最近在多个项目里和 AI 协作了一把，有了一个越来越清晰的感受：AI 能帮你完成 80% 的工作，但剩下的 20% 才是真正见功底的地方。
没那么神，但也没那么糟
不是说 AI 不好用。恰恰相反，现在的 AI 在代码生成、文档起草、技术调研这些事儿上已经相当靠谱了。但当你追求的是"可上线"而不是"可以跑"的时候，那 20% 的人工介入就躲不掉。
具体场景里，这种 Gap 体现在：
文档撰写：AI 写的东西读起来四平八稳，但总感觉差点火候。措辞的拿捏、格式的讲究、关键观点的突出，这些"看起来很简单"的事情 AI 往往处理得中规中矩。
代码生成：边界条件、异常处理、特殊情况——这些 AI 经常漏掉。不是它不懂，而是它不知道你的业务里那些"约定俗成"的细节。
系统配置：生产环境的参数调优、监控告警阈值、安全加固策略，AI 能给出一个像模像样的模板，但最终还是要靠人确认。
汇报材料：这个最明显。AI 整理的信息往往是"全"的，但缺乏"重点"。哪些该详、哪些该略、怎么把技术细节讲成人话，这活儿 AI 干不来。
为什么会这样
我自己总结了几个原因：
隐性知识：很多业务上下文里的东西，我们自己都没意识已经"默认"了，AI 更不可能知道。
效果阈值：AI 输出通常是"可用"到"不错"，但要达到"完美"，那一点手动调整的性价比最高。
反馈闭环：让 AI 自己迭代到完美太慢了，不如人改一下马上好。
怎么应对
折腾久了，总结了一套还算实用的做法：
- 接受 80/20 定律：别指望 AI 一次性搞定一切，定好这个预期，协作效率反而更高。
- 明确人工节点：在使用 AI 的时候，主动标注哪些环节需要人确认，而不是让它自由发挥。
- 快速 Review 机制：与其等 AI 改来改去，不如人快速过一遍，指出问题让它改。
说白了，AI 是很强，但它强在"执行"，人强在"判断"。把这个分工理清楚了，协作效率就上去了。
本篇记录于 2026-03-04，是 AI 协作系列的第一篇后续思考。