AI 开始离开聊天框，
进入工作成形的地方。
SIGNAL 创刊号预览

过去，非程序员让 AI 帮忙做事，结果大多还是文字：一份报告、一封邮件、一张表格、一页 PPT。6 月 2 日，OpenAI 给 Codex 加了一组新能力：面向不同角色的插件、可分享的 Sites、以及能在结果里直接圈选修改的 Annotations。Codex 当然还是那个会写代码、跑任务、改项目的 agent，但这次更有意思的地方，不是“它又会写更多代码了”，而是它开始把工作成果做成可以打开、点击、继续改的东西。

OpenAI 给出的例子很具体：数据分析插件做业务表现分析，创意生产插件把 brief 变成 campaign board 和广告变体，产品设计插件把静态截图变成交互原型，公共股票投资插件整理财报、同业比较和 thesis 信号。这里的重点不是让分析师、设计师、销售、投资人一起去学编程。重点是，原来散在文档、表格、Figma、BI、CRM 里的材料，开始被组织成一个可运行的对象。

这会改变我们给 AI 布置任务的方式。以前常见的说法是“帮我分析这组数据”“帮我做一个汇报”。在 Codex Sites 这种产品里，更像样的说法应该是：我要一个给销售负责人看的周度仪表盘，数据来自这三个表，第一屏回答本周变化，第二屏按区域筛选，第三屏列出异常客户；所有数字都要能回到来源，最后给出 3 个下周动作。听起来麻烦一点，但这不是写 prompt，这是写验收标准。

很多人用 AI 做复杂工作时会失望，原因也在这里。任务还停留在“给我一个答案”，AI 却被期待交付一个能拿去工作的成果。一个可验收的交付物至少要说清五件事：谁用，材料从哪来，以什么形式呈现，什么算做完，哪里需要人确认。少一项，AI 就容易做出一份看起来完整、实际没人敢用的东西。Sites 和 Annotations 把这件事暴露得很清楚：生成只是第一步，能被人指挥、修改、验收，才接近工作。

当然，这不是无脑利好。企业插件一旦连接 Snowflake、Salesforce、Figma、Canva、FactSet、PitchBook 这些系统，权限、来源、审计和错误责任都会比聊天复杂得多。个人用户也一样要小心“看起来像应用”的信任错觉。一个 AI 做出来的仪表盘，如果指标定义不清，交互再漂亮也只是把误导包装得更高级。

我会把这次 Codex 更新当成一个练习机会：以后会用 AI 的人，不只是会提问，而是会描述一个可验收的工作成果。下次真有任务，可以先别问“帮我写一份报告”，先写一段交付物 brief：谁要用它，要做什么决定，需要哪些来源，最后是一页文档、一个表格、一个网页还是一个小仪表盘，哪些地方必须能追溯。哪怕暂时不用 Codex，这种写法也会让你在 ChatGPT、Claude、飞书表格、Canva 或 Figma 里得到更接近工作成果的输出。

很多团队已经有 AI 会议纪要了，但会后的混乱一点没少。会议记录躺在文档里，任务在 Asana 或飞书里，客户信息在 CRM 里，文件在云盘里，真正的承诺散落在 Slack、微信、邮件和某个人脑子里。三天后，大家都记得“当时好像说过”，但没人能一眼看出谁该动、依据是什么、截止日有没有变。

Zoom 6 月 1 日发布 ZoomMate，把自己称为能把对话变成完成工作的 AI teammate。它不是只做转写，而是尝试连接 Zoom 里的会议上下文、企业系统、agentic search、内容生成和 Salesforce、Jira、Slack、ServiceNow 等执行工具。Asana 6 月 4 日发布 Agentic Work Management 和 Dash，则从项目管理方向切入：让人和 AI agents 在同一计划、同一上下文、同一治理里推进工作。两个产品的表述不同，指向的痛点很像：会议之后的工作没有一个可靠的接力系统。

这类产品想卖的，其实是“上下文不丢”。一个会后任务如果只写成“跟进客户”，AI 再强也只能猜；如果系统知道这次会议讨论了哪些异议、客户关心哪项指标、销售承诺了什么材料、法务还卡在哪个条款、下次会议前必须完成什么，它才有可能帮人推进，少生成一点漂亮废话。

