把什么交给 AI，把什么留给自己

整理自 2025 年 11 月 4 日与 Claude 的讨论。这里保留的是当时的问题和推理过程，包括尚未得到答案的部分。

我想找一个比较具体的方式，判断什么事情可以交给 AI，什么事情应该自己做。

最初的出发点很简单：如果判断一件事的重要性有两个维度，各自可以二分，那么就能画一个 2 × 2 的矩阵。现在加入第三个维度，会怎样？

我选的三个维度是：简单／复杂、已知／未知、次要／重要。

这个问题表面上是优先级排序，实际关心的是分工。AI 可以帮研究者整理材料、帮程序员写代码、帮写作者组织文字；但如果效率提高的同时，自己越来越少参与关键判断，那么这种效率到底提高了什么？

三个维度，要分开的其实是三种问题

简单和复杂，问的是任务包含多少需要相互协调的因素。已知和未知，问的是解决路径是否已经明确。次要和重要，问的是它对当前目标的影响。

这三件事并不相同。复杂的工作可能只是步骤很多，但路径明确；一个看起来很小的选择，也可能影响整个项目的方向。

对话里，Claude 给出了一个方便记忆的编码：把复杂、未知、重要各记作 1，另一侧记作 0，再用 2^(三项之和) 表示组合。于是八种组合落在 1、2、4、8 四个档位。

当时我把最后一类理解为需要留给自己的工作：一方面保护自己思考的空间，另一方面让 AI 真正把精力释放到值得投入的地方。

不过，这个数字只是编码，不是经过验证的优先级模型。它没有证明复杂任务比简单任务更该先做，也没有证明三个维度应该等权。一个简单、已知但后果严重的任务，依然可能需要非常严格的检查。把它交给 AI 执行，不等于可以降低对结果的要求。

因此，我更愿意把这个矩阵看作一个提问工具：这件事困难在哪里？我已经知道什么？哪一个判断会影响最终结果？

在研究、编程和写作里，分工落在哪里

讨论首先落到了创造者经常做的三类工作。

研究中，整理文献、提取材料、处理格式，与选择研究问题、提出解释，是不同层次的工作。AI 可以参与其中的每一步，但我需要知道：一个问题为什么值得研究，某份材料到底支持哪一步推理，有哪些结果会让我改变原来的判断。否则，即使材料越来越多，研究仍然可能没有向前推进。

编程中，实现一个明确的功能，与决定产品要解决什么问题、系统如何划分边界，也不是一回事。让 AI 写出代码之后，仍然需要有人理解它如何接入整个系统，失败时会影响哪里，哪些约束不能被一段“能运行”的实现掩盖。

写作中，AI 可以提供结构、整理重复表达、尝试不同的展开方式。但文章究竟想说什么，哪些内容是自己的观察，哪些只是听起来有道理的延伸，不能因为句子流畅就不再区分。对于一篇署自己名字的文章，这个判断尤其重要。

这些例子并不是一张固定的“人类做什么、AI 做什么”的职业清单。同一个任务，换一个人、一个项目阶段，已知程度和重要性都会变化。对熟练开发者而言只是常规实现的东西，对正在学习的人而言，可能恰恰是需要理解的基础。

我真正想保留的，是自己对关键问题的参与，而不是某种特定操作必须亲手完成的仪式。

从 Vibe Coding 追问到品味

接下来，我问 Claude：用这个框架看 Vibe Coding，AI 最擅长的是什么？人需要自己做的是什么？

这个问题很容易被回答成“AI 写代码，人类负责创意”。但这样的分法仍然太粗。一个界面的实现里既有重复劳动，也有判断；一份产品构想里既有自己的偏好，也可能只是对熟悉模式的复述。

更有意思的追问是：为什么有些产品能形成一致的感觉？为什么看到一个局部，就会觉得“这是它”？讨论中，我以 Apple 为例继续追问，但我关心的并不是复制某个圆角、配色或者动画参数。

如果只收集表面的风格，最后很容易做成一个熟悉元素的集合。真正需要解释的是：为什么在这里保留这个功能，在那里删掉另一个功能；为什么这个步骤值得打断用户，另一个步骤应该安静地发生；为什么局部看起来不错的设计，放进整体却不成立。

