学AI半年后,我发现真正困难的不是工具

刚开始接触AI的时候，喜糖本人和很多人一样，最先关注的都是工具。

哪个模型更好用？提示词应该怎么写？怎么让它帮我写方案、做表格、整理会议纪要？看到别人分享新功能，我会收藏，刷到“万能提示词”，也会顺手存下来。

那段时间，工作确实变快了。以前整理会议纪要要听录音、记重点、重组语言，后来交给AI先整理，再由我修改，时间一下缩短了。写通知、改措辞、整理表格，也都一样。

但用了几个月以后，我发现一个奇怪的问题：工具越来越熟，有些工作却依然做得不轻松。有时候AI已经打开了，我却不知道第一句话应该问什么。

后来我才意识到，真正卡住我的不是“不会用AI”，而是我没有把这件工作想明白。如果连要解决什么问题都不知道，再厉害的工具也只能把混乱放大。

这是喜糖本人学AI半年以后最大的变化：不再急着学工具，而是开始重新看自己的工作。

以前在高校服务过程中，我经常接触老师、教务部门，也会做项目沟通。

有一次，我们讨论一项数字教材相关的工作。按照以前的习惯，我会先找政策文件、同行案例、平台功能，再整理成一份方案。这是我做惯了的路径。

但那一次，我没有直接让AI“帮我写一份方案”，而是先问自己：学校为什么要做这件事？

接着继续往下拆：教务处在意什么？学院老师在意什么？真正使用教材的一线教师又在担心什么？

慢慢拆下来我才发现，看起来只是“写一份数字教材方案”，背后其实是几件不同的事。学校可能在意建设成果，老师担心增加工作量，项目负责人关心最后能不能落地。

如果这些没有想清楚，让AI直接写，它当然能给出一份看起来完整的东西：有背景、有意义、有路径、有成果。每句话都没毛病，可拿到真实工作里，可能一句都不好用。

AI逼着我重新认识那些已经做了很多年的工作。以前觉得“我会做”，很多时候只是因为做熟了。哪个表怎么填、事情做到哪一步要和谁确认，这些动作已经变成习惯。

但真正让我说清楚“为什么这么做、哪一步最关键、什么可以标准化、什么必须靠人判断”，反而要停下来想很久。这个过程，比学一个新工具难多了。

工作里有一类事情，我现在越来越愿意交给AI，比如整理零散信息、梳理会议脉络、压缩长材料，以及生成通知初稿、方案框架、表格字段和培训提纲。

这些事情有明确输入，也有相对清楚的输出标准，AI可以先搭一个架子，帮我减少重复劳动。

但涉及判断的工作，我越来越不敢轻易交出去。

以前跑学校时，老师有时会说：“这个东西挺好的，我们回头可以研究研究。”只看字面，这句话很积极。可做过一线服务的人都知道，它可能是礼貌结束，也可能是真感兴趣但暂时没时间，还可能是老师觉得不错，却受制于校内流程。

三种情况，后面的动作完全不同。AI可以帮我整理老师说了什么，却很难替我决定项目该不该继续跟、下一次找谁、什么时候联系，以及对方真正卡在哪里。

这些判断来自长期相处、现场感和经验，也来自你愿不愿意对最后的结果负责。

所以我现在给自己划了一条线：重复性、整理性、规则清楚的工作，尽量交给AI；涉及关系、判断、取舍和责任的事情，一定自己再看一遍。

工作不是把任务“生成出来”就结束了。最后承担结果的人，还是你。

我身边有不少人试过AI。让它写文案、改通知、做周报，用了几次以后，有人会说：“感觉也就这样。”

学了半年以后，我越来越明白，很多人停在这里，是因为模仿很容易。看到别人说某个提示词能生成会议纪要，复制过来用一下；看到某个工具能做PPT，注册一下、试一下。这些都不难。

真正难的是回到自己的工作里问：我每天到底在重复什么？哪件事情最耗时间？哪个环节最容易出错？哪些经验一直只存在脑子里？

这才是AI真正开始进入工作的地方，可偏偏这一步最累。因为它要求你不只是“学AI”，而是重新审视自己。

你会发现，有些工作低效，不是因为没有工具，而是流程本身就乱；有些事情依赖某个老员工，不是别人学不会，而是判断从来没有被说清楚。还有些工作，我们每天都在做，却没认真想过它是否有必要继续这样做。

所以普通职场人真正跨不过去的，往往不是技术门槛，而是工作认知这一关。工具学会了，觉得自己进入AI时代了，但工作方式一点没变。

现在再回头看这半年的学习，喜糖本人已经没有刚开始那么焦虑了。

以前看到新工具，会担心自己没跟上。现在我反而会先问：它到底能解决我什么问题？如果暂时没有，我就先不学。

工具永远会更新，今天大家讨论的模型，过一段时间可能又换了。真正能留下来的，不是哪一个按钮怎么点，而是你有没有建立起自己的工作方式：知道什么可以交给AI，什么必须自己判断，怎么把经验变成可重复使用的方法，也知道什么时候宁愿慢一点，都要自己去现场看一眼、跟人聊一句，做最后的决定。

接下来进入研究生阶段，我当然还会继续学AI。但我现在更想学的，不是怎么把AI用得更炫，而是怎么理解人与技术之间的分工。

未来真正拉开差距的，也许不是谁最早学会某个工具，而是谁能越来越清楚地理解自己的工作，然后把机器擅长的事情交给机器，把人的判断、经验和责任留在自己手里。

#人工智能 #职场成长 #高校服务