AI破局04：能做什么、别指望它做什么
AI到底能做什么、做不了什么——把期待边界讲清楚
上周文章刚发出去，就有一位老朋友在评论区留言。他说：
"我按你前几篇的思路开始用AI了。用了一周之后反而越来越火大。让它帮我写邮件——挺不错；让它查我们公司去年的具体营收——它给我编了；让它帮我决定客户要不要打折——它给了五条建议，每条听着都像对的，但每条都没用。我现在真搞不懂这东西到底能干嘛。"
我想了想，直接告诉他：问题不在AI本身，而在你对它的期待。
不是说他笨——他其实挺聪明的。真正的问题是，他对AI的"期望"一开始就乱了套。他没分清哪些场景里AI是"老手"，哪些场景里AI是"新手"，还有哪些情况里AI看着像老司机、实际上是在表演。
今天这篇文章，我就把这件事讲透。看完以后，你再用AI，至少不会像他那样，把它当万能工具，最后被坑得一头雾水。
先用一句话把原理讲清：AI擅长"模式"，不擅长"事实"
要先划边界，就得回到上周我们讲的那个底层逻辑。
AI做的事，说白了只有一类——从它见过的大量数据里，抽出规律，再用规律去套用。它最擅长的是"模式"：常见开头后面通常接什么结尾，某类问题一般用什么方式回答，某种代码通常长成什么样。
那它不擅长什么？主要是不擅长具体的、唯一的、需要核实的"事实"。比如某家公司2023年第三季度的确切营收，比如某条法律的最新修订细节，比如你们小区物业去年实际涨了多少。这些都不是靠规律就能得出的答案，必须去查资料、去翻记录、去问清楚。AI查不到，就会用"应该差不多是这样"的方式给你编出来。
把这一点抓牢，后面所有边界都能推出来。
AI做起来更顺的，基本都是"模式重于事实"的事情——写作、翻译、改写、总结、起草、分类、提炼、套模板。这些任务里，规律占的比重更大，事实占的比重更小，所以AI才能快、也更稳。
AI做不好、甚至容易翻车的，常常是"事实重于模式"的事情——查具体数据、核对条款原文、给出最新行情、做医学判断、做法律裁决。因为每个细节都得对。一旦它开始"按规律猜"，你就很难全身而退。
记住这条之后，下面内容就能对号入座。
第一类：能让你省下一半时间的工作
这一类我直接点名。放到2026年的今天来看，AI在不少普通场景里的完成度，已经能超过很多人手工做的效果——速度快好几倍，质量还比较稳定。
写文字的初稿。工作邮件、会议纪要、岗位JD、产品文案、社交平台贴文、年终总结、述职报告。你把要求说明白，它会给你一个七八十分的初稿；你再稍微改一改，就能直接落地。就这样按周算，省下的时间可能是几个小时。
翻译与润色。把中文译成英文、把英文改得更地道、把措辞生硬的回信润成更圆滑的版本。它在这类任务上的表现，已经超过我认识的大多数英语六级毕业生。不过前提是：别让它去翻译特别专业的合同条款——那又是另一回事。
长文档的"摘要+答疑"。你丢给它一份五十页的PDF，让它告诉你"这份合同里关于违约金的条款到底怎么说"，它能在很短时间内给出相对靠谱的回答。再比如让它读会议录音转文字，并提炼出"今天会上谁说了什么、关键决定是什么"，整体效果也不错。
写代码。这个部分我得说多一点。过去两年，AI在代码相关任务上的进步是各领域里最快的。它可以帮你写脚本、改bug、把一段Python翻成JavaScript、解释你看不懂的代码在做什么。就算你完全不会编程，也能让它帮你完成一个"自动整理桌面文件"的小程序。后面我们会专门写几篇"Vibe Coding"。
头脑风暴与拆解问题。你卡在某个难点，让AI"列十种可能的解法"、"从五个不同角度帮我看看怎么办"。它给得快、覆盖也全。你不一定每条都采纳，但它能帮你把思路打开——这种"陪你想"的任务，它做得很到位。
整理与分类。把一堆杂乱的客户反馈分门别类，把名单按某个维度排序，把聊天记录里出现的人名地名筛出来。这类看似机械但特别费眼睛的活儿，AI往往比你更认真、更有耐心。
这一类工作的共同点很明确——"模式"占主导，事实占的比重小，而且输出通常允许你再校对一遍后使用。你不是把答案原封不动交出去，而是把AI当成原料来源，自己再把关。这也是AI价值最高的用法。
