不是所有事情，都是需要要交給 AI 的，我自己的三不碰
整理版優先睇
鱸魚分享判斷AI自動化嘅三把尺子，核心係「三不碰」：情感體驗、95分事、高風險決策唔好交俾AI。
呢篇文章係由鱸魚寫嘅，佢幫人搭咗幾十套AI流水線，發現自動化唔等於進步，錯嘅事自動化只會放大錯誤。佢想解決嘅問題係：點樣判斷「呢件事該唔該交俾AI」？整體結論係要用三把尺子嚟決定，唔係所有事都適合自動化。
第一把尺子係「重複三次就封裝」，即係當你做同一樣嘢第三次，就要諗嚇點樣將佢變成skill或工作流。第二把尺子係「三不碰」：涉及情感、故事同真實體驗嘅事；你已經做到95分嘅事；同埋容錯率極低、決策成本高嘅場景。第三把尺子係優先級槓桿，優先做「由60分提升到80分」嘅任務，因為呢類回報最大。
最後，佢提出一個判斷框架：問三個問題——重複過三次未？係咪三不碰之一？AI槓桿有冇+20分以上？全部過關先值得自動化。佢強調AI嘅默認水平係70分，你嘅獨特之處在於70分以上嘅跳躍性突破，所以精準介入、唔好全盤託付先係真正嘅用法。
- 結論：唔係所有事都要AI，核心係「三不碰」：情感體驗、95分事、高風險決策唔好交。
- 方法：用三把尺子判斷——重複三次封裝、三不碰、優先做60→80槓桿大嘅事。
- 差異：AI默認70分穩定輸出，你做到95分就唔好交，否則會被拉低到70分。
- 啟發：AI負責70分以下嘅標準水平，你負責70分以上嘅跳躍性突破，兩條線唔好交叉。
- 可行動點：遇到新任務先問三個問題，任何一個卡住就放下，去做你AI做唔到嘅事。
內容結構
┌─ Q1 · 我重複做過 3 次以上嗎？│ 否 → 先做一次再說│ 是 → 進入 Q2│├─ Q2 · 這件事是三條"不碰"之一嗎？│ 是 → 不碰│ 否 → 進入 Q3│└─ Q3 · AI 槓桿是 +20 分以上嗎？ 是 → 立刻封裝成 skill 否 → 放着，等槓桿大的再做問錯問題：自動化唔等於進步
朋友成日問：「呢個事可唔可以AI自動化？」鱸魚話答案幾乎都係「能」，但你應該先問「該唔該」。自動化唔等於進步，錯嘅事自動化只係將錯誤放大100倍。
自動化唔等於進步，錯嘅事自動化只係將錯誤放大100倍。
佢搭咗大幾十套AI流水線後，反而越嚟越清楚：有些事必須人工，唔係唔想自動化，係唔能夠。呢篇就係講佢用嚟判斷「該唔該」嘅三把尺子。
第一把尺子：重複三次就封裝
最簡單嘅尺子：同一操作重複三次以上，就值得封裝成skill或工作流。點解係三次？第一次你唔知會反覆，第二次開始覺得「好似做過」，第三次你就要諗：呢個可唔可以封裝？
重複三次以上嘅操作，就值得封裝成skill或工作流。
鱸魚話佢80%嘅判斷依據大於50%嘅經驗權重。越早沉澱，越早解放自己。但唔係所有重複嘅事都應該封裝，所以要引入第二把尺子。
第二把尺子：三條「不碰」
- 1 不碰#1：涉及情感、故事同真實體驗嘅節點。信號喺字面之下，AI讀唔到，一線操盤手嘅價值就喺呢度。
- 2 不碰#2：你已經做到95分嘅事。AI默認70分，交俾AI等於由95分跳水到70分，仲會反向馴化你嘅判斷力。
- 3 不碰#3：極度敏感、決策成本極高嘅場景，例如醫療診斷、法律結論。最後嗰步拍板必須人嚟做。
AI用大模型訓練出穩定70分輸出，但好難有跳躍性突破。你嘅天花板係你，唔好畀AI拉低。
第三把尺子：優先級槓桿同判斷三問
