我们最初想解决的是一件很具体的事：几家 AI 同时在电脑上工作，能不能有一个地方，让人知道它们分别做到哪里了。
一个窗口在写代码，一个窗口在查资料，另一个窗口停下来等你回答。你去看刚生成的方案，回来时已经忘了前一个任务卡在哪一步。有时工作早就结束了，你还在等；有时你以为它在继续，其实它一直在等你。
把这些状态放在一起，需要人时再提醒一下，似乎就能省掉不少来回切换。这个想法很朴素，也确实值得先做。
但沿着它往下想，问题开始变多。即使所有状态都在一块屏幕上，谁来决定下一步做什么？谁把刚才确定的要求交给另一个工具？结果之间对不上，由谁发现，又由谁解释应该怎么改？
这些事情仍然落在人身上。
AI 执行得越快，等待处理的结果也可能越多。一份原本要花很久准备的材料，现在很快就能出现几个版本。我们获得了更多选择，也需要读完它们、辨别差异、作出决定，然后把决定传到后续工作里。速度带来的收益，经过这些环节以后，才会变成真正完成的事情。
我们开始留意这部分不太显眼的劳动。它很少被单独计算，却贯穿使用 AI 的整个过程：找材料，重讲背景，分配任务，检查是否真的执行，处理遗漏，再把修改意见交回去。做完以后，还要记住哪些地方下次别再出错。
比如准备一条内容。资料找到了，不代表观点已经站得住；初稿写完了，不代表它适合这次想面对的人；配图生成了，也不代表它与正文表达的是同一件事。有人需要把这些结果放回共同的目标里，判断下一步应该怎么走。
做产品、经营电商也有类似的部分。需求讨论、商品资料、用户反馈和交付要求，分别存在不同地方。工具可以帮助完成其中很多步骤，事情之间的关系却常常保存在一个人的脑子里。一旦离开一会儿，再回来就需要重新捡起。
对于独立工作者，这份负担尤其直接。你既是具体工作的执行者，又在安排工作、协调工具、跟进结果。原来几个人之间的分工，有一部分变成了一个人与多个 AI 之间的分工，组织它们的时间也需要有人付出。
这使我们重新理解“效率”这个词。
一段文字从半小时变成几分钟，当然是一种进步。但如果我们想知道一个工具有没有让人更轻松，还需要继续看：交代用了多久，检查用了多久，哪里需要返工，中间有多少次必须放下手里的事回来处理。只看生成那一步，很容易把剩下的劳动留在视野之外。
技术进步与人的生活改善之间，也需要这样具体的连接。工具让工作做得更快以后，人可能得到更多可支配的时间，也可能只是接到更多工作。两种结果之间，包含着工作怎样安排、收益怎样分配，以及人能否决定自己节奏的问题。
一个产品能改变的范围有限。它可以先认真对待自己与使用者之间的这段关系：新增的能力给了人什么，新增的要求又拿走了什么。
如果用户想在同样的时间里承接更多项目，我们应该帮助他扩大可靠完成工作的范围。如果用户只想把原来的事情办好，早点结束一天，我们也应该承认这是一种同样成立的收益。省下来的时间，应该允许他自己决定怎么用。
我们越来越希望，AI 的效率能转化为人的余力。这里的余力很具体：少惦记一件没交代完的事，少重复解释一次背景，也能在暂时离开电脑时，相信手里的工作没有因此失去联系。
于是，最初那个“把状态放在一屏里”的想法，有了更明确的下一步。我们想试着把一件工作从材料、讨论到执行、反馈接起来，看看其中哪些组织劳动可以被分担。
这件事还有很多需要弄清楚的地方。尤其是，每个人对一份好结果的要求不同，也会随着工作变化。一个系统要怎样理解这些要求，才能在下一次真的少让人费一点力？
我们准备从这里继续试。