不是所有工作都适合 AI——但有一批任务，你今天就可以把它们交出去。这一章给你一张地图，标出那 20 个可以立刻开始的起点。
在列出那 20 件事之前，有一个更重要的问题值得先回答：凭什么是这 20 件，而不是其他的？如果你只知道结论，不知道背后的判断逻辑，那这 20 件事用完了你还是不知道下一步该怎么走。所以这一节先给你判断框架，再给你具体任务清单。
适合 AI 接管的任务，通常同时满足以下三个特征中的至少两个。第一，输入可以被清楚描述——这项任务的原材料是文字、数字、表格或其他结构化信息，而不是"感觉""氛围"或需要当面沟通才能传递的内容。第二，输出有参照标准——有格式模板、有前例可循、有明确的"好"的标准，不是完全依赖主观审美或个人风格。第三，高频重复——每周至少做一次，或者每月要做好几次同类型的任务。满足两条就可以立刻 AI 化；只满足一条，先建个 Skill 模板备用；一条都不满足，先不要强行接入 AI。
任务 AI 化优先级矩阵：高频 + 输出有标准 = 右上角优先动手区域
还有一个维度值得单独说明：任务是否涉及线下实体操作或关键人际判断。开一场重要的商务谈判，你需要读懂对方的肢体语言和情绪变化，这不是 AI 现在能做的事；但谈判前的背景资料整理、竞品信息汇总、提案初稿撰写，都可以交给 AI。原则是：凡是需要"在场"才能完成的，暂缓；凡是在屏幕前就能完成的信息处理任务，都值得考虑。
下面这二十件事，按照任务类型分成四组：写作与生成、分析与处理、沟通与转化、研究与决策。每一组里，我会详细展开一个锚点案例，让你看到真正的操作路径——不是"输入一句话让 AI 写"，而是搭一个 Skill 或者建一条 Workflow。其余四件事以紧凑格式呈现，你可以按图索骥直接套用。
写作类任务是 AI 最早成熟、也最容易上手的领域。但这里有一个认知误区需要纠正：不是"让 AI 帮你写一篇文章"，而是建立一套标准化的生成流程。同样是写会议纪要，一个停在 Prompt 层的人每次要花 20 分钟描述背景、调整格式、反复修改；一个建了 Skill 的人 3 分钟出稿，建了 Workflow 的人根本不用手动触发。
运营部的小李每周要参加或主持至少五场会议——周会、跨部门同步、项目复盘、供应商沟通。每场会议结束，她需要整理纪要发给参与者，这件事让她每周消耗大约两个半小时：录音需要手动整理，关键决策需要从对话里提炼，行动项需要标注责任人和截止日期，然后还要按照统一格式发到飞书群。
她现在的方案是一条三段式 Workflow：会议结束后，她把腾讯会议或飞书妙记自动生成的转录稿复制进来，触发 Skill——这个 Skill 的角色设定是"专业会议助理"，固化了输出格式（背景摘要 / 核心决策 / 行动项清单 / 待跟进问题 / 下次会议议程），每次只需要填入两个变量：会议名称和参与人列表。AI 处理完后，Workflow 的第三段自动把格式化后的纪要推送到指定飞书群，并 @ 所有行动项责任人。全程她的操作时间：把转录稿粘进来，30 秒；确认发送，5 秒。
第一步：建立会议纪要 Skill ——在 Coze 或 Claude 里，定义角色（专业会议助理）+ 输出格式（五个固定模块）+ 输入变量（转录稿 / 会议名称 / 参与人）。用三场不同类型的会议测试，确认格式稳定输出。
第二步：升级为 Workflow ——在 Coze 里添加飞书推送节点，配置目标群组和通知格式。如果你的团队用腾讯会议，可进一步接入自动转录 API，实现会议结束后完全无需手动操作。
预计节省：每次 25 分钟 → 约 1 分钟，每周节省约 2 小时。
三阶入门路径 · 今天就能开始，按需升级
allowed-tools: Read, Bash，Claude Code 自动读取本地指定目录下的所有转录文件，调用 Python 脚本批量处理，逐一生成标准化 md 纪要并归档。适合行政/秘书岗位，每天处理 5 场以上会议。
很多人试过让 AI 写东西，但觉得"风格不对""需要大改"。这通常不是 AI 问题，而是你还没建 Skill——每次描述背景的方式不一样，AI 给的结果自然不稳定。一旦把格式、角色、变量固化下来，AI 输出的稳定性会让你惊讶。
