AI 生产力入门：哪些工作最适合交给 AI

先换一个问题

不要问 AI 能不能替代人，先问它适合接哪一段工作

很多人第一次学习 AI 生产力，会急着问一个很大的问题：AI 到底能不能替代我的岗位？这个问题听起来刺激，但对真实工作帮助不大。更有用的问题是：一件工作从开始到完成，里面哪几段适合交给 AI，哪几段必须由人判断，哪几段可以让 AI 先做、人来验收。

比如写一份客户拜访总结。AI 不一定知道客户真实意图，也不能替销售决定下一步报价策略，但它很适合把录音或笔记整理成结构化摘要，提取客户关心点，列出待确认问题，起草跟进邮件。真正的销售判断仍然在人手里，只是人不再从空白页开始。

所以这节入门课不把 AI 当成神奇工具，也不把它当成危险玩具。我们把它看成一个很勤快、会读写、会归纳、会生成初稿、但需要边界和检查的工作助手。学会判断“哪段交给 AI”，比背很多提示词重要得多。

理解本质

AI 最擅长处理语言、模式和初稿，不擅长承担责任

在办公场景里，AI 的强项可以简单理解成三类：看懂大量文字，整理复杂材料，生成可修改的初稿。它能把长会议记录压缩成行动项，把客户聊天记录分成问题类型，把一堆零散想法整理成文章大纲，把粗糙邮件改得更清楚。只要输入足够、目标清楚、标准明确，AI 通常能帮你省掉很多重复脑力。

但 AI 的短板也必须讲清楚。它不知道你公司真实发生了什么，除非你提供材料；它不知道最新审批口径，除非你告诉它；它可能把不确定的话写得很肯定，也可能为了让答案完整而补上没有依据的内容。它能给建议，但不能替你承担客户关系、合同责任、财务损失、员工管理和经营决策的后果。

这就是 AI 能做和不能做的本质分界：它适合做“材料处理、表达生成、方案草拟、检查提醒”，不适合独立做“最终承诺、价值判断、责任归属、敏感决策”。你把它放在助理位，它会很有用；你把它放在负责人位，风险就会迅速变大。

• 适合：摘要、分类、改写、翻译、初稿、清单、对比、检查、头脑风暴。
• 谨慎：客户回复、销售策略、投诉处理、经营分析、员工沟通、预算建议。
• 不适合直接交给 AI 拍板：价格承诺、合同条款、赔偿决定、人事结论、法律意见、财务审批、战略取舍。

拆开一份工作

任何工作都可以拆成输入、处理、判断、输出、验收

判断一件事能不能交给 AI，最简单的方法是先把工作拆开。不要说“让 AI 做客服”“让 AI 做运营”“让 AI 做行政”，这太大了。你要把它拆成：输入是什么，AI 要处理什么，中间需要什么判断，最后输出什么，人怎么验收。

以“写周报”为例。输入可能是本周任务列表、项目进度、会议纪要和数据截图；处理动作是归纳重点、提取风险、整理下周计划；判断动作是哪些结果重要、哪些问题要向上升级；输出是周报草稿；验收是负责人检查事实、优先级和语气。这样一拆，你会发现 AI 很适合处理和起草，但本周最重要的判断仍然要由人给出。

企业主和主管尤其需要这种拆法。因为团队提效不是买一个工具就结束，而是把工作链路里最耗时、最重复、最容易漏的环节找出来。AI 不是把整个岗位吞掉，而是把岗位里的某些动作变快、变稳、变容易复用。

1. 输入：AI 能看到哪些资料，资料是否完整、可靠、可分享。
2. 处理：需要摘要、分类、提取、改写、比较、生成还是检查。
3. 判断：哪些地方需要经验、权限、关系和业务取舍。
4. 输出：最终要拿到什么格式，给谁用，用在什么场景。
5. 验收：人用什么标准判断它能不能进入下一步。

任务筛选五问法

五个问题，快速判断一项工作适不适合 AI

面对一项具体工作，可以用五问法先筛一遍。第一，目标是否清楚？第二，输入是否足够？第三，判断标准是否明确？第四，错了以后后果是否可控？第五，是否能由人快速检查？五个问题里答得越肯定，越适合让 AI 做；答得越模糊，越要缩小范围或先补规则。

