在沉默的这一个月的日子里真的是工作要忙疯了。但是工作忙碌的过程中，反而有一些AI应用的实践和体会。相信大家都有被社交媒体或者公司鼓励甚至要求在工作中使用AI提升工作效率，但被鼓吹的AI能够替代我们百分之多少的工作？AI真的能给我们的忙碌状态带来一些变化吗？
今天这篇文章就主要记录和分享在这段忙碌加班的日子里，我和我们团队的小伙伴是如何勤勤恳恳（毫无技巧）、朴实无华（尽量免费）地认真利用AI、拥抱AI的。也真实地细数一下AI到底在哪些事情上帮上了忙，又在哪些地方帮了倒忙。
图 自从年后 老板们在群里发AI动态的行为从未停止
AI融入了我们的哪些工作我所在的团队是一个产研团队，最近在研发一款桌面端软件，并需要在规定时间内面向少量企业提供试用，并针对问题快速响应，迭代发版解决。因此，在这段时间里，不管是产品经理、UI，还是前后端开发人员、测试人员，以及项目经理和我们团队的leader，都是高强度工作的。
先简单介绍一下团队的角色和协同。和通用的产研协作流程一样，我们的角色协作也是基本符合：产品经理定义需求 → UI设计师输出界面方案 → 前后端开发实现功能 → 项目经理确保执行进度 → 团队领导者把控全局与客户满意度，这样的整体闭环。下面这张表简要列出了团队角色近期工作职责重点：
按照每个角色在工作中AI利用率上来看，我们的情况是:
前后端开发 > UI设计师 > 团队leader > 产品经理 = 项目经理
为什么？答案相当真实：
排名前二的角色——开发和设计，这两个垂直AI应用上确实已经具备了相当好用的产品，如即梦、Figma升级的AI功能、cursor等。
而后面几个角色，其实更多是通用型跨专业型的岗位，相比较而言，产品经理还可以说是具备需求分析和原型设计等工具型能力要求，但是目前也尚没有在这方面专用的优秀AI应用出现。因此，在后面三个角色中，他们只是在工作的某些任务的细节环节中利用了AI，包括数据处理、创意产生、知识搜索和解答、以及文案等方面的工作。
下面就来细数一下我们团队的小伙伴是如何利用AI的。
那些AI帮的忙
1. 帮前后端工程师写代码，查BUG
主要使用的AI应用/工具：cursor+DeepSeek
主要使用场景：
前端工程师通过Figma的MCP+cursor，快速进行页面实现；（我们的原型和设计稿都主要使用Figma工具生成）
后端工程师使用Deepseek对代码异常问题进行代码逻辑排查，尤其是复杂的业务逻辑导致的异常分支问题排查等。
我们的情况是，前端工程师实际体验更好：能够节约很多时间，可以让Cursor快速地帮我们按照我们基本的ArcoDesign规范框架，和设计稿要求，实现页面，“我们后续只需要手动做一些小调整，就完事了。 有时候还可以帮我们写一些模拟后端接口，提升前后端联调效率。”这是前端工程师的原话。
图 某个功能页面（仅示意，我具体指向）经过多轮对话后的cursor实现效果，能达到90%还原度
2. 帮UI设计师提供灵感和设计初稿
主要使用的AI应用/工具：即梦、Manus（为什么是这两个，因为这两个有免费额度哈哈哈哈）
主要使用场景：
生成商业风背景图和元素、设计logo和图标等。我们的新产品需要一个logo，UI大哥的用法是让产品经理提供一些产品的关键词和特色，比如我们的产品关键词是“钱包、身份、安全”等。他将关键词和风格输入给ai，让ai给一些灵感和反馈。用的效果来看，即梦的表现明显更好（毕竟manus是通用的，不是专为设计而生）。即梦给出的结果作为了UI大哥的设计初稿，在此基础上，它调整了颜色，增加渐变，优化了部分细节元素，就最终定稿了。
