AI没变好，只因你搞反了步骤

许多人接触AI的起点就错了。只需排版，尚可。但若让AI代劳选题判断，性质便变了。特斯拉Model Y的一体化压铸便是一例。传统车身底部需众多零件冲压、焊接与组装，而特斯拉通过巨型压铸将约70个零件缩减为1个。此案例的意义不在于技术本身，而在于提问的方式——多数人的本能是“如何优化现有流程”，马斯克的反应却是“这件事真的非做不可吗”。先质疑，而非先优化。

AI的运用遵循同样逻辑。许多人刚接触便追问如何提升写作效率、如何批量产出内容，却忽略了先思考：这篇文章真的有必要写吗？这个产品真的有人需要吗？这个流程能否直接删去？ 有人想写公众号，一上来就让AI生成10版初稿，堆砌大量钩子、标题与金句。他笃定这样必能打造爆款，结果数据惨不忍睹。他归咎于AI不够智能。真相或许是：他不清楚文章受众是谁，不了解他们需求，也不清楚自己具备什么。他没有理清自己的定位。一个经过验证的路径是：先质疑需求，再删减多余动作，接着简化优化，随后加速执行，最终实现自动化。这是一步步推进的过程，但多数人一上来就追求自动化。直接命令AI写作、绘图、做PPT。这对个人使用无妨，却无法产出外部成果。若想获得外部结果，必须先判断这件事是否值得做、能否不做、是否有更简化的方式。这种判断，AI无法代劳。AI能规划路线，却无法替你决定终点。

你可以自测一个问题：“这件事是否服务于我的长期目标？”若十秒内无法作答，先去明确目标。哪怕目标再小，也能指引你迈出下一步。明确了目标，便能区分手头任务。制作封面、制作PPT、批量改写、整理数据——这些标准清晰且不关乎核心能力培养的，直接交给AI。而判断选题、做决策、洞察用户需求——这些必须由自己完成。它们不只服务于单次结果，更是在锤炼应对真实场景的能力。对于过程型任务，不要让AI替你判断，而是让其扮演研究助理：由你先判断，它协助审计缺口、提供反例与备选方案，你再做选择，投身现实验证，收集反馈，更新认知。我就是如此操作。写文章前，我不让AI代劳选题，而是先自行判断：这个问题是否有人真正关切？我是否有真实经历支撑？判断后，请AI审核：我的前提有无漏洞？是否有被忽略的反例？AI指出的缺口，由我自己填补。填补后再动笔。这过程虽慢，但每经历一次，我对“什么值得写”的感知便更精准一分。若一开始就让AI代选题，我将永远不知自己为何选，也永远无法学会选择。

调整你对AI的设定。AI默认会给出更多——更深入、更详尽、更多建议。但你真正需要的是发现缺口。不妨向它发问：我的判断中，哪个前提可能出错？哪个变量未经验证？哪个动作可以省略？哪个风险影响最重？我最该补充什么？排除错误，发现更多可能，随后自行验证。确立标准后，再考量哪些可移交AI。在此过程中，你自然会培养出鉴别AI产出质量的能力。AI真正的价值并非加速生产，而是助你降低试错成本。你提供目标、初始构思与实时反馈，AI则提供更多可能性与更快的验证途径。这与芒格推崇的多元思维模型如出一辙：并非学习更多知识以获取智慧，而是看到更多经过验证的可能性，从而降低犯错几率。

你每日钻研新技术、收集提示词，然而对多数人而言，大模型的能力已严重过剩。决定你能否成事的关键，不在于掌握了多少AI技术，而在于你对底层逻辑的认知及现实中的实战经验。若一人没有目标，AI会加速他的偏航。若缺乏判断力，AI会替他割裂现实。若缺失反馈，AI会助长他制造更多无人问津之物。若没有体系，AI不过是个打杂的工具。新技术永远在放大那些不变能力的长期价值。AI节省下来的时间，不应用于制造更多碎片。应将其重新分配至AI无法代劳之处：探寻真实问题、接触真实用户、研读源头资料、独立思考实验、观察反馈、积累资产。往昔，你可能需耗费一天甚至更久才能完成从想法到修正的闭环，如今AI压缩了执行环节，让你一天能跑更多轮次。问题发现、最小化交付、真实反馈、规则沉淀、下一次更精准的判断。闭环未变，AI只是加速这一闭环的催化剂。

AI可以助你提速，但前提是你必须明确去向。AI能助你行事更精准，但若你所行之事本身有误，便无从谈起。真正善用AI者，并非始于自动化。他们始于质疑需求，始于删减冗余，始于验证变量，始于真实反馈。最终，才将经过验证的流程移交AI。

先判断，再验证，再加速，最后自动化。多数人的失败，不在于不会运用AI，而在于颠倒了这一顺序。