AI · 效率 · 复盘

我用 AI 工作的一年半:从「问答」到「协作」

这篇文章第一次写于2026年4月,当时用了不到半年AI。现在回头看,那版内容太浅了——工作方式已经彻底变了一轮,是时候重新写一遍,写得更实在一点。

2026年7月 · 重写约 2800 字阅读需 13 分钟
本文目录

一年半前,我开始认真地把AI工具引入日常工作,不是试玩,是真正依赖它做事。这篇文章第一版写于半年使用经验的时候,现在回头看,那时候的理解还停留在"AI能加速做事"的层面——太浅了。这一年半下来,AI在我工作里的角色其实换了三代,每一代都彻底改变了我对"效率"这两个字的理解。这是一次更诚实、更具体的复盘。

角色的三次跃迁

如果把这一年半拆成阶段看,AI在我工作流里扮演的角色其实是在不断升级的,不是线性提效,而是台阶式的跃迁:

1

第一阶段:问答工具

遇到问题就问一句,得到一个答案,关掉窗口。用法和搜索引擎没有本质区别,只是回答更连贯。这个阶段AI没有进入任何工作流程,只是"偶尔查一下"。

2

第二阶段:任务执行者

开始把具体任务整段交给AI——写一份文档初稿、生成一段代码、整理一批数据。这时候AI已经嵌进了工作流,但每次都是"我发起、它执行、我验收"的单轮模式,效率提升明显,但仍然是我在主导每一步。

3

第三阶段:自主协作

现在的状态:AI能读我本地的文件、能自己规划多步骤任务、能在后台按固定节奏跑(监控、汇总、预警),执行完再把结果和判断交给我审核。我的角色从"每一步都要盯着"变成了"设定目标 + 最终把关"。

这个跃迁不是我刻意设计的,是工具能力和使用习惯同步进化出来的结果。回头看,真正的效率拐点不是在第一次用AI写代码的时候,而是在AI第一次能够自主访问我的本地文件、按我设定的节奏自己跑起来的时候。那之后,"我在用AI"这个说法本身就变得不太准确了——更像是"我在管理一个会自主工作的助理"。


具体在做什么:拆开看四个领域

泛泛地说"AI提升了效率"没有意义,具体拆到工作类型才有参考价值。以下是这一年半里,AI真正深度参与的四类工作:

工程咨询类文档工作高频 · 深度使用
可研报告、投标文件、造价核算这类结构化程度高的专业文档,AI承担了大量"从零到初稿"的工作——框架搭建、政策依据梳理、格式规范检查、多方案比较表生成。但核心的技术判断、参数取值、方案比选,始终是人主导,AI只是把"写"这个环节的时间成本压下来了。
个人基础设施运维自动化 · 后台运行
这是变化最大的一块。从"手动排查服务器问题"到现在有一套自动化监控在后台跑:定时检测异常、失败时先做初步诊断、生成修复方案、推送给我审批后再执行。我的介入频率从每天好几次,变成现在基本只在收到告警时才打开手机看一眼。
数据分析与财务测算结构化 · 效率提升显著
财务模型的框架搭建、公式勾稽关系、表间数据核对,这类规则明确、可复用的工作AI做得又快又稳。用脚本批量生成过结构复杂的多表联动模型,节省的时间是实打实的。但关键假设参数——增长率、折现率这类需要行业判断的数字——从来不敢让AI替我拍板。
内容创作与信息整理辅助 · 保留个人风格
博客文章、技术分享这类内容,AI主要承担资料检索、初稿搭建、逻辑梳理的角色,但最终成文我都会大幅改写,确保是"我的语气"而不是AI的默认腔调。这块我反而是使用最克制的——内容创作里"风格"本身就是价值的一部分,全部外包等于把自己的辨识度也外包出去了。

真正节省了什么时间

先说结论:AI显著压缩的是"从零到初稿"和"重复性执行"的时间,但没有减少"把事情做对"所需要的判断力投入。这一点半年前就发现了,一年半后依然成立,甚至更明确了。

