AI 怎么用才出活？真正拉开差距的四件事

这期讲了什么

• 调查数字摆齐了看：毕马威和墨尔本大学对 47 国近 5 万人的调查——93% 的职场人在用 AI，78% 拿到结果根本不核对就用，73% 承认因 AI 出过工作失误；85% 曾把 AI 产出当自己的成果直接交出去
• 为什么长链条的活不能一次丢出去：假设每步成功率 95%，20 步连乘只剩约 36%；提到 99% 才到 82%——这跟模型聪不聪明没关系，是概率决定的
• 真正拉开差距的四件事：活切得够小、背景给得够（什么算好、手上材料、上次被打回来的失败样例）、告诉它什么算合格让它自己查、愿意多来两轮
• 一个容易被漏掉的细节：66% 的开发者不信任 AI 输出是因为「几乎对，但就是不对」；有研究团队把模型的自我纠错能力在数学基准上提升了 15.6%，但那是专门训练出来的，不是你喊一句「检查一遍」就能涨
• 三类不该交给 AI 的活：你自己验不了对错的、出了事代价担不起的、你自己都没想清楚要什么的——最后一种正确用法是让它帮你把问题问清楚

文字稿

同一个 AI，为什么你拿到的是废话

同一个 AI，同一句话问过去。别人拿到手就能用，你拿到的全是废话。这事儿，真不怪模型。你刷到别人晒 AI 写的文案，条理清楚，细节到位，你心想这真是 AI 干的？换你去问同一个问题，出来的全是空话，改它比自己重写还累。于是你得出结论：这玩意儿被吹过头了。

更气人的是，你们用的很可能就是同一个国产助手。同一句话输入，他那边出来的直接就能用，你这边出来的全得重写。工具没变，变量全在你手上。

我看过很多人的聊天记录，犯的毛病翻来覆去就那几种。最常见的是：一句话丢个大活儿，「帮我做个季度复盘」，敲完回车就去倒水，回来指望直接就能用。再一种，什么背景都不给，你心里那套标准、手上那堆材料、上次被打回来的原因，一个字没提，全指望它自己猜。还有一种，拿到就用，根本不看，格式工整标题齐全，看着像那么回事，直接复制走，等出了事才发现里面有个数字是它瞎编的。最要命的是：一遍不行就判死，第一版不理想，你不追问不改，直接关窗口。

有一组数据听完可能会更扎心。这是毕马威和墨尔本大学联合做的调查，覆盖了 47 个国家，将近 5 万人。在这个调查里，中国职场人里用 AI 的比例，已经排到全球第一梯队。但更让人心里一紧的是另外两个数：接近八成的职场人，拿到 AI 给的东西根本不核对，直接就用了；超过七成的人承认，自己因为 AI 出过工作失误。

其实这件事我们早就见过，只是换了个场景——你想想带实习生。同一个实习生，进两个组，结果能完全不一样。会带的那位，先把活切碎，告诉他这周只做这一块；把上次客户挑刺的记录甩给他，告诉他啥叫过关；让他自己先对一遍再拿过来；交上来还会退回去改两轮。三个月后，这个实习生能独立出活。不会带的那位呢，丢一句「这个项目你跟一下」就没影了。实习生猜着干，交上来全是返工。半年后他给的评价是：现在的年轻人真不行。同一个人，两种结果。差别从来不在实习生身上。

AI 现在就是这个实习生。知识面比你广，记性比你好，脾气还特别好，你骂它它不还嘴。但它有个毛病特别要命：它不会主动开口跟你要背景，也不会说这活太大我干不了。它只会硬着头皮，给你一个看上去像样的答案。

所以会用 AI 的人，不是会写什么神奇咒语，是会派活。人和人的差距，90% 不在提示词写得漂不漂亮，而在你是不是能把活切成小块，背景给足，让它自己检查一遍，以及你愿不愿意多来两轮。

四件拉开差距的事

第一，活切得够不够小。带实习生你不会一上来就把三周的大项目扔过去，你会说：这周先把数据拉齐给我看一眼。对 AI 也一样。

咱们先聊个特简单的算术题。假设 AI 干每一小步的成功率是 95%，听着挺高了对吧。可一个活儿很少只有一步。「做个季度复盘」你掰开看看：找数据、清数据、算同比、挑异常、归因、写结论、排版，20 步都算少的。20 步全对的概率是多少？0.95 连乘 20 次，约等于 36%。也就是说，六成以上的概率里，中间至少错一处，你还不知道错在哪儿。那单步提到 99% 呢？20 步连乘是 82%，从三成半变成八成。所以长链条的活你不能一次性丢出去，这跟模型聪不聪明没关系，是概率决定的。

第二，背景给够了没有。普通人其实就三样东西：你得告诉它什么算好——是给老板看还是给客户看，要多长，你不说它就按最平均的写法来，平均就是谁都不满意。然后把手上有的材料都扔给它，上一版文档、真实数字、公司对外怎么说的，能贴就贴。还有一样最容易被低估，失败样例。把上次被打回来的那版连原因一起给它，一句「别写成上次那种全是形容词的」，比十句「要写得专业」都管用。

第三，让它自己查一遍——这是最多人漏掉的。前面说的那个「接近八成」，精确点说是 78%，拿到输出不核对直接就用了。自查这一步，对绝大多数职场人来说整个是空的，不是做得不好，是压根没做。