分析类任务是 AI 价值密度最高的区域。传统上，一份竞品报告需要一个人花半天时间搜集、整理、归纳；一个数据清洗任务可能让人在 Excel 里耗上几个小时。这类任务的共同特征是：原材料是信息，工作本质是结构化——把杂乱的输入变成有规律的输出。这正是 AI 最擅长的事情。而且配合工具调用（联网搜索 / MCP），分析类 Skill 还能主动去取数据，不需要你手动搬运。
市场部的小王曾经每月花一整天做竞品分析：Google 搜索竞品官网、查各平台的用户评论、看行业媒体报道，把信息一条条粘进文档，再整理成报告。这件事重要但繁琐，而且信息收集的质量很依赖当天搜到什么。
现在她在 Coze 里搭了一个启用了联网搜索工具的增强型 Skill。操作流程是：打开 Coze Bot，输入竞品名称和本次分析的时间范围，Bot 自动联网搜索三类信息来源（官方公告、行业媒体、用户社区），按照固化的五模块格式输出——产品动态、定价变化、用户评价关键词、营销动作、风险提示。整个过程 15 分钟，比过去快 5 倍，而且信息覆盖面更广，因为 AI 的搜索不会因为当天"没找到"而遗漏。
工具选择：Coze（国内可用，自带联网搜索插件）。在 Coze 里创建 Bot，开启"联网搜索"插件权限，这就是第 6 章说的增强型 Skill——它不只处理你给的信息，还能主动去取外部数据。
Skill 模板设计：角色 = 资深市场分析师；搜索指令 = 搜索 {竞品名} 近 {时间范围} 的产品动态、价格变化、用户反馈和营销动作；输出格式固化为五个模块，每个模块限 200 字以内，数据需注明来源。
进阶：在 Coze 里加定时触发，每月 1 日自动生成报告推送到飞书，实现完全 Workflow 化。
三阶入门路径 · 今天就能开始，按需升级
allowed-tools: WebSearch, Bash, Read，配合 Python 脚本：自动搜索多家竞品 → 读取历史数据文件 → 运行对比脚本 → 输出含趋势图的 Excel 报告。适合需要跨多个竞品持续追踪、并与历史数据做对比分析的场景。
这是一个 Level 2 Skill 的真实案例。用户用 Claude Code 内置的 skill-creator 技能，通过几轮对话描述需求，Claude Code 自动生成了一套完整的分析工具：
skill-creator 同时生成了三个辅助文件：
这类任务的 Level 0 版本只能粘贴文本手动提取；Level 1 Coze 版可以联网但无法读取本地 PDF 批量处理；只有 Level 2 才能做到：批量读取本地年报文件 → 跨文件对比 → 程序化输出 Excel。这就是三个层级真实的能力边界差异。
很多人以为分析工作的核心是"思考"，AI 做不了。但实际工作里，分析的 80% 时间花在信息搜集和格式整理上，只有 20% 是真正的判断。AI 把那 80% 拿走，你专注做那 20%——判断力才是你真正的不可替代性所在。
沟通类任务看起来高度依赖"个人风格"，很多人因此觉得 AI 不适合。但仔细拆解会发现，职场沟通的大部分场景其实是有固定逻辑的：商务邮件有结构，客户提案有框架，翻译有专业词汇要求，话术有场景分类。这类任务的关键不是创造性表达，而是在正确的结构里填入正确的信息——AI 非常擅长这件事，尤其是在建立了针对你的风格和语气偏好的 Skill 之后。
销售经理小张每天要处理几十封邮件：向新客户介绍方案、跟进报价谈判、处理投诉、感谢合作伙伴、推进内部审批。每种场景语气不同，诉求不同，需要拿捏的分寸也不同。过去他每封邮件都要思考措辞，每天在邮件上消耗一到两个小时。
现在他建了一套按场景分类的商务邮件 Skill 体系，共五个子 Skill：初次接触型（AIDA 结构：注意力 → 兴趣 → 欲望 → 行动）、跟进催促型（礼貌坚定语气 + 下一步行动清晰）、报价谈判型（锚定价值 → 预留让步空间）、投诉处理型（共情 → 确认 → 解决方案 → 保障）、内部协调型（简洁说明目的 + 明确需要对方做什么）。每个子 Skill 的输入变量只有三项：对方背景、本次沟通目的、需要对方采取的下一步行动。他现在写一封邮件平均花 3 分钟，其中 2 分钟是检查和个性化调整。
第一步：列出你高频的邮件场景（3—5 类）。不需要覆盖所有，先把最重复的做出来。
第二步：为每类场景定义 Skill 模板——角色（你的身份背景）+ 语气（正式 / 半正式 / 友好）+ 结构（3—4 个段落的固定框架）+ 输入变量（对方信息 + 目的 + 期望行动）。
第三步：用过去 5 封同类邮件检验 AI 输出质量，调整模板直到输出风格接近你的真实用语。这是一次性的"调教"投入，长期受益。