比如“把 20 条客户反馈按问题类型分类”，目标清楚，输入充足，分类标准可以定义，错了也容易改，人能快速抽查，这就是很好的 AI 任务。再比如“决定是否给某个大客户特殊折扣”，目标看似清楚，但涉及利润、关系、政策和谈判策略，错了后果不轻，也不是 AI 能快速验收的任务，所以不能直接交给 AI 决策。

五问法不是为了保守，而是为了让你更快找到入口。很多看起来复杂的工作，只要拆成小段，就有适合 AI 的部分。AI 不能决定折扣，但可以整理客户过往采购记录、竞品比较、客户关切点和谈判问题清单；AI 不能决定是否录用候选人，但可以整理面试记录和岗位要求对照表。

请帮我判断下面这项工作是否适合交给 AI 辅助完成。

工作描述：
[写清楚这件事现在由谁做、多久做一次、通常要花多长时间]

输入材料：
[需要用到哪些文档、表格、聊天记录、客户信息、制度、数据或网页]

期望输出：
[希望得到什么结果，例如摘要、初稿、分类表、检查清单、回复建议、分析结论]

风险边界：
[是否涉及客户隐私、价格、合同、财务、人事、法律、战略、未公开数据]

请按五问法输出：
1. 目标是否清楚。
2. 输入是否足够。
3. 判断标准是否明确。
4. 错了以后后果是否可控。
5. 是否能由人快速检查。

最后请给出：绿色任务 / 黄色任务 / 红色任务，并说明适合让 AI 做到哪一步。

三色分类

把任务分成绿色、黄色、红色，团队才不会乱用

个人使用 AI 时，靠经验还能勉强控制风险；团队一起用时，必须有简单共同语言。最实用的语言就是绿色、黄色、红色三类任务。绿色任务可以放心试，黄色任务可以辅助但要人审，红色任务只能做材料整理，不能让 AI 替人决定。

绿色任务一般有几个特点：重复、低风险、标准清楚、容易检查。比如整理会议行动项、把长文压缩成摘要、把产品介绍改成不同长度、从表格备注里提取常见问题、把内部通知改得更清楚。黄色任务通常牵涉客户、业务结果或一定判断，比如客户跟进邮件、投诉初步回复、销售话术优化、经营数据解读、岗位 JD 初稿。这些可以用 AI，但不能跳过人工检查。

红色任务要特别明确。凡是涉及合同、价格、赔偿、裁员、录用、绩效、法律、财务审批、重大客户承诺、对外公开声明、核心商业机密，都不应该让 AI 直接生成最终决定或最终口径。AI 可以帮你整理材料、列问题、做风险提醒，但最后必须由有权限的人判断。

请把下面这些日常工作分成绿色、黄色、红色三类。

分类标准：
绿色任务：目标清楚、资料充足、错了容易发现、后果较轻，适合让 AI 直接起草或整理。
黄色任务：需要业务判断、涉及客户关系或一定风险，适合让 AI 做初稿、清单、对比和检查，必须人工确认。
红色任务：涉及重大承诺、敏感信息、合规、财务、合同、人事或不可逆决定，AI 只能辅助整理材料，不能替人决策。

任务清单：
[逐条粘贴你或团队一周内反复做的工作]

请输出一个表格：
1. 任务名称。
2. 分类。
3. 为什么这样分。
4. AI 可以做什么。
5. 人必须检查什么。
6. 建议从哪里开始试点。

第一批适合交给 AI 的工作

从高频、低风险、可检查的工作开始

如果你刚开始使用 AI，不要从最难、最敏感、最能体现你能力的工作开始。更好的入口，是那些每天都重复、写起来耗时、错了容易看出来、结果可以被人快速改的任务。这样你既能很快看到效果，也不会因为一次失误影响客户或团队。

对普通职场人士来说，第一批任务可以是会议纪要、邮件草稿、周报初稿、资料摘要、表格备注整理、学习笔记、岗位说明改写、客户问题分类。对企业主和主管来说，第一批任务可以是管理例会摘要、团队周报提炼、客户反馈归类、培训材料初稿、内部制度解释、复盘问题清单。

