5秒看懂
AI越能干，人的价值就越不在于“什么都能自己做出来”。
更重要的，是看到成品时能马上察觉“好像哪里不对”“这块很无聊”“这个我不想点”，再把这种感觉说成理由、目标和限制条件，交给AI去找办法，最后看到实物再判断一次。
也就是说，不是人自己写完所有代码，而是不停转这个圈：
察觉不对劲 → 和AI聊清楚 → 从0到1重新策划 → 动手做 → 看实物 → 再次察觉不对劲
光看表面，就是一个“只会挑刺的老板”。
但只要没有一个像素一个像素地下命令，这就不算瞎管细节。更像是人握住目标和质量标准，把找办法和动手做交给AI。
1. 一切从“整理得挺好，但真没意思”开始
有个网站的首页，把分类名和文章数量排得整整齐齐。
信息很清楚，没有坏掉的地方，每样都说得出道理。
可是一眼看过去，第一反应是：
“这也太无聊了吧。”
这种感觉最难办。
它不是“按钮点不动”那种明确的bug。测试能过，也没违反任何规定。可就是不想点。
跟聊天AI来回聊了几轮，这种感觉才慢慢说得清楚。
网站方把库存摆出来：“人际关系98篇”“判断和比较78篇”。可第一次来的人，根本不关心有多少篇。
他们想的是：
“现在有没有我感兴趣的？” “我有这个烦恼，该点哪里？” “没什么目的，就想随便逛逛发现点东西。”
于是把整个问题重新交给专门从0到1做策划的AI，首页就从“分类仓库”变成了按读者心情和需求进入的留言卡片式入口。
这不是把样式（CSS）稍微修漂亮一点。
而是重新想了一遍“首页到底是干什么用的”。
2. 人的工作看起来像个“难伺候的甲方”
AI连活都能干了以后，人这边的工作看起来就有点怪。
“这里有点土。” “说得没错，但就是不想点。” “功能是有，但用起来很烂。” “能不能再有意思点？”
光看这些话，就是个很烦人的甲方。
可真正危险的瞎管，是这样的：
“间距改成12px。” “卡片必须排3列。” “这句话放到这个位置。”
连解决办法都由人定死。
这次正好反过来。
人握住的是评价：“这样好不好”“合不合目的”“哪里别扭”。
至于怎么改，大部分交给策划AI和写代码的AI。
所以这其实不是“难伺候的甲方”，而是一个人同时当产品负责人、主编、创意总监和质检。
键盘安静了，头衔却突然变重了。
3. “不对劲”是很灵的警报，但不能直接当需求
“就是不喜欢”很重要。
但直接甩给写代码的AI也很危险。
可能只是个人口味，也可能是改别的地方带出来的副作用。AI完全可能老老实实照着抱怨去改，结果把整体搞坏。
所以要先和聊天AI把它聊清楚。
至少按这个顺序转化一下：
- 现象：看到什么觉得“不舒服”
- 可能原因：为什么会这么觉得
- 读者：对谁来说是问题
- 理想状态：做到什么就算好
- 限制：什么绝对不能弄坏
- 完成标准：看到什么就能说改好了
比如“首页很无聊”，要说到：
“网站自己的分类太靠前，第一次来的读者很难从自己的目的出发找文章。想做一个不看文章数量、而是按心情和需求来逛的入口。”
说到这一步，抱怨就成了能拿来设计的材料。
4. 聊清楚，就是把“我的口味”变成“能验证的猜想”
关键是别把自己的感觉当成绝对正确。
“我不喜欢” 和 “对用户不好” 不是一回事。
所以要拿研究、现成的设计原则、反例、真实的使用数据去碰一碰。
比如这样拆开问：
“是信息太多才讨厌吗？” “是分类方式只顺着网站方的思路才讨厌吗？” “是没目的的人找不到入口才讨厌吗？” “老用户会不会反而觉得列表更快？”
多了这一步，人的直觉不会被抹掉，只是不让它失控。
不对劲，是警报。
聊清楚，是诊断。
动手做，是治疗。
别一听到警报就冲进手术室。
5. “像逛宜家或开市客那样”不是随口一说，而是缩小了找的范围
具体例子很有力量。
只说“弄得有意思点”，AI要找的范围太大了。
但如果说：
“就像逛大卖场，逛着逛着连本来不打算买的东西都看到了。” “不是一排分类，而是看着看着就有新发现。”
想要的体验一下子就清楚多了。
重点不是照抄那家店的样子。
不是模仿颜色、间距、卡片形状，而是往上提一层：
“意外发现” “到处逛” “想接着往下看” “展示的是体验，不是库存”
例子是用来定方向的，不是用来定答案的。
这样AI还有自由发挥的空间。
6. 把从0到1的策划AI和写代码的AI分开，效果更好
如果只是修已有的bug，不用每次都开大型策划会。
找到原因，改掉，测试，就行了。
但像“从根本上让首页变有趣”这种接近从0到1的活，动手之前先让强大的策划模型过一遍，很值。
分工要分开：
聊天AI负责拆解不对劲的感觉，把需求说清楚。
从0到1的策划AI负责找各种方案、结构和体验怎么设计。
写代码的AI负责代码、测试，以及确认别的地方没被改坏。
人负责目的、限制、先后顺序，以及最后用不用。
没必要让AI开一轮又一轮只出计划书的会。
策划只有落到实际做出来，才有价值。
7. 研究也说了：“人+AI”不会自动变成最强
这一点很重要。
2024年《Nature Human Behaviour》的一项元分析，汇总了106个实验、370个效应量，直接比较人单独做、AI单独做、人加AI一起做。[1]
