AI不需要一种固定的使用方法
2026-10-13
最近在工作中，我发现AI有一个很明显的特点：它写出来的报告，经常没有重点。
比如，我让AI分析一份经营数据，它会非常认真地把各种信息整理出来。哪个中心营收增长了，哪个中心业绩下降了，哪些数据存在异常，甚至某个数字出现了一点微小的偏差，它都可能专门拿出来说一说。
乍一看，这份报告很全面，分析也很细致。但读完之后，我反而不知道重点在哪里。
我尝试告诉它，报告要简洁一点，只关注重要的问题。它确实会缩短篇幅，但那些无关紧要的信息，往往还是会出现。
最后，我发现一个比较有效的办法，就是把要求规定得非常具体：哪些指标需要关注，什么情况才算异常，哪些内容不要出现，甚至每个部分应该写几句话。
这样一来，AI终于能写出一份符合我要求的报告。
但这件事让我产生了一个疑问：
为什么AI总是倾向于把事情说得那么全面，而人却那么在意重点？
一、为什么人需要重点？
后来我想，也许这不完全是AI的问题，而是人和AI处理信息的方式不同。
人为什么需要分清主次？
一个很重要的原因，是我们的注意力有限。
一份报告有100个数据，我们不可能同时关注所有数据。我们必须筛选、排序、压缩，最后只留下那些值得关注的信息。
写报告的人需要分清主次，看报告的人同样需要。
比如，一份经营报告是给公司领导看的，他可能只想知道三个问题：业绩怎么样，出现了什么重要问题，接下来需要做什么。
如果你把所有数据都罗列出来，哪怕每一个数字都是正确的，这份报告也可能是不合格的。
因为报告的价值，不只是提供信息，更是帮助阅读者减少处理信息的负担。
但如果换一个场景呢？
假设这份报告不是给领导看的，而是交给另一个AI继续分析。
那我们可能反而希望它保留尽可能多的信息。
某个中心的业绩出现微小波动，某个数据存在异常，某个指标和其他指标之间出现了不寻常的关系，这些信息对于人来说可能不值得阅读，但对于后续的数据分析，却可能有价值。
当然，AI也不是信息越多就一定判断得越好。重复、错误和无关的信息同样会干扰它。
但至少可以说明一件事：
信息的好坏，并不完全取决于它有多全面、多简洁，而是取决于它最终要交给谁，以及拿来做什么。
我们习惯把人类的阅读习惯当成一种普遍标准，但这个标准未必适用于所有任务。
二、也许不是AI不会做，而是我们用错了方式
回到最开始的经营报告。
如果我的目标是向领导汇报，那么我当然应该要求AI突出重点，减少不必要的细节。
但如果我的目标是检查经营数据有没有异常呢？
那我反而应该鼓励它尽可能全面地寻找问题。
如果我想研究某个中心为什么业绩下降，我可能还需要它大胆提出各种假设，哪怕其中一些假设最后被证明是错误的。
而如果我要它按照公司的制度，计算员工是否符合晋升条件，那么情况又完全不同。
这个时候，我不希望它有任何自由发挥。
我需要把晋升标准、计算方式、特殊情况全部告诉它，让它严格执行规则。
同样是AI，同样是分析数据，但这几种场景需要的工作方式完全不同。
有时候，我们希望AI尽可能全面。
有时候，我们希望它尽可能简洁。
有时候，我们希望它大胆提出观点。
有时候，我们又希望它一个字都不要偏离规定。
这些要求看起来互相矛盾，但它们其实都可能是正确的。
区别只在于，我们究竟想完成什么任务。
这让我想到现在很多关于AI使用技巧的讨论。
有人说，提示词一定要写得详细。
有人说，一定要给AI设定角色。
还有人说，必须规定输出格式，AI才能得到稳定的结果。
这些方法当然都有价值。
但我觉得，它们很容易让人产生一个误解：仿佛只要掌握某种正确的提示词结构，就能解决所有问题。
实际上，提示词写得越详细，不一定越好。
比如，你希望AI帮你寻找公司业绩下降的原因，但你一开始就规定它只能从获客量、转化率和客单价三个方面分析。
它可能很快给你一份漂亮的报告。
但真正的问题，也许是产品竞争力下降，或者客户需求发生了变化。
你越是详细地规定分析范围，就越可能让它忽略那些你自己没有想到的问题。
你以为自己在提高AI的准确性，实际上也可能是在限制它的能力。
三、有时候AI是下属，有时候是老师
我觉得，人和AI的协作，有点像我们在现实中与不同的人合作。
有时候，你应该把AI当成下属。
比如，你要它整理一份固定格式的日报，或者按照明确的制度计算奖金。
这个时候，你是知道自己想要什么的。
