你雇了一个 AI 助手，还是多了一份管理工作？

概念插图：窗口里的回答越来越多，手里的工作还需要有人完成。

TikTok 创作者 @thatlev 的一条配文 很容易让人笑出来。他原本只想让另一个模型帮忙确认答案，结果几个 AI 给出不同意见，自己花了一小时比较，手上的项目还是没做完。

五个 AI 聊天窗口，一个没完成的项目，又一个觉得“快做完了”的晚上。

如果你也曾把一个模型的回答复制给另一个，再把修改意见贴回去，可能会理解这种疲惫。每个助手都在认真回答，负责让事情往前走的人，还是你。

把工作交出去，也需要做准备

另一边，《纽约时报》发布的一条 Muse 实测视频 则从一个很日常的任务出发：记者让 AI Agent 帮忙买午餐。

从帮忙确认答案，到代办一顿午餐，大家期待的是把事情交出去，过一会儿收到结果。任务一旦涉及真实资料和实际操作，准备和检查也跟着来了。

但从“它能做”到“我可以交给它”，中间还隔着不少人的工作。

你要找齐资料、解释背景、比较答案、检查结果，还要把产出搬回同事真正工作的地方。每一步单独看都不复杂，加起来却可能形成一份新的管理工作。

尤其当任务需要几个系统的信息时，人很容易成为它们之间的中转站：复制会议记录，补上客户资料，解释上次做到了哪里，最后把答案贴回群聊。

这和 @thatlev 遇到的情况有相似之处：工具越来越多，协调它们的工作仍然落在使用者身上。

“省时间”需要算完整

只看生成答案用了多久，很容易漏掉前后的工作。找资料、补背景、改格式、查来源、转发给同事，都要花时间。

衡量 AI 助手，可以看完成同一件事之后，人还需要做多少协调。

这包括任务开始之前的准备，也包括结果返回之后的处理。

比较同一项任务时，把前后的时间也算进去。图中方框不表示实际时长比例。

一次输出速度很快，值得高兴。同一项工作做了几次之后，需要补充的说明越来越少，结果越来越容易检查，更值得把它留下来。

不过，多问一个模型有时确实有用。关键在于第二次询问有没有明确目的。让它核对某个事实、检查遗漏，通常比再问一遍“你觉得怎么样”更容易得到可用的结果。能直接测试的问题，也可以先测一下，免得把不同建议又变成一份需要自己处理的材料。

从一件总要重新解释的工作开始

如果你每次都要介绍同一个项目，或每周重新写一遍相似的要求，可以先从这里试着省力。需要多个系统的信息时，也值得看看，哪些查找和整理可以交给助手。

Leina 把这些环节放在团队日常聊天中：Memory 保留工作上下文，Apps 连接已授权的信息和操作，Skills 保存反复使用的方法。团队可以围绕一个具体任务逐步建立配合。

交代任务时，也可以少留几个需要来回问的问题。把资料范围、交付形式和完成条件一次说清楚：

根据本周的项目会议记录和任务清单，准备一份可以发给项目组的进展摘要。只列已完成事项、仍在阻塞的事项和记录中已约定的下一步，附来源。缺少负责人或日期的标为待确认，不自行补全。先在这里给我草稿。

这比让几个窗口各自“分析一下项目”更容易检查：事项是否遗漏，状态是否正确，下一步有没有依据。检查几次后，再把固定要求保存下来。

下一次，大家需要说明的内容更少，检查也更集中。客户和日期可以变化，已经确认有效的方法可以继续使用。

有没有帮助，也很容易观察：这周是否少解释了一遍背景，少复制了几份资料，交回来的内容是否更接近你需要的样子。

看看你的工作日有没有轻松一点

如果想判断一个 AI 助手是否适合自己，可以拿一项重复工作连续试几次，记录准备、检查、返工和交接分别用了多久。

不用做复杂的统计。连续三次记下两个数就够了：自己总共投入了多久，以及结果退回修改了几次。尽量选范围相近的任务，再看投入有没有下降。AI 写得更快，但自己要改得更多，就还需要调整用法。

当这些时间逐渐下降，你就有理由把更多同类工作交给它。若大部分时间仍在解释和修正，也能更清楚地找到缺口：资料没有接上，要求没有明确，还是这项任务暂时不适合交出去。

@thatlev 的配文里有一句很有意思：那个问题，本来自己测试一下就能知道答案。结果一轮轮比较建议，反而占掉了时间。

好的助手应该让你更容易把事情做完。如果用了一段时间，你能更早关掉几个窗口，手里的工作也往前走了，这就已经是很实在的改善。

你可以创建一个 Leina，先交给它一项每周都要重复的工作。AI 队友入门指南里有晨间简报、客户跟进和周报的具体做法，选最接近你日常工作的一项试试。