AI 视频分析报告
AI 和人协同的四个象限,完美解决 AI 用不好的问题 你有没有发现:你说 A,AI 说对;换成 B,它还说对? 借用心理学的乔哈里视窗(Johari window),在人和 AI 沟通的时候,先去看看你当前在哪个象限 🔹 我知道,AI 也知道 → 说清标准,让它执行 🔹 我不知道,AI 可能知道 → 让它教我,并给出验证清单 🔹 我知道,AI 不知道 → 让它采访我,补齐背景与判断 🔹 我和 AI 都不知道 → 提出假设,去现实中做小实验 一句话记住: 把我的已知说给 AI,把我的未知问出来,把外部已知让 AI 找回来,把共同未知一起试出来。 你最近在哪件事上觉得 AI 不好用?把具体问题留在评论区,我帮你看看卡在哪个象限。 #如何用好ai #ai认知升级 #知识分享内容太过真实 #ai工作日常
任务ID: 2025
30秒速读
核心摘要
可执行建议
- 我知AI也知的共识区,明确标准目标直接让AI执行
- 我知AI不知的区域,搭建专属知识库补齐项目等个性化上下文
- 我不知AI知的区域,向AI提问学习,还可让其挖掘自身认知盲区
- 双方都未知的区域,共同设计验证逻辑落地小实验迭代探索
高价值评论洞察
- 不少深度AI用户反馈高频遇到AI刻意迎合思路、不懂装懂的问题,现有四象限框架可补充这类特殊场景的应对逻辑
- 用户对AI个人知识库接受度很高,但普遍存在训练数据被平台上传、隐私泄露的顾虑
- 有资深用户提出现有协同技巧的有效性受大模型能力上限影响,也有用户拓展出反向让AI挑错的创新用法
用户关注点
- AI知识库的搭建工具、实操方法,以及隐私安全防护方案
- AI不懂装懂、刻意迎合用户思路这类实际痛点的解决办法
- 不同场景下的AI工具选型推荐,比如批量文件筛选、内容整理类需求
可复用选题/回应建议
- 产出四象限场景补全内容,专门讲解AI假装知道、刻意迎合这类特殊情况的落地处理方案
- 推出AI个人知识库搭建实操教程,同步科普规避数据上传泄露的实用技巧
- 整理不同细分场景的AI工具清单,回应用户的具体工具选型诉求
代表性评论
- 用户反馈用AI开发小程序时,AI全程迎合自身思路,最终输出结果完全偏离预期,价值是真实印证了人机协同中未做好信息同步的典型痛点
- 用户提出搭建个人知识库3个月后,训练过的知识点可能被平台上传,价值是点出了多数用户未留意的知识库隐私风险,戳中普遍顾虑
标签与备注
标签
备注
暂无备注
转录文本
我今天晚上用了AI干活,贼爽,我觉得效率最高。然后我给大家分享一个我用了一年多的、用AI交付的方式,巨省时,巨牛。 这个其实是一个心理学的框架,叫乔哈里窗。用“我知不知道”和“AI知不知道”画两条线,分出我知道、我不知道、AI知道、AI不知道四个维度,两两组合划分出来之后,就会出来四块区域。 我知道和AI知道的这部分就是共识区,这部分就让AI给你干活就好了。你就把你的标准、你的目标、你想要做的事情,全部都跟它说,让它给你干好。这个区域其实就是我们平时日常用AI最高效的一个区域。 然后第二个区域就是我知道,但是AI不知道的这部分。这部分现在的探索已经做得很好了,常见于你有一些项目的信息,你们公司有一些数据,这些信息是你自己专属的,是你自己非常个性化的一些信息和数据,这些在公开的网络上是不具备的,所以需要你来给AI搭一个知识库,让AI去知道你的上下文,知道你的整个项目是干啥的,你们整个客户是谁、产品是谁、流量是啥。这个其实就是之前很火的AI大知识库玩法。 然后第三个区域就是AI知道,但是我不知道的部分。其实“我不知道”这个区域是有两种情况的,第一种情况叫我知道我不知道,那这个时候其实我是可以用AI去学习的。 比如说,我现在想学怎么做个人IP,然后我就去跟AI说,那我怎么做个人IP?甚至你可以让AI给你在这个领域里找到一些专家,让这些专家来给你一些思路和建议。这种情况其实是比较好理解的,就是你直接跟AI去学习就好了。这个时候实际上考验的是我们的提问能力。 然后还有一种情况,我觉得比较复杂,就是我不知道我不知道,但是AI知道。这种情况其实我最近在搭完我的个人知识库之后,发现AI开始起作用了。就是当你把你的很多的信息都告诉AI的时候,你去问它:“你有没有看到什么我不知道的,但是你发现了我的盲区?”它这个时候就会给你总结出来非常非常牛逼的、非常非常非常屌的、非常穿透你的那种,就感觉你整个人被它看出来了的内容。这个其实就是AI能帮助我们去了解自己,在上下文足够充足的情况下,它能给你一些非常好的发散性的启发。 该说不说,这半年我每次跟AI聊,聊到这种被它一针见血地戳出来我整个人内心最隐秘的那些认知盲区的时候,我都会觉得太顶了。 然后还有第四个,第四个就是我不知道,AI也不知道。其实这个区域,我现在会觉得它实际上是一个我们需要跟AI一起去共创、去探索的区域。我反而觉得这个区域可能是未来商业模式和新的AI方向的一个 比较大的一个可能性,是这个领域的东西,AI也不知道,我也不知道。然后可能需要我们去跟AI一起去探讨,一起去设计一些能够验证、能够在现实生活中拿到反馈、迭代闭环的验证逻辑。 说完这四个象限,再说一下为什么我觉得这四个象限非常好用,就是因为它非常底层。有的时候你跟AI聊着聊着,你会发现它反反复复被你拉到一个解决问题的误区里。然后你跟它说:“我觉得你这个地方逻辑有点漏洞。”然后它就给你改了一下。然后你再跟它说,其他地方逻辑还有漏洞,它又给你改一下。其实我觉得这些都是因为,我们在跟AI协作的过程中,实际上我们是希望跟AI在第一个象限的那个共识区里,让它帮我们做事情的。但是我最近这半年用下来,我发现其实非常少的情况下,我们会达到那个共识区。更大的情况下都是在,要么是我不知道、AI也不知道的地方,要么是我以为我知道,但其实我不知道。很多时候,我们对于这件事情要达到什么样的目标,都有哪些环节,这些环节每个环节都需要达到什么样的标准,对于这些,其实我们是没有明确的判断的。当我们没有明确的判断的时候,我们让AI去帮我们做事情,信息差就只能基于它当前拿到的信息。 和对于这个任务的理解去做事。但是AI非常的快,它会非常灵敏、迅速地去给我们做完,之后你又发现整体做出来的效果非常差。所以其实我现在越用越觉得,让AI做好事情的前提,是我们自己真的已经非常清楚这里每一步、每一个环节到底是什么东西,然后AI才能达到你80%、90%的效果。不然的话,如果你标准不清晰,或者说你对理想达到的这个事情、被定义为解决的那个状态不足够清晰的话,实际上AI是没办法给你交付出你理想中的那个状态的东西的。