一个反差

同样是用 AI 整理资料，我见过两种结果。

一种人，三小时的活，十分钟拿到能用的初稿，扫一眼、改两处，交差。

另一种人，跟 AI 来回拉扯一下午，提示词改了十几版，出来的东西还是差点意思，最后干脆自己重做。

差别不在 AI 强不强，也不在这人聪不聪明。差别在起点——动手之前，他有没有想清楚“我要的到底是个什么东西”。

多数人把顺序用反了

观察一下你自己用 AI 的习惯，大概率是这样：

打开对话框 → 把手里的一堆东西丢进去 → 期待它吐出有用的结果。

这个顺序叫“输入碰运气”。你最后得到什么，取决于你随手喂了什么——喂得随便，结果就随便。

我做数据十五年，有个词是程序员的基本功：IPO，Input（输入）→ Process（处理）→ Output（输出）。任何一段程序，本质上都是这条链：喂进去什么、中间怎么加工、最后吐出什么。

把这套搬到“用 AI 干活”上，你会发现多数人卡死在同一个地方：Output（输出）从来没定义清楚。 连“我要什么”都没说清，后面全是白费。

输出倒逼输入

正确的顺序是反过来的：先定义输出，再倒推输入。

先看你要交付什么、什么样算“成了”，再回头想“要做出这个，我需要给 AI 什么”。

举个我手上的例子。在医院，我们用 AI 做病历质控。如果只丢一句“帮我看看这份病历”，AI 会给你一堆正确的废话——哪里“建议完善”、哪里“注意规范”，全是套话，落不了地。

但我们换个做法：先把“一份合格的质控报告长什么样”说清楚——要标出哪几类问题、每一类给出具体位置和依据、最后附整改建议——然后才让 AI 去跑。出来的就是能直接用的东西。

你看，AI 没变，变的是你先给了它一个“靶子”。它不知道你要什么的时候，只能给你平均值；你把标准摆出来，它才能往标准上靠。

三个环节，在你的活里各是什么

把 IPO 套到你自己那件重复的事上：

  • 输出 O：你要交付的东西——咨询方案、法律意见、诊断报告、一份分析。先写清楚“什么样算合格”，越具体越好。
  • 输入 I：为这份交付，你必须给 AI 的真实材料——你的经验、真实案例、客户说过的原话。AI 编不出你的经验，这部分只能你来喂。
  • 处理 P：中间的加工。这一环 AI 已经替你扛了，不用你操心——这正是它把你从重复劳动里解放出来的地方。

三样里，真正要你花心思的只有两样：把输出标准想清楚，把真实输入喂进去。中间的苦力，交给 AI。

一个今天就能用的动作

下次用 AI 之前，先别急着输入。拿一张纸，写一句话：“这次我要的东西，长什么样算合格？”

写完这句，再打开对话框。你会发现，AI 给你的东西，第一次开始像“能用的”，而不是“正确的废话”。

想清楚要什么了，接下来的问题是：这件活，哪些能放心交给 AI，哪些必须你自己拿？这是下一篇要讲的。