AI用得越多，工作为什么越乱？你缺的是一张人机分工表

本文来自微信公众号： 穆宁Morning ，作者：穆宁

你可能正在经历这种场景。

一个任务丢给AI。

帮我把这份材料整理成方案。

几秒钟之后，一份结构完整、语气专业、甚至还带着风险提示的东西出现了。

然后你开始改。

改标题，改口径，改那些不符合业务的细节，补上AI没看见的背景，再重新解释一遍你到底想要什么。

改到最后，你突然发现，自己不是省了时间。

只是把原来一次做完的工作，拆成了三次返工。

这就很烦。

导读

01　AI不是平均分配的，强也会翻车

02任务不是一类，别把一整件事一次性丢给AI

03给自己做一张人机分工表，再跑一周试点

大家好，我是穆宁。

现在我们用AI，和以前的模式不一样了。

我们以前担心AI不够强，什么都做不了。

现在很多人遇到的麻烦刚好反过来，AI已经足够强，强到你如果不先分清楚任务，整条工作流都会变得乱七八糟。

这篇不讲怎么写一条神奇的skill。

我想聊的是更基础、也更有用的一件事，什么活交给AI，什么活必须人来做，什么活要人和AI来回几轮才能做成。

AI确实能提效，但它不是平均分配的

先把一个常见误会拿掉。

人机分工不是因为AI没用，恰恰是因为AI在很多场景里真的有用。

NBER的一项研究跟踪了5,179名客服坐席。使用生成式AI助手之后，他们每小时解决的问题数量平均提高了14%。其中，新手和低技能坐席的提升达到34%，而经验丰富的坐席变化相对小得多。

这个结果很有价值。

它说明AI不只是替人打字，也不只是帮人润色。它可以把一部分优秀员工的处理方法，快速传给经验不足的人。

对于一个团队来说，这可能是培训、交接和标准化的一次提速。

但你再看另一项研究，感觉就不一样了。

哈佛商学院和波士顿咨询集团找了758名顾问，让他们完成创意、分析、写作和说服类任务。处在AI能力边界之内的任务，使用AI的顾问完成速度、任务数量和质量都有明显提升。

问题在后半句。

这条边界不是一堵清清楚楚的墙，而是一条锯齿线。

某个任务AI做得特别好，旁边另一个看上去差不多的任务，AI可能就开始漏掉关键条件。研究总结中提到，在能力边界之外，使用AI的参与者表现比不用AI的对照组低了19个百分点。

也就是说，AI不是一个稳定的初级员工。

它更像一个能力分布很奇怪的同事，写得像专家的地方，可能真的很强；

看起来很简单的地方，也可能突然把最重要的一步省掉。

还有一个更麻烦的事实。

OpenAI发布的SimpleQA是一个专门测试短答案事实性的基准，包含4,326道只有一个明确答案的问题。公开结果里，GPT-4o在这套题上的正确率低于40%。这个测试不能代表所有长文任务，但它提醒了我们，模型说话的自信程度，和答案的准确程度不是一回事。