这些任务有一个共同点：AI 输出不是直接对外承诺，而是给人进一步判断和修改。你会明显感觉到，最痛苦的空白页、重复整理和语言组织被 AI 接过去了，而真正需要你经验的判断仍然保留在你这里。

• 会议类：纪要摘要、行动项、决策记录、待确认问题。
• 沟通类：邮件初稿、通知改写、客户跟进话术、内部同步。
• 运营类：用户反馈分类、活动复盘初稿、内容选题、FAQ 整理。
• 管理类：周报提炼、目标拆解、风险清单、会议议程。
• 学习类：资料摘要、概念解释、练习题、培训讲义初稿。

不适合直接交给 AI 的工作

越接近责任、承诺和利益分配，越不能让 AI 独自拍板

有些工作不是 AI 完全不能碰，而是不能直接让 AI 做最终决定。判断客户要不要赔、员工绩效怎么评、供应商合同怎么签、重要项目是否延期、产品是否砍掉、预算如何分配，这些都牵涉责任、利益和组织后果。AI 可以提供参考，但不能成为负责人。

为什么要强调这一点？因为 AI 很会把话说得像专家。它可能列出看似完整的理由，给出非常肯定的建议，让人误以为答案已经成熟。但真实工作里的关键因素，往往藏在材料之外：客户关系、老板偏好、历史承诺、团队士气、现金流压力、合规要求、地方政策。这些不是 AI 凭空能知道的。

正确的用法是把红色任务往前拆。不要问“这个员工要不要淘汰”，可以问“请把这 6 次绩效沟通记录按事实、反馈、改进承诺、未解决问题整理成表格”。不要问“要不要赔客户 10 万”，可以问“请整理客户投诉经过、双方已确认事实、待核实点、可能沟通方案和审批问题”。AI 做材料，人做决定。

从一次提问到工作流

真正提效的不是一次好答案，而是可重复流程

很多人用 AI 的方式像抽奖：今天想到一句提示词，明天换一句问法，结果好坏看运气。这样当然也能偶尔省时间，但很难成为稳定生产力。真正能在工作里持续产生价值的，是把一次提问变成一条可重复工作流。

工作流的意思是：每次遇到同类任务，都按固定步骤处理。比如客户反馈分析，不是每次都问“帮我看看这些反馈”，而是先清理数据，再让 AI 按问题类型分类，再让人抽查 20 条，再让 AI 总结前三类问题、典型原话和建议动作，最后由负责人决定要不要进入产品改进或客服话术更新。

一条好的 AI 工作流应该包含输入清单、提示词、人工检查点、输出格式和验收标准。没有输入清单，AI 会缺材料；没有检查点，风险会流到后面；没有输出格式，结果难以复用；没有验收标准，团队无法判断它到底有没有帮上忙。

1. 固定输入：每次都提供同类材料，例如会议记录、客户留言、表格字段、背景说明。
2. 固定步骤：先摘要，再分类，再提取问题，再生成建议，不要一步到位。
3. 固定检查：在人需要判断的地方停下来，不让 AI 自动越过。
4. 固定输出：表格、清单、邮件草稿、复盘框架等格式保持一致。
5. 固定验收：用时间、遗漏、返工、采用率和风险来衡量。

请把下面这项工作，从“一次提问”改造成一个可重复的 AI 工作流。

工作名称：
[例：整理会议纪要、生成客户跟进邮件、做竞品摘要、检查周报、整理客服问题]

现在的做法：
[按步骤写出人现在怎么做，哪里最耗时，哪里最容易漏]

可用材料：
[输入材料有哪些，格式是什么，是否稳定]

合格标准：
[怎样算输出可用，必须包含什么，不能出现什么]

请帮我设计：
1. 输入清单。
2. AI 第一步做什么。
3. 人在中间检查什么。
4. AI 第二步做什么。
5. 最终验收标准。
6. 适合保存成模板的提示词。
7. 试运行 5 次后应该记录哪些指标。