第三把尺子係優先級槓桿：優先做「由60分提升到80分」嘅工作，投入相同時間回報最大。原本80分以上嘅事AI槓桿好細，原本40分以下嘅事太大坑救唔返。
- 原本40→70：+30分槓桿，但要小心坑太大
- 原本60→80：+20分槓桿，最值得做
- 原本80→85：+5分槓桿，唔係好值得
- 原本95→70：-25分，見不碰#2
最後，鱸魚提出判斷三問：Q1重複做過三次以上？Q2係咪三條不碰之一？Q3 AI槓桿係咪+20分以上？全部過關先值得AI化，任何一個卡住就放下。
真正聰明嘅用AI方式唔係全盤託付，而係精準介入—喺最該發力嘅地方放大你嘅能力。
數據幻覺同70分天花板
鱸魚提醒，而家好多「AI自動化」案例係假嘅，背後係人手操作。你判斷「能唔能AI」嘅參考系必須係真正嘅AI產品，唔好俾「AI數據幻覺」呃到。
AI默認70分輸出，無論點調prompt，同一模型同一類任務嘅輸出質量有個天然上限。
點解AI到唔到95分？因為95分靠跳躍性突破，而AI被訓練成穩定合理，跳躍本質係唔合理嘅。所以AI負責70分以下，你負責70分以上嘅跳躍。
每一次你決定「呢件事我自己做」，你都在話畀自己知：呢件事上我係不可替代嘅。AI可以幫你做70分，但你嘅獨特性全喺嗰30分裏面。
唔係所有事都要交俾 AI · 我自己定嘅三條「唔掂」
致讀者： 本篇文章 4200+ 字，預計閲讀時間 15min。「做得」唔等於「應該做」——呢個係我砌咗大幾十套 AI 流水線之後最想講嘅一句。如果你正在諗「呢件事得唔得 AI」，建議讀完。
01. 大多數人問錯咗問題
朋友揾我問嘅第一句說話，永遠都係——
鱸魚，呢件事可唔可以用 AI 自動化？
我嘅答案最近幾乎都係一樣——
得。但你應該先問：應唔應該。
自動化唔等於進步。錯嘅事自動化，只係將錯誤放大 100 倍。
呢兩年我幫人整咗大幾十套 AI 流水線，反而越嚟越清楚一件事：有啲事一定要人做，唔係我唔想自動化，係唔可以。
今日呢篇，我想講清楚我用嚟判斷「應唔應該」嘅三把尺。
02. 第一把尺 · 重複 3 次 = 封裝門檻
先講最簡單嘅一把尺——
重複三次以上嘅操作，就值得封裝成一個 skill 或工作流。
呢句話聽起嚟好似廢話。但佢背後有一個閾值——唔係五次、十次，係三次。
點解係 3？
第一次做，你冇意識到呢件事會重複。第二次做，你開始覺得「好似做過」。第三次做嘅時候，你心裏面應該自動彈一句：呢個可唔可以封裝？
呢個係我自己嘅習慣。用我原話講——
我 80% 嘅判斷依據，一定大過 50% 嘅經驗權重。
當我做一項工作，某個複雜操作我重複咗三次，我就會習慣性諗：可唔可以將佢封裝成一個獨立嘅模塊？
唔係等到佢變得繁瑣先去優化，而係由第一次執行時，就要有意識咁諗：呢件事可唔可以畀 AI 接住做？
越早沉澱，越早解放自己。
呢個係第一把尺最清晰嘅部分：當你見到自己第三次做同一件事 → 停低，諗封裝。
但淨係得呢把尺仲唔夠，因為——
唔係所有「重複嘅事」都應該封裝。
呢個就引出咗第二把尺。
03. 第二把尺 · 三條「唔掂」
呢個係今日嘅重點。
有啲事就算你重複咗 30 次，都絕對唔應該交俾 AI。
我自己將呢啲事歸咗類三類——
不碰 #1 · 涉及情感、故事同真實體驗嘅節點
原話——
第一係涉及情感、故事同真實體驗嘅節點。例如你係一線操盤手，好多判斷嚟自現場嘅直覺同細微感受，呢啲係 AI 模擬唔到嘅。
具體場景係咩？