从多次试用体验来看，对于一般水平的设计需求，UI能够帮助UI设计师提供灵感和初稿，降低了以前需要大量浏览素材网站寻找灵感和素材的过程所需的时间。
图 左为即梦给出的初稿，右为UI设计师调整后（当然这不是最终版本）
3. 做Leader的创意和知识扫盲小助理
主要使用的AI应用/工具：deepseek
主要使用场景：
“起名”：在起名方面，不得不说AI确实有点东西，每次都能提供一些看起来还不错的想法，以至于我们现在每次涉及到“起名”相关的问题我们就会直接打开deepseek或chatgpt。AI给我们的答案往往都不错，我们基本上都能从中选取到一个还不错的答案直接采纳，或者稍加“打磨”，就搞定了。我们已经利用AI帮我们起了小程序的名字、产品升级的slogan，以及域名、新协议的英文名称等。
图 让deepseek给协议取名
“创意大师”：这个场景不需要多说，自从有了deepseek，当需要为新想法搞一个初步的实现方案的时候，老板就直接把AI的答案甩到群里。
4. 帮产品经理 ”查阅资料“、“润色和改写”、“转换表达形式”
主要使用的AI应用/工具：deepseek、ima.copilot、manus
主要使用场景：
“查阅资料”：在我们设计产品的过程中，不可避免的有一些调研分析的工作，不仅要找到分析所需的“原始材料”，还要一份份去阅读，找到有用的内容，再去分析。这个过程是相当耗费时间的。当时间不充裕和在某些场合下需要针对一些事实问题直接快速回答的时候，浏览器搜索或文件关键词精准搜索就似乎不那么给力了。在这个需求上，ima.copilot倒是帮上了一些忙。ima.copilot是腾讯的一款定位文档知识库AI写作的工具，可以建立自己的知识库，在无需训练的情况下让AI基于知识库思考和回答问题。我的用法主要是将我在我业务方向上所积累和参照的一些标准文件、文档、网页等收藏到ima的个人知识库中，然后直接提问，比如“数字化转型的哪个级别需要做数据资产管理？”，AI则可以直接根据我知识库中收藏的资料，直接给我答案。尤其是当在会议中被老板问到时，我可以在几秒钟之内得到答案然后回答。
图 在ima中针对指定文件提问
“润色和改写”：不知道大家有没有相同的痛点，你的老板总是觉得你的产品介绍不够生动，没有讲出“价值”，这尤其为难了我们这些实实在在的“技术”人员。所以就经常有将“技术语言”转换为“业务语言”的需要。其实不管是从什么角度，我们本质的东西就是那么些内容。因此，当我需要对一个东西“变着法儿”的说的时候，我会把需求和材料发给deepseek，他会给出我另一种维度的说法，并且给我说出这样改写的理由。我一般会在它的回答基础上修订，去掉“AI味儿”。
“转换表达形式”：将一段流程文字描述改为流程图的表现形式、将一篇产品需求文档中的全部功能整理为功能清单表格…凡此种种涉及到将某些内容调整表现形式的工作，目前AI的表现都还不错。尤其是在改为表格这件事情上， 确实很方便，且表格可以粘贴到excel中继续编辑使用。
图 deepseek根据文字描述绘制的流程图
必须要提及的是，关于AI帮产品经理的忙，为什么没有“写需求文档”这一项？因为在这方面，AI确实没有帮上什么忙，它写的东西太浅了，又在某些不重要的点上很细致很啰嗦，简而言之，AI在需求文档方面确实没有给我一个有参考价值的“初稿”，在给AI把需求讲清楚，又要让他写清楚这件事情上，还是具备较高的提示词门槛的。
5. 替项目经理处理数据
主要使用的AI应用/工具：Teambition的AI增强功能
主要使用场景：
利用AI来提升日常数据录入工作的效率。在快节奏的开展工作的同时，如何能够快速拆分跟进每个人的任务，确保迭代按时交付是项目经理的主要工作。我们公司使用的内部团队项目管理工具一直是Teambition。那么这部分也需要是基于AI增强的任务录入功能，将每天的早会上的任务分工能够以会议文字记录的形式快速录入到系统中，拆分为系统内格式化的任务项。而无需手动一条一条单独“创建-填写-保存”。
