6个真实案例，让AI成为生产力
7月11日晚，在北京郎园，得到AI学习圈举办了一场AI落地大会。这场活动的特殊之处在于，它没有邀请那些讲高精尖概念的专家，而是请来了6位在各行各业把AI用出实实在在效果的实干家。他们分享的经验，不是什么宏大叙事，而是我们每个人都能看懂、学得会、用得上的真实故事。
如果你也关心一个问题——咱们普通人，到底怎么才能让AI真正变成提升效率的生产力工具，而不是一个只会聊天的玩具？那么，下面这6位实干家的实践方法，或许能给你不少启发。
01 石云：怎么用AI激发孩子兴趣？
石云是AI学习圈的一位同学，同时也是二年级小学生的妈妈。她分享了一个经典的场景：孩子在厨房煎鸡蛋，突然问了一个问题：“妈妈，为什么锅里水都没了，油还在呢？”
过去，很多家长会把这个问题直接丢给AI，AI会秒回一个标准答案：“水沸点低蒸发快，油沸点高蒸发慢。”然后，对话到此结束。这个画面有没有很熟悉？这就像我们小时候的“填鸭式”教育——AI成了权威老师，直接把知识点砸过来，你记住就行。结果往往是，孩子的好奇心和探索欲，也在这个过程中被浇灭了。
石云想做的，不是把AI当答题神器，而是用它来点燃孩子的好奇心。她发现，问题的关键不在答案本身，而在引导方式。于是，她用Coze搭建了一个“AI学习教练”智能体。这个教练的核心规则是：不准直接给答案。它要扮演一个提问者，不断追问、启发孩子自己找到答案。
同样的问题，效果完全不同。AI教练没有直接回答水和油的问题，而是反问：“你觉得水和油最根本的不同可能是什么？”孩子思考后回答“沸点不同”，AI教练紧接着追问：“那为什么沸点不同就会让水蒸发了油还在呢？”在层层追问下，孩子自己试探着给出了结论：“可能是水和油的结构不同？”这个过程不是“记住答案”，而是“学会了思考”。
更妙的还在后面。当孩子说出“结构”这个词时，石云知道，孩子未必真的理解了“分子结构”这个看不见的概念。她尝试用另一个AI工具Flowith，让抽象的知识变得可视化。她只需要说一句：“请你创作一个网页，给二年级孩子模拟水和油在锅里是否会蒸发的实验，通过问答互动、动手实验帮助孩子理解。”Flowith就自动生成了一套互动学习网页，孩子在点击和操作中，真正“看到”了水和油的不同。
这一下，孩子的好奇心被彻底点燃了。新问题一个接一个冒出来：“那水在低温下能结冰，油也可以吗？”孩子甚至主动买了《化学元素》和《分子共和国》两本书来自学。一个奇妙的学习飞轮就这样启动了：好奇→提问→思考→模拟验证→结论→新好奇。
石云的故事告诉我们，AI不是答案的终点，而是探索的起点。如果只把它当成有问必答的答题神器，就太浪费了。它最大的价值，是成为孩子的思维教练和成长伙伴。
02 罗易：一个人如何用AI制作文旅宣传片？
罗易的本职工作是一名电气工程师——管输电的那种。可以说，和视频制作八竿子打不着。但半年前，他看到网上有个影片创作大赛，主题是给北京亦庄做一个宣传片，奖金5000元。他心动了。
冷静下来后，他算了一笔账：传统的文旅宣传片，至少要组一个10人的团队，涉及导演、摄影、灯光、剪辑等工种，还要租场地、设备，光伙食费一天就得500块。更要命的是，他人在上海，距离亦庄1300多公里，自己根本没去过。怎么办？
好在，AI给了他一条出路。他硬是一个人，靠AI把这件事干成了，而且最终拿下了2024年北京视听AI创作大赛的金奖。更神奇的是，当他后来真的踏上亦庄的土地时，竟有一种莫名的熟悉感——他走进了自己用AI生成的视频里，看到了AI生成的无人驾驶汽车和机器人工厂。
他的制作流程分为5步：做调研了解亦庄，用AI撰写脚本并梳理分镜，用提示词生成分镜画面，把图片转成动态视频，配音和剪辑。他说，用AI的优势是你一个人可以身兼多职，但难点也恰恰是你需要一个人搞定所有工种。
