AI能替你干活，但不能替你思考

type

Post

status

Published

date

Jul 2, 2021

slug

AI-do-think

summary

写给每一个在AI浪潮里焦虑的职场人

01 别脱离任务学AI

观察那些“AI原住民”，你会发现：他们学AI，往往不是从“系统学习AI”开始的。

他想做个小产品，遇到不会的就问AI；他想运营一个账号，就让AI搜集资料、生成初稿、分析反馈。

他是先有一件事要做，AI只是路上顺手拿起的工具。

而我们常常反过来：先把AI供上神坛，再报课、囤资料、追发布会，好像只要学会足够多的按钮，就自然会有事情发生。

结果是：知道的工具越来越多，真正用AI做成的事，依然寥寥无几。

孩子是先有事要做，AI顺路学会；我们是先学AI，再假装自己有事要做。

图：不是先把AI学完，而是先拿一件真事开始。

所以，我并不是说AI不需要学。

我想说的是：

你不需要先学会AI，才有资格开始用AI。

这个时代当然需要AI教育。但我们更需要的，不是一个只教你按哪个按钮的老师，而是一个帮你想清楚“我到底想做成什么”的导师。

因为你的老板不会为“学会了AI”付钱，只会为“用AI做成了事”付钱。

与其继续问“我要不要再学一个AI工具”，不如先问：

我手头哪件真实的事，值得用AI重做一遍？

02 AI最危险的时候，不是它答错了

很多人以为，用AI最大的风险是“幻觉”：它会编造事实，会给出错误答案。

这当然危险。

但我越用AI，越警惕另一件事：

AI最危险的时候，未必是它答错了，而是它把你原本就想相信的东西，说得更像真的。

你在提问里暗示了一个立场，它往往会沿着这个前提继续推演；你对一个方案满怀期待，它可能顺手帮你把优点越写越多。

它不是在故意骗你。它只是太擅长接住你的话。

图：一个只会点头的AI，比一个会答错的AI更难防。

短视频时代，我们担心信息茧房：算法只推你爱看的。

AI时代，可能还有一个更隐蔽的陷阱：观点茧房。

公司里最不缺的，就是附和的人。开会时老板说什么，大家都点头。现在，连AI也开始点头了。

对一个要做决策的人来说，这才是慢性危险：你得到的不是反方观点，而是一个越来越完整的自我证明。

久而久之，你会产生一种“知识的傲慢”：

我的逻辑这么完整，怎么可能是错的？

所以，每次让AI评价你的方案，都别只问“这个方案好不好”。

试着加上三句：

“如果你是反对者，你会攻击哪里？”
“这个结论暗含了哪些未经证明的前提？”
“什么新证据出现时，我应该改变判断？”