你做內容，某一篇稿嘅「味道」得你先聞得出——邊句話讀起嚟唔順，邊段節奏有問題 你做產品，用戶喺羣組入面一句說話抱怨，你可以即刻判斷背後係真問題定係情緒發洩 你做諮詢，同客戶傾一個鐘，你可以感覺到「佢口講預算，其實心入面糾結嘅係面子」 你做屋企人朋友嘅關係維護，對方一個眼神、一句語氣詞——你嘅直覺係最準嘅
呢類判斷嘅本質係：信號喺字面之下。AI 只能讀到字面。佢永遠讀唔到「字面之下」。
唔係 AI 蠢。係因為「字面之下」嘅信號，得你同嗰個具體嘅人/場共同在場時先會產生。AI 唔在場。
一線操盤手嘅價值就喺呢度。將呢件事交俾 AI，你唔見咗嘅唔係效率，係核心競爭力。
不碰 #2 · 你已經做到 95 分嘅事
這條是反常識的。
原話——
第二係你已經做到 95 分嘅事情，交俾 AI 反而可能降到 60 分。呢個時候唔係技術唔得，而係你本身嘅經驗冇咁易被替代。
講清楚點解：
AI 輸出嘅默認水平係咩？用我嘅說話講——
AI 用大模型邏輯訓練出嚟嘅，往往係穩定嘅 70 分輸出。但喺呢種思考框架內，好難有突然嘅跳躍性突破。
AI 嘅天花板係 70 分。你用佢嘅目的，係將原本 40 分嘅事提高到 70 分。
但如果你自己做到 95 分，交俾 AI 等於由 95 分跳水到 70 分。
呢件事我親眼見過好多次——一個資深編輯，原本寫稿可以到 95 分。自從用 AI 之後，交稿質量反而向 70 分靠。因為 AI 嘅「穩定 70 分」會反向馴化你嘅判斷力：你用耐咗，不自覺咁降低自己嘅標準，覺得 70 分都仲得。
呢個係最可怕嘅地方：AI 唔係將你變更強，係將你變得同佢一樣平庸。
所以：你做到 90 分以上嘅事，唔好掂 AI。畀 AI 去做你做唔到 70 分嘅事。
呢件事同我上一篇（《提示詞唔好再追 95 分啦》）講嘅「85 分穩定 > 95 分偶爾」有個有意思嘅對照——
對 AI 嘅期待：穩定 85 分就夠（唔好追 95 分嘅偶爾驚豔） 對自己嘅期待：你應該做到 95 分嘅地方，唔好畀 AI 將你拉返 70 分
AI 嘅穩定在於佢，你嘅天花板在於你。兩條線唔好交叉。
不碰 #3 · 極度敏感 + 決策成本極高嘅場景
原話——
第三係極度敏感、決策成本極高嘅場景，例如醫療診斷、法律結論，容錯率太低，目前仲唔適合完全依靠 AI。
典型清單：
共同點：容錯率極低 + 決策一旦發生不可逆轉。
呢啲地方唔係唔可以用 AI 輔助——可以畀佢幫你做 research、列 pros and cons、起草初稿。但最後嗰一下拍板一定要人嚟。
我嘅規矩係：
AI 可以做到 99 步。第 100 步嘅拍板，一定要我親自嚟。
因為前 99 步就算錯咗都改到，第 100 步錯咗改唔番。
三條唔掂總覽：
04. 第三把尺 · 優先級槓桿
第一把尺話畀你知「幾時應該封裝」。
第二把尺話畀你知「邊啲絕對唔好掂」。
第三把尺話畀你知——剩低呢啲「可以用 AI」嘅事，先做邊個。
原話——
優先揀嗰啲「由 60 分快速提升到 80 分」嘅工作——投入相同時間，帶嚟嘅回報最大。
解讀：
中段（60-80 分嘅事）槓桿最大。唔係最低分嘅事（太大坑你救唔番），亦都唔係最高分嘅事（AI 拉低你）。
呢個亦都係我唔做冇價值嘅事嘅底層邏輯——
我要做嘅係能產生價值嘅，能令價值流轉嘅——如果冇價值，就唔做。
喺有限時間下，將最大槓桿留畀最值得做嘅事。
05. 我嘅判斷三問
三把尺合埋一齊，就係我嘅判斷框架。遇到一件新任務，我問自己三個問題：
