老陳在週日下午三點有一份包含四項任務的清單，雖然花了一整天的時間使用AI，但只完成了兩項任務。老陳認為，AI的效率取決於是否能將其整合成一條流水線作業。通過將任務分成三個工位，相同的工作從原本需要340分鐘，壓縮到只需145分鐘，展現出AI在提高工作效率方面的潛力。這個例子顯示，有效地整合AI可以大幅提升生產力和效率。
菜鳥之友系列：《AI 提效實戰手冊》・第 01 篇作者：業州愚公
老陳週日下午三點坐在電腦前，清單上有四件事：一篇三千字的稿子、六張配圖、一份從三份報告裡扒出來的數據表、以及把定稿改寫成兩個平臺的版本。
他試過「跟 AI 聊」。聊得挺熱鬧：問一句、答一句，來回三十多輪，稿子還是散的，圖還是沒著落，數據表更是每次都要重新貼一遍背景資料。晚上十一點，他關了電腦，清單上劃掉了兩項，第三項留了個半成品。
第二天他把同一張清單交給我。我們沒有換模型，也沒有買新會員，只做了一件事：把這四件事拆成工序，每一道工序指定一個幹活的角色。
結果是同一個下午，四件事全部收工，還多出一個小時喝茶。
差別不在 AI 打字快不快——打字從來不是瓶頸。差別在於：他把 AI 當成一個「什麼都能問的對象」，我把它當成一條產線上的一排工位。
我把那天下午的兩套做法記了帳。任務是：寫一篇三千字長文（含查資料與事實核對）＋六張配圖＋一份數據表＋兩種平臺改寫。
| 工序 | 埋頭苦幹 | 流水線做法 | 說明 |
|---|---|---|---|
| 查資料、確認事實 | 90 分鐘 | 35 分鐘 | 機器先出一版帶出處的清單，人只挑要核的那幾條 |
| 定大綱、寫初稿 | 150 分鐘 | 60 分鐘 | 先讓模型出三個結構方案，選一個再逐節寫 |
| 找圖、配圖 | 40 分鐘 | 15 分鐘 | 圖的選型與尺寸一次講清楚，不來回試 |
| 改寫成兩個平臺版本 | 60 分鐘 | 15 分鐘 | 平臺調性寫成模板，一次生成兩版 |
| 事實與邏輯自查 | 貫穿全程 | 20 分鐘 | 交給第二個模型，按三張清單逐條挑錯 |
| 合計 | 約 340 分鐘 | 約 145 分鐘 | 約 5 小時 40 分 → 約 2 小時 25 分 |
這張表有三個地方值得看清楚。
第一，省下的時間不在「打字」那一段，而在「起手」那一段。定大綱從 150 分鐘壓到 60 分鐘，靠的不是模型寫得快，而是它先給了你三個結構方案——你從「面對空白頁」變成「從三個裡選一個」。
第二，重複工序才是最大的漏水口。改寫兩個平臺版本原本要 60 分鐘，因為它本質上是同一件事做兩遍。凡是「同一件事做兩遍以上」的工序，都該優先交給機器。
第三，自查那 20 分鐘是不能省的。省掉它，前面省下的時間會在第二天以「返工」的形式連本帶利還回來。這一道工序我們後面單獨講。
多數人覺得「AI 好像沒那麼神」，是因為一直停在第一層。AI 的用法其實有四個層次，每一層的瓶頸和收益都不一樣。
第一層：對話層。 打開對話框，問一句、答一句。好處是零門檻，壞處是每次都要重新解釋背景——「幫我寫一篇關於 X 的文章」講完，它給的還是通用稿。這一層大約能省 10%–20% 的時間，而且省得很不穩定。
第二層：模板層。 把你反覆說的那段話固定下來：角色、任務、輸入、限制、輸出格式，一次寫好，反覆用。從這一層開始，輸出的品質才穩定。大約省 30%–40%。瓶頸是模板會亂：用得久了，你有十七個版本的提示詞，自己都分不清哪個是對的。
第三層：工作流層。 把一件事拆成工序，每道工序指定「誰來幹」——哪個模型、哪個工具、什麼輸出格式，然後把上一道的產出直接餵給下一道。這一層省 50%–60%，也是這篇要講的重點。瓶頸是拆工序的能力：你得先能把自己腦子裡的流程寫出來。
