How to Make
an Abundant Future十条工作笔记

AI 会先重新分配任务，再改变岗位。

一个岗位包含很多任务。AI 可以接走资料查找、信息对比、初稿和排版；人继续负责目标判断、关系协调、意外处理和结果责任。看 AI 对工作的影响，要从每天在做的具体任务开始。

任务颗粒度

AI 的能力像一张高低不平的地图。

它可以在代码、资料分析上超过很多人，也会在常识、长期执行和复杂现场里出错。能完成其中一步，不代表能负责整件事。

锯齿状能力

模型会变便宜，业务理解不会凭空出现。

当大家都能买到不错的智能，差距来自业务真源、判断标准、反馈经验和工作流程。模型选择会变成小问题，能不能把事情说清楚更重要。

差距在哪里

最值得做成 Skill 的，常是那些麻烦却反复发生的工作。

ChatGPT 的机会，来自用户在一个笨拙工具里反复尝试聊天。我们的合同审阅、监管通函、财务报告、仪表盘修改也一样：重复次数多、规则相对稳定、人工修改多，就是好的 Skill 候选。

Skill 选题

提示词的本质，是一份任务说明。

目标是什么、输入在哪里、按什么步骤处理、哪些边界不能碰、怎样判断结果合格，这五件事写清，AI 才有机会接住整件工作。

五件事

记忆不能代替数据真源。

合同原文、财务口径、制度文件、历史数据，都要有权威来源。数据负责事实，Skill 负责处理规则，HTML、PPT 和图表负责呈现。三者混在一起，一处修改就会牵动全局。

三层分工

Skill 是经过真实任务检验的方法。

让它处理两三次真实任务，把易错点、人类选择和检查方法记录下来，再封装成 Skill。一次写得漂亮的提示词，只能证明这一次运气不错。

检验而非灵感

生成很快，验证决定结果能不能进入业务。

事实有没有出处、数据有没有缺漏、口径有没有变化、格式有没有跑偏，都需要固定检查。合同、监管、财务等高风险结果，还要保留人工确认。

验证清单

AI 越能自主行动，权限越要收紧。

一份真源、一个写入者、几个检查点、最小权限。发送、发布、部署和修改正式数据要留人工确认。能力提升之后，安全边界本身也成了工作设计的一部分。

权限设计

把检索、比较和整理交给 AI，把判断、品味和责任留在人手里。

使用一个结果前，我们至少要能回答三句话：依据是什么，为什么这样选，出了问题谁负责。否则效率上去了，人的理解力会变薄。

Human Agency