┌─ Q1 · 我重複做過 3 次以上嗎？
│ 否 → 先做一次再說
│ 是 → 進入 Q2
│
├─ Q2 · 這件事是三條"不碰"之一嗎？
│ 是 → 不碰
│ 否 → 進入 Q3
│
└─ Q3 · AI 槓桿是 +20 分以上嗎？
是 → 立刻封裝成 skill
否 → 放着，等槓桿大的再做
三個問號全部過 → 值得花時間 AI 化。
任何一個卡住 → 放低，唔好搞。
呢套問法我用咗一年幾。冇失手過。
06. 數據幻覺警告 · 唔好以為咩都係 AI 做
講到呢度一定要插一句警告。
呢兩年「AI 自動化」成咗流量密碼——朋友圈、短視頻、小紅書上面滿係「我用 AI 做到咗 XX」嘅帖子。
入面一大部分係假嘅。
有一個我一直記得嘅例子——
我曾經見到一個所謂嘅模型產品，好相信佢係「自動化處理、自動分配任務嘅系統」。結果後來發現，幕後係一班人喺現場手動回覆。
業內叫呢種「AI 數據幻覺」——令你以為你見到嘅係 AI，其實背後係人在操作。
點解要講呢個？
因為呢個會影響你判斷「得唔得 AI」——你見到人哋「AI 做成了」，以為自己都得。結果照搬之後發現完全唔係嗰回事，開始懷疑係咪自己 prompt 寫錯咗。
唔係你嘅錯。係對方根本冇用 AI。
識別套路：
如果一個產品號稱「AI 全自動」，但定價偏低（比 API 成本仲平）→ 大概率有人喺背後 如果一個案例只畀你睇結果唔畀你睇過程 → 有可能結果係人做嘅 如果一個「AI 工具」喺某個時段特別慢（例如北京時間凌晨快，日頭慢）→ 大概率係人工值班
你判斷「得唔得 AI」嘅參考系，一定要係真正嘅 AI 產品，唔係「睇落似 AI 嘅人工產品」。
07. AI 嘅 70 分天花板
返去唔掂 #2 嗰條——AI 默認 70 分輸出。
呢件事值得單獨展開講。唔係我危言聳聽。
你用 AI 用耐咗會發現一個規律：
唔理你點樣調 prompt，同一個模型處理同一類任務，輸出質量有一個天然上限。
寫文案：穩定喺「通順+標準」呢個檔位 做分析：穩定喺「覆蓋全面但缺洞見」呢個檔位 畀建議：穩定喺「合情合理但唔驚豔」呢個檔位
呢個就係 70 分嘅位置。
點解 AI 永遠到唔到 95 分？
因為 95 分靠嘅係跳躍性突破。跳躍性突破嘅來源，原話——
AI 用大模型邏輯訓練出嚟嘅，往往係穩定嘅 70 分輸出。但喺呢種思考框架內，好難有突然嘅跳躍性突破。而現實中，嗰啲貫穿性嘅邏輯、跨工作場景嘅新需求發現，往往嚟自意外驚喜。
意外驚喜係 AI 最缺嘅嘢。
你喺一個行業做咗十年，突然有一日你見到一個完全冇關嘅嘢，將佢嫁接到自己領域度——呢個跳躍，AI 做唔出嚟。因為佢被訓練成「穩定而合理」，而跳躍本質係唔合理的。
所以——AI 負責 70 分以下嘅「標準水平」，你負責 70 分以上嘅「跳躍」。
兩條線永遠唔好交叉。
08. 精準介入 · 唔係全盤託付
三把尺講完咗。總結成一句話——
真正聰明嘅用 AI 方式，唔係全盤託付，而係精準介入——喺最應該發力嘅地方，令工具放大你嘅能力。
全盤託付嘅人會犯兩種錯：
將唔應該 AI 嘅事交俾 AI（踩三條唔掂） 將已經到頂嘅事交俾 AI（降到 70 分）
完全唔掂 AI 嘅人會犯另一種錯：
應該封裝嘅重複勞動唔封裝（將自己累死） 應該放槓桿嘅中段任務放棄（錯過 60→80 嘅跳級）
精準介入意味著：
┌─ AI 做 ───────────────────┐
│ · 重複 3 次以上的事 │
