 份客户问题分类。这就是浪费你的高级劳动力。
· 派给 AI 但没 verify。比如 AI 出的 SWOT 直接交给老板。一旦里面有编的数据，你的可信度归零。
4.3 Verify 元能力
这是 AI 时代管理者最核心的新技能。你不再用双手做，你用脑子和品味判断。Verify 不熟练，AI 时代会把你淘汰得比谁都快。
下面是 3 个 verify 套路，按 30 秒能做完的轻量级到深度审核排序：
越往下越深，不必每次都走完三层，但越关键的产出越要往下走
套路一：事实核查（30 秒）
· 找出 AI 产出中所有数字、人名、公司名、政策名、时间
· 对每一个，问自己："我有没有 100% 把握这是真的？"
· 没把握的，立刻 Google / 问知情同事 / 查内部系统
· 常见雷区：AI 会编看起来非常合理的数据（"行业平均 65%"）和不存在的法规名字
套路二：内在一致性（2 分钟）
· 读 O 和 G，量化目标真的能达成 O 的愿景吗？
· 读 S 和 Key Action，Action 的总和真的能实现 S 吗？
· 读 Key Result 和 Owner，Owner 能控制这个 Result 吗？还是只是被动观察者？
· 常见雷区：AI 会列得很整齐但前后逻辑断裂，表面工整、内里空心
套路三：业务匹配度（5-10 分钟）
· 把这份产出拿到一位最熟悉这块业务的同事面前，让他用 2 分钟扫一遍，问："像不像我们公司能做的事？"
· 对方挑出的"不像"的部分，那就是 AI 不知道的内部上下文，你要补
· 常见雷区：AI 会用"通用最佳实践"代替你公司的特殊性，听起来对、做起来错
一句话 Verify 法则
**如果你把 AI 产出原封不动签上你的名字交出去，会出问题吗？**会就改，不会就说明你 verify 得还不够细，再读一遍。
4.4 示范：管理者的一天
下面是一位中层管理者一天的工作流（虚构但典型），看 AI 如何作为下属嵌入进来。
| 时间 | 任务 | 派给谁 / 怎么协作 |
|---|---|---|
| 8:30 | 处理昨天累积的邮件 | 协同 把邮件粘给 AI，让它分类：必须我回 / 可以授权 / 信息周知 / 可以忽略 |
| 9:00 | 给老板准备明天季度汇报 | 协同 把上季度数据丢给 AI 出 deck 大纲，我改重点和叙事顺序 |
| 10:30 | 团队周会 | 纯人 AI 不来。但会前我让 AI 把上周下属周报摘要成 5 个要点 |
| 12:00 | 午饭 + 跟客户沟通 | 纯人 客户关系是我的活。中午让 AI 帮我查了一下客户老板的最近发言 |
| 14:00 | 分析下季度的市场机会 | AI 主 给 AI 行业关键词 + 我们的产品线，让它跑 SWOT + Porter 五力。我 verify 后做判断 |
| 16:00 | 写下季度 OGSM+ | 协同 AI 出初稿，我改。这里我花的时间最多 |
| 17:30 | 下属来谈职业发展 | 纯人 这是带人的活，AI 不参与。但谈完我让 AI 帮我整理 follow-up action |
| 19:00 | 晚上读一份行业报告 | AI 主 让 AI 把 80 页报告摘要成 1 页 + 3 个对我有用的洞察 |
注意到吗？这一天里：
· 所有判断 / 决策 / 关系 / 谈判都是人做的
· 所有初稿 / 整理 / 摘要 / 套框架都让 AI 做
· 这位管理者的"管理时间"几乎翻倍了，因为信息处理时间被压缩了
你的回合
对照这张表，把你明天真实的日程列下来。每个任务标上四个标签之一：AI 主 / 协同 / 纯人 / 还需判断。看看你有多少时间还在做应该派给 AI 的活儿。
4.5 隐私、合规与红线
把 AI 当下属，跟带真员工有一个关键区别：AI 是公网服务，你给它的内容可能被记录、被训练、被泄露。所以"派给 AI"前，先想清楚有没有红线。
5 类绝对不要喂给 AI 的数据
1）真实客户身份 + 联系方式：客户名、邮箱、手机、地址、合同编号
2）未公开的财务数据：详细成本、毛利率、定价底线、未发布的财报数据
3）人事信息：员工薪酬、绩效评分、健康记录、背调资料
4）商业机密：合同细节、技术秘密、工艺参数、关键供应商关系、并购信息
5）合规敏感：涉及监管、法律、政府关系的信息
脱敏 4 招
· 代号化：客户 A 公司、供应商 B、产品线 X
· 模糊化："100 万级订单"、"两位数百分比增长"、"季度个位数"
· 拆分：把数据点分成多次提问，每次只给一部分上下文
· 反向检查：AI 输出回来后，搜一下输出里有没有泄露的真名 / 真数字 / 真客户
不同行业的红线（参考）
| 行业 | 特别注意 |
|---|---|
| 金融 | 客户金融数据 NDA + 监管报送数据 + 内幕信息 |
| 医疗 | 患者健康数据（HIPAA / 个人健康信息）+ 临床实验数据 |
| 政府 / 公务员 | 国家秘密 + 工作秘密 + 个人信息保护法约束 |
| 制造业 | 核心工艺 / BOM / 专利申请前的技术细节 / 关键供应链 |
| 互联网 / 科技 | 用户行为数据 + 未发布功能 + 算法模型参数 |
云端 vs 本地的取舍
