先做七天任务日志，再决定哪些工作交给 AI

一个月后，她仍说不清 AI 到底省了什么

陈澄是一名独立 B2B 品牌顾问，同时服务 4 家长期客户。她已经使用 AI 一个月：写邮件时润色，做方案时要提纲，会议结束后让模型总结。聊天记录里留下了很多看似有用的结果，她却无法回答三个直接关系到经营的问题：哪项工作真的变快了，节省下来的究竟是本人时间还是等待时间，哪些结果已经稳定到可以写进日常流程。

如果第二天停止使用这些工具，她甚至不知道自己的工作会在哪个环节变慢。她一直根据当天最麻烦的任务临时尝试，任务变了，输入变了，验收办法也变了。即使偶尔得到一份不错的结果，也无法和原来的做法公平比较。

她暂时停下新的工具尝试，先记录一个完整工作周。七天结束时，原始表有 34 行；清洗后得到 26 项可观察任务，本人直接工作时间为 33 小时 10 分钟。等待、通勤和无法可靠归因的零碎切换共 4 小时 35 分钟，单独保留，没有算成潜在节省。

这份日志最后把她的工作分成三类：可以让工具先做、本人验收的；需要工具参与、但判断过程仍由本人主导的；以及价格、范围和客户承诺等必须本人决定的。她从第一类中选出会议行动项整理，完成 10 次试运行。稳定后，本人处理时间中位数从 24 分钟降到 8.5 分钟，按每周 3 次、每年 46 周估算，年度净节省约 35.7 小时。

这里使用的是教学案例。人物、客户、任务和运行数字用于演示判断过程，不对应真实客户，也不是独立顾问行业的平均数据。它的价值不在于复制 35.7 小时这个结果，而在于看清这个结果是怎样从一周真实工作中得到的。

第一张日志很快暴露出记录方法的问题

最初的日志里有一行“处理客户邮件，64 分钟”。这句话符合日常记忆，却无法支持后面的判断。64 分钟里既有整理信息，也有商业判断，还有更新排期；三部分虽然都发生在邮箱附近，出错后果完全不同。

陈澄回看邮件、合同和修改记录，把这一行拆开：

这个拆分让她意识到，任务日志不能照搬日程名称。一次客户周会在日历里占 75 分钟，其中会议本身 52 分钟，等待客户上线 6 分钟，会后核对并整理行动项 17 分钟。如果她想改善的是行动项整理，真正进入基线的只有最后 17 分钟。模型没有替她参加会议，客户迟到的时间也不会因为生成了一张表而消失。

接下来的记录都要说清一项工作的触发、输入、动作和产出。任务结束后两分钟内，她只填发生了什么和实际分钟数；每天 18:30 再补输入位置、验收办法、错误后果与返工。第 4 天只检查有没有漏记高频小任务，不提前评分，也不顺手改变原流程。第 8 天才统一清洗。

等待时间仍然保留，只是不混入本人耗时。系统运行、等待他人回复、通勤和无法归因的切换分别记录；查错和返工则回填到引发返工的原任务。这样处理之后，所谓“节省”才不会同时包含本人工作、机器等待和客户迟到。

她选择七天，是因为长期客户的周会、内容制作、交付检查和一次财务处理通常都会在一周内出现。这个周期足以找到第一批重复动作，又不会把记录本身变成一个月的新项目。它无法覆盖月末集中开票、季度投标或旺季交付，所以她在日志里标出这些缺口，准备到相应周期再补样本。七天给出的只是首张工作地图，不负责代表全年所有工作。

记录动作也保持得很轻。白天若为了填写十几个字段而中断工作，日志测到的会是“工作加记录”的新流程。陈澄把事实记录与晚间补充拆开，既能保留触发时点，又能在当天材料还找得到时补上输入版本和验收依据。第 4 天的查漏只解决“有没有记”，不讨论“适不适合 AI”；这让后半周仍然可以和前半周放在同一条基线上。

七天后，34 行记录怎样变成 26 项任务

清洗在原始日志的副本上完成。原表保留，因为合并和拆分都带有判断；一旦发现任务边界划错，还能回到当时的记录。

陈澄先合并触发、动作和产出都相同的重复项，但保留每次耗时；一行里出现两种责任，就像前面的 64 分钟邮件，拆成独立任务。超过 15 分钟且已经转去做另一件事的中断，从原任务时间中扣除。等待单列，返工归回原任务，会议本身与会后处理分开。

