AI基础认知与通用办公场景赋能
AI不是替代人
而是放大
表达清楚的人
这次不做技术科普，也不追工具热点。我们只把一件事讲清楚：日常工作里，哪些事可以让 AI 辅助，哪些判断必须留在人手里。
Understanding AI
它不是在查答案。
它是在预测下一个最可能的内容。
AI 生成内容时，会根据大量资料和语言模式，判断“接下来最可能出现什么”。所以它很擅长写得像，但不保证一定真。
办公场景里也是一样：你给出“新员工培训通知”的要求，它会生成一份最像通知的文本。
Human Review Required
AI不是魔法。
它擅长生成，也会在不确定时“猜”。
可以把 AI 理解成参加开卷考试的学生。它看过很多资料，遇到熟悉题目时答得很快；但遇到没见过、资料不完整、问题本身模糊时，它可能会根据相似内容拼一个答案。这个答案看起来完整，但不一定正确。
Choose by Task, Not by Ranking
工具不用记全。
先从你最常做的工作开始选。
Case 01
一份流程文档，AI能帮我们改哪里？
场景：优化《线上事故处理流程》。
关键：找出不清楚、不完整、不好执行的地方。制度本身仍然由人负责。
Case 02
不是“帮我写”。
是写给谁，用什么语气。
通知、邮件、活动宣传、客户沟通和汇报话术，都可以让 AI 做多版本表达。人负责确认事实、对象和发布边界。
Case 03
一堆问卷数据，怎么变成汇报材料？
表格里有数据，但汇报需要的是结论、重点、趋势和表达方式。
AI参与：整理数据结构、提炼核心结论、生成图表和 HTML 汇报页面。
Case 04
规则越清楚，AI越可靠。
规则模糊，结果就会漂。
场景：营销活动异常数据标记。
迁移：名单核对、活动审核、库存异常、报名异常、工时检查。
Case 05
错误案例：
AI给了一个“更简单但不可行”的方案。
客户希望在微信小程序 WebView 页面内拉起其他小程序。
客户询问 AI 后，得到一个看似可行、但未经验证的替代方案。
最终仍采用原有可行方案。AI 可以给思路，但不能替代验证。
Prompt Is Not Magic
提示词不是咒语。
它只是把需求说清楚。
把一句“帮我做”拆成可执行需求
- 01你是一名有经验的【角色】，请站在这个视角处理问题。
- 02背景是【场景、受众、已有材料、限制条件】。
- 03我要完成【明确任务】，请先判断信息是否充分。
- 04输出时请按照【结构、语气、长度、格式】呈现。
- 05最后列出【需要人工确认的事项】，避免直接误用。
When You Do Not Know How to Ask
先别急着要答案。
让AI先反问你。
很多人不会用 AI，不是因为不会写提示词，而是因为一开始连自己的需求也没完全想清楚。
Beyond Asking
不只是提问。
把 AI 用进工作流。
用得更好的人，通常不是一次性问一个大问题，而是把 AI 放进一个流程里：先拆解、再执行、再检查、再沉淀。
几个更好用 AI 的技巧
- 拆将大任务拆成流程。适合 PPT、方案、报告：先梳理大纲，再分页生成，再统一润色。
- 固让 AI 提供工具或模板。适合数据处理、名单核对、异常标记：固定输入、规则和输出格式。
- 问借助 AI 梳理思路。需求不清时，让 AI 先提问、列路径、评估风险，再输出方案。
Security Layer
不确定能不能上传，
就先不要上传。
三步判断法
- 看是否包含客户、员工、合同、经营、账号、接口等敏感信息。
- 脱能用模拟数据、区间数据、匿名名称表达，就不要上传原始内容。
- 审涉及事实、金额、政策、承诺和对外口径时，必须人工复核。
Human + AI Collaboration
和AI协作，
本质上也是工作协作。
给龙虾写的Skill越好，你越会意识到自己过去对员工多么不公平。你从来没给真人员工写过这么清楚的岗位说明书、这么明确的执行标准、这么详细的禁区清单。经常就扔一句「你看着办」，然后怪他们做不好。现在被迫给龙虾写清楚了，质量上去了，那问题到底出在谁身上？Skill会过时，写Skill的能力不会。因为它的底层能力叫：想清楚，说清楚，干清楚。
Takeaway
从一个小任务开始。
改一段话，整理一份材料，分析一张表，拆一个方案。先让 AI 进入工作流，再决定它能走多远。
Thank You
谢谢
欢迎把一个真实工作任务带进 AI 对话里，从说清楚开始。