支持方会说，AI teammate 比会议助手更有价值，因为它能把对话、任务、文件、项目状态和业务系统连起来。反对方也有道理：组织里最难的从来不是缺少总结，而是责任边界和上下文质量。AI 如果拿到的是过期任务、互相冲突的目标、没人维护的项目字段，自动化只会把混乱跑得更快。

不用等公司买 ZoomMate 或 Asana Dash，也可以先改一个小习惯：每次重要会议结束，不要只要纪要，而要一张“会后接力卡”。它只有五行：这次决定改了什么；下一步归谁；需要哪个来源或文件；什么时候检查；如果没人动作会损失什么。格式很朴素，却比长纪要更接近系统。飞书、Notion、Google Docs、Asana、Trello，甚至一个共享表格，都够用。

会议 AI 的第一阶段已经结束了。转写和摘要会变成基础功能，下一场竞争会发生在“会后那三天”：谁能把讨论变成任务，把任务接到证据，把证据接到下一次决策。对个人来说，最该学的不是某个按钮，而是每次协作之后，都留下一个别人接得住的形状。

AI 视频过去最会制造两种情绪：先兴奋，再泄气。一句话生成一个像电影片段的画面，很容易让人上头；可是一旦要改细节，事情立刻变笨。人物变脸，镜头跳动，文字错位，背景被顺手改掉。做内容的人都知道，不能返工的生成物不算资产，只能算灵感草稿。

最近几条创作工具更新，可以放在同一张桌子上看。Adobe 4 月发布 Firefly AI Assistant，想让创作者用一句话调动 Firefly、Photoshop、Premiere、Lightroom、Illustrator 等工具，并把过程和决策跨 session 留住。Google 在 I/O 期间推出 Gemini Omni Flash，能把图像、音频和文本转成 10 秒视频，面向 Gemini app、YouTube Shorts 和 Flow。Runway Aleph 2.0 把问题压得更窄：编辑一个关键帧，让变化传播到整段视频，同时尽量保留运动、构图和无关元素。

这三条路线不一样。Google 更像把视频生成推向大众入口，让普通用户做“个人化短视频”和平台内容；Adobe 更像把 AI 放进专业创作链路，强调资产、Stock、音频、色彩、标注和多工具编排；Runway 更像在解决创作者最头疼的返工问题：不是再生成一遍，而是只改这里。它们共同说明，AI 视频的实用价值正在从“能不能生成”转向“能不能被导演”。

普通创作者可以从一个小测试开始：不要直接写“帮我做一条高级产品视频”。先写镜头表。第一镜头 3 秒，产品在桌面，左侧自然光；第二镜头 5 秒，手拿起产品，展示接口；第三镜头 4 秒，加入一句准确文字；第四镜头 3 秒，出现购买或报名动作。生成初稿之后，不要接受整段重来，专门测试局部控制：只把第二镜头里的背景从咖啡店换成办公室；只把字幕颜色改成品牌色；只降低背景音乐，不改人声；只让产品保持不变，调整光线。

这个测试能很快暴露工具边界。如果它每次局部修改都牵连角色、产品或文字，说明它适合做概念稿，不适合交付。如果它能稳定保留主体，只调整指定区域，才开始接近生产工具。对品牌、课程、产品演示和社媒广告来说，后者比“生成一个炫酷片段”重要得多。

所以，AI 视频接下来的竞争不只是样片像不像大片，而是谁能让普通创作者放心返工。一个好用的视频 AI，应该像剪辑师和设计师的混合体：能给初稿，也能听懂“只改这块，不要碰其他地方”。如果你做内容，别只收藏漂亮 demo。拿一个真实小项目试它的返工能力，那才是分水岭。

很多人听到法律 AI，会先想到“帮律师读合同”。这当然有用，但法律行业更有意思的地方在后面。Filevine 6 月 2 日发布 LOIS Console 时，用了一个很大的说法：AI that runs the modern law firm。它不只读文件、总结案情，而是要跨案件运行 agents，把结果写回律所的 system of record，设置任务、移动截止日、更新日历、生成文件、刷新联系人和跑报告。

这句话虽然像营销语，但背后的需求是真的。法律工作最难的地方，往往不是读懂某一份文件，而是把文件、事实、时间线、任务、责任和截止日放在同一张网里。一个案件里可能有几千页资料，危险不在摘要不够漂亮，而在漏掉一份关键证明、错过一个期限、没有把某个发现变成任务。Filevine 说 LOIS 的特点之一是能证明“没有发现什么”。在法律场景里，这比很多漂亮回答更要命。