│ · 你原本 40-70 分的事 │
│ · 60→80 分槓桿大的事 │
│ · 初稿 / 篩選 / 打標 / 轉寫 │
└────────────────────────────┘
┌─ 你做 ───────────────────┐
│ · 情感 / 故事 / 體驗判斷 │
│ · 你原本 90+ 分的事 │
│ · 容錯率極低的拍板 │
│ · 跨領域的跳躍性洞見 │
└────────────────────────────┘
┌─ 一起做 ─────────────────┐
│ · AI 打草稿 · 你修 · 你拍板 │
│ · 常見郵件 · 項目報告 │
│ · 會議紀要 · 研究綜述 │
└────────────────────────────┘
三個圈，清清楚楚。
你做決策前先問自己：「呢件事應該落喺邊個圈？"
09. 每一步都係創造
寫到呢度諗起我一直講嘅一句話——
每一步都係創造。
呢句話放喺「唔掂 AI」呢件事上特別貼切。
你每一次決定「呢件事我自己做」，你都在話畀自己知：我喺呢件事上係無可替代嘅。
你寫一篇屋企人生日祝福 → 你在創造關係 你畀核心客戶手寫長郵件 → 你在創造信任 你親自拍板一個關鍵決策 → 你在創造責任 你為一個你已經做到 95 分嘅事再跑一輪 → 你在創造壁壘
AI 可以幫你做 70 分嘅事，但你嘅獨特性全喺嗰 30 分裏。
將 30 分交俾 AI，你就將自己嘅獨特性都交咗出去。
10. 一句話鐵律
AI 令我哋可以做更多事。但「能做」永遠唔等於「應該做」。
呢兩年我最深嘅感受係——
真正好用嘅工具，唔需要複雜嘅界面，可能就係一個對話窗口。
但呢個對話窗口背後——
邊啲事問佢 邊啲事唔問佢 問之前先問自己咩
這先至係真係用緊 AI。
唔明呢三件事嘅人，俾佢再強嘅模型、再大嘅上下文、再完美嘅 prompt，都不過係喺更多地方踩更大嘅坑。
明呢三件事嘅人，即使得一個最基本嘅模型，都可以將佢用到出 10 倍價值。
所以下次遇到「呢個得唔得 AI」嘅問題——
先過三把尺：
重複 3 次以上咗未？ 係三條「唔掂」之一嗎？ 槓桿係 60→80 呢種嗎？
三把尺同時過關 → 值得花時間封裝。
任何一把卡住 → 放低佢，去做你 AI 做唔到嘅事。
嗰個先係你嘅核心價值所在。
byebye~
不是所有事都要交給 AI · 我自己定的三條"不碰"
致讀者： 本篇文章 4200+ 字，預計閲讀時間 15min。"能做"不等於"該做"——這是我搭了大幾十套 AI 流水線之後最想說的一句。如果你正在考慮"這個事能不能 AI"，建議讀完。
01. 大多數人問錯了問題
朋友找我問的第一句話，永遠是——
鱸魚，這個事能不能用 AI 自動化？
我的答案最近幾乎都是一樣的——
能。但你應該先問：該不該。
自動化不等於進步。錯的事自動化，只是把錯誤放大 100 倍。
這兩年我幫人搭了大幾十套 AI 流水線，反而越來越清楚一件事：有些事必須人工，不是我不想自動化，是不能。
今天這篇，我想講清楚我用來判斷"該不該"的三把尺子。
02. 第一把尺子 · 重複 3 次 = 封裝閾值
先說最簡單的一把尺子——
重複三次以上的操作，就值得封裝成一個 skill 或工作流。
這句話聽起來像廢話。但它背後有一個閾值——不是五次、十次，是三次。
為什麼是 3？