第四層：自動化層。 工序固定之後交給 Agent 或排程，人只看結果與異常。收益最高，但也最脆弱——出了錯你未必看得見。它只適用於「錯了能被發現、成本可承受」的任務，這一條後面會單獨寫一篇。
判斷自己停在第幾層有個簡單方法：如果你每次用 AI 都要重新打一遍需求，你在第一層；如果你有固定的提示詞，在第二層；如果你能說出「這件事分幾步、每步誰做」，才到第三層。
把老陳那張清單拆開，其實只有三個工位。
寫作工位。 工序是：需求 → 大綱 → 逐節初稿 → 定稿。這裡最容易被忽略的是「大綱」這一步，很多人直接跳到初稿，結果就是來回改。正確做法是先讓模型給三個結構方案，你選一個、改一輪，再往下寫。這一步花掉的十分鐘，會在後面省下一小時。
資料工位。 工序是：找 → 整理 → 核對。這裡的關鍵不是讓模型「記住」你的資料，而是讓它每次都拿到對的那一小段。背景資料貼得越多，幹擾越大——這是下一篇要專門算的帳。
檢查工位。 工序是：讓第二個模型當審稿人。三個層次逐條挑：事實層（數字、時間、人名、來源對不對）、邏輯層（有沒有前後矛盾、結論有沒有超出證據）、語氣層（有沒有廢話、有沒有抄襲感的空話）。同一個模型檢查自己往往挑不出毛病，換一個模型效果明顯不同。
至於「哪道工序派誰」，我的分工表大致是這樣：
| 工序類型 | 適合的角色 | 挑選要點 |
|---|---|---|
| 長文寫作與中文語感 | 主筆 | 看重長文結構穩定、中文不帶翻譯腔 |
| 推理歸納、方案比較 | 分析師 | 看重長鏈推理與自我糾錯 |
| 代碼與表格處理 | 工程 | 看重能直接跑、報錯能自解釋 |
| 看圖、聽錄音、讀長視頻 | 眼睛 | 看重多模態輸入的完整度 |
| 海量資料裡找一段 | 圖書館 | 看重檢索與來源標註 |
| 批量改寫、格式轉換 | 學徒 | 看重便宜與快，不要求聰明 |
這張表的用法不是「照著買」，而是提醒你：不要用一個模型幹六種活。 同一個模型寫長文行、做檢索可能很差；換個場景就未必。真正的提效來自搭配，不是來自「找到最強的那一個」。
工具可以分成四層，由輕到重：
挑選原則只有一條：先補缺口最大的那一層，而不是先買最貴的那一層。 很多人一上手就買最貴的訂閱，結果流程裡根本沒有工序，額度再多也換不來效率——這筆糊塗帳我在《怎麼高效率使用AI《01》？》裡已經交過一次學費。
做完這三步，你已經從第二層站上了第三層。
那天老陳臨走時說了一句：「原來不是 AI 不夠聰明，是我沒給它排工位。」
AI 不會替你思考，但它很擅長搬磚——前提是你先畫出工位圖，知道哪塊磚該搬到哪裡。同樣一個下午，差別不在工具，而在你有沒有把它排成一條線。
工具推薦隨身機器人（新用戶免費試用 7 天）
不想自己排工位？SY 視野的「隨身機器人」把上面這三個工位做成了現成的流程：查資料、寫初稿、出配圖、改寫多平臺版本，一次交代、全程跟著你的進度走。進入 SY 視野（sylogs.com）開通試用——試用 7 天，先看看一條排好的產線能替你省下幾個下午。
下一篇預告： 工序排好了，接下來要算一筆更細的帳——背景資料到底該餵多少？ 有人把 20 萬字資料一股腦塞進去，結果模型抓錯重點、成本翻三倍。《上下文窗口的經濟學：長文檔到底該怎麼餵》將給出四種餵料策略與一份決策樹，並附一份「餵多少才划算」的實測對照。敬請關注。
業州愚公 ｜ SY 視野（sylogs.com）原創內容，轉載請註明出處。
編輯評論 / Editor's Note
隨著人工智慧技術的不斷發展，企業和個體正嘗試將其應用於各個領域，以提升工作效率和生產力。通過將AI整合到工作流程中，可以實現自動化和優化，從而節省時間和成本。然而，關鍵在於如何有效地將AI技術與現有的工作流程進行整合，以發揮其最大潛力。