半年之后，AI 工具在我工作流里的真实位置

大概半年前，我决定认真试一试，把 AI 工具嵌入到每天的工作里。不是那种“偶尔问个问题”的用法，而是真的让它参与写作、分析、甚至决策。

半年过去，我想聊聊真实的变化——哪些变好了，哪些其实没那么神，以及我从中得到的一个判断：AI 不是替代思考，而是改变了“思考前的准备”和“执行后的打磨”。

以前写文章，最痛苦的是第一段。面对空白文档，脑子里有很多想法，但不知道从哪开始。现在我的流程变了：先把自己零散的几点想法扔给 AI，让它生成几个粗糙的段落，然后我逐句修改、调整逻辑、补充观点。

这个转变很有意思。我的角色从一个“创作者”变成了“编辑+判断者”。我不是在写，而是在不断问自己：“这里表达准确吗？”“这个例子有说服力吗？”

效率提高了吗？说实话，写第一稿的时间缩短了 40% 左右。但修改的时间几乎没有减少，因为我对质量的要求反而更高了。AI 帮我跨过了“启动门槛”，但最终的文字质量，还是要靠自己的判断力。

我们在做幻简时，也把这个逻辑用在了产品设计上。比如在文档协作功能里，我们不会让 AI 自动帮你写完整篇报告，而是让它在你写完一段后，给出几个改写方向或补充建议。因为我们认为，最好的结果，永远是人机协作的产物，而不是单方面输出。

我每周会读大量的行业报告、产品分析、用户反馈。以前是强迫自己读完，然后用笔记软件画思维导图。现在我会把几十页的报告扔给 AI，先让它提取核心论点、数据支撑和矛盾点。

这个做法的好处是：我可以在 15 分钟内判断一份资料是否值得细读。如果 AI 提炼出的内容有启发，我再回去读原文的特定章节。如果提炼出来觉得平平无奇，那就跳过。

但这里有一个坑：AI 的提炼有时会丢失细节中的微妙差异。比如一个报告里有两个看似矛盾的数据，AI 可能只归因为“统计口径不同”，但实际可能是业务逻辑变了。所以我现在会要求 AI 保留“异常点”和“不确定性表述”，而不是只给一个平滑的结论。

效率上的变化是：信息摄入量差不多，但有效信息的密度提高了。同样的时间，我能提取出更多对自己有用的东西。

这是半年里让我最意外的发现。我原本以为 AI 最适合做“建议”，比如“这个方案怎么样？”但用下来发现，AI 给出的建议往往偏保守、偏主流，缺乏创新性。

反而是当我问“这个方案有什么潜在风险”或者“如果我是竞争对手，会怎么攻击这个方案”时，AI 能给出一些我没想到的角度。它没有人类的偏见，也不会因为顾及情面而收敛批评。

所以现在我养成了一个习惯：每次做出一个判断后，会专门让 AI 列出 3 个反对理由。不是所有理由都成立，但至少有一两个能让我重新审视自己的盲点。这个习惯，比 AI 帮我写周报有价值得多。

在幻简的开发过程中，我们也遇到过类似的情况。团队内部对某个功能方向争执不下，我们把双方观点输入 AI，让它模拟一个中立的第三方分析。结果 AI 指出了我们都没注意到的用户使用场景差异，帮我们避免了一次方向性错误。

总结：效率不是省时间，而是换时间

半年下来，我最大的感受是：AI 并没有让我每天多出两个小时。它让我把时间从“机械性的劳动”转移到了“判断和决策”上。

我不再花大量时间整理资料、写初稿、列提纲。但我花在“判断这个提炼是否准确”“修改这个表达是否更好”“审视这个风险是否真实”上的时间变多了。这其实是更累的工作，但也是更有价值的工作。

如果你也在尝试把 AI 融入工作，我的建议是：

工具会变，但人的判断力永远是稀缺的。这也是我们在幻简团队里反复提醒自己的话。