提示词不是咒语

给 AI 交代任务，要像交代一个新同事

很多教程把提示词讲得很玄，好像只要一句神奇口令就能解决问题。真实工作里，提示词其实就是任务说明。你怎么给一个新同事交代工作，就应该怎么给 AI 交代：背景是什么，目标是什么，材料在哪里，哪些不能做，输出给谁看，什么样算合格。

一句“帮我写个方案”往往得不到好结果，因为 AI 不知道方案用于销售、汇报、培训还是内部讨论，也不知道听众关心价格、风险、效率还是品牌。更好的说法是：“这是给 20 人客服团队看的内部培训方案，目标是让新人学会判断哪些问题能直接答、哪些要升级。请基于下面 30 条真实问题，整理 60 分钟培训大纲，并列出练习题。”

好任务说明通常包含六块：角色、背景、材料、目标、限制、输出格式。角色不是为了表演，而是让 AI 采用合适视角；背景让它知道业务处境；材料提供事实；目标决定方向；限制防止越界；输出格式让结果能直接进入下一步工作。

• 不要只说任务名，要说明使用场景。
• 不要只给材料，要说明你希望它从材料里提取什么。
• 不要只要答案，要写清楚不能编造、不能承诺、不能越权。
• 不要接受一大段泛泛文字，要求表格、清单、步骤或可修改初稿。
• 不要让 AI 一步到最终版，重要任务先让它列问题和计划。

人工检查

AI 输出必须验收，验收不是重做一遍

有人担心：如果 AI 写完我还要检查，那不是更麻烦吗？关键在于，检查不能比重做还复杂。适合 AI 的任务，应该让人能快速看出主要问题。比如会议纪要可以对照原始议程和决策点检查，客户分类可以抽样检查，邮件草稿可以看事实、语气、承诺和下一步。

人工检查的核心不是把每个字都改漂亮，而是抓住五类风险：事实是否错，逻辑是否跳，边界是否越，语气是否合适，下一步是否清楚。如果这五点都过关，很多输出即使文字不是你亲手写的，也已经足够进入下一步。

企业里最容易忽略的是检查责任。AI 输出由谁验收？谁可以批准发送？谁负责对外结果？这些要提前说清楚。否则一旦出问题，大家会说“是 AI 写的”，但客户、员工和合作伙伴并不会接受这个解释。AI 可以参与工作，责任仍然在人。

请以人工验收人的视角，检查下面这份 AI 输出是否可以用于真实工作。

原始任务说明：
[粘贴你给 AI 的任务]

AI 输出：
[粘贴 AI 给出的结果]

业务背景或必须遵守的规则：
[粘贴公司口径、客户背景、制度、数据来源、审批要求]

请按下面维度检查：
1. 是否回答了原始问题。
2. 是否遗漏关键事实、数据、对象或时间。
3. 是否编造了我没有提供的信息。
4. 是否有过度承诺、越权判断或敏感信息问题。
5. 是否存在逻辑跳跃、语气不合适或格式不可用。
6. 哪些部分可以保留，哪些必须修改。

最后给出结论：可直接使用 / 修改后使用 / 不能使用，并列出修改建议。

团队试点

团队落地不要全员铺开，先选一个小场景跑 2 周

企业主和主管最容易犯的错，是一听 AI 有用，就要求全员使用。结果每个人用法不同，风险不同，效果也没法比较。更稳的办法是先选一个具体小场景，跑 1 到 2 周试点。场景越具体，越容易判断是否成功。

好试点通常满足四个条件：任务高频，原来确实耗时，风险可控，有明确验收标准。比如“客服每天把用户问题分成 8 类并生成日报”“销售每次拜访后生成跟进邮件初稿”“运营每周把活动评论整理成问题清单”。这些任务足够具体，能看出节省时间和质量变化。

试点前要定三件事：谁参与，怎么用，怎么记录。不要只说“大家试试 AI”。要规定输入材料如何脱敏，使用哪几个模板，什么情况下必须人工审批，结果记录哪些指标。试点结束后，看数据和样例，不要只听感觉。