图 Teambition中的AI助理
其实，目前很多办公产品都发布了AI增强功能，充分利用当前常用的产品中推出的新的AI功能，也是能够让AI提升我们工作的效率的一个途径。
那些AI帮的倒忙
1. “无中生有”（幻觉）
AI生成与输入内容无关或完全虚构的信息，并自信地将其表述为事实。下图中展示了当我在ima中要求模型仅基于指定标准文件给出回答时，其说谎的情况。关于根据指定知识库让AI回答问题的场景，很容易出现这种情况，原因可能是我们用户给出的这些特定领域知识不够充足，模型会在某些问题找不到答案时被迫“脑补”内容。
图 根据指定文件回答问题时AI回答有误，当指出其说谎时其承认该内容不在原文中
2. “善变”（输出不一致）
同一问题在不同时间或交互中，AI给出矛盾答案。第一天和第二天问的同一个问题，给的答案竟然不一样，甚至给出的答案是相反的。AI的“幻觉”与“善变”本质是技术理性与人类认知差异的冲突。短期需通过工程手段约束，长期则依赖具身智能等范式突破，使AI建立稳定的世界模型。因此，我们在使用过程中，也应该谨慎，尤其是在自己不擅长且对专业度要求高的领域，不应该盲目信任AI。（关于哪些场合不建议使用AI推荐阅读历史文章）
那些不能让AI帮的忙——敏感数据与文件
在团队高强度协作中，AI工具确实提升了效率，但并非所有场景都适用。尤其在处理敏感数据和文件时，AI可能成为泄密的“隐形通道”。生成式AI的预训练机制使其成为“单向数据黑洞”，输入内容可能被整合进模型训练数据，后续输出给其他用户。如ChatGPT的交互数据用于模型迭代。
我们在使用AI时，应该时刻注意提供给AI的信息是否涉及隐私和敏感内容，尽可能养成随手“泛化”、“替代”敏感信息的好习惯，有些信息更不能提供给AI。按照分级来看，可以根据这三种情况选择是否和使用哪些AI：
产品公开的宣传文案、公开的公司材料等、公开的标准文件等，可以使用AI；
公司未公开发布的工作成果，如：产品原型、接口文档、代码等，应该谨慎使用，只使用本地化的AI工具；
公司运营数据应该严禁使用任何AI工具。
细数这些工作中使用AI的场景，AI确实可以在一些特定场景和任务中发挥作用，但是却无法直接承担重量级的任务和连贯的工作，只是碎片化地、零散地插入到我们的工作中。其次，AI距离承担专业性的任务还无法确保可控和可信，尤其面对具备垂直背景的任务时，其输出明显深度和匹配度不够（但偶尔也有一些细节之处的惊喜），依然无法达到一个稳定的“方案初稿”贡献者的水准。其实，现在也有很多技巧可以帮助我们让AI能够更有效地输出我们想要的答案，但如果使用AI需要这么高的“技巧和背景输入”门槛，就说实话连作为产品经理的我都懒得用（虽然我是产品经理，但我也是普通用户）。
我们不神话AI的能力，但也绝不低估它的潜力。虽然现阶段的AI应用虽然远没有达到预期的水准，但依然不妨碍我们对AI充满期待和信心。当前AI的价值曲线是渐进式的，如节省30%的重复劳动时间，却带来20%的校验成本。我们仍可以乐观地等待一个真正的变革性时刻的到来。
文末还是觉得应该由AI来帮我结尾，那就分享一段来自deepseek描绘的打工人用AI清醒独白：“深夜加班的咖啡杯旁，我用DeepSeek生成周报初稿，突然想起它昨天还把某个指标的计算逻辑搞错了。苦笑着改了15分钟，却依然庆幸比手动撰写省了1小时。这或许就是当下人机协作的缩影。”
是颇具“AI味儿”的一段文字了，也是我的今日份快乐没错了 (≧∀≦)ゞ