第二类：AI几乎永远做不好的事情
这一类建议你直接别尝试。让AI去做这些，等于是把一个常年待在图书馆的学者叫来，写一篇关于今天早高峰地铁到底挤不挤的评论——再厉害也不知道。
实时且最新的信息。AI的训练数据是有时间截止点的。你让它回答"今天美股开盘是什么情况"、"昨天那场比赛谁赢了"、"小米最新发布的手机定价多少"——除非它接入实时联网工具，否则给你的要么过时，要么干脆就是编的。即便接了联网，它也只是把网页搜索结果整理总结，最终准确性取决于它搜到的内容质量。
精确到具体数字、日期、人名、引文的要求。前面说过，这是它最容易出错的部分。"《刑法》第几条第几款怎么规定"、"莎士比亚那段名言原文是什么"、"我们公司去年Q3净利润是多少"——这类问题它可能会"按规律猜"，表面看起来很专业，实际上经不起核对。
真正的专业判断。我再强调一遍：医疗诊断、法律裁决、心理咨询、投资建议——这四类领域里，AI给出的答案只能当作"参考里的参考"。不是因为它写得难看，而是因为这些场景里"对与错"往往只差一个字、却可能差一条结果。AI不知道你的全部病情与细节，也无法触达你案件中的关键背景，更没法为你的决策负责。
第一手的、发生在当下的事实。"我们办公室那台打印机为什么不响"、"我家孩子刚才为什么哭了一通"、"楼下那家店今天开门了吗"——这类事情它没法直接回答，因为它不在现场。它要么说"我不知道"，要么用一个听起来很合理的理由去替你补上空缺。
带强烈个人色彩的判断。"我该不该跟现在这个对象结婚"、"我的生意要不要继续做下去"、"我明天该穿哪件衣服"——这些问题AI没法替你下决定。它能帮你列出pro/con、梳理思路，但最后那一下"到底要不要"，谁也替不了你。AI的回答再讲得通，你也要知道它其实不了解你。
这一类任务的共同点是——要么需要"现场"，要么需要"最新"，要么需要"对你的具体情况承担责任"。AI这三样都做不到，它就算再聪明，也只能在纸面上帮忙。
第三类：最危险的——看起来在帮你，其实在挖坑
第一类与第二类想分清其实不难。真正让人栽跟头的是第三类：它会给你一个看起来特别像样的答案，你信了以后拿去用，才发现里面有明显隐患。
我给你举几个更贴近真实的例子。
让AI去查法律条款。比如你问"劳动合同里员工试用期最长能签多久"，它可能回答"根据《劳动合同法》第十九条，试用期最长不得超过六个月"——这部分是对的。但如果你问得更细，比如"合同期如果是一年半，试用期最多能签几个月"，它就可能给出一个看似合理却不准确的答案。法条有规则，但规则之间的组合千变万化；AI有时只对到了一半。
让AI写投资分析。让它分析某只股票，它给你一份格式漂亮、术语齐全的报告：营收增长率、市盈率、行业对比、风险点……看着都很专业。但其中的具体数字，有相当概率是它编出来的，或者已经过时了。你要是真把这份报告当依据去决策，结果可能非常惨。
让AI做竞品分析。你让它对比两个产品的功能差异，它会产出一张漂亮的对照表。但表里至少会有一两处不对：比如它写某个功能"支持"，实际并不支持；又或者它把对手的特性写成了你这边的能力。对话里你可能看不出来，但做成PPT给老板汇报就麻烦了。
让AI做"看似简单"的数学计算。比如"把10万块投到年化6%的产品里，复利5年能有多少钱"——这种题有时算得对，有时算得不对。AI并不是计算器，它是在做"猜这种题通常答案会是什么样"。只要涉及钱的计算，最好永远再用计算器核一遍。
让AI写引用、参考文献、学术论文。这是学术圈最容易被坑的地方。AI会给你一串非常规整的参考文献：作者、期刊、卷号、页码一应俱全。然后你去查，发现那篇论文根本不存在。它所谓的引用就被业内称作"幻觉文献"，被坑过的研究生不在少数。
让AI帮你写承诺类文字。比如"帮我起草一份产品保证书，承诺三年内免费维修"。它会爽快把内容写出来，但它不知道你公司实际能否持续维修，也不知道成本压力，更不清楚你所在行业的法律红线。你直接发出去、签了字，后面的责任多半都得你来扛。