一段话写得很像答案，不等于它已经通过了事实检查。

这也是为什么Air Canada的聊天机器人案例到现在还值得被反复提起。

2022年11月，一位加拿大乘客因为家人去世，向Air Canada官网聊天机器人询问丧亲票政策。机器人告诉他可以先按全价买票，之后在90天内申请差价退款。

这条政策信息是错的。

2024年2月，英属哥伦比亚民事解决仲裁庭认定Air Canada对网站聊天机器人给出的错误信息承担责任。

事情走到法律层面以后，没有人会关心这句话写得是不是流畅，也不会问当时的模型是不是“只是概率生成”。最后只剩下一个问题，这个承诺是谁让它出现在客户面前的。

AI能把很多事情做得更快，但它不会自动替你判断，这件事是否适合交给它。

任务不是一类，别把一整件事一次性丢给AI

我觉得很多人把AI用乱，问题不在Prompt写得不够长。

而在于，他们把一整件工作，当成了一个动作。

写一份市场分析，听起来是一个任务，实际上里面至少有四层东西。

你到底想做什么，这是目标。

什么样的结果才算做好，这是判断标准。

哪些材料可以整理，哪些步骤可以执行，这是过程。

最后谁来检查，谁来承担结果，这是验收和责任。

如果这四层没有拆开，AI很容易替你完成最容易完成的那一层，生成一份看起来完整的东西，然后把真正困难的部分留给你自己收拾。

微软关于AI工作方式的研究，把人和AI的协作概括成几种不同模式，委托、协作、提问和探索。

这个分类我觉得挺实用，但不要把它理解成四个功能按钮。

它其实是在提醒你，AI在不同任务里扮演的角色不一样。

委托，适合目标清楚、输入稳定、错了可以回滚的活。

比如会议纪要、格式转换、重复分类、固定模板的初稿。

这时候你要做的是把要求写清楚，然后检查输出有没有漏项。

协作，适合目标重要、过程复杂、你希望保留判断的活。

比如产品方案、招聘画像、研究提纲、重要文章。

这时候不要让AI一次性交付最终答案，而是让它先给几版路径，你来选方向，它再补执行细节。

提问，适合你已经有一个问题，但还没看见盲区的时候。

让AI给你反方、列出前提、指出最可能失败的地方。它不一定知道正确答案，但很适合帮你把问题照亮一点。

探索，适合一开始还不知道自己要什么。

让AI先扩大选项，找不同角度、不同用户、不同解释，再由人把范围收窄。

很多人一上来就让AI直接做最终稿，其实是跳过了探索和判断，直接冲进了执行。

然后就会出现那种特别熟悉的场面。

不是模型没听懂。

是你把目标、标准、过程和验收，全都塞进了一个模糊的“帮我做好一点”里。

再往深一点说，AI会让工作变乱，还有一个原因。

它把很多原本会暴露无知的过程，提前填满了。

以前你不会做一份分析，可能会卡在资料、结构或者第一句话那里。这个卡住其实很有用，因为它会逼你承认，目标还没想清楚，数据还不够，或者你根本不知道用户是谁。

现在AI可以先替你填出一版。

白纸没有了，尴尬也没有了。

但问题没有因此消失，只是从屏幕上消失，转移到了交付以后。

所以我们看到很多“效率提升”，最后变成了“返工提前发生”。

给自己做一张人机分工表

说到这里，最容易出现另一种问题。

大家听懂了，然后什么也没改变。

所以我不想把结尾写成“我们要提升AI素养”。这句话没有错，但对今天下午要交方案的人没什么用。

我现在更愿意先做一张很小的人机分工表。

不复杂，五列就够。

这张表最重要的不是五列，而是它强迫你把“帮我做一下”拆开。

接下来是我会建议你直接复制使用的版本。

把任务交给AI之前，先填这五句话。

这次任务要改变的是：可使用的材料包括：不能假设或不能触碰的是：我判断做好了的标准是：请先给出方案和风险，不要直接假设你拥有最终决定权。

它看上去很朴素，甚至有点笨。

但这五句话把最容易丢失的东西捞了回来，目标、输入、限制、标准和责任。

因为它要求你在最想偷懒的时候，先把目标写清楚，把标准说出来，再把最后一遍检查留给自己。

但奇怪的地方也在这里。

你越愿意做这些看起来慢的小动作，后面真正返工的时间越少。

你不是在限制AI。

你是在限制自己被一份顺滑的初稿带着走。

最后给一个很具体的落地办法。

别试图把全部工作都重新设计一遍，先挑一条重复、频繁、容易复盘的链路。

周一，找出一件每周都会重复的工作。

周二，记录你现在是怎么做的，别急着优化。

周三，让AI跑一版，记下它哪里帮到了你。

周四，把所有返工点圈出来。

周五，把真正有效的部分写成团队模板。

你最后积累下来的，不应该只是一堆Prompt。

而是一条越来越顺的人机工作流。

AI用得越多，越要把工作分清楚。

能交给机器的执行，交出去。

需要人的目标、取舍、验收和责任，留在人手里。

这不是保守。

这是你在答案越来越多以后，仍然保留选择权的方式。