你需要做的，就是把目标、规则、边界告诉它，让它严格执行。
它不需要提出什么创新建议，也不需要告诉你公司的奖金制度是否合理。
把事情做好就行了。
但有时候，你应该把AI当成同事。
比如，你正在思考一个新的经营方案，或者讨论某个管理问题。
你可能知道自己想解决什么问题，但还没有确定具体方案。
这时候，你需要的就不是一个只会执行命令的下属，而是一个能够与你讨论、提出不同意见的合作伙伴。
你提出一个想法，它提出另一个角度。你反驳它，它再根据你的意见调整。
在这个过程中，双方的观点都可能发生变化。
还有时候，你应该把AI当成老师。
比如，你正在学习一个完全陌生的领域。
你连这个领域有哪些重要问题都不知道，又怎么可能一开始就给AI规定详细的学习内容？
这个时候，反而应该让它主动介绍知识框架，告诉你哪些概念重要，哪些地方容易产生误解。
甚至，你应该允许它纠正你的问题。
因为你提出的问题本身，就可能建立在错误的理解之上。
更有意思的是，有时候，你甚至可以把AI当成老板。
比如，你已经完成了一份方案。
你可以让它站在管理者的角度，质疑你的工作。
为什么要做这件事？投入这么多资源值得吗？有没有更重要的事情？你是不是忽略了某些风险？
当然，AI不是真的老板，也不意味着它的判断一定正确。
但你可以主动让它扮演一个审视者，挑战那些你已经习以为常的想法。
仔细想想，这几种协作方式的差异其实很大。
面对下属，你需要把要求讲清楚。
面对同事，你需要交换意见。
面对老师，你需要承认自己不知道。
面对老板，你需要接受自己的想法受到挑战。
如果我们永远只用一种方式与AI交流，就像我们永远用同一种方式与所有人相处一样。
显然不太合理。
四、真正需要学习的，是什么时候该放手
我觉得AI使用中一个很有趣的矛盾是：
我们既希望AI听话，又希望它能够带来惊喜。
当它没有按照我们的要求完成任务时，我们觉得它不够听话。
但当它完全按照我们的要求执行，没有提出任何新观点时，我们又觉得它不够聪明。
这两个要求本身就存在一定的冲突。
如果你希望AI严格执行，就需要收紧它的自由度。
如果你希望AI发现未知的问题，就需要给它一定的探索空间。
而且，即使在同一个任务中，这种关系也可能不断变化。
比如写一篇文章。
最开始，我可能只有一个模糊的想法。
这时候，我希望AI和我自由讨论，甚至提出一些我完全没有想到的观点。
经过几轮交流，我逐渐发现其中一个方向很有意思。
于是，我开始收紧范围，要求它围绕这个观点继续深入，而不是不断发散。
等到观点和结构都确定之后，我又会要求它按照明确的方向写作，避免增加无关内容。
最后修改文章的时候，我甚至会提出非常具体的要求：删掉某一段，保留某个例子，不要在结尾总结升华。
在这个过程中，AI的角色一直在变化。
它一开始像一个讨论问题的朋友，后来像一个共同策划内容的同事，最后又像一个执行写作任务的助手。
我并没有始终坚持某一种使用方法。
我只是根据任务进行到哪个阶段，以及当下需要解决什么问题，不断调整与它协作的方式。
这让我觉得，我们可能过于关注如何写出一条好的提示词，却忽略了一个更重要的能力：
判断什么时候应该自己做决定，什么时候应该让AI参与决定。
这其实不只是一个AI使用技巧的问题。
它还要求我们理解自己的目标，知道自己掌握了哪些信息、缺少哪些信息，判断当前的问题究竟需要执行、讨论、探索，还是接受挑战。
有时候，真正困难的不是告诉AI怎么做，而是意识到自己还不知道应该怎么做。
如果连问题都没有想清楚，过早地给AI规定一套详细的执行方案，未必是一件好事。
反过来，如果目标和规则已经非常明确，却还让AI不断探索、提出观点，也只会增加不必要的沟通成本。
所以，我现在不太相信存在一种可以适用于所有场景的AI使用方法。
同样一个AI，可以被要求严格遵守规则，也可以被邀请质疑规则。
可以负责整理信息，也可以负责寻找信息。
可以帮我们减少思考的负担，也可以故意给我们制造一些值得思考的问题。
关键不在于我们给它设定了什么角色，而在于我们为什么需要这个角色。
现在再回头看那份让我头疼的经营报告，我发现一个挺有意思的地方。
一开始，我一直在想，怎样才能让AI学会抓重点。
后来我才意识到，或许我首先应该问自己：
这一次，我究竟是想让它帮我发现更多问题，还是帮我把已经发现的问题讲清楚？