第一次做，你沒意識到這件事會反覆。第二次做，你開始覺得"好像做過"。第三次做的時候，你心裏應該自動彈一句：這能不能封裝？
這是我自己的習慣。用我原話講——
我 80% 的判斷依據，一定大於 50% 的經驗權重。
當我做一項工作，某個複雜操作我重複了三次，我就會習慣性想：能不能把它封裝成一個獨立的模塊？
不是等到它變得繁瑣才去優化，而是從第一次執行時，就要有意識地想：這件事能不能讓 AI 接下去做？
越早沉澱，越早解放自己。
這是第一把尺子最清晰的部分：當你看到自己第三次做同一件事 → 停下來，想封裝。
但光有這把尺子還不夠，因為——
不是所有"重複的事"都該封裝。
這就引出了第二把尺子。
03. 第二把尺子 · 三條"不碰"
這是今天的主戲。
有些事就算你重複了 30 次，也絕對不該交給 AI。
我自己把這些事歸成了三類——
不碰 #1 · 涉及情感、故事和真實體驗的節點
原話——
一是涉及情感、故事和真實體驗的節點。比如你是一線操盤手，很多判斷來自現場的直覺和細微感受，這些是 AI 模擬不了的。
具體場景是什麼？
你做內容，某一篇稿子的"味道"只有你能聞出來——哪句話讀起來彆扭，哪段節奏有問題 你做產品，用戶在羣裏一句話抱怨，你能立刻判斷背後是真問題還是情緒發泄 你做諮詢，和客戶聊一小時，你能感覺到"他嘴上說預算，其實心裏糾結的是面子" 你做家人朋友的關係維護，對方一個眼神、一句語氣詞——你的直覺是最準的
這類判斷的本質是：信號在字面之下。AI 只能讀到字面。它永遠讀不到"字面之下"。
不是 AI 笨。是因為"字面之下"的信號，只有你和那個具體的人/場共同在場時才會產生。AI 不在場。
一線操盤手的價值就在這裏。把這件事交給 AI，你丟掉的不是效率，是核心競爭力。
不碰 #2 · 你已經做到 95 分的事
這條是反常識的。
原話——
二是你已經做到 95 分的事情，交給 AI 反而可能降到 60 分。這時候不是技術不行，而是你本身的經驗無法被輕易替代。
講清楚為什麼：
AI 輸出的默認水平是什麼？用我的話說——
AI 用大模型邏輯訓練出的，往往是穩定的 70 分輸出。但在這種思考框架內，很難有突然的跳躍性突破。
AI 的天花板是 70 分。你用它的目的，是把原本 40 分的事抬到 70 分。
但如果你自己能做到 95 分，交給 AI 等於從 95 分跳水到 70 分。
這件事我親眼見過無數次——一個資深編輯，原本寫稿能到 95 分。自從用 AI 之後，交稿質量反而往 70 分靠。因為 AI 的"穩定 70 分"會反向馴化你的判斷力：你用久了，不自覺地降低自己的標準，覺得 70 分也還行。
這是最可怕的地方：AI 不是把你變更強，是把你變得跟它一樣平庸。
所以：你做到 90 分以上的事，別碰 AI。讓 AI 去做你做不到 70 分的事。
這件事和我上一篇（《提示詞別再追 95 分了》）講的"85 分穩定 > 95 分偶爾"有個有意思的對照——
對 AI 的期待：穩定 85 分就夠（別追 95 分的偶爾驚豔） 對自己的期待：你該做到 95 分的地方，別讓 AI 把你拉回 70 分
AI 的穩定在它，你的天花板在你。兩條線不要交叉。
不碰 #3 · 極度敏感 + 決策成本極高的場景
原話——
三是極度敏感、決策成本極高的場景，比如醫療診斷、法律結論，容錯率太低，目前還不適合完全依賴 AI。
典型清單：
共同點：容錯率極低 + 決策一旦發生不可逆。
