3個AI干1個人的活：產品經理的「分工暴論」

每天用AI的人里，73%只開一個聊天窗口。這是Anthropic去年調研的數據，而我曾是那73%里最固執的一個。

直到某天凌晨，我對著ChatGPT改了第七版方案，突然意識到：我在用瑞士軍刀砍骨頭。不是刀不好，是我用錯了場景。三個月后，我的瀏覽器常駐三個標簽頁——Claude、Gemini、ChatGPT——各司其職，互不串崗。

Claude：我的「戰略合伙人」

需要深度思考時，我打開Claude。不是因為它更聰明，是它的「思考節奏」對味。

ChatGPT像急著交卷的學生，三秒給出答案；Claude會停頓，會反問，會把你的前提條件拆開來檢驗。去年做一款B端產品的定位策略，我喂給它競品分析報告、用戶訪談紀要、財務測算表——它回了我一份八頁的結構化分析，其中有個洞察我自己都沒意識到：我們的目標客戶其實在為「組織安全感」付費，而非功能本身。

這種輸出需要代價：Claude的響應速度是三者最慢的，且對長文檔的處理有窗口限制。

但我學會了配合它的節奏。復雜任務拆成三段式提問：先給背景，再要框架，最后填細節。它不像在回答你，像在陪你把思路走通。一位做咨詢的朋友說得好：「Claude是唯一會讓我感覺被挑戰的AI。」

我的使用場景很固定：戰略推演、產品定位、需要「第二大腦」驗證的關鍵決策。每周大概打開4-5次，但每次對話都超過20輪。

Gemini：我的「研究外包隊」

Google把Gemini塞進搜索框那天，我的工作流徹底變了。

以前做行業研究，路徑是：關鍵詞搜索→打開15個標簽頁→手動交叉驗證→整理成筆記。現在直接問Gemini：「過去18個月，北美SaaS公司的定價策略有什么顯著變化？附具體案例和數據來源。」

它的核心優勢不是生成質量，是「信息錨定」。每個觀點都帶可點擊的引用鏈接，你可以一鍵跳去原始出處驗貨。這對需要寫報告、做背調、應付老板「這個數據哪來的」場景，是剛需。

但別讓它寫東西。Gemini的文案輸出有種奇怪的「翻譯腔」，像是把英文維基百科用機器潤色了一遍。

我的分工很明確：Gemini負責「找」，Claude負責「想」，中間隔著一條楚河漢界。上周查一家競品的融資歷史，Gemini 30秒拉出時間線，帶Crunchbase和TechCrunch的原文鏈接；換Claude來，它可能會編一個看起來很真的故事——這就是幻覺（人工智能生成虛假信息的傾向）的代價。

日均使用最高：Gemini。但單次對話輪數最少，平均3輪內解決戰斗。

ChatGPT：我的「執行苦力」

這是我最熟悉的工具，也是誤解最深的。

以前我讓它寫方案、想創意、做分析——全是它最不擅長的。GPT-4的強項是「模式匹配」：格式化輸出、代碼調試、批量生成變體、把混亂的會議紀要用固定模板重排。簡單說，它是頂級實習生，不是戰略顧問。

現在我的ChatGPT對話里，80%是這類指令：「把這封郵件改三個版本，分別針對技術負責人、采購決策者、終端用戶」「用Python爬取這個API的數據，處理成CSV格式」「把這段口語化表達改成麥肯錫風格的bullet points」。

它的響應最快，對模糊指令的容忍度最高，且支持最多自定義指令（Custom Instructions）。

我設了兩套人格：一套是「 ruthless editor 」，專門砍我啰嗦的句子；一套是「 code assistant 」，默認用中文解釋代碼邏輯。這些預設省掉大量重復溝通成本。

但有個陷阱：ChatGPT太「好用」了，會讓你產生「再試一次就能更好」的幻覺。我的止損規則是——同一任務迭代不超過3輪，超了就換Claude重新 framing（重新定義問題框架）。

這套分工的隱藏成本

三工具并行不是免費午餐。首先是認知開銷：你得記住每個模型的脾氣，像管理三個性格迥異的下屬。其次是數據割裂：Claude的記憶窗口獨立，Gemini的搜索歷史在Google生態，ChatGPT的自定義指令不互通。

更麻煩的是「任務邊界模糊時刻」。一個產品需求文檔，該用Claude定框架還是ChatGPT直接生成？我的判斷標準是：如果輸出質量差異超過30%，選Claude；如果今晚就要交差，選ChatGPT。

有個數據值得玩味：切換成本讓我平均每天多花12分鐘在工具管理上，但端到端的任務完成時間縮短了40%。這筆賬怎么算，取決于你更缺時間還是更缺深度。

這套方法跑了八個月，唯一確定的結論是——沒有萬能AI，只有被用對場景的AI。Anthropic、Google、OpenAI三家公司的產品哲學差異，比你想象的更大：Claude追求「有用但誠實」，Gemini綁定「搜索即答案」，ChatGPT押注「通用即正義」。

你的默認聊天窗口是哪個？如果只能留一個，你會怎么選？