三阶入门路径 · 今天就能开始，按需升级
allowed-tools: Read, Bash，让 Claude Code 读取你过去的真实往来邮件文件夹，自动分析你的语气偏好和高频词汇，生成高度个性化的邮件模板。用你自己的"历史数据"训练，输出风格最接近真实的你。
用 AI 写邮件，最常见的担心是"不像我写的"。解决方案不是放弃，而是用你过去的真实文本去调教 Skill——把你满意的过去几封邮件作为示例放进模板，AI 会学习你的语气和风格。调教过的 Skill，输出会越来越接近你的真实表达。
研究类任务是很多人觉得"AI 帮不上忙"的领域，因为它似乎依赖专业判断和经验积累。但这里有一个值得重新审视的区分：信息搜集和结构化整理是 AI 能做的，最终判断和决策是人做的。一份市场调研报告，80% 的工作量在于"找信息、读信息、整理信息"，这些 AI 可以替你做；剩下 20% 是"判断这个市场对我们意味着什么、我们该怎么做"，这是你的工作。研究类 Skill 的价值，在于把那 80% 的时间还给你。
产品经理小陈接手了一个新项目，需要在三天内对目标市场形成基本判断：市场规模、主要玩家、用户痛点、当前阶段。以前这类调研需要花两天时间搜索、阅读、整理，产出一份二十页的文档。他现在用一个配备了联网搜索的 Skill 解决了信息搜集和整理部分，只花了 40 分钟。
他的 Skill 设计是：角色 = 资深行业分析师；搜索覆盖范围 = 行业报告关键词 + 主要竞品名 + 用户社区反馈；输出结构 = 市场规模与增速（含数据来源）/ 主要玩家及其定位 / 用户典型痛点（引用原始声音）/ 当前行业阶段判断 / 值得进一步调研的 3 个问题。最后一项"值得进一步调研的问题"是关键设计——AI 把它不确定或信息不足的地方标出来，交给小陈去判断是否需要一手调研。这是一种"AI 做初稿，人做判断"的高效分工。
工具：Coze（开启联网搜索插件）或 Perplexity（专门做研究型搜索的 AI 工具，国内可访问）。
Skill 关键设计：① 明确信息来源优先级（行业报告 > 头部媒体 > 企业官网 > 用户社区）；② 要求每个数据点后标注来源，便于人工核实；③ 加入"信息缺口标注"模块——AI 主动说明哪些问题没有找到可靠数据，避免误信 AI 的编造。
时间对比：人工调研 8—16 小时 → AI 辅助 40—60 分钟（信息搜集 + 整理）+ 人工判断 1—2 小时。
三阶入门路径 · 今天就能开始，按需升级
allowed-tools: WebSearch, Read, Bash，配合 Python 脚本实现：多关键词并行搜索 → 读取本地已有报告文件 → 交叉对比去重 → 输出含引用来源的结构化 md 报告 + 数据汇总表。与"券商年报分析"逻辑完全相同，适合需要定期深度调研的分析师岗位。
研究类任务用 AI 最大的风险是"AI 编数据"——它有时候会编造看起来合理的数字或来源。解决方案是在 Skill 模板里加两条规则：① 每个数据必须标注来源；② 如果找不到可靠数据，明确标注"无可靠数据支持"而非给出估计。这两条规则可以大幅降低"看起来真实但是编的"问题。
把这 20 件事放在一张图里，你会看到它们不是随机的列表，而是覆盖了白领日常工作的四个核心场景领域。每个领域里，你现在至少有一两件事可以立刻开始。
20 件任务按类型和优先级排列，找到你职能对应的那列，从 ★★★ 开始
你不需要同时做 20 件事。选一件你最熟悉的任务，把它做成 Skill，这是最高效的起点。那件你重复最多次的工作——每次都要重新描述背景、每次格式都差不多、每次花的时间都让你有点不耐烦——那件事，就是你的第一个 Skill。把它做出来、用一个月、感受效率差距，然后再选下一件。AI 化不是一次性的大工程，而是一个个小的 Skill 积累。三个月之后，你会发现自己已经拥有一套真正属于你的 AI 工具系统。
你和"AI 重度用户"之间的差距不是工具，是 Skill 数量
那些你看到的"AI 一小时搞定别人一天工作"的案例，背后不是某种特殊技巧，而是他们已经把高频任务全部 Skill 化了。每天节省 30 分钟看起来不多，一年下来是 180 小时——相当于 22.5 个工作日。这二十件事，是你这个 Skill 库的起点。
接下来第 8 章：把 AI 接入你每天都在用的 Office 工具