平均来看，人加AI比人单独做好。
但如果和“人和AI中更强的那一方”比，人加AI平均反而更差。
不是最后加个人把关，就一定更强。
而且在做决定类的任务里，一起做的成绩更容易掉；在创作类任务里，一起做相对更有希望。
所以关键不在于“用不用AI”，而在于：
谁负责哪一块
不是所有东西都让人最后签字就行，也不是全部扔给AI就行。
怎么拆分工作，本身就决定了效果。
8. AI擅长的范围，边界是参差不齐的
2026年发表在《Organization Science》上的一项实验，找了758名知识型员工。在AI擅长范围内的18项任务里，用AI的人平均多完成12.2%的任务，速度快25.1%，质量也更高。[2]
但在AI擅长范围之外的一道复杂经营题上，用AI的人答对的概率低了19%。
看起来同样是“动脑子的活”，AI帮得上忙的和反而帮倒忙的，就挨在一起。
这就是所谓“参差不齐的技术边界”。
所以安排工作时，不能说
“AI很聪明，交给它吧”， 而要说 “这类活交给AI，这里由人来判断”。
察觉不对劲、定目标、重大的取舍、整体是否协调，交给人。
大量搜索、想替代方案、写成文字、动手实现、机械性检查，交给AI。
至少现在看来，这样分工更自然。
9. 人从“写初稿的人”变成“改稿的人”，和研究结果也对得上
2023年《Science》上的一项实验，让453名专业人士做写作任务，用了生成式AI的那组平均用时少了40%，质量评分高了18%。[3]
2025年《Quarterly Journal of Economics》上一项关于客服工作的研究，用了5,172人的一线数据，发现有AI帮忙后，每小时处理的问题平均多了15%，对经验少的人效果尤其明显。[4]
当然，这些研究并没有证明“老板只要说一句不对劲，公司就能转起来”。
但它们和这个方向是一致的：初稿、重复性工作、出备选方案、写成文字的成本降下来以后，人就更容易把时间花在“做什么”“选哪个”“哪里不对”上。
不是说动手能力没用了。
而是动手不再是唯一卡脖子的地方。
10. 最大的坑：每条抱怨都去改，结果只顾局部、整体乱了
改卡片。
改广告。
改相关文章。
改搜索。
每一样都变好了。
可整个网站却变得乱糟糟。
这种事很常见。
一个一个去消灭不对劲，有只顾局部、忘了整体的风险。
所以要定期退一步，从上往下看：
“来的是谁？” “他们来干什么？” “第一步该做什么？” “希望他们到处逛哪里？” “最后想让他们带走什么？” “有没有其实该删掉的功能？”
改零件和检查整体目标，要分开做。
而且人也会被AI的建议带着走。有实验发现，人和AI的判断会互相放大，形成让偏差越滚越大的循环。[5]
所以“AI也这么说”不算证据。
要回到研究、真实使用、反例和外面的现实。
11. “你看着弄好点”要等彼此有了足够默契才管用
“你看着弄好点”其实是很危险的指令。
没有前因后果，那就是抽卡。
但如果下面这些已经说清楚了，意思就不一样了：
目标 想让什么变好？
不要什么 绝对不想变成什么样？
限制 哪些规则、成本、安全、日常运营条件不能破坏？
参考 想要什么样的体验？
完成标准 看到什么才算成功？
这些积累多了，“你看着弄好点”就成了简称。
这不是甩手不管。
而是用一句话调出一大段彼此都懂的背景。
就跟默契好的团队里一句“老样子”就能听懂一样。
和AI之间，这种事终于也开始行得通了。
12. 写代码的AI挂了，也别让整个开发停摆
写代码的AI应用崩了。
偏偏是在用量额度刷新之前。
“本来想趁现在一口气全塞进去的。”
这种停摆真的很让人肉疼。
不过，由此也能得出一个实用的办法：
把“想”的队列和“做”的队列分开。
就算写代码的AI用不了，
收集不对劲的地方， 和AI聊清楚， 提出原因的猜想， 用研究去核实， 排好先后， 写下完成标准。
这些都可以先做。
一恢复，写代码的AI不用从头想，直接把已经理好的任务从上往下处理就行。
一个服务停了，不等于整个团队的脑子都停了。
这能省钱，但更重要的是，出了故障也扛得住。
13. AI时代的“老板”，不是什么答案都知道的人
把这套流程走一圈，人的角色看起来完全不一样了。
代码不用全会写。
不用一开始就画出最完美的界面。
也不用事先知道解决办法。
但是这些要攥在手里：
“这不对。” “为什么不对。” “要让谁、在哪方面变好。” “什么不能被弄坏。” “出来的方案能不能用。”
AI能拿出一大堆办法。
也能动手做。
检查也能做不少。
但如果连“这个产品什么才算好”的标准都全部外包出去，就连该往哪儿优化都没了。
所以人的工作与其说是消失，不如说是往上游压缩。
用老派老板的话说，不是
“我全都自己来。”
而是
“这不对。原因是这样。要往这边走。剩下的你用最好的办法去做。”
“你看着弄好点”，终于开始变成一门真本事了。
参考资料（5条）
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