1. 选场景：从一个高频、低风险、可检查的任务开始。
2. 定规则：明确可输入材料、禁用信息、人工检查点和审批边界。
3. 备模板：准备统一提示词和输出格式。
4. 跑样例：连续处理足够多的真实任务，不只演示一次。
5. 做复盘：比较耗时、质量、返工、风险和成员反馈。

请帮我复盘这次团队 AI 试点是否值得继续扩大。

试点任务：
[写清楚试点的是哪类工作]

试点范围：
[参与人数、时间、处理了多少条任务]

试点前基线：
[原来每次耗时、常见错误、返工情况、客户或内部反馈]

试点结果：
[AI 参与后耗时、质量、返工、风险、成员反馈]

典型样例：
[粘贴 1-3 个好结果和 1-3 个不理想结果，注意脱敏]

请输出：
1. 哪些环节确实变快了。
2. 哪些错误减少了。
3. 哪些风险暴露出来了。
4. 哪些任务不适合继续做。
5. 继续扩大前需要补的规则、模板和培训。
6. 下一轮试点建议。

验收指标

AI 提效要看四件事：更快、更稳、更少漏、更可复用

判断 AI 有没有真正提高生产力，不要只看“写得像不像人”。更重要的是四个结果：是否更快，是否更稳定，是否减少遗漏，是否能复用。如果一项工作第一次看起来很惊艳，但每次都要重新解释、反复大改、还容易出风险，那它还没有变成生产力。

更快很好理解，比如会议纪要从 40 分钟降到 12 分钟。更稳指的是不同员工做出来差异变小，新人也能按模板产出合格初稿。更少漏是指行动项、客户问题、风险点、附件、时间等不再经常遗漏。更可复用则是团队沉淀出提示词、样例、检查清单和流程，下次不用从头摸索。

也要记录负面指标：AI 输出需要大改的比例，错误类型，审批被打回的原因，成员是否觉得流程麻烦，客户或内部是否有不良反馈。只有同时看收益和风险，主管才知道该扩大、收缩还是换场景。

真实案例一

运营负责人：把用户反馈整理从半天缩到一小时

一家做本地生活服务的小团队，每周会收到几百条用户反馈，来源包括客服记录、社群消息、表单和应用商店评论。过去运营负责人要花半天时间复制、合并、归类，再凭感觉写一份问题总结。问题是每周分类口径都不一样，产品和客服看完也不知道先处理什么。

他们没有让 AI 直接决定产品方向，而是把工作拆成三步。第一步，运营把反馈脱敏后整理成表格，保留渠道、时间、用户原话和涉及功能。第二步，让 AI 按预设分类输出问题类型、严重程度、典型原话和建议归属部门。第三步，运营抽查高频分类，补充业务判断，再交给产品和客服开会。

两周后，最明显的变化不是报告变漂亮了，而是团队对问题的讨论更聚焦。客服知道哪些话术要更新，产品知道哪些问题出现频率高，老板知道哪些是体验问题、哪些是交付问题。AI 做的是整理和提取，人做的是判断和取舍。

真实案例二

销售主管：AI 不替销售谈判，但能让跟进更及时

一个 B2B 销售团队的痛点是拜访后跟进慢。销售开完会要整理客户需求、写 CRM、发跟进邮件、同步售前和老板。忙的时候，很多信息拖到第二天才录入，客户问题也容易漏。主管一开始想让 AI 直接生成销售策略，后来发现这个目标太大，风险也高。

他们把试点缩小到“拜访后 30 分钟内生成跟进包”。销售把会议笔记脱敏后交给 AI，AI 输出四样东西：客户明确需求、客户疑虑、待确认问题、跟进邮件初稿。销售检查事实和语气后，再决定是否发邮件、是否找售前补方案、是否向主管申请价格政策。

这个流程没有让 AI 替代销售判断，但减少了拖延和遗漏。主管也更容易看见销售机会，因为每次拜访都沉淀成同样格式。AI 的价值不是“帮销售成交”，而是让销售更快整理信息、更稳推进下一步。

真实案例三

行政人事：AI 可以解释制度，不能替公司做结论

行政人事工作里有大量重复解释：报销怎么填，假期怎么申请，入职材料缺什么，培训通知怎么写，候选人邮件怎么回。AI 很适合把制度条款改写成更容易懂的说明，也适合生成通知初稿和材料清单。

