AI 帮我做完了,可我好像什么都没学会

做出一个东西很兴奋，但真正属于你的，是理解它、判断它、继续改进它的能力。

小周在公司做项目管理，没学过编程。

他一直想要一个小工具：上传几份项目资料，自动识别项目名称和金额，按类别汇总，最后导出一张表。以前这个想法只能停在"哪天有空找技术同事聊聊"。

现在他打开 AI，把需求说了一遍。接下来就是跟着指引安装环境、运行程序，报错了就把错误信息复制回去，来回折腾几轮，网页居然真的打开了。文件能上传，表格能导出，连按钮颜色都能按自己的喜好改。

那种兴奋你可能也体会过：一个原本够不着的想法，突然变成了能点、能用的东西。

第二天，同事换了一批文件，结果少了几行。小周把问题丢给 AI，修好了。第三天，重复文件处理出了错，还是 AI 修好的。

直到有人问他："它现在是怎么判断重复的？同一个项目换了个名字，会不会被算成两个？"

小周愣了一下，发现自己说不清楚。

工具变强了，不等于你变强了。

这不是在笑话"外行写代码"。写报告、做分析、整理合同、设计培训课，用 AI 的每个人都可能遇到同样的时刻：事情做成了，可自己到底会了什么，心里没底。

一、做出来了，不等于会了

"我会了"这三个字，其实藏着好几层意思。

第一层，能在 AI 帮助下把事情做完。第二层，能看出结果哪里不对，比如发现汇总表的总金额比原始材料少了十万。第三层，知道问题可能出在哪，比如想到可能是重复记录被误删了，而不只是对 AI 说"你再检查一遍"。

第一层本身就是真本事，不必看轻。但它不会自动带出后面两层。

以前亲手做事时，细节会硬塞到你面前：这两个项目为什么同名？这笔钱为什么不能相加？附件和主表为什么对不上？你被迫去想，想着想着就懂了。

现在，一份整整齐齐的结果先摆在眼前，那些藏在过程里的问题，很可能根本没机会被你看见。

当然，这不是说要回到什么都亲手做的年代。会计不用心算每一笔账，写书的人不用自己排版印刷，小周也不需要从零写出整个程序。

真正要想清楚的是：哪些可以放心交出去，哪些一旦交出去，你就没法判断结果对不对了。

二、差别不在用不用 AI，而在怎么用

有研究者做过一个实验[1]：找来一批会用 Python、但没接触过某个新工具库的程序员，让他们完成一项新任务，一半人可以用 AI，一半人不能。任务结束后考一考他们对这个库的理解。

结果，用 AI 的那组测验分数明显更低，而完成任务的速度并没有快出多少。

更有意思的是研究者回看了大家使用 AI 的录像[2]：同样用 AI，那些会追问"这是什么原理"、会试着读懂生成代码的人，学得明显更好；而一路"帮我写""还是报错，继续改"的人，学到的最少。

另一项在高中数学课上做的实验[3]也很能说明问题。一组学生用普通的 AI 聊天助手，另一组用老师设计过提示的 AI 辅导，这种辅导不直接给答案，而是一步步引导。练习时两组成绩都提高了；可一旦撤掉 AI 考试，用普通助手的那组反而比从没用过 AI 的学生考得更差，而用引导式辅导的那组没有出现这种下滑。

还有一项大学物理课的研究[4]发现，精心设计过的 AI 辅导，能让学生学得比传统课堂更好。

把这些放在一起看，结论其实很朴素：AI 替你做掉的是哪一部分，决定了你还在练习什么。

如果它帮你找例子、解释生词、把难题拆小，你就能把精力留给真正关键的地方。如果它连判断、选择、纠错都包了，你剩下的就只有"看一眼，点确认"。

十次"还是不行，继续修"，不如一次"我猜问题出在这里，怎么验证"。

还有一点值得安慰：照着 AI 的建议做，并不一定妨碍学习。一项关于客服人员使用 AI 助手的研究[5]发现，客服在采纳 AI 建议的过程中，自己的能力也在提升。原因不难理解，客服用了某句话术，马上就能看到客户是不是说清楚了、问题是不是解决了。