他分享了一个实用技巧：如何解决AI视频的“假感”？举个例子，视频结尾需要火箭的画面，但他反复试了十几次，怎么看都假。最后他发现了一个方法——让AI去找“现实对标”。具体来说，就是先找一张真实场景的图片，让AI反推提示词，然后根据需求修改提示词。比如去掉火箭上的玻璃窗、加大火焰，调整权重。这样生成的画面，真实性就大大提升了。
罗易的感悟是：“在AI时代，重要的不是一开始就精通，而是先开始。”哪怕是最不起眼的小事，比如偷偷拍了一张父亲骨折的照片，然后用AI把他变成跳舞的形象，也能让整个家庭的气氛瞬间活跃起来。AI的创造力，往往就在这些不经意的尝试中被激活。
03 王喆：如何用AI搭建知识库，应对重复性咨询？
王喆是一名海事海商领域的执业律师，但找他咨询最多的问题，却是劳动争议。比如“用人单位取消offer要承担什么责任？”、“绩效未达标能解除劳动合同吗？”这些咨询看似“举手之劳”，但一个专业律师，就像你不可能挂心内科的号去治骨折一样，他不可能什么都懂。每次要回答，就得查资料、翻法条、找案例，一上午时间就耗进去了。
这就是典型的“专业时间被琐事绑架”的困境。很多医生、老师、工程师都会有同感：你越专业，你的时间就越容易被这种“顺手一问”所消耗。
王喆的解决方法很聪明——他搭建了一个劳动争议法律知识库。核心逻辑是：与其让AI“放飞自我”地回答法律问题（法律问题直接交给大模型风险很高，容易产生“幻觉”或使用过时法条），不如给AI划定一个框架，让它在精准的范围内发挥能力。
他给知识库起了个谐音梗名字叫“薪知肚明”。要让它靠谱，关键在于“喂”什么内容。他选择了三类好东西：权威案例（来自人民法院案例库的指导性案例和参考案例），现行有效的法律法规与司法解释，以及专业机构和资深律师发布的优质文章、答疑汇总。然后他用Get笔记这个工具，把这些内容集中收藏管理起来。
现在，每当有人再问劳动法问题，他直接把知识库链接甩过去，几秒钟就能得到一份清晰准确的答案。他说：“过去那些让我分身乏术的咨询，现在不但不烦恼，有时还有点小期待——就像家里有个争气的孩子，总想让他露一手。”
这个案例的核心启示是：真正让AI落地的，从来不是工具，而是你的行业经验。知道哪些资料可靠、哪些法律已更新、哪些案例更具参考价值，这些判断力才是知识库的核心竞争力。
04 罗军：如何用AI高效开发新客户？
罗军是一名做海外销售的，主要任务是用邮件挖掘新客户。听起来好像就是写写邮件的事儿？但实际操作起来，既要有“量”，每天发五六十封；又要有“质”——不能是群发垃圾邮件，必须针对每个客户的业务特点针对性撰写。他很快用上了ChatGPT来自动写邮件，但很快又发现了一个新问题：AI承担了最聪明的那部分内容生成工作，而他本人却还在负责最笨的部分——复制粘贴、填地址、配图……这些重复性工作依然绑得他动弹不得。
他意识到，必须实现全流程自动化。但问题来了：自动写邮件这个任务涉及好几个独立系统（客户网站、公司产品库、Gmail邮箱等），要把这些信息串联起来，必须编程。而罗军是个编程小白。
好在，AI学习圈里的AI编程课程（比如Cursor、GitHub Copilot等工具）给了他信心。他试着让自己像“指挥官”一样，把需求讲清楚给AI，让AI来写代码。整个过程，他不需要自己敲代码，而是分四步走：向AI描述工作流程，让AI复述确认理解一致，请AI给出程序设计方案，最后让AI分别写出每个环节的代码。如果某个功能太复杂，就让它拆成小功能，比如“读取文件”拆成读Excel和读Word两个独立模块。
结果令人惊喜。原本手动处理需要4个多小时、8个步骤、60轮反复操作的工作，现在只需要晚上启动程序，第二天早上醒来，60封排版精美、图文并茂的邮件已经整整齐齐躺在草稿箱里，不到半小时就能审核发送完毕。更关键的是，回复率达到了12%，远高于行业平均的不到5%。
罗军总结说：“你的需求越具体，AI越聪明。一定要让AI复述你的要求，确保它不跑偏。”