這些地方不是不能用 AI 輔助——可以讓它幫你做 research、列 pros and cons、起草初稿。但最後那一下拍板必須人來。
我的規矩是：
AI 可以做到 99 步。第 100 步的拍板，必須我親自來。
因為前 99 步就算錯了還能改，第 100 步錯了改不回來。
三條不碰總覽：
04. 第三把尺子 · 優先級槓桿
第一把尺子告訴你"何時該封裝"。
第二把尺子告訴你"哪些絕對別碰"。
第三把尺子告訴你——剩下這些'可以 AI'的事，先做哪個。
原話——
優先選那些"從 60 分快速提升到 80 分"的工作——投入相同時間，帶來的回報最大。
解讀：
中段（60-80 分的事）槓桿最大。不是最低分的事（太大坑你救不回來），也不是最高分的事（AI 拉低你）。
這也是我不做沒價值的事的底層邏輯——
我要做的是能產生價值的，能讓價值流轉的——如果沒價值，就不做。
在有限時間下，把最大槓桿留給最值得做的事。
05. 我的判斷三問
三把尺子合起來，就是我的判斷框架。遇到一件新任務，我問自己三個問題：
┌─ Q1 · 我重複做過 3 次以上嗎？
│ 否 → 先做一次再說
│ 是 → 進入 Q2
│
├─ Q2 · 這件事是三條"不碰"之一嗎？
│ 是 → 不碰
│ 否 → 進入 Q3
│
└─ Q3 · AI 槓桿是 +20 分以上嗎？
是 → 立刻封裝成 skill
否 → 放着，等槓桿大的再做
三個問號全部過 → 值得花時間 AI 化。
任何一個卡住 → 放下，別折騰。
這套問法我用了一年多。沒失手過。
06. 數據幻覺警告 · 別以為什麼都是 AI 做的
講到這裏必須插一句警告。
這兩年"AI 自動化"成了流量密碼——朋友圈、短視頻、小紅書上滿是"我用 AI 做到了 XX"的帖子。
裏面一大部分是假的。
有一個我一直記得的例子——
我曾經看到一個所謂的模型產品，非常堅信它是"自動化處理、自動分配任務的系統"。結果後來發現，幕後是一羣人在現場手動回覆。
業內叫這種"AI 數據幻覺"——讓你以為你看到的是 AI，其實背後是人在操作。
為什麼要講這個？
因為這會影響你判斷"能不能 AI"——你看到別人"AI 做成了"，以為自己也能。結果照搬之後發現完全不是那回事，開始懷疑是不是自己 prompt 寫錯了。
不是你的錯。是對方根本沒用 AI。
識別套路：
如果一個產品號稱 "AI 全自動"，但定價偏低（比 API 成本還便宜）→ 大概率有人在背後 如果一個案例只給你看結果不給你看過程 → 有可能結果是人做的 如果一個"AI 工具"在某個時段特別慢（比如北京時間凌晨快，白天慢）→ 大概率是人工值班
你判斷"能不能 AI"的參考系，必須是真正的 AI 產品，不是"看起來像 AI 的人工產品"。
07. AI 的 70 分天花板
回到不碰 #2 那條——AI 默認 70 分輸出。
這件事值得單獨展開講。不是我危言聳聽。
你用 AI 用久了會發現一個規律：
不管你怎麼調 prompt，同一個模型處理同一類任務，輸出質量有一個天然上限。
寫文案：穩定在"通順+標準"這個檔位 做分析：穩定在"覆蓋全面但缺洞見"這個檔位 給建議：穩定在"合情合理但不驚豔"這個檔位
這就是 70 分的位置。
為什麼 AI 永遠到不了 95 分？
因為 95 分靠的是跳躍性突破。跳躍性突破的來源，原話——
