听完 Molly Graham 和 Lenny Rachitsky 这期对谈，我一直在想：工作交给 AI 之后，究竟有多少真的离开了我的桌面？
模型能很快交出一版代码、一份方案或一组分析。接下来仍有人要读、挑错、补条件，最后决定能不能用。看起来少了一步，实际那个人还得检查是不是做对了。把这也叫“委派”，容易让我们以为已经腾出了同等多的时间和心力。
「把积木交出去」原本意味着有人接手
Section titled “「把积木交出去」原本意味着有人接手”Graham 的建议最初讲的是组织扩张时的交接：一个人做熟了某件事，后来把它交给同事，自己再去学下一件。困难常常不在流程，而在身份。那件工作可能正是一个人擅长的事，也是他在团队里被认出来的方式。交出去之后，会不会还有新的位置？
这套说法有说服力，是因为接手的人能逐渐形成自己的判断，承担一部分结果。交接之后，原负责人可以离开那个任务，去做别的事。积木换了主人。
AI 委派常常没有这一步。输出可以来自模型，质量判断、上下文和后果仍落在人身上。Graham 在对谈里说，把事情给机器人和交给人不一样：监督与最终成品仍由人负责，mental tax 也没有因此消失。
少做几步，可能多出一份审阅工作
Section titled “少做几步，可能多出一份审阅工作”“让 AI 做”听起来像任务结束，实际只是换了一种劳动：描述目标、提供材料、检查结果、发现遗漏、要求修改，再确认它有没有引入新问题。任务越开放，越难验收。要是我说不清什么叫做好，就很难判断模型交来的东西。
AI 确实能省下一些时间。它可能把许多手工步骤压缩到一次生成里，也降低了一个人尝试跨职能工作的门槛。但产出变快，不代表总成本就降了。审阅和返工也占用时间，错误还可能由后来接收结果的人买单。
我之前在《当 AI 开始记住工作，人还要做什么？》里写过持续协作中的上下文问题。这期对谈让我想把问题再往前推一步：模型记住了多少、能做多少，并不能回答谁对结论负责。组织如果只数调用次数、生成量或交付速度，就会漏掉那份没有消失的验收劳动。
留下判断，不代表拒绝自动化
Section titled “留下判断，不代表拒绝自动化”Graham 提到几类她不愿意轻易交给 AI 的工作：判断、策略、信任关系，以及连质量标准都说不清的任务。我理解这不是给人划一道“神圣领域”，而是在问：把任务交出去之前，我是否知道要什么、怎么验收、出了问题谁来处理？
如果答案都没有，自动化只是把不确定性往流程后面推。反过来，目标清楚、结果能检查、失败能收拾的步骤，更适合交给工具。人可以少做一部分重复执行，把时间留给设定方向、理解具体处境和判断结果是否值得交付。
这也改变了我对“让自己变得多余”的理解。我不想把价值全押在某种固定操作上。操作可能被工具接手；提出问题、识别质量差异、理解他人需求、承担取舍，这些能力还得靠真实工作来练。用 AI 扩大行动范围，同时继续为结果负责，这样的委派才有意义。
失去一种工作方式，也可以先承认它
Section titled “失去一种工作方式，也可以先承认它”对谈里，Lenny 说自己怀念亲手写代码时进入的 flow；Graham 也讲到工程师从“划船”转向“掌舵”之后，有人会觉得自己不想只做掌舵的人。这里不是工具效果的争论，而是工作里获得乐趣和成就感的方式变了。
如果有人就是喜欢动手搭东西，“现在可以让 AI 全做”并不能安慰他。Graham 说这种失落是真实的，应该给哀悼留一点空间。我赞成。承认不舍，不妨碍学习新工具，也让团队能说清楚：什么工作方式正在消失，接下来又想把时间花在哪里？
团队负责人可以和成员一起写清楚委派边界：哪些步骤可自动完成，哪些输出必须由人复核，谁定义质量，谁为最终结果签字。只喊“多用 AI”，团队得到的可能不是更多空间，而是一批生成得更快、仍要有人兜底的工作。
“把积木交出去”在 AI 时代仍然有用，每次交接前都该把三件事写清楚：目标是什么，用什么标准验收，出了问题谁来处理。答得出来，再把执行交给 AI；答不出来，就别把任务当成已经交出去了。