同一个模型，两种人生
先讲两个真实感很强的场景。
小张让 AI 帮他写一份行业分析。他打开聊天框，输入「帮我写一份新能源汽车行业分析」，拿到一份四平八稳的八股文，改了两小时，最后还不如自己写。他的结论：AI 也就那样。
小李做同样的事。她先花十分钟把自己知道的东西倒给 AI：报告给谁看、他们关心什么、上次的报告哪里被老板打回来了、她手上有哪几份数据、她猜结论可能是什么但不确定。然后她不要「一份报告」，先要五个不同的分析框架，挑了一个，让它先出提纲，再分段写，每段写完她挑刺，挑完再改。最后她花四十分钟拿到了一份能直接交的东西。
同一个模型，同一道题。差的那几倍时间，差在哪？
车是一样的，挡位不一样
把 AI 想成一辆 F1 赛车。它的引擎能跑到三百公里时速，这是厂商的事。但赛车交到一个从没摸过方向盘的人手里，他大概率会：挂一挡，踩住油门不敢松，转弯踩刹车踩到死，然后抱怨「这车也没比我的家用车快多少」。
他没说错——在他的开法下，F1 确实不快，甚至更慢，因为他还得为它的敏感和脾气付出代价。
小张和小李的差距就是这样。车是一样的车。区别是小李知道这台车有哪些旋钮——那些可以动手调节、每个都会显著改变结果的开关——而小张只知道油门和刹车。
大白话：AI 不好用，先别怪车，先看看自己挂了几挡。
差距不是线性的，是相乘的
一个容易低估的事实是：这些旋钮的效果是相乘的，不是相加的。
给足背景信息，结果好一倍；任务切对大小，再好一倍；要求它先给方案再动手，避免一次返工，又省一半时间；会验收，少错一次漏一次。每一项单独看都不算神奇，但四五项叠在一起，就是数量级的差距。这就是为什么「AI 到底有没有用」这个问题永远没有共识——提问者们开的根本不是同一辆车。
这也是为什么争论「现在的 AI 够不够聪明」经常是错的焦点。对大多数人来说，手边这台车的马力远远没有用完，等更强的引擎，不如先学换挡。
好，那旋钮都在哪？
看到这儿，合理的反应是：行，那你说说，这屋子的旋钮到底有哪些？
下一章我们干一件有点笨但很有用的事：把「管理 AI」这件听起来很虚的事，拆成一张具体的旋钮清单。你会发现它们没有一个高深莫测——难的不是知道它们存在，而是意识到它们每一个都值得你花心思去调。