知道 AI 能干什么能提高效率，知道它干不好什么能避免损失——后一件事往往更值钱。这篇就按五类拆清楚 AI 目前的硬边界，并告诉你每一类该怎么应对。先给结论：它擅长处理，不擅长负责。
边界为什么比能力更值得先知道
能力决定你能用它做多少事，边界决定你会不会因为它吃亏。一个会把错误答案讲得头头是道的工具，危险不在「答不出」，而在「答错了你却看不出来」。所以对普通使用者来说，先把大语言模型的短板摸清，比追着学各种新功能更实在。
事实类：它会自信地出错
AI 最典型的失效是「AI 幻觉」：人名、数据、文献、出处，它都可能一本正经地编出来，而且措辞流畅得像真的。原因是它本质在预测「下一个词最可能是什么」，而不是在查一个事实库。凡是涉及事实的答案，没有来源，就默认不可信。
之所以会编造而不是说「不知道」，是因为它的目标是让回答看起来连贯合理，而不是「说真话」。当它没有掌握某个事实时，它往往顺着上下文补一个「看起来像」的答案。所以判断它靠不靠谱，不能看语气，要看有没有可核验的来源。
数字与时效类：两个硬短板
数字上，它经常做不好多步精确计算，因为它是文本模型，不是计算器。涉及金额、比例、多步推导，让它列出公式，或者把数字单独放进表格工具核验，别指望心算。
时效上，它有一个知识截止时间，之后发生的事它不知道；即便能联网搜索，也可能搜到过期的内容。问最新的事，要自己带上时间和来源。
这两个短板有个共同的应对思路：把「它不知道的部分」主动补给它。数字的事，让它把计算过程一步步写出来，你只看每一步对不对；时效的事，把最新的材料先贴给它，再让它基于材料回答。主动喂信息，比指望它自己知道可靠得多。
私密与判断类：它补不上的部分
私密信息这一块，不把资料给它，它就不知道，指望它「自动懂你的业务」不现实。判断与审美这一块，它能给十个方案，但「哪个最适合你」取决于你的具体情况和偏好，这个判断只能你来下。责任这一块，它给的任何建议，出了问题后果都在使用者身上——这一条没有商量余地。
这些短板并非「暂时没做好」，是机制性的：语言模型没有真实世界的体感，也不承担任何后果。理解了这一点，就不会指望它替你拍板。
不过边界也不是一成不变：联网检索、更长的上下文、外部工具调用，都在一点点把「时效」「私密」这类短板往前推。判断时别背死结论，而是盯住一条不变的线——凡是需要「事实准确」和「有人担责」的环节，不管工具多强，都要保留人工核验这一步。
按边界类别看应对
| 边界类别 | 典型表现 | 应对方法 |
|---|---|---|
| 事实类 | 编造人名、数据、出处 | 要求给来源，点开原文核对 |
| 数字类 | 多步计算算错 | 让它列公式，用工具单独核算 |
| 时效类 | 不知道截止后发生的事 | 自己带上时间和来源再问 |
| 私密类 | 不知道你内部信息 | 先给资料，再要求基于资料回答 |
| 判断类 | 给方案但不定夺 | 把「选哪个」留给自己 |
这张表不是让你「不信任 AI」，而是告诉你每类短板对应一个固定动作。把动作练成习惯，边界就从风险变成了护栏。
把边界变成使用方法
速查：AI 用之前的三问
- 这答案涉及事实吗？涉及就先找来源。
- 这答案涉及数字或计算吗？涉及就单独核算。
- 这决定要有人担责吗？要就自己拍板。
AI 是一个「擅长处理、不擅长负责」的工具。把它用在「出草稿、给选项、做整理」上，把「核实、判断、担责」留给自己，这就是用好它的核心方法。即便是视频生成这类看起来「动手」的任务，边界也一样存在：运镜词能不能被模型准确理解、视频延展能把片子续到哪一步、抽卡背后的次数成本，都是「生成能力强但结果不可控」的具体注脚。看清边界再上手，比闷头试错省事得多。
