夜雨聆风AI 最该做的，不是把所有活都抢过来，而是把程序做不好的那一段补上。省下来的时间，如果不能变成产品、流程、客户和收入，那很多 token 只是烧掉了。
今天我脑子里一直有个问题:
AI 到底应该用来干什么？
这个问题听起来挺大，但我想到的是一个很小的场景。比如有一堆表格要整理，日期格式不统一，文件名乱七八糟，还有几十个字段要映射。
这种活，以前人工敲，确实烦。现在丢给模型，也能做。
但我心里会犯嘀咕: 这事儿真该用大模型吗？
如果规则是固定的，字段是清楚的，输入输出也能说得明白，那写个脚本、配个规则、跑个校验，不是更便宜、更稳定、更可复用吗？
反过来，客户一句话到底是在抱怨、试探、买单前压价，还是单纯情绪不好？这个判断就没那么规整了。规则会变，人话会绕，场景也会飘。这里让模型上，才有道理。
AI 不该是昂贵的打字员。它应该是那把专门切不规则问题的刀。
程序和 AI 的分工
● ● ●
别把模型当全能外包
我不反对用 AI 省事。
以前手工输入，现在批量整理；以前一个个复制粘贴，现在让模型先归纳一版；以前写个邮件磨半天，现在让它起草，再自己改。这个没问题。
问题在于，很多人一上来就把整件事都丢给模型。
文件怎么读，格式怎么转，重复怎么去，字段怎么校验，失败怎么重试，结果怎么存，日志怎么查，全让模型边猜边干。
这就很怪。
这些活有相当一部分，传统程序明明做得更好。程序不会突然情绪化，不会在第 17 行开始“自由发挥”，不会今天觉得 A 字段叫 amount，明天觉得它叫 total_price。只要规则清楚，它就按规则跑。
程序还便宜。
一次写好，跑 100 次、10000 次，边际成本都很低。该缓存就缓存，该批处理就批处理，该用数据库约束就用数据库约束。哪怕写得土一点，也比每次都把同一堆确定性任务塞给模型要划算。
说实话，我现在看到一些工具的用法，包括 OpenClaw 这类自动化操作里某些“全都交给模型想”的倾向，会有点别扭。
不是说它不能做。
是太贵了。
能用程序稳定解决的事，还反复烧 token，本质上是在用高价油烧开水。
● ● ●
程序做确定的，AI 做含糊的
我现在更愿意把 AI 系统拆成两层。
一层是程序层。
它负责确定性的事情: 读文件、调接口、查数据库、跑规则、去重、缓存、重试、限流、保存版本、生成日志、做权限校验。
这些地方不需要“灵感”。需要的是可预测、可追踪、可回放。
另一层才是模型层。
它负责传统程序不好写的地方: 判断语义、理解上下文、做取舍、写一段不那么死板的话、给一个新产品起草结构、在规则还没稳定时先帮人做半自动判断。
这两层不能乱。
如果把程序层的活都丢给模型，系统会贵、慢、难查错。如果把模型层的活硬写成规则，系统会僵，稍微换个说法就挂。
真正值钱的，不是“用了 AI”，而是你知道 AI 应该出现在哪一刀。
举个更简单的例子。
一批发票要识别金额、日期、公司名。如果版式固定，OCR 加规则就够了；如果票据来源很杂、备注里还藏着业务含义，那模型可以帮忙判断异常、解释备注、给人工复核排序。
这就是分工。
程序负责把路铺平，模型负责处理路上那些石头和坑。别反过来。
● ● ●
程序员的主动权，会回来一部分
这也是我最近越来越强烈的感觉: 有想法的程序员，赶上 AI 这波反而可能重新拿回主动权。
原因不是程序员会写 prompt。
会写 prompt 当然有用，但不够。
更关键的是，程序员知道一件事该怎么拆。
哪个环节能用 20 行脚本解决？哪个环节应该做缓存？哪个环节要留日志？哪个环节不能信模型，必须人工确认？哪个环节规则天天变，硬写代码会把自己累死？
这些判断，不是纯聊天能聊出来的。
一个不懂程序的人，很容易把 AI 当一个万能外包: 你全给我做了吧。
一个懂程序的人，会更像调度员: 这段程序跑，那段模型看，这里存一下中间结果，那里做个失败重试，收尾再让人点一次确认。
差距就在这儿。
AI 结合程序，可能比纯 AI 快一个数量级，成本也低一个数量级。
这句话我没有拿行业报告背书，就是我自己的工程直觉。你真跑过批处理、写过自动化、查过线上日志，就会知道很多 token 其实不该花。
模型应该负责那些“写死规则会很痛苦”的地方。
程序应该负责那些“写死规则反而很舒服”的地方。
这听着很朴素，但很多系统恰恰没做到。
token 浪费与 token 投资
● ● ●
省时间不是终点
还有一件事，我觉得更重要。
AI 不是只用来省时间的。
如果一个办公室里，大家原来花 2 小时做 PPT，现在 20 分钟就能做完，然后多出来的 100 分钟只是刷手机、摸鱼、等下班，那这个效率省出来以后，价值在哪里？
这话可能有点难听。
但我真这么想。
不是所有“更快”都值得庆祝。更快只是中间状态。它后面要接着什么？
接新产品，才有意义。
接新流程，才有意义。
接更好的客户体验，接更快的试错，接更低的交付成本，接新的收入来源，才有意义。
如果没有这些，token 就只是把一个旧动作做快了一点。挺热闹，但不一定有钱。
AI 省下来的时间，必须被重新投资。
投资到产品里，投资到客户里，投资到自动化里，投资到一个能重复赚钱的流程里。
我甚至觉得，以后判断一个 AI 项目值不值得做，可以先问 3 个很土的问题:
- 01它省下来的时间去哪了？
- 02它少花的钱留下来了吗？
- 03它有没有变成收入、资产，或者能反复使用的能力？
答不上来，就先别急着夸。
● ● ●
token 必须用来创造财富
写到这里，我觉得这篇文章的结论其实很简单:
token 必须用来创造财富。
这里的财富，不只是账上多一笔钱。
它可以是一个新产品，一个更短的交付流程，一个能自动跑的内部工具，一套能复用的销售材料，一个客户愿意付费的服务，也可以是一家小公司真正能省下来的现金。
但它不能只是“我们用了 AI”。
也不能只是“我们工作快了一点”。
更不能是“我们把所有东西都交给模型了，所以看起来很先进”。
先进不先进，我现在没那么关心。
我更关心的是: 这次模型调用之后，世界上有没有多出一点可复用的东西？有没有多出一点客户愿意买单的东西？有没有多出一个以前做不出来、现在能跑起来的流程？
没有的话，可能就是烧 token。
有的话，才叫投资。
AI、程序、产品和收入的循环
● ● ●
收个尾
这波 AI 最容易犯的错，是把模型当答案。
我现在更愿意把模型当一块很贵、很强、但不能乱用的能力。它要接在程序后面，接在业务里面，接在创造上面。
程序解决稳定性。
模型解决不确定性。
人来决定什么值得做。
这三件事摆对了，AI 才不是玩具，也不是办公室里的新式打字机。
它才会变成真正的生产工具。
说到底，token 不是用来显得先进的。
token 是要拿去换财富的。