为什么？因为 AI 出的错，不是一眼能看出来的。写代码的人那边有份调查，开发者不信任 AI 输出的头号原因，66% 的人说的是同一句话——几乎对，但就是不对。这是写代码那帮人的说法，可毛病是通用的：数字差零点几、引的政策是去年版本、逻辑链少个前提，全都长得像对的。看起来对的才最坑，它跳过了你的怀疑。

这时候你别笼统地说「检查一下」，它会回你「我检查了，没问题」。你得给它一个查的标准：把全文数字列出来标上来源，没来源的单独标出；或者找出三个最可能被反驳的地方，把理由写出来。海外有个研究团队专门训练模型自己纠错，在数学基准上把这项能力提升了 15.6%。这里有个细节得说清楚：涨的是模型自己纠错的本事，不是你多说一句「检查一遍」准确率就能涨 15.6%。自我纠错得专门加强，你不主动要，默认给你的就是没查过的版本。

第四，你迭代了几轮？还是那份调查，85% 的职场人曾把 AI 的产出当自己的成果直接交出去了。一遍过就交出去，这是普遍现象。迭代几轮能涨多少质量？没有靠得住的研究，我不编。道理很简单：第一版是它在猜你想要什么，第二版才是你告诉它你想要什么。你不给第二轮，它就永远停在猜。新人交上来的第一版，你退回去说清楚哪不行，第二版就对了，AI 也一样。

还有个问题得回答。有人会问：模型越来越聪明，以后是不是就不用这么费劲交代了？确实有个真实趋势：面向更强的模型，那些替它做决定的死规矩反而该删。但删死规矩和把活说清楚是两码事：前者是别管太宽，后者是别说不清。模型变聪明，解决不了你到底要什么。咱们说的这四件事，讲的都是后者。

一套能照着用的派活说法

派活的时候，把这几样交代清楚，就差不多了。

先说你要什么。什么东西、给谁看、多长、什么形式，一次说明白。千万别丢一句「帮我看看这个」就完了。再给背景。什么算好、手上有哪些材料、上次是哪儿被打回来的，能给的全都给。这地方啰嗦不是缺点。然后得告诉它什么算合格。你打算怎么验收，提前说出来，让它照这个自己查一遍。比如「写完把所有数字列出来标上来源」，或者「写完先数一遍有没有超过 500 字」。最后补一句：先出一版，我们再调。这话是说给它听的，也是说给你自己听的——这是第一版，不是最后一版。心态一松，后面两轮自然就来了。

我连起来说一遍你听听。比如要写一份客户方案说明：「帮我写一份给客户看的一页纸方案说明，500 字以内，不带术语。背景是这三份材料，客户上次的意见在第二份里，上一版被退的原因是太虚。写完把所有承诺的时间点单独列出来，标明依据。先出一版，我们再调。」说完还不到三十秒。你发现没有？难的不是措辞，是你得先把这几样想明白。

你要什么、什么背景、什么算合格、先出一版——把活切小、背景给足、让它自己查、多来一轮，全在里头了。这不是什么模板套话，是你自己得先想清楚的东西。

三类不该交给 AI 的活

有些活现在真的不该交给 AI——不是它做不了，是你担不起。

一种情况，你自己验不了的活。你没能力判断对错，它给什么你就信什么，那不叫用 AI，叫赌。专业判断、法律条款、医疗建议，你验不了就别当结论用。

还有一种，代价你担不起。发出去收不回的、要签字的、跟钱和安全相关的。可以让它帮你起草，但最后那一眼你得自己上。不是不信它，是出了事签名在你名下。

最常见的一种，是你自己都没想清楚要什么。这类活最容易让人觉得「AI 不行」。你自己都讲不出什么算好，它只能给你一个最平均的答案，你当然觉得没用。这时候正确的用法正好反过来——让它帮你把问题问清楚，而不是张嘴就要答案。

说回实习生那个比方。会带人的人，不是把所有活都甩出去，是知道哪些活能交、交之前要说什么、交回来要看什么。带人从来不是开口的手艺，是安排的手艺。用 AI，一模一样。

再回到开头那份调查。把三个数摆齐了看：93% 的人在用，78% 用之前不核对，73% 出过错。中间那个 78%，就是连着 93 和 73 的那座桥。绝大多数人跨过了第一步，开始用了，却在让它自己查这一步上，整个是空的。你要做的根本不是换一个更神的模型，是把自查那一步补上。

AI 不会因为你词写得漂亮就多出力，只会因为你把活交代清楚，少犯错。会用 AI 的人，不是会写咒语，是会派活。

常见问题

为什么同一个 AI 给我的全是废话？

多半不是模型不行，是活没交代清楚：一句话丢个大活、不给背景、拿到就用不核对、一遍不行就判死。你把活切小、背景给足（什么算好、手上材料、上次失败样例）、定好验收标准、再多来两轮，同一个模型出来的东西完全不一样。

让 AI 自己检查一遍有用吗？

笼统说一句「检查一下」没用，它会回你「我检查了，没问题」。有用的是给它一个查的标准，比如「把全文数字列出来标上来源」「找出三个最可能被反驳的地方写理由」。而且模型的自我纠错能力是专门训练出来的，你不主动要，默认给你的就是没查过的版本。

AI 写的东西能直接交出去吗？

最好别。调查显示 85% 的职场人曾把 AI 产出当自己的成果直接交出去，73% 承认因此出过工作失误。AI 的错是「几乎对，但就是不对」——数字差零点几、引的政策是去年版本，长得像对的才最坑。发出去收不回的、要签字的、跟钱和安全相关的活，最后那一眼得自己上。