我把这些取舍也放进“复杂、未知、重要”的那一格。它们需要反复判断，并且最终要服务于同一个产品意图。实现成本下降之后，决定做什么、如何组织、何时停下来的问题，并不会自动消失。

对话里，Claude 把这些问题说成了“AI 永远无法拥有品味”。这比我需要的结论走得更远。无须证明 AI 永远做不到某件事，也能提出一个实际要求：使用 AI 的人仍然需要对自己接受的方案负责。

至于要不要专门设置“无 AI 时段”，当时的讨论并没有真正解决。我随后在 11 月 6 日的笔记里重新审视了这个问题。

另一个方向：AI 能做更多，人们就需要更多吗

同一天的另一段讨论，从人机分工转向了 AI 产品。

我的观察是，不同人的 AI 使用方式差别很大：有人已经在搭建 Agent 和工作流，有人主要通过对话框问问题、辅助工作，也有人只是偶尔试一下生成图片。企业也有类似差异，有的开始把 AI 放进实际流程，有的仍停留在培训和口号。

当时我随口估计了一些比例，但没有调查依据。真正值得讨论的是这种使用深度上的差异，以及它意味着什么产品机会。

我想到的标准是：好的产品要把小众技术变成普通人能自然使用的东西，妈妈也要能用。

导航、短视频、网购、打车，是我拿来比较的四个例子。它们背后的系统都很复杂，但普通用户不需要先学会这些系统，才能获得结果。

我的理解是，这些互联网产品拓展了人的 proximity，也就是可及范围：过去主要记附近的路、逛附近的商店、看周围发生的事情、等经过面前的车；后来，能接触到的资源变多了，也不需要自己处理所有信息。

这当然不是对互联网的完整定义，而是我用来继续提问的一个角度：如果互联网拉近了 proximity，那么 AI 核心拓展的是什么？

Claude 提出 capability，能力边界。我认同这能描述 AI 的一部分变化，但接着遇到了一个问题：

人们都贪婪地享受拥有更多信息，但人们是否真的需要更多能力？

对于喜欢做东西的人，“以前不会写程序，现在可以做出一个工具”非常有吸引力。但不能因此推断所有人都想成为创作者、创业者，或者拥有一个随时待命的专家团队。

大多数人的生活仍然围绕工作、生活必需、玩和家庭事务展开。更强的能力，只有进入这些生活内容，才可能变成一个具体需求。

代劳、超级个体，都还没有回答我的问题

Claude 随后把答案改成“人们需要结果，而不是能力本身”，又提出个人助理、自动处理琐事，以及一个人能够完成过去需要组织完成的工作。

这些方向有些意思，但我仍然不满意。它们或者是在已有任务上提高效率，或者又回到了“人会想做更多事情”的假设。

我想问的不是 AI 能让少数积极使用工具的人做到什么，而是：一个什么样的 AI 产品，以什么形态，能改变普通人的日常生活？

讨论里也出现了耳机、眼镜、主动提醒和后台执行等想象。但一种设备可以做很多事，并不等于人们会愿意一直戴着它；“替我决定”也不自动等于“更方便”。这些在当时都只是候选方向，没有哪个答案让我觉得已经足够精彩。

不过，从四个互联网产品的比较中，我抓住了另一个线索：它们改变了习惯。

最初我想，也许是因为原来的习惯容易出问题，新产品把问题解决了。但再往下想，又遇到一个悖论：处在习惯中的人，未必会觉得自己的习惯别扭。

习惯看地图的人，不一定会主动提出要一种全新的导航方式；习惯去商店购物的人，也不一定会先把逛街定义为需要被消除的问题。不能把新体验出现之后对旧方式的评价，直接倒推成当时人人都能说清的需求。

这并不意味着不应该观察需求，而是说：只听用户如何描述现有生活，可能还不足以想象另一种生活方式。技术能做什么、原有行为怎样被重新组织，以及人们体验以后是否愿意留下来，仍然需要放在一起看。

那天的讨论停在这里。我还没有找到下一个让我信服的产品形态。留下来的问题，比“AI 能帮人做多少事”更具体一点：人们会愿意把日常生活里的哪一步交出去，又会因此形成什么新的习惯？