下面 8 行展示了清洗后的任务颗粒度。完整日志有 26 项，这里只保留能够说明后续分类和选择的记录：

这一步结束后，本人可归因的任务时间合计 33 小时 10 分钟，另外 4 小时 35 分钟留在任务表之外。26 项任务中有 11 项可能重复发生；其余任务有的只在本周出现一次，有的尚未找到稳定输入。她没有给无法归因的时间做平均分摊，也没有因为某项任务看起来适合使用 AI，就把它提前改写成规则清晰的样子。

清洗最难的地方通常不是加总，而是判断两次记录究竟是不是同一项工作。三次会议整理都以“从会议材料提取明确承诺”为验收目标，可以合并并保留 21、24、27 分钟三个样本；访谈洞察归类虽然也处理逐字稿，却要解释证据和形成观点，不能因为输入格式相似就并进来。反过来，同一封邮件里的进度起草和范围判断必须拆开，因为前者核对事实即可，后者会改变商业承诺。

她还回看了返工来自哪里。报告第二天发现名称错误，修正时间应回到原报告检查；若另记成“修改文件”，原任务就会显得比实际更便宜。清洗后的 26 项不是对工作名称做得更漂亮，而是让同一行里的耗时、验收和后果指向同一件事。只有达到这个程度，后面的年度换算才有共同口径。

年度耗时把五个候选带到了同一张桌上

一周记录会低估高频小任务，也会放大偶然出现的大任务。陈澄按自己的休假和业务空档采用一年 46 个工作周，把 11 项重复任务分别换算。第一轮只比较其中 5 个更有可能产生明显收益的候选，其余 6 项继续保留在日志里，没有用一个无法展开复算的总数代替明细。

换算公式是：

年度本人小时数＝每周发生次数 × 单次耗时中位数 × 年工作周数 ÷ 60。

46 个工作周来自陈澄自己的经营节奏：从 52 周里扣除休假、培训、业务空档和不执行常规周任务的时间。它不是推荐给所有独立工作者的固定参数。若某项工作只在项目交付月发生，应该按项目次数计算；若每逢月末集中处理，至少等到月末样本出现再估算。频率口径错误时，单次耗时记录得再精确也没有意义。

单次耗时采用中位数，是为了减少一次材料缺失或一次特别顺利对结果的拉动。进度邮件的六次样本从 11 分钟到 25 分钟，相差一倍以上；16 分钟的中位数可以提供首个点估计，50.6—115 小时的观察范围则提醒她继续寻找波动原因。方案主体只有一次 210 分钟记录，80.5 小时只能标成暂时估算，不能和三次相近的会议样本视为同等证据。

会议行动项每周 3 次，样本为 21、24、27 分钟，中位数是 24 分钟。年度点估计为 3 × 24 × 46 ÷ 60＝55.2 小时。若用本周最低和最高样本计算，范围为 48.3—62.1 小时。这个范围只描述当前观察到的波动，不是统计置信区间。

方案主体的点估计最高，证据却最弱；进度邮件发生最频繁，内容里又可能包含尚未确认的客户承诺。年度耗时在这里完成了筛选作用：它把值得继续分析的工作带到同一张桌上，却没有替陈澄作出自动化决定。

三类工作是在一次次取舍中分开的

陈澄没有先给任务贴“简单”或“复杂”的标签。她逐项追问四件事：结果会不会形成价格、合同、付款、公开立场或客户权利等外部承诺；能否离开模型的自我评价，用原话、合同、项目记录或明确规则独立验收；输入是否稳定并允许在当前环境使用；错误能否在影响客户之前被发现、撤回或重做。

四个问题在不同任务上产生了不同结果。会议行动项能回到逐字稿逐句核对，输出在内部表里，错了还来得及删除；它因此进入委托类。进度邮件虽然也能核对项目事实，一句话的轻重却可能改变客户对延期和范围的理解，发出后也无法真正撤回，所以只能协作起草。合同范围判断即使找到了全部条款，是否接受新增要求仍涉及价格、关系和后续责任，工具整理材料不会把最终决定转移出去。

输入条件也会改变分类。竞品变化检查在规则上很清楚，但两个网页入口不稳定，今天搜索到的页面和下周可能不同。当前条件下，它还不能稳定委托；修复入口和快照后，分类才可能改变。分类表记录的是“这项工作在现有条件下怎样处理”，并不是给任务名称贴上永久标签。

答案逐渐把工作分成三类。这里的“委托”仍然包含人工验收，只是工具可以先完成相对完整的内部产物；“协作”意味着判断过程本身由人主导，工具只处理材料或草稿；“本人决定”则不允许工具替人形成最终承诺。

