别让 AI 直接交卷：传统工作者的可靠办公方法

AI 热潮最容易制造两种错觉：一种是“以后什么都可以交给 AI”，另一种是“AI 经常胡说，所以根本不能用于正式工作”。

这两种判断都太绝对。

对大多数行政、财务、采购、运营、工程、编辑等传统岗位来说，AI 更适合做一个速度很快、知识面很广，但需要复核的助手。它可以帮我们整理思路、生成规则、补齐检查项和编写小工具，却不应该在缺少约束的情况下直接替我们交付最终结果。

真正可靠的用法，不是要求 AI 永远不犯错，而是设计一套流程，让它即使犯错也容易被发现，不会直接进入最终结果。

先认识 AI 的工作方式

传统软件通常按照明确规则运行。Excel 公式写成 =SUM(A1:A10)，只要输入没有变化，输出就应该一致。

生成式 AI 不同。它擅长根据上下文给出“最可能成立”的答案，但“看起来合理”不等于“事实正确”。当资料不足、问题含糊或上下文过长时，它可能主动补齐缺失信息，甚至生成不存在的政策、数据和引用。这就是常说的 AI “幻觉”。

因此，不能把 AI 当成计算器、数据库或最终审批人。更合适的定位是：

AI 负责理解自然语言、整理复杂信息、起草规则和发现遗漏；
Excel、数据库、脚本等确定性工具负责执行已经确认的规则；
人负责确定目标、判断边界，并对关键结果验收。

这三个角色分开以后，AI 才能真正进入日常办公，而不是停留在聊天和演示阶段。

不要让 AI 直接做表，先让它写规则

以 Excel 为例。假设我们需要整理一份订单表，完成金额汇总、异常订单识别和部门统计。

最直接的做法，是把原始数据交给 AI，然后说：“帮我生成一份整理好的 Excel。”这种方式看起来省事，风险却不小：

AI 可能误解字段含义；
空值、退款和重复订单可能被错误处理；
公式引用范围可能不完整；
生成后的表格很难解释每个结果是怎么来的；
下个月数据结构变化后，整套结果可能无法复用。

更可靠的做法，是先让 AI 输出一份“操作规则”，再按照规则处理表格。

例如，可以这样提问：

我有一份订单表，字段包括订单号、客户名称、部门、下单日期、订单金额、退款金额和订单状态。

请先不要生成最终表格，而是为我编写一份 Excel 数据处理规则，要求：
1. 定义每个字段的数据类型和允许的空值；
2. 说明重复订单、取消订单和部分退款如何处理；
3. 给出实收金额、部门汇总和异常标记的计算规则；
4. 列出需要人工确认的情况；
5. 为每条规则提供可用于抽查的测试样例；
6. 不确定的地方单独列出，不要自行假设。

AI 给出的规则不能直接采用，但它会把原本模糊的任务拆成可以讨论的问题。我们可以和业务人员确认：取消订单是否计入订单数、退款按发生日期还是下单日期统计、空部门应该归入“未知”还是退回补录。

规则确认后，再使用 Excel 公式、Power Query、数据透视表或脚本执行。这样做有几个好处：

规则可以被人阅读和审核；
执行过程可以重复，不必每次重新提问；
出现错误时，可以定位是原始数据、业务规则还是公式实现的问题；
数据量增加后，仍然可以沿用同一套流程；
AI 的作用从“猜结果”变成了“协助设计流程”。

这也是传统工作者使用 AI 时最重要的思路：让 AI 处理不确定性，让确定性工具处理结果。

用四层流程控制可靠性

一项适合长期使用的 AI 办公流程，可以拆成四层。

第一层：输入层

先确定 AI 能看到什么资料。

如果任务涉及制度、合同、报价或技术文档，应尽量提供原文，而不是只凭一句话描述。资料需要标明版本和日期，过期文件不要和现行文件混在一起。

同时，要区分公开信息、内部信息和敏感信息。客户个人信息、未公开财务数据、账号密钥等内容，不应随意上传到未经公司批准的 AI 服务中。

第二层：规则层

要求 AI 先说明处理规则，而不是直接给答案。

规则层至少应该包含：字段定义、判断条件、计算方式、异常处理、输出格式和待确认事项。如果 AI 无法说明依据，就不应该让它继续批量处理。

对于文字工作，也可以先定义规则。例如写一份项目周报，可以先确定固定结构：本周完成事项、数据变化、风险、下周计划和需要协调的问题。AI 负责把零散记录归类，而不是自行编造“成果”。

第三层：执行层

执行层尽量交给确定性工具。

数值计算使用 Excel 公式、数据库查询或脚本；
格式转换使用模板和批处理工具；
文档生成使用固定字段和固定结构；
重复操作使用宏、Power Query 或自动化流程。

AI 可以帮助编写公式和脚本，但执行前要先用少量样本测试。涉及覆盖文件、发送邮件、更新系统数据等操作时，应保留人工确认步骤。

第四层：验收层

验收不能只问 AI：“你确定吗？”