第三类的共同点是——它输出的东西"看起来"专业、完整、可信，但里面总会藏着你不去核查就发现不了的硬伤。这种坑最深，因为你掉进去之前还会觉得自己省了时间、赚了效率。
一个简单好用的判断框架
讲到这里，我给你一个三秒就能用的判断方法：红绿灯法。
绿灯——可以放心用：你的任务属于"模式重于事实"，同时输出允许你或他人再校对一遍。比如写邮件初稿、做翻译、写代码、整理资料、头脑风暴、改文案。这类直接上，能省多少就省多少。
黄灯——需要校对再用：你的任务里混了部分"具体事实"，但这些事实你能逐条核实。比如报告里要引用数据、要用到具体引用与人名：让AI先搭框架可以，但每个数字、每处引用、每个关键姓名，你自己再查一遍。这一类AI能帮上大忙，但你不能偷懒。
红灯——不要用：你的任务是"事实重于模式"，或者需要"对你的具体情况负责"的事情。比如医疗决定、投资决策、法律承诺、婚恋大事。这类要么别用AI，要么至少让AI的结果先作为"再问真人之前的预热"。
你把这个框架过一遍，刚才那位朋友的三件事就能立刻看明白——
让AI写邮件：绿灯，没问题，用得越多越顺。 让AI查公司去年具体营收：红灯（除非接了你们公司的内部系统），别让它编。 让AI替你决定给客户要不要打折：红灯，这属于你需要为具体业务负责的事，AI做不了。
最后再补几句容易被忽略的真话
到这里还不够，我再多讲几句很多文章不会直接告诉你的事实。
第一，AI的边界是会变化的。今天这篇文章里说的"红灯"，三年后可能会变成"黄灯"。技术在进步、能力在增强。所以别只死记硬背"AI不能干什么"，更要记住背后的原理：它在猜，它会幻觉，它缺少现场感。原理不会变，应用方式可以不断迭代。
第二，"AI做不好"不等于"AI没用"。就算你在医疗、法律、投资这些"红灯"领域里用AI，它也不是完全没价值。它可以帮你整理已知信息、列出你应该追问的问题、拿资料去对照看看有没有遗漏。它不能替你做最终判断，但它能让你的判断"准备得更充分"。
第三，对AI抱有合理的期待，比掌握任何提示词技巧都更关键。我见过太多人对AI彻底失望，根源在于把它当成它根本不是的东西。把AI当神，你会被幻觉坑；把它当玩具，你也可能错过它真正能帮你的地方。更合适的心态是：把它当一个"又快又勤奋，但有时会瞎说的初级助理"——这种心态，才是用好AI的前提。
第四，最常见的误区——有人觉得"反正AI会出错，那我干脆不用"。这逻辑就像：车有时候会爆胎，所以我宁愿不坐车、直接走路一样，不划算。你需要的不是彻底不用，而是知道什么时候不能让它独自上路。
结尾：把边界想清楚，才能用对AI
今天这篇文章，大致把AI能做、不能做的事情都摆开了。
你会发现，用好AI的关键并不在于"提示词写得多复杂"，而在于"先想清楚这件事AI到底擅不擅长"。它擅长的部分，你随便说它也能做；它不擅长的部分，你怎么包装都还是会给你编。
很多人对AI的体验不佳，不是因为AI真的差，而是因为他们一直拿AI去做AI不擅长的事情，然后再据此下结论说"这玩意儿没用"。就像用榔头去拧螺丝——榔头没问题，是你选错了工具。
我希望你读完之后，下一次用AI前能多花三秒钟问自己一句：我让它做的这件事，是"模式重于事实"，还是"事实重于模式"？
只要这一问到位，你80%的坑都能避开。
下期预告
下周二我们聊一个所有人都关心的问题：你的第一次AI对话——从"问得烂"到"问得好"的提示词入门。
很多人第一次用AI，问"帮我写篇文章"，AI给出来的内容干巴又空；问"帮我想想怎么办"，又感觉完全落不到实际。并不是AI不行，而是你把问题问得太含糊。下一篇我会用大量真实对照例子告诉你：同一件事，问得粗和问得讲究，差的不是一点点——是从天到地。
如果今天这篇文章让你觉得心里某个模糊的地方被擦亮了，点个"在看"或转发给那个一直在吐槽"AI没那么好用"的朋友——他多半也是在用榔头拧螺丝。
周六见。我们《本周AI速报》里再聊。
《AI破局》公众号：每周二深度科普，每周六行业速报。带你从AI小白到实战高手，用普通人听得懂的话讲清人工智能的本质、工具、机会与陷阱。