AI 提效最大的误区，是把它当"聊天机器人"用——问一句答一句，省不了几分钟。真正的提效来自把 AI 嵌进工作流：周报有模板、邮件有语气、表格有公式、会议有纪要。下面四个场景，每个都给"原理+操作步骤"，照抄就能用。
场景一：周报/日报——从 1 小时压缩到 15 分钟#
原理：周报的本质是"信息重组"，不是"创作"。AI 擅长把零散记录整理成结构化文本，不擅长替你"想"出亮点。
- 每天随手记 3 条 bullet points（做了什么、花了多久、遇到什么问题），存在笔记里。
- 周五把一周的记录一次性贴给 AI，指令：“按’本周完成/数据亮点/风险与问题/下周计划’四部分，写 400 字周报，语气正式，数据保留原文数字。”
- 人工只做一件事：补上 AI 写不出的"判断"——哪个进展最重要、哪个风险要升级。判断是你的价值，别外包。
场景二：邮件/公文——语气一次到位#
原理：大模型是"语气模拟器"，你给的约束越具体，它模仿得越准。
- 先定三要素：收件人是谁（上级/客户/跨部门）、目的是什么（汇报/催办/致歉）、语气是什么（正式/委婉/坚定）。
- 指令模板：“写一封给客户的邮件，目的是催回款，语气坚定但留有余地，300 字以内，结尾给出明确的时间节点。”
- 发之前自己读一遍，重点检查：数字、日期、人名——AI 在这三类信息上最容易"自信地编造"。
场景三：表格/数据——公式和清洗外包给 AI#
原理：Excel 公式的语法是"精确记忆"活，AI 比人更适合查；数据清洗是"模式识别"活，AI 比人更快。
- 描述需求别背公式：“A 列是日期，B 列是销售额，帮我写个公式统计每个月的总和”——让 AI 写 VLOOKUP、SUMIFS、XLOOKUP。
- 把 AI 给的公式先在小范围数据上验证，确认结果对了再整列填充。
- 杂乱数据（比如从系统导出的 raw 表）直接贴给 AI：“把这张表整理成规范格式，日期统一为 YYYY-MM-DD，空值标为 N/A。”
场景四：会议——从"记不全"到"自动归档"#
原理见 AI 会议纪要工具的对比：转写流水线（VAD→说话人分离→ASR→纪要生成）已经成熟，人的工作只剩"复核"和"定责任"。
- 会前：把议程发给 AI，让它生成会议纪要模板（议题/结论/待办/责任人四栏）。
- 会中：用纪要工具录制，你只记"异常点"（争论、分歧、临时决定）。
- 会后：AI 纪要 + 你的异常点笔记 = 完整纪要，10 分钟发出。
场景五：学习/调研——快速摸透一个新领域#
原理：AI 是"知识压缩器"，能把一个领域的全貌快速铺开，但它给的是地图，不是领土——入门够用，深入还得自己走。
- 先让 AI 列"学习路线图"：“我想了解 XX 领域，给我一份从入门到进阶的学习路径，分 4 个阶段，每个阶段列 3 个关键概念。”
- 逐个概念追问：“用外行能懂的方式解释 XX，并举一个例子。“不懂就追问到底，AI 不会嫌你烦。
- 学完后让 AI 出题考你：“根据上面的内容，出 5 道检测理解的选择题。“答错的正是你的知识盲区。
- 最后一步最关键：找一手资料验证。AI 的讲解可能过时或简化，官方文档、经典书籍才是准绳。调研场景可以配合 Perplexity 这类 AI 搜索，先广度后深度。
提效的边界：三件事别交给 AI#
- 最终判断：AI 给选项，你做决定。让 AI 替你拍板，等于把责任也外包了。
- 对外承诺：发给客户的数字、 deadline，自己核对三遍。
- 敏感信息：薪资、人事、未公开的业务数据，别往公有 AI 里贴。原则是：能脱敏就脱敏，不能脱敏就别贴。公司内网能用本地部署的模型是最好的，Ollama 本地部署指南可以作为起点研究。
最后说句实话：AI 提效的上限，取决于你的工作本身有没有结构。工作流一团乱麻的人，用 AI 也只是更快地制造混乱。先理顺流程，再谈工具。