所以，比"答案是谁写的"更重要的是：你有没有看到这个答案带来的后果，有没有办法验证它。

三、最该警惕的，是半懂不懂的地方

我常分享一个观点：我不反对年轻同事用 AI，但不能让它替你思考和判断。

在我看来，有两类工作特别适合交给 AI。

一类是你已经很熟、但很耗时间的重复劳动。 让 AI 提高效率，把精力留给更有价值的事。

另一类是你完全不懂的领域。 让 AI 领着你入门，帮你搞清楚基本概念、该问什么问题、从哪里下手。

真正要警惕的，是那些你半懂不懂的地方。

完全外行的时候，你会本能地怀疑；真正熟悉的时候，错误一眼就能看出来。最危险的是那个中间地带：你懂的那一点，刚好够让你觉得 AI 说得对，却不够让你发现它哪里错了。

所以我给团队定了两条底线：不能让 AI 替你下一个你自己无法验证的结论；也不能把 AI 的回答原样当成工作成果交上来。

这三类工作，其实只有一条分界线：你能不能验证它。

熟悉的工作，你知道对的结果长什么样，AI 错了你能看出来。完全陌生的领域，你用 AI 是为了学，产出的是你自己的理解，而不是交给别人的结论。只有半懂不懂的时候，你既判断不了，又以为自己判断得了。

回头看小周，去重规则就是他半懂不懂的地方。他知道要去重，却说不清怎样才算重复。AI 说"已经修好了"，他看着输出正常，就信了。

还要提醒一句："完全不懂"迟早会变成"半懂不懂"。 AI 领你入门，走几步就到了半懂的阶段。这不是某一类工作的问题，而是每个人学新东西都必经的一段路。也正是在这个时候，人最容易拿着 AI 的结论去交差。

怎么知道自己是不是在这个区域？有几个信号：

•说不出"什么情况下这个答案是错的"

•接受它的理由是"听起来很有道理"

•同事追问一句"为什么"，就只能回去再问 AI

发现自己在这里，有两条路可以走。一是退回入门模式，把 AI 的回答当作学习的线索，而不是拿去用的结论。二是找一个独立的验证来源，比如原始资料、懂行的同事，或者实际跑一次测试。

那要懂到什么程度才算走出来？不必全懂，但要懂到能验收。可以盯住三个地方：

入口：我到底要解决什么问题？手上的材料够不够支撑它？

变化：换一种文件、多一个例外、少一个条件，结果应该怎么变？

出口：看到什么证据，我才敢用这个结果？出现什么情况，我该停下来找人？

比如小周，他可以不会写代码，但他应该能清楚地提出："文件同名不一定就是重复""缺失的金额不能自动补成零""解析失败的材料必须列出来，不能悄悄消失"。说出这几句话，靠的不是技术，而是对业务的理解。

如果工具要给很多人用、要接入重要系统，那就需要请懂技术的人一起把关。知道自己哪里需要别人，本身也是一种判断力。

四、四个小动作，把半懂变成真懂

做完工作再额外上两小时课，不现实。更可行的办法是在几个关键节点上，给自己的判断留个位置。还是拿小周的工具举例。

第一步：先写下你期待的结果，再让 AI 动手。

让 AI 加去重功能之前，小周先写了三个例子：同一份文件换了名字，应该只算一次；标题相同但内容不同，两份都要保留；同一项目的两份材料内容冲突，要提示出来，而不是擅自删掉一份。

这一步的意义在于，"对"的标准由你先定下来。否则程序输出什么，你很容易就顺着它觉得"好像也说得通"。

第二步：让 AI 讲清楚它的判断依据。

不需要逐行读代码。直接问："你是根据什么判断两份材料相同的？为什么不只比较文件名？"然后拿刚才写的例子去验证。AI 的解释和程序实际做的事不一定完全一致，结果以实际运行为准，拿不准就请懂的同事看一眼。

第三步：故意改一个条件。

两份内容完全一样的文件，只改其中一个金额，结果变不变？如果没变，是你的预期错了、规则不合理，还是程序有问题？这样问一次，往往比再让 AI 加十个新功能，更能看清你对这个工具懂多少。