这张表完成了七天日志最重要的产出：工作不再只有“使用 AI”和“不使用 AI”两种状态。会议行动项可以先交给工具整理，方案可以共同完成，范围和价格则明确留在人手里。即使工具能够生成一句报价，也不会改变报价责任属于陈澄。

她还设置了两条不进入比较的底线：流程若要自行执行高后果外部动作，或者必须使用尚未获准的数据，就直接停止准备。收益评分不能抵消这两类问题。

她为什么把会议行动项放在第一位

进入“适合委托”的工作仍有两个：会议行动项整理和竞品变化检查。两项都能保留来源，也都可以在内部复核后再使用。陈澄继续比较准备成本。

会议任务已经有逐字稿、参会成员表、会议日期和已确认的项目节点。第一次设置预计需要 75 分钟。竞品检查虽然规则更直观，8 个网页入口中却有 2 个依赖临时搜索，页面结构也会改变；若要让结果可复现，先要花约 4 小时整理固定入口、快照和变化证据。

进度邮件的年度耗时更高，但它会直接影响客户对项目状态的理解。方案主体耗时最高，判断标准却依赖专业取舍。把它们放进第一项试验，会同时测试信息整理、写作、商业判断和外部承诺，很难知道一次失败究竟来自哪里。

会议行动项因此成为第一项试验。它的目标被压缩得很窄：从四类限定材料生成一张内部待确认表，字段只有行动、负责人、截止日期、原话证据、状态和风险提示。它不能读取邮箱，不能连接项目系统，也不能发送结果。第一次试验只回答“能否可靠整理明确承诺”，不顺带验证更多权限。

第一次试运行立刻制造了三个错误

2026 年 7 月 20 日 18:42，一段会议记录写道：

王宁：三张主视觉我周四之前改完发群里。价格表先别动，客户还没确认。
陈澄：收到图片后我来更新方案，时间要看素材什么时候到。
赵林：价格那块我晚点也许看一下。

其中只有两项明确行动。王宁负责替换并发送三张主视觉，截止 2026 年 7 月 23 日。陈澄在收到图片后更新方案，负责人明确，日期仍待确认，并且依赖王宁交付素材。

第一次运行却多生成了一项：“赵林审核价格表，截止 2026 年 7 月 24 日。”这一行把否定变成任务，把可能参与的人变成负责人，还补了原话中不存在的日期。表格看起来更完整，实际创造了三个假信息。

如果只检查文字是否通顺，这一行很容易通过。赵林确实提到了价格，日期也落在会议之后，看起来符合项目语境。问题要到原话层面才能发现：他说的是可能查看，前一句还明确要求价格表暂时不动。错误因此没有被归为“表达需要润色”，而是被拆成否定识别、负责人确认和日期证据三个独立问题。后面的试验也必须分别记录它们，不能用一项总体评分互相抵消。

这个错误改变了后续试验。否定表达不得生成任务；日期只能来自同一句话或已经确认的项目节点；“也许、考虑、晚点看看”保留为讨论，不能升级成承诺；负责人或日期缺失时写“待确认”。原话证据也从辅助字段变成放行条件，找不到证据的行动项整条作废。

后九次运行不再追求“看起来不错”

陈澄选取的 10 份会议材料覆盖了明确负责人和日期、多人共同负责、没有负责人、模糊时间、明确否定，以及讨论范围变化但尚未形成决定等情况。前 5 次可以根据错误修正规则；第 6—10 次冻结任务说明，用来判断流程能否稳定重复。

她没有使用一个综合准确率掩盖不同后果。明确行动项必须全部找到，错误负责人和擅自补日期必须为零，范围变化必须进入风险提示，没有原话证据就不放行。本人复核时间的稳定段中位数要低于 10 分钟，否则相对 24 分钟基线没有足够收益。

每次运行前，她保存使用的逐字稿、成员表和任务说明版本；运行后记录工具给出的项目数、人工删改内容、关键错误和本人分钟数。这样一来，第 4 次比第 1 次好，才能说明是规则修正产生了变化，而不是换了一份更容易的会议记录。输入质量明显不足的材料会被标出，但不会悄悄从结果里删掉。

前 5 次的作用是暴露失败方式。第 1 次出现三类关键错误后，规则增加了否定、弱意愿和日期来源限制；第 2 次仍出现一次擅自补日期，说明日期规则还没有真正生效。第 3—5 次用于确认修正没有同时造成新的明确项遗漏。到了第 6 次，她停止修改任务说明。否则每次遇到新材料都临时增加一句规则，十次运行只能证明人一直在现场救火，无法证明流程能够重复。