更新后的效率评分(满分10分,基于这一年半的实际使用体验):

重复性文档生成
9.2/10
自动化脚本/运维
8.8/10
数据核对与勾稽
8.2/10
资料检索与整合
7.8/10
复杂方案决策
2.2/10
建立信任关系
0.4/10

规律没变:任务越结构化、输出标准越清晰,AI越有用;越依赖情境判断和人际感知,AI越帮不上忙。唯一的变化是,"重复性文档生成"和"自动化脚本"这两项的分数比半年前又高了一截——不是AI变聪明了多少,而是我把这两类工作的流程模板化得更彻底了,AI在固定流程里的表现天然更稳。

「AI 是一个极其高效的执行者,但它没有立场,没有上下文记忆,也没有对结果负责的动机——这句话半年前成立,现在依然成立。」


我踩过、也重新踩过的思维陷阱

陷阱一:把流畅当正确

这个陷阱不会因为用得久就消失,反而因为熟练度提高、警惕性下降,偶尔还会卷土重来。AI生成的内容天然流畅,流畅到你会不自觉地把"读起来顺"当成"内容是对的"。半年前我提到过直接发出去技术文档结果有细节错误,这一年半里类似的事又发生过——都是在赶时间、警惕性最低的时候。

✕ 高风险习惯 时间紧的时候,AI输出读起来通顺就直接用,想着"回头再核对"。
✓ 现在的做法 涉及数字、政策引用、技术参数的内容,不管多赶时间,核对这一步不省。省的是写的时间,不是审的时间。

陷阱二:用AI回避思考

遇到复杂问题,第一反应变成"问问AI"而不是自己先想清楚,这个习惯养成得很快,代价是思维肌肉的钝化。现在我的做法没变:复杂问题先独立想够10分钟,再拿AI来碰撞验证,而不是直接外包判断。这条纪律执行了一年半,是少数几条我没有放松过的规矩。

陷阱三:高估了AI的"记忆"

每次新对话,AI理论上是全新的,不记得上次的沟通方式,不了解项目的隐性背景。这一年半最大的改进,是我开始系统性地把项目背景、历史决策、常用规范整理成结构化的参考资料,让AI在需要时能主动去查,而不是每次都指望它"记得"。这个改进带来的效率提升,比模型本身升级带来的还要明显。

一个具体的教训:早期我习惯把项目背景在对话里重新打一遍,费时又容易遗漏细节。后来把常用背景资料整理成固定的参考文档,每次直接引用,出错率和耗时都明显下降。信息的组织方式,比对话技巧本身更影响效率。


一个用了一年半依然好用的框架

判断某件事该不该交给AI,我一直用同一个问题:这件事的价值,是在"产出"里,还是在"过程"里?

如果价值在产出(一封通知邮件、一段数据处理脚本、一份格式化报表),AI做就好,人来审。如果价值在过程(和人深度沟通、需要承担责任的判断、需要建立信任的场合),AI能辅助但不能替代,因为"你亲自经历这个过程"本身就是价值的一部分。

唯一的更新是:随着AI能自主执行的任务范围扩大,"产出类"工作的边界也在往外扩——以前需要人盯着的多步骤任务,现在可以设定好目标让AI自己跑完,人只在关键节点介入。但"过程类"工作的边界完全没有移动,一寸都没有。


还剩下什么是人的?

用了一年半AI之后,我对几件事反而更确定了:品味、判断、承担后果的意愿,以及在不确定中做决定的勇气——这些东西AI没有,短期内也不会有。

AI让"平均水平"的工作变得极其廉价,这意味着如果你的价值只是"把事情做完",压力只会越来越大。但如果你的价值是"把事情做对、做好、做出风格",AI反而是一个放大器——它能把你从体力活里解放出来,让你有更多精力投入到真正体现判断力的地方。

这句话半年前写过一次,现在依然是我最相信的一句话。变化的不是这个结论,而是我对"体力活"和"判断力活"这条分界线的位置,理解得越来越清楚了。

评论