010-68332837
全国咨询热线
摘要
很多人用 AI，像对着阿拉丁神灯许愿，一句话就等着结果。但 AI 不了解你的业务、不清楚你的判断依据，好成果要靠人机共同打磨。看懂 "改善当前工作、改善后续工作" 两个循环，才能让 AI 真正为你所用
刘润老师讲过一个小案例：一位老板觉得公司库存管理效率低、损耗高，就对着 Codex 说："我的库存管理效率很低，损耗特别高，你能不能帮我写套系统，把它降下来？"[1] 这个画面是不是很熟悉？现实中，不少想用 AI、却用不好 AI 的人，正是用这种方式给 AI 下命令 —— 把 AI 当成阿拉丁神灯，说出愿望就等着它把事办好。 问题在于，只凭这一句愿望，AI 不了解企业的具体情况，不清楚该分析什么、依据什么判断、形成哪些内容、怎样评价结果。从愿望到成果，中间还有一段具体工作：把需求弄清楚、把依据补进来、在推进中作判断、让成果接受实际检验。这段工作可以由人与 AI 共同展开，人的认识也在过程中逐步清晰。
我们平时最容易看见的，是对话框里的输入和回答。但一句要求从哪里来，AI 依据哪些材料作答，返回的结果怎样影响人的判断，最后又用到哪里？把这些放在一起，才能看清成果是怎样形成的。 这里可以总结一个人机协同框架，核心是三层：
人：带着业务目的、经验和初步判断参与；
AI 系统：提供理解、生成，以及借助工具检索、计算、操作的能力；
实际工作：为什么做这项任务、成果交给谁用、什么结果才有帮助 —— 这些约束，会影响人怎么提要求、怎么安排 AI、怎么判断返回内容。 关键在于两条返回路径：当前成果暴露的问题，可以返回要求、材料、判断和执行，推动这项工作继续调整；实践中值得保留的经验，则可以更新人的认识、已有信息和工作方法，影响下一次协同。这就引出两个相互连接的循环 —— 改善当前工作、改善后续工作。
共同工作的起点，是让双方围绕同一个实际问题推进。人的意图，怎样变成 AI 当下的工作依据？ 举个例子。我帮一家零售企业筹备半年经营复盘会时，想把经营结果、重点问题、部门回应和后续行动联系起来讨论。材料散在 Word 和 Excel 里，来回打开查找容易打断讨论，于是提出把它们组织成一个网站。 但 "做一个网站" 只说明成果形式，还要转成三项具体要求：
讨论要有主线，设置 "会议主线" 入口串联材料；
各部门能找到与自己有关的内容，设置 "按部门查看" 入口；
判断能追溯依据，建立链接让使用者能从结论回到原始材料。 这些要求交代了网站为什么这样组织，也提供了后续检查的依据。AI 据此提出实现方案时有了具体方向，人查看页面时也知道该检查什么。 AI 怎么依据这些信息行动？大模型根据当前上下文理解要求、生成内容；需要读文件、检索资料、计算数据时，还要借助工具。操作结果返回后，模型再判断是否需要补充信息、修正内容或继续下一步。 人机之间还有一个反复往返的过程。比如分析门店销售下降：先让 AI 核对销售、客流、交易数据的口径，再比较进店人数、成交率和客单价的变化。如果进店人数减少、成交率稳定，就重点追查客流；如果客流稳定、成交率下降，就检查商品供给和销售过程。最初笼统的 "销售为什么下降"，会逐步变成针对具体门店、具体环节的调查要求。 成果好不好，还要接受实际工作的检验。会前逐项讨论行动安排、合并任务、重新划分责任；正式开会时，各部门按统一方案回应，不再各自做 PPT，筹备负担减轻了。成果来自整个人机协同：人明确用途、作业务判断、推动采用，AI 参与分析、实现与检查，实际使用又带回新问题。
第一个循环把当前成果改好了，但经验却未必留下来。这是很多人的通病。 我曾要求报告把要查的问题、分析路径、已有证据、待核实事项对应起来。换到另一个业务板块，一份后续材料却又退回成 "有哪些资料" 的清单。资料还在，分析逻辑却没有延续 —— 因为多轮对话里混着具体数据、临时要求和不同版本的意见，有些只针对那份报告，有些才值得用于以后同类分析。 所以第二个循环要处理的是：这次经历改变了什么，哪些内容值得成为以后工作的条件？经验有三个去向：
改变人的认识：比如销售下降，先分清变化发生在哪个环节，再追查原因；
更新以后要取用的信息：已确认的业务背景、数据口径、偏好和约定，进入工作记录或系统记忆，并分清事实、猜测和待核实事项；
把有效做法整理成可复用的方法：对反复出现的问题，把有效要求交给 AI 提炼成可复用的流程，让原来散落的要求有了后续可取用、可检查的依据。 已有积累还要在新任务里发挥作用，结合当前目的和条件选择取用。方法提供了分析起点，当前事实决定它怎样适用 —— 上一个板块的结论，不能直接作为这个板块的既定答案。
把两个循环连起来，最后要回到实际工作：成果有没有被使用，解决了什么问题，沟通、检查、返工的投入值不值？ 这里分享一个观察 AI 应用价值的公式：AI 应用价值 ＝ 个人 AI 使用能力 × 工具能力 × 场景价值潜力。三个条件相互制约：
个人 AI 使用能力，体现在人能否从用途提要求、找依据、安排 AI 推进、借反馈修正判断、让经验进入后续任务；
工具能力，决定可用 AI 系统能支持哪些工作；
场景价值潜力，说明任务多重要、成果能用在哪、有多大改善空间。 乘号表达的是 "共同作用、相互制约"—— 工具很强但任务没改善空间，价值有限；任务重要但工具不支持，成果难达标；工具场景都合适，个人不会组织判断，潜力也转不成实际价值。 落到操作上，我的建议是：选一项自己熟悉、会反复遇到的真实任务，先改影响当前成果的具体问题（AI 回答总用不上，就检查要求清不清楚、依据充不充分），再让这次的有效经验进入下一次任务（回看理解了什么、哪些信息以后还用得到、哪些做法值得保留）。让当前工作产生可用成果，让这次实践帮助下一次协同，这才是两个循环要落实的事。
这篇文章真正戳中的，是多数人用 AI 的普遍误区 —— 把 AI 当成会实现愿望的神灯，却忘了从愿望到成果之间，隔着 "把需求说清楚、把依据补进来、在实践中作判断、让成果接受检验" 一整段需要人参与的工作。 理解两个循环，是普通人用好 AI 的关键升级：第一个循环让 "当前工作" 越做越合用，第二个循环让 "这次经验" 沉淀成下一次的条件。只改善眼前、不积累方法，AI 用十年还是在原地打转；只积累方法、不结合新事实，又会犯 "上一个板块的结论套用到这个板块" 的错。 最该记住的一句话是 "乘号思维"：工具、场景、个人能力三者缺一不可。AI 工具再强，任务没价值、人不会组织判断，潜力也兑现不了。真正的 AI 高手，不是会用最贵的模型，而是懂得把人的判断、工具的能力和场景的价值接起来，让每个循环都越滚越顺。AI 是助手不是神灯，主动权始终在人手里。