这三句话不会让AI自动拥有真理，但它能迫使你从“证明自己”走向“检验自己”。

03 工具越聪明，越考验你的三种能力

AI迭代得很快，工具也会不断更换。

如果你把全部精力用来追新产品、新模型、新名词，那你永远都在跑步机上：满头大汗，但没有向前一米。

我判断，真正不容易被抹掉的，是三种能力。

第一，定义问题

很多人以为自己不会写Prompt，其实他真正不会的，是把需求说清楚。

你要解决什么问题？结果给谁用？什么叫做好？哪些边界绝对不能碰？

这些问题说不清，提示词写得再长，也只是用更多字制造模糊。

你怎么给AI下指令，暴露的就是你怎么给团队派活。

第二，判断结果

AI能在几秒内给你一份看起来很完整的答案。但“完整”不等于“正确”，“酷炫”也不等于“有用”。

你前AI时代积累的行业经验、审美和手感，不是过期负债，而是验收AI的标尺。

AI能帮你抬高产出的平均线，真正拉开差距的，仍然是判断。

第三，调度执行

黄仁勋曾把AI Agent类比为需要入职、培训和管理的新员工。

未来的职场人，需要学会管理一群不知疲倦、但又可能犯错的“AI实习生”：怎么拆任务，怎么给上下文，怎么设验收点，怎么在关键节点介入。

图：定义问题、判断结果、调度执行——工具可能会换，能力不会过期。

以后真正拉开差距的，不是谁能比AI做得更快，而是谁能把人和AI编成一套可反复运转的工作流。

04 比能力更底层的，是你还在不在场

定义、判断和调度之下，还有一个更底层的前提。

我把它叫做：主体性。

说白了，就是三个问题：

我是谁？我要什么？我愿意为哪个判断负责？

AI是放大器，但它放大什么，取决于坐在后面的那个人。

你有清晰的目标，它帮你加速；你有经验和审美，它帮你放大；你没有方向，它也只能把迷茫包装得更漂亮。

答案来得越快，人越容易跳过那些漫长但必要的过程：查证、怀疑、推翻、重来。

久而久之，被省掉的不只是时间，还有你的思考肌肉。

一个清楚知道自己要去哪里的人，AI是他的杠杆；不知道的人，AI可能变成一根越拄越瘦的拐杖。

所以，我不再用“交付50%还是80%”来划线。比例很难计算，也容易变成自我安慰。

我只检查三件事：

交给AI之前，问题是不是我定义的？
AI交付之后，我能不能判断它的对错？
真正出问题时，我愿不愿意为最终结果负责？

这三个问题都能回答“是”，AI做了多少并不重要。

如果回答不了，哪怕你亲手改了每一句话，主体性也未必还在。

05 什么可以交给AI，什么必须留给自己

我的边界很简单。

交给AI：重复、可逆、可验收

比如整理资料、转换格式、排版PPT、生成初稿、比较多个方案、检查错别字。

这些任务即使做错了，也容易重来；质量是好是坏，也有办法检查。

如果一件事只是在消耗时间，既没有增加判断，也没有练习价值，就不必把“亲自受累”误当成专业。

留给自己：方向、取舍、责任

选哪个问题值得解决，为什么是现在，哪些人会因此受益或受损，哪种代价是你不愿承受的——这些不是执行问题，而是价值判断。

它们不应该被外包。

图：重复执行交给AI，方向、取舍和责任留给自己。

美国版权局近年对AI生成内容的处理，给了我一个启发：它关心的不是你按了多少次“生成”，而是最终作品里，哪些表达能明确归因于人。

纯AI生成的部分，不会因为人反复输入提示词，就当然变成人类作者的表达；但人做出的原创选择、编排和可识别的修改，可能成为受保护的人类贡献。①

职场不等于版权法。但它提醒我们：

AI人人都有，真正属于你的，是你在结果中留下的选择、判断和责任。

成长型地用AI，AI是脚手架：托着你往上爬。

偷懒式地用AI，AI是替代品：被抹平的不只是活儿，还有你的竞争力。

06 别再多买一门课，先用AI重做一件真事

如果你还不知道怎么开始，就从这周真的要交付的一件事开始。

它可以是一份周报、一次竞品分析、一篇公众号文章，也可以是一个你一直没有摸清的陌生领域。

我自己验证过一套四步法：

把相关的行业报告、经典书籍、内部文档，放进NotebookLM这类能基于资料回答的工具；

让AI把零散信息聚合成几个模块，先画出一张领域地图；

逐个模块追问，并要求它回到原始资料找依据；

每学完一个模块，让AI出题，用自己的话回答，不懂的再回去补。

一到两天，你未必能“掌握一个行业”，但通常可以建立一张初步地图：知道关键概念是什么，主要分支在哪里，下一步应该往哪里深挖。

但这套方法成立的前提，恰恰是那些AI无法替你省掉的“慢功夫”：你得知道自己的目标，知道怎么拆解，知道怎么验收，出了问题知道怎么校准。

快的是工具，慢的是内功。

每次交付后，再做一个五分钟复盘：

AI真正替我省下了什么？

它哪个错误，是我没有说清楚造成的？

哪个错误，只能靠我的专业判断发现？

下次哪一步可以固定成流程？

这四个问题，会把一次偶然的“用了AI”，变成一项可以不断复利的能力。

结语：三人行，必有AI

过去我们说，三人行，必有我师。

到了AI时代，我更喜欢一种新的职场协作方式：

三人行，必有AI。

你自己，负责发现真问题，选择方向，承担结果；

AI工具，负责扩展视野，拆解任务，加速执行；

导师、同行或社群，负责在你逻辑偏移、掉进茧房时，从外部拉你一把。

图：你给方向，AI给速度，他人给校准。

未来的职场，不是人和AI争谁更像机器，而是人学会如何使用机器，同时不丢掉人之所以为人的东西。

能交给AI的，是劳动；

不能交给AI的，是方向、判断和责任。

工具越聪明，你越要清醒。

AI可以替你干活，但不能替你思考，更不能替你成长。

让我们就从现在开始，放下手机，从一件真实的小事开始使用AI工具。

如果这篇文章让你想起一个还在AI浪潮里焦虑的朋友，转发给他。