AI基础认知与通用办公场景赋能
AI不是替代人
而是放大
会用AI的人
AI 基础认知 + 常见办公场景真实案例 + 使用方法及技巧 + 安全边界
Understanding AI
AI不是魔法。
它是在预测下一个最可能的内容。
可以简单理解为：AI 读过大量资料，学到了很多语言和知识模式。当我们输入一句话，它会判断接下来最可能出现什么。
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 为什么
会产生幻觉？
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。
So Why Use It
既然 AI 会出错，
为什么还值得用？
AI 的价值不在于一次输出就完全正确，而是让我们更快得到可判断、可修改的中间结果。
Choose by Task, Not by Ranking
常用办公场景
工具推荐
Case 01
一份流程文档，AI能帮我们如何优化？
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
一些初略信息，怎么变成汇报文案？
先说明对象、场景和用途，再让 AI 生成不同版本；人负责确认事实、口径和发布边界。
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，结果就不可控。
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
好提示词，
其实是一份任务说明书。
把一句“帮我做”拆成可执行需求
- 目标我要你帮我完成什么。
- 背景为什么做、给谁看、用在什么场景。
- 材料基于哪些信息、数据或原文处理。
- 边界哪些信息需要保留、哪些内容需要审核后再使用。
- 格式输出成表格、邮件、清单、大纲或汇报稿。
Prompt Refinement
不会写提示词时，
让 AI 帮你优化提示词。
先把粗略想法说出来，再让 AI 补齐目标、背景、材料、边界和格式，整理成一段更适合执行的提示词。
Beyond Asking
从一次提问，
到一套工作流。
提示词解决的是“怎么问”。工作流解决的是“怎么把一个任务稳定做完”：先拆解、再执行、再检查、再沉淀。
Security Layer
上传之前，
先判断信息边界。
三步判断法
- 看是否包含客户、员工、合同、报价、对账、投标、账号、接口等敏感信息。
- 脱能用模拟数据、区间数据、匿名名称表达时，优先使用脱敏内容。
- 隐报价单、对账单、投标文件中的个人信息和联系方式，需要先做隐私处理。
- 审涉及事实、金额、政策、承诺和对外口径时，保留人工复核环节。
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
从一个具体任务开始。
可以从改一段话、整理一份材料、分析一张表开始，把 AI 放进真实工作流程里。
Thank You
谢谢
把一个真实工作任务带进 AI 对话里，试着让它帮你完成第一步。
训后调研
扫码填写反馈，帮助我们优化后续培训内容。