但人事场景也有明显红线。AI 不能替公司判断某个员工是否违规，不能评价候选人是否适合录用，不能擅自解释劳动合同争议，也不能把员工隐私当普通文本处理。越是涉及个人权益，越要让 AI 退到材料整理和表达辅助的位置。

一个稳妥做法是建立“制度问答库”。人事先把已公开、已确认的制度整理成标准口径，再让 AI 基于这些材料生成通俗解释。员工问问题时，AI 可以帮助起草回复，但人事要检查是否引用了正确制度、是否遗漏例外情况、是否需要进一步审批。

• 适合 AI：制度通俗化、通知初稿、材料清单、培训问答、候选人沟通草稿。
• 必须人工确认：薪酬、绩效、录用、解除、争议、员工隐私、政策例外。
• 验收重点：依据是否来自公司制度，表达是否尊重，是否给出未批准承诺。

常见错误

新手用 AI 提效，最常见的 10 个坑

AI 工具上手很快，所以很多错误来得也很快。最常见的坑，是把工作说得太大，比如“帮我做运营”“帮我做管理”“帮我分析业务”。这种提问没有输入、没有标准、没有边界，AI 只能输出一堆正确但没用的话。

第二类坑，是把 AI 的流畅表达误认为正确。AI 写得越顺，人越容易放松检查。它可能把一个不确定数据写成事实，把一个建议写成结论，把一个普通客户写成重点客户，把“可以考虑”写成“建议立即执行”。流畅不等于可靠，像真的不等于是真的。

第三类坑，是没有团队规则。每个人用不同工具、粘贴不同资料、保存不同版本、用不同标准验收，短期看很热闹，长期看很难管理。AI 落地不是让大家自由发挥，而是把可用场景、敏感信息、审批边界和复盘机制说清楚。

• 任务太大，没有拆成输入、处理、判断、输出、验收。
• 只给一句提示词，没有背景、材料、限制和格式。
• 把敏感客户信息、员工信息、合同细节直接粘贴给外部工具。
• 让 AI 直接决定价格、赔偿、录用、绩效、合同和战略问题。
• 没有检查事实，把编造内容当成真实依据。
• 追求一次生成最终版，不设置中间检查点。
• 只看节省时间，不看返工、风险和采用率。
• 所有场景套同一个模板，导致输出空泛、像模板、不中业务。
• 试点范围太大，失败后不知道是工具问题、流程问题还是场景问题。
• 没有把好样例和坏样例沉淀下来，每次都从零开始。

老板和主管视角

AI 落地的关键不是买工具，而是改工作方法

对企业主和部门主管来说，AI 生产力的重点不是“员工有没有用 AI”，而是“工作有没有因为 AI 变得更稳定”。如果只是让大家各自摸索，最后可能出现两种极端：有人把 AI 当搜索框，效果很浅；有人把 AI 当负责人，风险很高。

主管应该做三件事。第一，选场景，把团队反复做、耗时明显、风险可控的任务列出来。第二，定规则，哪些材料能输入，哪些必须脱敏，哪些输出必须审批。第三，建资产，把好提示词、好样例、检查清单、分类标准保存下来，让新人也能照着用。

真正成熟的团队，不会把 AI 使用停留在个人技巧层面，而会把它变成工作标准的一部分。比如每次客户会议后都产出同样格式的跟进包，每周客服反馈都按同样分类汇总，每次活动复盘都先由 AI 整理材料再由负责人判断。这样 AI 才能从“会用的人更快”，变成“整个团队更稳”。

1. 先盘点任务：找出高频、重复、耗时、容易漏的工作。
2. 再做分类：绿色先放开，黄色设人审，红色只做辅助整理。
3. 然后试点：选一个小场景跑真实样例。
4. 最后沉淀：模板、样例、检查清单和审批规则进入团队知识库。

个人职场视角

普通人最该练的，是把模糊任务说清楚

对普通职场人士来说，AI 的最大价值不只是帮你写字，而是逼你把任务说清楚。你越能说清楚目标、背景、材料、限制和标准，AI 越能给出可用结果；你越只会说“帮我弄一下”，输出就越容易泛泛而谈。

