你好，我是郑工长。
最近有两个关于AI的新闻，放在一起看，非常有意思。
一个，是有人搞了个“AI带我炒股”的实测，结果发现AI的表现天差地别，有的赚了10%，有的几乎不赚钱。一句话总结：让AI替你做决策，很不靠谱。
另一个，是某地人大，已经开始用AI大模型来辅助进行“预算审查”。AI像一个不知疲倦的审计员，从海量的预算报告中发现各种潜在问题。一句话总结：让AI帮你找问题，非常靠谱。
这背后，就引出了当前AI落地最核心的一个问题：我们到底该如何“使用”一个我们不完全信任、时常犯错的AI？
场景决定成败：为什么AI炒股不行，审预算就行？
从工程师的视角看，答案不在于AI本身“聪明”或“愚蠢”，而在于它所处的“工作环境”。
炒股：一个“开放、对抗、高噪音”的环境
- 开放与对抗： 股市是一个开放系统，充满了无数无法预测的宏观因素和“对手盘”的人性博弈。你赚钱，就意味着有人亏钱。AI面对的，是一个动态变化的、充满欺骗和对抗的“战场”。
- 高噪音： 绝大部分市场信息都是“噪音”，而非有效的“信号”。AI很容易在海量噪音中，做出错误的归因，导致“刻舟求剑”式的决策。
- 让AI当“决策者”： 在这里，我们让AI扮演了“决策者”的角色，要求它对未来的不确定性负责。这超出了它当前的能力。
审预算：一个“封闭、协作、低噪音”的环境
- 封闭与协作： 预算报告遵循严格、固定的会计准则和法规。AI的任务，是在一个有明确规则的“封闭系统”里，与人类审计员“协作”，而不是对抗。
- 低噪音： 数据格式是标准化的，目标是明确的——找出不符合规则的、异常的项目。噪音少，信号明确。
- 让AI当“审计员”： 在这里，我们让AI扮演了“审计员”或“不知疲倦的筛查工具”的角色。它不负责最终决策，只负责“发现疑点”，然后把这些疑点交给人类专家去最终判断。
郑工长定律：人机协同的“边界理论”
这就引出了一个关于如何使用AI的工程学定律，我称之为“人机协同的边界理论”：
一个AI应用的可靠性，不取决于AI模型本身有多完美，而取决于我们在流程中为它设定的“角色”和“边界”有多清晰。
用好一个不完美的AI，本质上是一个“管理问题”。关键在于做好“定岗定责”：
- 让AI做“量”的工作： 把那些需要海量信息处理、重复模式匹配、不知疲倦筛查的工作交给AI。例如，审查几千页的合同、校对上万字的文档、从财报里提取所有关键数据。
- 让人类做“质”的工作： 把那些需要理解复杂人性、进行价值判断、承担最终责任的决策，留给人类自己。例如，判断一个合同条款是否“公平”，决定一笔预算是否“合理”，下一个买入或卖出的“指令”。
总结：从“AI会不会？”到“我该让AI干什么？”
所以，不要再问“AI能不能帮我炒股？”这种问题了。
你应该问自己：在“炒股”这个复杂的流程里，有哪些环节，是可以被AI这个“超级工具”赋能的？
例如，你可以让AI帮你“阅读分析所有相关的研报”，而不是让它帮你“决策买哪一只”。你可以让AI帮你“监控市场情绪的异常波动”，而不是让它帮你“决定什么时候卖”。
停止将AI视为一个无所不能的“先知”，开始将它看作一个能力边界清晰的“超级工具箱”。想清楚**“我该让AI干什么”，远比关心“AI会干什么”**，要重要得多。
这，才是我们工程师，使用一个不完美工具的务实之道。