第四步：过几天，换一批新材料，自己先想再运行。

先别翻之前的聊天记录，写下你打算检查哪几个地方，再运行。不用记住所有细节，但要能说出为什么检查这些。

如果愿意，顺手记一条笔记。不用抄 AI 的长篇解释，记一句自己的话就够：

"我原来以为同名就是重复，这次发现同名报告可能属于不同月份。以后判断重复，要同时看内容和业务含义。"

这句话把一次错误、它的原因和下一次该怎么做串在了一起，比收藏十篇教程都管用。

当然，不是调个颜色都要走一遍这四步。把力气花在反复出现、影响结果、而你又还没弄懂的地方就好。

五、团队也要给判断力留个位置

个人可以调整习惯，但有些问题光靠自觉解决不了。

设想一个团队引入 AI 后，新人写初稿从两天缩到半天，于是每周任务量翻了一倍。产出确实多了，资深同事也还在最后把关。短期看，一切顺利。

但时间长了呢？新人有没有机会知道初稿哪里被改了、为什么改？资深同事哪天离开，谁来接住那道把关？

其实不需要很大的投入。比如挑一份有代表性的材料，让新人先列出自己的疑问，AI 处理完再对照；资深同事只讲最关键的一两处判断，不用全部重来。省下来的时间里拿出一小部分，确认人是真的懂了。

我们总说"人要去做更高级的判断"，但判断力不会凭空长出来。不能一边取消了练出判断力的机会，一边指望"人工复核"永远可靠。

六、留下来的，不只是一个工具

几个月后，小周可能还是写不出一个完整的程序。

但他已经能清楚地说出：什么材料适合交给工具处理，哪些字段不能让它自己猜，什么时候必须回到原文核对，怎么判断一次修改有没有带来新的遗漏。他开始能和技术同事讨论具体问题，而不只是说一句"它又坏了"。

他从半懂不懂，走到了能验收、能判断的地方。这比"是不是亲手写了每一行代码"更能说明他成长了。

AI 给了我们一个难得的机会：更早地参与那些以前没条件参与的事。不懂的地方随时能问，想法很快能变成样品，失败了也可以低成本重来。这些条件，本来就是学习最好的土壤。

但土壤要有人耕。

下次 AI 帮你做完一件重要的事，先别急着做下一件。问自己一个问题：

这个结果如果错了，我能发现吗？

能问出这个问题，并且慢慢能回答它，你收获的就不只是眼前这件事了。

用 AI 做完一件事后，可以问自己三个问题：

1.这件事，我是熟悉、完全不懂，还是半懂不懂？

2.换一批材料或改一个条件，我知道结果该怎么变吗？

3.如果它错了，我能发现吗？

参考资料

[1] Anthropic 研究团队关于 AI 辅助与编程技能形成的随机实验，arXiv:2601.20245，2026。 arxiv.org/html/2601.20245v1

[2] Anthropic，How AI assistance impacts the formation of coding skills（研究解读与交互方式分析）。 anthropic.com/research/AI-assistance-coding-skills

[3] Bastani 等，Generative AI Can Harm Learning（高中数学实验）。 hamsabastani.github.io/education_llm.pdf

[4] Kestin 等，AI tutoring outperforms in-class active learning，Scientific Reports，2025。 nature.com/articles/s41598-025-97652-6

[5] Brynjolfsson, Li, Raymond，Generative AI at Work，Quarterly Journal of Economics，2025。 danielle.li/assets/docs/GenerativeAIatWork.pdf

关于本文的说明

•文中小周和团队的例子是为了说明问题而设想的场景。

•研究[1][2]测量的是完成一次短任务后的理解程度，不代表长期能力变化。交互方式的分析属于观察性结果，"主动追问学得更好"是相关关系，不是因果结论。

•研究[3]中，引导式辅导组避免了成绩下滑，但也没有显著超过从未使用 AI 的学生。

•研究[4]中的 AI 辅导包含预先设计的解题依据、分步活动和针对性反馈，不同于随手打开聊天窗口自由提问，研究也没有证明它能替代整门课程。

•研究[5]中关于"客服能力提升"的证据来自系统偶发中断期间的表现，样本有限，并非专门的长期学习实验。

•"熟悉、完全不懂、半懂不懂"的划分来自作者的管理实践，是经验总结，而非研究结论。

•资料核对截至 2026 年 9 月 22 日。