这项能力本身就很值钱。因为真实职场里，很多协作问题都来自任务不清：老板要的到底是结论还是材料？客户关心价格还是交付？同事需要你给方案还是给决定？当你练习给 AI 下任务，其实也在练习给人交代工作、向上汇报和跨部门协作。

一个简单练习是：每次让 AI 帮忙前，先写 5 句话。我要解决什么问题；谁会使用结果；我提供了哪些材料；哪些内容不能编造或承诺；输出要用什么格式。只要这 5 句话写清楚，你已经超过了很多只会复制粘贴提示词的人。

落地清单

开始前，用这张清单判断你是否准备好了

很多 AI 项目失败，不是因为工具不好，而是因为一开始没有说清楚场景、边界和验收。下面这张清单适合个人、主管和老板在试点前过一遍。能勾选的越多，成功概率越高；勾不上的地方，先补清楚再开始。

尤其要注意敏感信息和审批边界。AI 不是一个可以随便倾倒公司材料的地方。涉及客户、员工、合同、价格、财务和未公开数据时，先确认公司规则，再决定能否使用、如何脱敏、谁来审批。

如果你发现一项任务很难写清楚输入、输出和验收标准，不代表它一定不能用 AI，而是说明你还没把工作拆明白。先让 AI 帮你梳理流程和问题清单，也许比直接让它完成任务更有价值。

模板汇总

这 5 个模板，覆盖从判断到复盘的完整链路

入门阶段不要收藏太多模板。模板太多，反而会不知道什么时候用。先保留 5 个就够：任务筛选、三色分类、工作流设计、人工验收、试点复盘。它们覆盖了从“这件事能不能交给 AI”到“团队是否值得扩大使用”的完整链路。

使用模板时，不要机械填空。你可以把模板当成提醒：我有没有说清目标，资料够不够，风险在哪里，人要检查什么，最后怎么复盘。模板的价值不是让 AI 听起来更专业，而是防止你漏掉工作里的关键条件。

如果团队要共用，建议把每个模板配上 1 个好样例和 1 个坏样例。好样例告诉大家什么叫输入充分，坏样例告诉大家什么叫边界不清。相比只发一堆提示词，样例更容易让团队形成共同标准。

• 任务筛选模板：判断单项工作是否适合 AI。
• 三色分类模板：盘点个人或团队任务边界。
• 工作流设计模板：把一次提问变成可重复流程。
• 人工验收模板：检查 AI 输出是否能进入真实工作。
• 试点复盘模板：判断团队试点是否值得扩大。

课后练习

用 7 天完成一次自己的 AI 生产力小试点

学完这节课，不建议你马上把所有工作都交给 AI。更好的做法，是用 7 天完成一个小试点。选一类你每周都会做、但又不涉及高风险决策的工作，比如会议纪要、客户反馈分类、周报初稿、邮件草稿或资料摘要。

第一天，列出你一周内重复做的 20 项工作，用三色分类法分一遍。第二天，从绿色或低风险黄色任务里选一个。第三天，写清输入、输出和验收标准。第四天，让 AI 处理 3 个真实样例。第五天，人工检查并记录错误。第六天，修改提示词和流程。第七天，复盘是否更快、更稳、更少漏、更可复用。

这个练习的目的不是证明 AI 多厉害，而是训练你建立判断感。你会慢慢知道：哪些任务一交给 AI 就很顺，哪些任务必须先补材料，哪些任务看似简单但风险很高，哪些任务应该只让 AI 做第一步。这个判断感，才是 AI 生产力入门真正要学会的东西。

1. 第 1 天：列出本周重复工作，用绿色、黄色、红色分类。
2. 第 2 天：选一个绿色任务或低风险黄色任务做试点。
3. 第 3 天：写清输入材料、输出格式、人工检查标准。
4. 第 4 天：用同一模板处理 3 个真实样例。
5. 第 5 天：逐条检查事实、遗漏、格式、语气和风险。
6. 第 6 天：根据错误修改提示词、输入清单和检查点。
7. 第 7 天：复盘节省时间、质量变化、风险问题和下一轮计划。