AI 很可能换一种语气再次确认原来的错误。有效的验收应该使用独立方法，例如：

随机抽取 5 至 10 条记录手工复算；
用总额、数量和分类占比做交叉核对；
将结果与上期数据比较，检查异常波动；
使用另一条公式或另一份数据源验证关键数字；
要求每个结论标明来源文件、页码、表格或单元格；
对无法验证的内容标记为“待确认”，而不是强行补全。

工程上很少依赖“某个零件永不失效”，而是通过冗余、检测和保护机制控制风险。AI 办公也应该采用相同思路。

幻觉最常出现在哪里

AI 幻觉并不总是荒谬得一眼就能看出来。最危险的情况，往往是答案大部分正确，只在关键位置悄悄出错。

编造事实和来源

AI 可能生成不存在的文件、政策条款、新闻或参考文献。处理事实性内容时，应要求它只使用提供的材料，并标明具体出处。没有出处的内容只能作为线索，不能作为结论。

混淆相似概念

例如“订单金额”和“实收金额”、“创建时间”和“完成时间”、“含税价”和“不含税价”，看起来相近，业务含义却完全不同。输入资料中必须给出字段定义，不能让 AI 仅凭名称猜测。

在缺少信息时自行补全

很多人希望 AI 回答得完整，于是它会倾向于把空白补上。更好的要求是：允许它回答“不知道”，并把事实、推测和建议分开输出。

计算过程看似正确

AI 可以解释公式，但不适合承担大量精确计算。尤其是财务汇总、日期区间、税率和多条件统计，应把计算落到 Excel、数据库或程序中，再让 AI解释结果和检查异常。

忽略规则版本

制度、价格、组织架构和产品参数都会变化。只问“公司报销标准是什么”不够，还要明确适用地区、人员范围和生效日期。对于重要结论，应记录所依据文件的版本。

几类岗位可以怎么用

行政与人力

让 AI 根据固定模板整理会议记录、归纳候选人经历、检查通知是否遗漏时间地点和联系人。涉及录用决定、绩效评价和员工隐私时，必须由人负责判断并控制数据范围。

财务与采购

让 AI 设计对账规则、发票检查项和供应商比较表结构，再由 Excel 或系统计算金额。AI 可以提示可能的异常，但不能在没有凭证的情况下认定某笔费用有问题。

编辑与运营

让 AI 生成提纲、改写不通顺的句子、统一术语和检查结构。文章中的数据、案例、人物和引用需要回到原始资料核实。AI 适合做编辑，不适合冒充采访对象。

工程与技术支持

让 AI 帮助整理故障现象、生成测试用例、解释日志和编写小脚本。执行脚本前应检查权限、路径和修改范围，并在测试环境中验证。AI 给出的命令越“方便”，越要确认它会改动什么。

一份可直接使用的提问模板

比起追求所谓“万能提示词”，更重要的是把任务约束写清楚。下面这份模板适合大多数办公场景：

任务目标：说明最终要解决什么问题。
输入资料：列出允许使用的文件、数据范围和版本。
处理规则：说明字段含义、判断条件、计算方式和禁止事项。
输出格式：规定表格列、文档结构、字数或文件格式。
不确定性：无法从资料确认时标记为“待确认”，不要自行补全。
验证要求：列出检查方法、测试样例和需要人工复核的关键项。
执行限制：未经确认，不发送、不删除、不覆盖、不写入正式系统。

这个模板的价值不在于让 AI “更聪明”，而在于减少双方对任务的不同理解。

判断一个 AI 流程是否值得使用

上线一个 AI 办公流程前，可以问自己几个问题：

原始资料是否明确，版本是否可追溯？
业务规则是否已经写出来并经过确认？
AI 输出错误时，能否在进入最终结果前被发现？
关键数字能否由公式、系统或人工独立验证？
处理过程是否保留记录，方便复盘？
涉及敏感数据和外部操作时，是否有人审批？
即使暂时不用 AI，这套规则是否仍然能够执行？

最后一个问题很重要。如果离开 AI，整个流程就完全无法解释和运行，那么它大概率还不够可靠。

结语

AI 不会让传统岗位一夜之间消失，但会逐渐改变工作的分工方式。过去我们花大量时间整理资料、重复录入和检查格式；以后这些工作可以更多交给工具，人则把精力放在目标、规则、例外和责任上。

使用 AI 的关键，不是把所有工作都交给它，也不是因为它会犯错就拒绝它。更实际的做法，是把任务拆开：让 AI 起草规则和处理模糊信息，让软件执行确定步骤，让人验证关键结果。

不要只问“AI 的答案对不对”，而要问：“我的流程能不能在它答错时及时发现？”

当这个问题有了明确答案，AI 才从一个新鲜玩具，变成真正可靠的办公工具。