夜雨聆风很多人一提到“做工具”，第一反应就是：我又不会写代码，这事跟我有什么关系？
以前这个判断大体没错。想做一个能真正运行的小程序，门槛不低，足够把多数业务人员挡在门外。
但 AI 出现之后，这个门槛正在变低。
现在的问题已经不再是“我会不会写代码”，而是“我能不能把一项工作讲清楚”。
一个具体的小工具，从哪里来
我第一次做出能用的工作小工具，是一个固定资产折旧自动测算程序。读入固定资产清单，按规则计算本年应提折旧，和账面数对比，输出一份整理好的 Excel 结果。
听起来简单，原值、残值率、使用年限，套公式就行。
但真正做过的人都知道，固定资产清单不是一张干净的练习题。企业系统导出的清单，少则几百条，多则几千条，字段一大堆，一屏都显示不全。
更麻烦的是，资产状态不同，折旧规则也不同：新增资产次月开始计提，减少资产当月还要提，存续资产从年初提到年末。很少会有一个万能模板，能够适用所有公司的不同年份，而且也不能拉一个公式到底。得先分类，再分别计算，再对比，再标出差异。
以前手工做，顺利的话一个公司一个多小时；不顺利的话，差异一大堆，还得反过来查是公式错了、字段口径错了，还是系统导出本身有特殊处理。
很多时间不是花在判断上，是花在复制、拉公式、核对差异这些机械动作上。
我当时就想，这件事能不能让程序自动做。
后来真的做出来了，是 AI 帮我写出来的。现在打开这个小程序，选好文件、设好年度和阈值，点一下按钮，几秒钟就自动分类计算、对比账面、标出差异，输出一份可以直接放进底稿的 Excel。
真正的门槛，不是代码，是讲清楚
但这件事最有意思的地方，不是“AI 写了代码”，是我发现，真正依赖的能力不是写代码，是把工作规则讲清楚。
如果只说一句“帮我做一个折旧测算工具”，AI 大概率会写出一个看起来像样、实际未必适用的东西。
它不知道你的 Excel 长什么样，不知道新增和减少资产在你的口径里怎么判断。它只能猜，业务工具最怕的就是猜。
所以第一步不是让 AI 写代码，是先把这件工作说明白：输入文件什么结构，资产怎么分类，不同状态怎么算折旧，输出要长什么样。
比如存续资产从 1 月提到 12 月，新增资产从资本化次月提到 12 月，减少资产从 1 月提到减少当月。
这个讲清楚的过程，比写代码更重要。
它逼着我把平时凭经验做的事，拆成程序能执行的步骤。
以前看一眼日期就知道该算新增，凭直觉觉得差异不对劲。但程序不懂“看一眼”和“直觉”，只懂明确的条件和规则。
错误都是在用的时候才发现的
第一版做出来后，不能直接用，反复调整了几次。
比较典型的，是数字格式不统一，系统导出的字段看着是数字，实际是文本，算不动，发现了就让 AI 改。
还有一些分类判断不准，拿具体例子说明白，让它调整逻辑。
最关键的一次调整，是“已折旧月份”这个字段。
一开始直接拿系统导出的数字参与对比，后来发现差异总是围绕一个月折旧额上下浮动。找了很久才发现，有些公司系统导出的这个字段，本身已经包含本年已过的月份，直接用就等于把本年折旧重复算了一遍。
后来加了一个选项，要不要做这层修正，因为不同公司口径不一样，不能用一种算法套所有公司。
这个细节让我印象很深。
AI 能帮你写代码，但它不会天然知道你的系统里哪个字段的准确含义、哪个名字看起来一样实际口径不同。
不会写代码的人并不是没有优势，业务人员最大的优势，就是知道这件事真实发生时是什么样子。
属于自己的提效工具可以很小
后来这个工具陆续加了几种折旧方法、阈值设置、批量处理多个公司的文件。但核心一直很轻：读进去，算出来，对比，标异常，出结果。
工具不用做得很重，把一个高频、重复、容易出错的动作稳定解决掉，就已经很有价值。
所以，不会写代码也能做出第一个工作小工具，但这不是说什么都不用想，丢一句话给 AI 就行。
AI 降低的是写代码的门槛，没有降低把工作讲清楚的责任。
至少要说清楚三件事。
1. 输入是什么
数据从哪里来，什么格式，有哪些字段，有没有可能出现异常情况。
2. 规则是什么
什么情况算这一类，什么情况算那一类，差异多少以内可以接受。
3. 输出是什么
结果给谁看，哪些地方要重点标出来。
这三件事讲清楚，AI 才有可能把它变成程序。否则写出来的只是一个“看起来像工具”的东西，用到真实数据里很快就会暴露问题。
从一件具体的事开始
第一个工作小工具不要选太大的题目，不要一上来就想做“审计自动化系统”，而是从一个具体、重复、规则相对明确的工作开始。
比如折旧测算、银行流水分类、合同台账核对、发票信息整理、文件批量重命名、多个 Excel 汇总到一张表。
越具体，越容易做出来；越贴近自己的工作，越容易判断结果对不对。
我做那个折旧测算工具时，代码不是我一行行写的。
但需求是我写的，规则是我定的，错误是我发现的，业务口径是我修正的。
功能实现的背后不只是代码，更是我对这项工作的理解。