第 1 次暴露了遗漏、错人与编日期；第 2 次仍有一次日期错误；第 3 次以后关键错误归零。真正用于判断是否保留流程的是规则冻结后的第 6—10 次，时间分别为 9、10、8、7、8.5 分钟，中位数为 8.5 分钟。

这里没有证明工具能够理解所有会议。它只证明在当前四类输入、当前任务说明和这组边界样本下，一张内部待确认表达到了预先设定的标准。

35.7 小时是怎样得到的

原做法的三次样本为 21、24、27 分钟，中位数 24 分钟。新流程仍需要本人逐项复核，因此每次净节省是 24－8.5＝15.5 分钟，而不是完整的 24 分钟。

按每周 3 次、每年 46 周计算：

15.5 × 3 × 46 ÷ 60＝35.65 小时，四舍五入为 35.7 小时。

会议行动项原本的年度耗时为 55.2 小时。两者相差的 19.5 小时主要是仍然保留的人工复核时间。把 55.2 小时直接写成 AI 节省，会假设人不再检查负责人、日期和证据，与实际流程不符。

第一次设置花了 75 分钟，前 5 次探索相对稳定段多用了约 10 分钟，前期投入合计 85 分钟。每周净省 46.5 分钟，静态回收期约为 85 ÷ 46.5＝1.83 周。此后若成员表维护、逐字稿清理或规则更新持续占用时间，还要继续从 35.7 小时中扣除。

35.7 小时也没有被换算成营业收入。节省出来的时间是否用于收费工作、休息还是内部维护，需要另外记录。本文到这里能够支持的结论只有两个：流程在当前范围内减少了本人处理时间，前期投入在静态估算下能够较快收回。

她最终只放行了一张内部表

陈澄保留了会议行动项整理，但没有把成功解释成更多权限。输出仍停留在内部待确认表；她本人核对后，才决定是否更新项目记录或向客户发送内容。十次运行没有测试自动写入和自动通知，自然也不能为这些动作提供依据。

接下来的 30 天，她继续记录每次复核时间和关键错误。成员表、任务说明、模型或产品设置发生变化时，都写入变更记录；每两周重跑 6 条边界样本。下面几种情况会改变当前决定：

只有连续 30 天没有关键错误、复核时间稳定，而且连接正式系统确实能带来额外价值，她才会单独评估下一阶段。新权限需要新的样本、验收和停止条件，不能借用这 10 次运行的结论。

NIST 的 AI 风险管理资料把情境理解、表现测量和持续管理看作反复进行的工作。放到一个人的窄流程里，对应的就是限定用途、保存证据、记录真实表现，并在收益回吐或关键错误出现时退回人工。这里不需要建立一套企业治理制度，但需要知道当前结论在哪些条件下会失效。

把同一方法用在你的一个工作日

先不要选择工具，也不用一次设计完整七天。今天只建立下面这张日志，记录实际发生的工作：

晚上挑一行检查。若写的是“做内容”“跟进项目”或“处理邮件”，继续拆到一个触发、一组输入、一个主要动作和一项可检查产出。第二天仍按原流程工作，不要因为某一行看起来适合使用 AI 就提前改变基线。

七天后再做三件事：先清洗重复、混合、等待和返工；再用实际频率与中位耗时换算年度机会；最后逐项判断它属于委托、协作还是本人决定。委托类任务中，优先选择输入已经存在、结果可以独立验收、错误能在外部影响前发现、准备成本也可接受的一项。

确定第一项候选后，另建运行表，至少记录输入版本、任务说明版本、边界样本、本人时间、遗漏、错误、人工修改和是否放行。前几次允许修正规则，稳定段冻结规则。这样得到的结果可能是继续、降级或停止；三种结论都比没有基线时宣布“效率提高”更有用。

资料来源与案例边界

• NIST AI RMF Core：用于核验先理解使用情境、再测量并持续管理风险的基本框架。页面说明 AI RMF 1.0 正在更新，本文核验日期为 2026-07-21。
• NIST AI RMF Playbook · Map：用于核验缩小用途、记录预期使用方式和影响情境的建议。这是一套自愿采用的参考，不是逐项强制清单。
• NIST AI RMF Playbook · Measure：用于核验测试、记录错误、监控表现变化和保留人工监督数据的建议。
• OpenAI Evaluation best practices：用于核验评估目标、数据、指标、持续评估，以及典型与边界样本的覆盖方法。本文只借用通用评估思路，不要求使用特定模型或接口。

以上资料支持风险和评估方法，不为案例里的 46 个工作周、26 项任务、10 次运行或 35.7 小时背书。人物、业务和数字均为教学设计；应用到自己的工作时，应重新记录实际频率、耗时、数据条件与责任边界。