05 桑化科：如何用AI自动给消息分类，提高运营效率？
桑化科曾在一家健康管理公司负责几十个高客单的客户服务群。社群运营的压力，做过的都知道：必须及时回复，稍晚一点，客户觉得不被重视可能就不续约了。用户随时随地发消息，他上班在看，通勤在看，吃饭在看，回家在看，连洗漱也在看。虽然不至于7×24小时，但连996都无法覆盖的强度，确实让人身心俱疲。
公司也尝试过增加人手和配置客服机器人，但人成本太高，机器人又不聪明，需要用户手动@才会响应，用户根本用不惯。
桑化科决定自己动手，搭建一个“群消息值守官”AI助手。它的工作流程分四步：第一步，接收每一条新消息并立刻存储，由AI判断完整语义；第二步，对消息进行分类——低价值消息（日常聊天刷屏）自动过滤，高价值消息（商机线索、客服投诉、产品问答、Bug反馈等）重点标注；第三步，分类后针对性处理，比如产品问答调用知识库自动回复，Bug反馈追问细节后推给产品经理，商机线索则主动询问用户联系方式；第四步，通过API接口把处理后的信息沉淀进飞书多维表格，方便跨部门协作。
但实际开发过程中，有个环节卡了他整整一周。问题是：用户经常会把一段完整的意思分成多条消息发送。比如用户说“跟我说说睡不着可以吃点啥？”，客服回答“褪黑素和镁元素”，用户接着问“你说的第二个，我该从哪里补充？”如果AI只抓取最新一条消息，就完全丢失了上文，自然答不上来。后来他得到AI学习圈马超老师的指点，用了“先存后取”的方式帮AI补全上下文，这才解决。
最终，这个“群消息值守官”让他从一天看七八百条消息，变成了只需要关注20条最紧急、最重要的消息。从“AI看客”变成了“AI实干家”，他的建议是：“从你身边最让你头疼的那个问题开始，先完成，再完美。”
06 陈春芸：如何用AI拆解模糊需求，快速高效完成设计？
陈春芸是一名游戏行业的交互设计师。她的工作，就是设计用户点开游戏后的每一个页面、每一次点击体验。但最让她头疼的，不是复杂的技术问题，而是突如其来的“一句话需求”。比如有一次，刚做完一个项目，立刻收到新任务：“做一个完整的商城流程”——没有上下文、没有目标用户、没有预算计划，只有一句话。
这种“模糊任务”其实并不只设计师会遇到：内容同学被一句“出个爆款选题吧”击中，数据同学收到“这个图明天要汇报”的突袭，运营同学被要求“搞个用户增长方案”……本质都一样：信息极度匮乏，却要你输出完整方案。
陈春芸的做法是，让AI成为“任务拆解搭子”。她没有直接让AI“做一个商城流程”，而是像和一个新同事开会一样，把背景讲清楚：用户是轻度手游玩家，商城卖虚拟货币和皮肤，平台是手机APP，已有用户体系。AI马上就搭出了第一层流程结构：商城入口→分类页→详情页→支付流程→权益页……
接着，她又引入两个工具做“用户体验模拟器”。一个叫EyeQuant的视觉分析工具，上传设计稿能预测用户第一视线的落点和注意力路径，生成视觉热图。另一个是用ChatGPT模拟UX专家，从信息密度、点击动机、视觉节奏等角度分析页面结构。比如一张游戏资讯卡片，AI指出“主按钮不够突出，图片吸引力过大，文案过密”。这些分析不是为了预测转化率，而是帮设计师从“我觉得这样好”切换到“数据佐证它确实合理”的判断模式。
最终，这个“商城项目”从需求到交付，比以往节省了三分之二的时间。设计阶段不再靠感觉，而是有结构、有模拟、有数据支撑。更关键的是，团队沟通也变得顺畅了——大家不再围绕“你觉得好，我觉得不好”争论，而是以AI评估出的关键问题为锚点，展开聚焦讨论。
陈春芸总结了一套自己的“人机协作小队”模式：信息类任务交给AI生成第一版，判断类任务让AI辅助分析，决策类任务由自己整合拍板。她说：“一句话的模糊任务未来还会不断出现，但你可以不再慌张，而是带上一整个AI团队，冷静、清晰、高效地拆解任务。”