· 公网 AI（Claude / ChatGPT / Gemini）：成本低 / 模型最强 / 但数据出公司。适合非敏感内容
· 开源系强模型（DeepSeek V4 等）：模型已接近第一梯队 / 国内 API 接入方便 / 也可本地部署。在脱敏到位的前提下，是隐私敏感场景下值得首选的折中方案。模型选择的灵活性比 2024 年宽得多
· 企业版 / 私域部署：成本中 / 模型与公网持平 / 数据合同保护。适合中型企业敏感场景（如 Claude for Enterprise、GPT Enterprise）
· 本地模型（开源 + 本地 GPU）：成本高 / 模型弱半档到一档 / 数据完全不出。适合金融、政府、医疗、军工等强合规场景
· 折中做法：本地脱敏 / 本地审核 prompt → 云端跑推理 → 本地审核输出。很多企业在用
不必苦等公司自建本地化方案落地才开始用。外部模型已经足够强大（Claude / ChatGPT / Gemini / DeepSeek V4 等），在做好脱敏（§4.5 4 招）和风险控制的前提下，先行探索就好。等是最大的隐性成本。
判断"能不能给 AI"的一句话压力测试
**如果这段内容明天出现在行业新闻头条上，会出事吗？**会就别给 AI（除非你确信用的是合规的私域服务）；不会就放心给。
不确定时，找你公司的法务 / IT / 合规同事问一句，不要凭直觉。这一类问题的成本是 30 分钟咨询，泄露的成本可能是工作和职业生涯。
3 句话带走第 4 章
· AI 是新增的下属之一，不替代现有人；像带新员工那样去带它
· 2×2 任务分派矩阵：判断成本 × 上下文需求，区分 AI 主 / 协同 / 纯人
· Verify 是 AI 时代管理者最核心的新能力，3 套路从 30 秒到 10 分钟
实战：跑一遍真实交付物
动手约 30 到 45 分钟，用你下周要做的真东西
前 3 章是讲，这一章是做。用你下周真的要交付的一件事，跑一遍完整流程。这是这本教材唯一的"作业"，也是你和 AI 第一次完整协作的样本。
5.1 五步流程
总计约 45 分钟。第一次会慢，第三次开始你会停不下来
1）选交付物（5min）选一件下周必须交、有明确受众、不太敏感的事。如：部门改善方案、季度回顾、新业务建议、产品立项书、一份汇报 deck 大纲。
2）AI 出初稿（10min）用第 3 章 §3.3 的 prompt，让 AI 给一份 OGSM+ 初稿。
3）你 verify（15min）用第 4 章 §4.3 三个套路逐一过。把 AI 编的、不准的、空话的、不匹配的全部标出来，自己改。
4）同事 review（10min）把改好的版本给最了解这块业务的一位同事，让他用 5 分钟扫，问 3 个最尖锐的问题。回答得了再交。
5）提交 + 复盘（5min）交给原定接收方。私下记录：本次 AI 帮了多少 / 你改了多少 / 同事改了多少 / 整个过程花了多少时间 vs 以前自己做要多久。
5.2 提交模板
把下面的内容填完，作为你这次实战的总结。可以写在你自己的笔记里，也可以提交给本课的反馈渠道。
实战反馈模板
1）交付物：[一句话描述]
2）受众：[给谁的]
3）AI 出初稿用时：__ 分钟（含我写 prompt 的时间）
4）我 verify + 改稿用时：__ 分钟
5）AI 初稿里最有用的 1 条：[复制过来]
6）AI 初稿里最离谱的 1 条：[复制过来 + 我为什么觉得它错]
7）同事看完最尖锐的 1 个问题：[复制过来]
8）对比：以前不用 AI 自己做这件事大概要：__ 分钟
9）这次的总时间：__ 分钟
10）下一次我会调整的 1 件事：[一句话]
5.3 常见障碍
| 障碍 | 对策 |
|---|---|
| "我找不到合适的交付物" | 选小的。一份周会议程、一份给下属的反馈、一份小改善建议都行。第一次别挑硬骨头。 |
| "AI 出的东西不对，太废话" | 9 成是 prompt 不够具体。回去给 prompt 加：背景多 3 句、约束 3 条、希望的输出格式 1 段。 |
| "我没空 verify，直接交了" | 不要。这次直接交，下次出问题你会停用 AI 反而退步。第一次慢一点，建立 verify 的肌肉记忆。 |
| "同事说这就是 AI 写的" | 说明改稿不够。改稿目标是让别人看不出来。改不到这步说明你给 AI 的工作里你的判断没注入进去。 |
| "敏感内容不敢给 AI" | 对。客户名 / 财务数据 / 人事信息 / 公司机密都不要直接喂。用代号、改数字、去标识，再问 AI。详见下一章 §6.x 隐私与合规边界。 |
3 句话带走第 5 章
· 选你下周一件真实交付物，跑通 5 步流程（选 / 出 / verify / review / 提交）
· 第一次会慢，重点是建立 verify 的肌肉记忆，不是省时间
· 改稿目标是让别人看不出 AI 写的；改不到这步说明你的判断没注入进去
关于文桥 ｜ tx
我是 tx。与其被每天的 AI 资讯弄得焦虑，我选择用它去解决实际问题。
文桥是我的实践记录。边学边做，分享这一路的磕磕绊绊。
Stop worrying. Start building.
如果这篇记录对你有用，不妨点个关注，以后常来看看。你在实操中有什么想法或遇到什么坑，也欢迎留言聊聊，我都会看。
