你僱了一個 AI 助手，還是多了一份管理工作？

概念插圖：視窗裡的回答越來越多，手裡的工作還需要有人完成。

TikTok 創作者 @thatlev 的一則貼文說明 很容易讓人笑出來。他原本只想讓另一個模型幫忙確認答案，結果幾個 AI 給出不同意見，自己花了一小時比較，手上的專案還是沒做完。

五個 AI 聊天視窗，一個沒完成的專案，又一個覺得「快做完了」的晚上。

如果你也曾把一個模型的回答複製給另一個，再把修改意見貼回去，可能會理解這種疲憊。每個助手都在認真回答，負責讓事情往前走的人，還是你。

把工作交出去，也需要做準備

另一邊，《紐約時報》發布的一支 Muse 實測影片 則從一個很日常的任務出發：記者讓 AI Agent 幫忙買午餐。

從幫忙確認答案，到代辦一頓午餐，大家期待的是把事情交出去，過一會兒收到結果。任務一旦涉及真實資料和實際操作，準備和檢查也跟著來了。

但從「它能做」到「我可以交給它」，中間還隔著不少人的工作。

你要找齊資料、解釋背景、比較答案、檢查結果，還要把產出搬回同事真正工作的地方。每一步單獨看都不複雜，加起來卻可能形成一份新的管理工作。

尤其當任務需要幾個系統的資訊時，人很容易成為它們之間的中轉站：複製會議紀錄，補上客戶資料，解釋上次做到了哪裡，最後把答案貼回群聊。

這和 @thatlev 遇到的情況有相似之處：工具越來越多，協調它們的工作仍然落在使用者身上。

「省時間」需要算完整

只看產生答案用了多久，很容易漏掉前後的工作。找資料、補背景、改格式、查來源、轉傳給同事，都要花時間。

衡量 AI 助手，可以看完成同一件事之後，人還需要做多少協調。

這包括任務開始之前的準備，也包括結果返回之後的處理。

比較同一項任務時，把前後的時間也算進去。圖中方框不表示實際時長比例。

一次輸出速度很快，值得高興。同一項工作做了幾次之後，需要補充的說明越來越少，結果越來越容易檢查，更值得把它留下來。

不過，多問一個模型有時確實有用。關鍵在於第二次詢問有沒有明確目的。讓它核對某個事實、檢查遺漏，通常比再問一遍「你覺得怎麼樣」更容易得到可用的結果。能直接測試的問題，也可以先測一下，免得把不同建議又變成一份需要自己處理的材料。

從一件總要重新解釋的工作開始

如果你每次都要介紹同一個專案，或每週重新寫一遍相似的要求，可以先從這裡試著省力。需要多個系統的資訊時，也值得看看，哪些查詢和整理可以交給助手。

Leina 把這些環節放在團隊日常聊天中：Memory 保留工作背景脈絡，Apps 連接已授權的資訊和操作，Skills 儲存反覆使用的方法。團隊可以圍繞一個具體任務逐步建立配合。

交代任務時，也可以少留幾個需要來回問的問題。把資料範圍、交付形式和完成條件一次說清楚：

根據本週的專案會議紀錄和任務清單，準備一份可以發給專案團隊的進展摘要。只列已完成事項、仍然卡關的事項和紀錄中已約定的下一步，附來源。缺少負責人或日期的標為待確認，不自行補全。先在這裡給我草稿。

這比讓幾個視窗各自「分析一下專案」更容易檢查：事項是否遺漏，狀態是否正確，下一步有沒有依據。檢查幾次後，再把固定要求儲存下來。

下一次，大家需要說明的內容更少，檢查也更集中。客戶和日期可以變化，已經確認有效的方法可以繼續使用。

有沒有幫助，也很容易觀察：這週是否少解釋了一遍背景，少複製了幾份資料，交回來的內容是否更接近你需要的樣子。

看看你的工作日有沒有輕鬆一點

如果想判斷一個 AI 助手是否適合自己，可以拿一項重複工作連續試幾次，紀錄準備、檢查、修改和交接分別用了多久。

不用做複雜的統計。連續三次記下兩個數就夠了：自己總共投入了多久，以及結果退回修改了幾次。盡量選範圍相近的任務，再看投入有沒有下降。AI 寫得更快，但自己要改得更多，就還需要調整用法。

當這些時間逐漸下降，你就有理由把更多同類工作交給它。若大部分時間仍在解釋和修正，也能更清楚地找到缺口：資料沒有接上，要求沒有明確，還是這項任務暫時不適合交出去。

@thatlev 的貼文說明裡有一句很有意思：那個問題，本來自己測試一下就能知道答案。結果一輪輪比較建議，反而佔掉了時間。

好的助手應該讓你更容易把事情做完。如果用了一段時間，你能更早關掉幾個視窗，手裡的工作也往前走了，這就已經是很實在的改善。

你可以建立一個 Leina，先交給它一項每週都要重複的工作。AI 隊友入門指南裡有晨間簡報、客戶跟進和週報的具體做法，選最接近你日常工作的一項試試。