夜雨聆风“把时间还给思考。”
2025 年末，我和种子们报名参加了「种子计划」职场复盘工作坊。
2026 年 1 月，工作坊第一次线下见面会结束后，我利用几个周末的时间，根据工作人员分享的腾讯会议逐字稿，整理完成了整场工作坊的实录笔记。
那份逐字稿由于收音条件有限，存在不少转写错误。有些地方只能凭借当时的记忆，一边修正、一边整理。
最终，这份文档的编辑总时长停留在 9 小时 14 分钟。
（第一次实录的部分内容）
2026 年 4 月，工作坊举行了第二次线下见面会，也就是一季度复盘会。
由于工作一直比较忙，这份实录迟迟没有动笔。
今天凌晨失眠，想着第三次线下见面快到了，这份实录也该完成了。一时兴起下楼，安装了腾讯会议的 Skill，准备试试看 AI 到底能做到什么程度。
我给 Codex 提了几个要求：
自动获取腾讯会议回放及逐字稿；
按照第一次实录的格式整理内容；
保持标题层级和排版一致。
而这份完全 AI 主导生成的文档，显示的编辑总时长，是 3 分 39 秒。
（Codex 拿到的时长数据）
看到这里，很多人可能已经开始心算了。
9 小时 14 分钟，对比 3 分 39 秒，AI 的效率大约是人工的 152 倍。
不过，这份实录还没有真正完成。
按照我自己的要求，估计我至少还要花 1-2 个小时，对照会议回放逐段核对内容，确认观点没有遗漏、引用没有偏差、背景交代清楚，以及个别表达符合原意等。
如果把这部分时间也计算在内，整体提效约 4.5-8.7 倍。这个数字没有生成阶段那么夸张，却更值得参考，因为它对应的是一份真正可以交付成果的完整耗时。
因此我觉得，我们讨论 AI 提效的时候，也许应该区分两个指标。
一个是生成效率（Generation Efficiency）。它衡量的是 AI 从接收任务到生成初稿所需要的时间。
另一个是生产效率（Production Efficiency）。它衡量的是一份真正能够交付、能够沉淀、能够长期使用的成果，最终需要投入多少时间。
152 倍和 4.5-8.7 倍，这两个数字都没有问题，只是在回答不同的问题。
（AI 效率的两个指标，图片由 WorkBuddy 生成）
还有一个让我感触很深的地方，是数据。
很多人在讨论 AI 时，关注的是模型能力、推理能力、上下文长度、Agent、MCP、Skills……
这些当然重要。
但回过头看这两次工作坊实录，我发现真正影响最终效果的，还有一个很容易被忽略的因素。
第一次工作坊，没有准备收音麦、会议录音质量一般、逐字稿存在不少识别错误。因此，我需要花很多时间去修正这些错误，再整理成笔记。
第二次工作坊，工作人员提前准备了收音麦，并保留了完整的会议回放，录音质量明显提升，逐字稿准确率也高了很多。Codex 能够自动读取会议回放、理解内容、整理结构，很大程度上建立在这些高质量数据之上。
这让我再次想起那句已经说了几十年的话：
Garbage In, Garbage Out.
AI 能力的提升，离不开模型能力的进步，也离不开算力基础设施的发展。
但如果没有高质量的数据输入，再强的模型，也很难生成高质量的结果。
（这是 2026 年 1 月，Joan 和工作坊学员在合影）
我整理实录，本意是为了让自己能够做好复盘。
把当时讨论过的问题再读一遍，把记录下来的观点再想一遍，也看看过去几个月，哪些已经应用到了工作和生活中，哪些还需要继续实践。
AI 确实帮我节省了不少整理文字的时间。我希望把这些省下来的时间，更多地留给阅读、思考和实践，而不是机械地处理文字。
当然，要感谢种子计划工作人员在会务上的用心。
一支小小的收音麦，一份完整的会议回放，让这次实录整理顺畅了很多，这些直接影响了 AI 最终能够发挥多少价值。
AI 节省了整理实录的时间，而实录本身，远比提效更有价值。当然，再完整的实录，也比不了一次真实且酣畅的现场交流。
（这是 2026 年 4 月，Joan 在工作坊现场分享）
那种人与人的直接交流、观点与观点的相互碰撞、以及现场不断产生的新思考，是 AI 所不能取代的。
我十分期待和大家的再次会面。
毕竟不知从何说起，下文便见。