AI 用大模型邏輯訓練出的，往往是穩定的 70 分輸出。但在這種思考框架內，很難有突然的跳躍性突破。而現實中，那些貫穿性的邏輯、跨工作場景的新需求發現，往往來自意外驚喜。
意外驚喜是 AI 最缺的東西。
你在一個行業幹了十年，突然有一天你看到一個完全無關的東西，把它嫁接到自己領域裏——這個跳躍，AI 做不出來。因為它被訓練成"穩定而合理"，而跳躍本質是不合理的。
所以——AI 負責 70 分以下的"標準水平"，你負責 70 分以上的"跳躍"。
兩條線永遠不要交叉。
08. 精準介入 · 不是全盤託付
三把尺子講完了。總結成一句話——
真正聰明的用 AI 方式，不是全盤託付，而是精準介入——在最該發力的地方，讓工具放大你的能力。
全盤託付的人會犯兩種錯：
把不該 AI 的事交給 AI（踩三條不碰） 把已經到頂的事交給 AI（降到 70 分）
完全不碰 AI 的人會犯另一種錯：
該封裝的重複勞動不封裝（把自己累死） 該放槓桿的中段任務放棄（錯過 60→80 的跳級）
精準介入意味着：
┌─ AI 做 ───────────────────┐
│ · 重複 3 次以上的事 │
│ · 你原本 40-70 分的事 │
│ · 60→80 分槓桿大的事 │
│ · 初稿 / 篩選 / 打標 / 轉寫 │
└────────────────────────────┘
┌─ 你做 ───────────────────┐
│ · 情感 / 故事 / 體驗判斷 │
│ · 你原本 90+ 分的事 │
│ · 容錯率極低的拍板 │
│ · 跨領域的跳躍性洞見 │
└────────────────────────────┘
┌─ 一起做 ─────────────────┐
│ · AI 打草稿 · 你修 · 你拍板 │
│ · 常見郵件 · 項目報告 │
│ · 會議紀要 · 研究綜述 │
└────────────────────────────┘
三個圈，清清楚楚。
你做決策前先問自己："這件事應該落在哪個圈？"
09. 每一步都是創造
寫到這裏想起我一直說的一句話——
每一步都是創造。
這句話放在"不碰 AI"這件事上特別貼切。
你每一次決定"這件事我自己做"，你都在告訴自己：我在這件事上是不可替代的。
你寫一篇家人生日祝福 → 你在創造關係 你給核心客戶手寫長郵件 → 你在創造信任 你親自拍板一個關鍵決策 → 你在創造責任 你為一個你已經做到 95 分的事再跑一輪 → 你在創造壁壘
AI 可以幫你做 70 分的事，但你的獨特性全在那 30 分裏。
把 30 分交給 AI，你就把自己的獨特性也交出去了。
10. 一句話鐵律
AI 讓我們能做更多事。但"能做"永遠不等於"該做"。
這兩年我最深的感受是——
真正好用的工具，不需要複雜的界面，可能就是一個對話窗口。
但這個對話窗口背後——
哪些事問它 哪些事不問它 問之前先問自己什麼
這才是真的在用 AI。
不懂這三件事的人，給他再強的模型、再大的上下文、再完美的 prompt，也不過是在更多地方踩更大的坑。
懂這三件事的人，即使只有一個最基礎的模型，也能把它用出 10 倍價值。
所以下次遇到"這個能不能 AI"的問題——
先過三把尺子：
重複 3 次以上了嗎？ 是三條"不碰"之一嗎？ 槓桿是 60→80 這種嗎？
三把尺子同時過關 → 值得花時間封裝。
任何一把卡住 → 放下它，去做你 AI 做不了的事。
那才是你的核心價值所在。
byebye~