你不需要买法律 AI，也不该把 AI 当律师。但法律行业给了一个非常有用的隐喻：很多生活事务其实也像小案件。保险理赔、签证申请、孩子转学、医疗报销、租房纠纷、遗产资料整理、跨国旅行突发事件，都不是一个问题一句答案能解决的。它们需要事实时间线、文件清单、待办、截止日、沟通记录和证据缺口。AI 如果只帮你总结一堆 PDF，价值有限；如果它帮你维护一个“案件包”，价值就大得多。

一个普通人的案件包可以很简单。第一份文件叫 timeline.md，只写日期、发生了什么、谁说了什么。第二份叫 documents.csv，列文件名、来源、日期、用途、是否缺失。第三份叫 questions.md，列还没弄清的问题。第四份叫 actions.md，写谁在什么时候做什么。你可以把这些文件放在一个本地文件夹、Notion、飞书或 Google Drive 里，再让 AI 定期检查：哪些事实没有证据，哪些文件过期，哪些问题重复出现，哪些待办没有负责人。

这类方法听起来不酷，却能救很多真实麻烦。比如你要处理一次医疗报销，不要只问 AI“这能不能报”。先让它把发票、诊断、处方、保险条款、沟通记录按时间线排好，再问：哪些材料缺失，哪些术语需要医生解释，哪些条款必须人工确认，下一次电话该问哪 5 个问题。AI 在这里不是法律或保险专家，它的角色更像一个不怕麻烦的整理员。

法律 AI 对普通人的启发，是把高风险事务“案件化”。越是牵涉钱、身份、健康、家庭和期限，越不适合在聊天框里随问随答。先把材料变成系统，再让 AI 在系统里帮你找缺口，这比让它直接给结论可靠得多。

很多人用 AI 学东西，第一反应是让它解释、总结、出答案。短期看，这很有效：读得快，题做得快，报告写得快。问题是，教育研究一直有个不太舒服的提醒：表现变好，不一定代表学会。OECD 的 Digital Education Outlook 2026 也在强调这一点：生成式 AI 可以帮助学习，但如果没有清楚的教学原则，它可能只是帮学生完成任务，不一定带来学习收益。

成人学习也绕不开这个问题。你让 AI 总结一本书，得到的是摘要；让 AI 解释一个概念，得到的是顺滑表达；让 AI 直接解题，得到的是答案。它们都可能有用，但不一定改变你的能力。学习通常要经过几个不舒服的环节：先回忆，暴露自己不知道；再解释，发现语言里的漏洞；再练习，犯错；再迁移，把知识用到新场景。AI 如果把这些环节全部替你抹掉，你会觉得自己学得很快，其实只是绕开了最该发生的困难。

Open TutorAI 这类开源项目有意思的地方，不在于它用了 3D avatar 或沉浸式界面，而在于它试图把学习画像、个性化反馈和动态辅导放进同一个平台。好的 AI tutor 不该只是一个更有耐心的答案机器，而应该知道学习者现在卡在哪一步：概念没懂，例子太少，练习太简单，还是能做旧题但不会迁移。

普通人可以立刻改用法。学一个新概念时，不要问“请解释给我听”。先写下自己的理解，哪怕很烂，再让 AI 挑错：哪里偷换概念，哪里只有例子没有定义，哪里看似懂了但不能应用。做题时，不要让它直接给完整解法。让它先只问一个提示问题；你回答后，它再判断下一步提示。如果你已经做完，让它生成一道相似但表面不同的题，测试你是不是只记住了套路。

对家长来说，这条边界更重要。AI 可以是陪练、出题器、反馈器，但不该成为孩子逃避思考的捷径。一个简单判断是：孩子用完 AI 后，能不能不用 AI 重新讲一遍？能不能指出自己错在哪里？能不能做一道稍微变形的题？如果不能，那次 AI 辅导很可能只是提高了作业完成率，没有提高学习。

AI 家教当然值得用，只是要反着用。不要把它当随叫随到的答案库，而要把它当一个会制造反馈的练习伙伴。比起“教会我这个知识点”，更好的提示是：“请先测试我，再根据我的错误只讲我缺的那一块，最后给我一道迁移题。”学习不是让 AI 把路铺平，而是让它把坑标出来。