AI越强,人类越该思考什么?

从完成任务到设计系统，重新安排有限的注意力

如果有一天，AI能完成你大部分日常工作，省下来的时间，你准备拿来做什么？

再多写几份材料，再多比较几十个方案，还是终于有空追问：这些任务为什么存在？

学校和工作长期奖励“把题做对”。AI正在降低部分解题工作的成本。于是，一个更难的问题浮出来：当答案更容易获得，我们是否需要重新安排自己的思考，把更多时间留给问题选择、目标取舍和现实验证？

这场调整关乎我们怎样分配有限的注意力。

01 别把未来押在“AI永远做不到”上

Stanford《2026 AI Index》显示，在测试计算机操作任务的OSWorld基准上，AI智能体的任务成功率已升至66.3%。能力进步很快，但这项测试仍有约三分之一的任务未成功；它也不能直接代表具体岗位的可替代比例。[1]

把职业安全寄托在某项“机器永远学不会”的技能上，需要承担能力边界继续移动的风险。

换一个问题会更有用：当AI越来越强，我能在工作系统中负责什么，才能充分调用它，并参与目标设定、关键判断和结果验收？

还要追问：谁能修改目标，谁能启动或停止执行，谁能分享节省资源带来的收益？这些权利，需要落实到具体的职责和规则里。

可以把AI暂时理解成一个巨大的认知执行器。借用工程逻辑，一项工作可以拆成：

使命与目标（Mission）→架构（Architecture）→控制（Control）→执行（Execution）→反馈（Feedback）。

这是本文的简化类比。工程实践还包含反复权衡、验证和修订；NASA的系统设计框架也强调利益相关者期望、需求、设计方案及其迭代。[6]

发动机再强，也不决定飞机飞去哪里。AI能建议目的地，甚至比较路线，但谁的利益优先、允许承担什么风险，仍需要有权作出决定的人和组织确认。

把认知工作分成五层，会看得更清楚。

L1执行层：写材料、检索资料、整理信息、基础编程和标准化工作。

L2分析层：总结、比较、计算、异常识别和信息压缩。

L3决策层：在多个方案之间选择，处理不确定性。

L4系统设计层：设计流程、接口、架构、组织规则和反馈。

L5目标与价值层：决定为什么做、什么值得做、什么不能牺牲。

AI正深入参与L1、L2，也参与L3。Anthropic在2026年6月的使用研究中，已观察到用户把包含持续判断的任务交给AI。[2]

这五层表示工作职能，不是人类与AI的领地划分。AI也能辅助L4和L5。人的发展方向，是逐渐增加对L3、L4、L5的理解与参与，同时保留对底层现实的接触。

执行层仍然创造交付，也提供形成判断所需的经验。层级上移，不能以丢掉这些经验为代价。

没看过现场，却急着谈战略，通常只是把无知搬到了更高的位置。

02 系统思维不是做减法

“删掉不重要的事情，把资源投到重要的地方”，是一条实用的注意力管理原则。但它留下了一个问题：你怎么知道什么重要？

在一个假设的生产系统里，加快单道工序，可能只会让半成品更快堆到下一道工序前。如果真正的瓶颈在那里，局部提速很难改善最终交付。

系统思维先解释：为什么这个系统持续产生现在的结果？

它需要识别变量之间的因果关系、反馈回路、时间延迟、约束和激励，再判断应该改哪里。Meadows对杠杆点的讨论，把信息流、规则和目标都列为系统干预的位置。[5]

例如，赶进度导致返工，返工挤占产能，产能不足又加剧赶工，这是放大问题的正反馈。发现偏差后调整工艺，是抑制偏差的负反馈。“正”“负”描述回路方向，不代表好坏。

如果工艺调整要几个生产周期后才显效，今天没有改善，未必说明措施无效。没理解这个时间延迟，连续加码可能制造新的波动。

多个局部规则叠在一起，还可能产生谁都没计划过的结果：每个部门都完成自己的指标，整体交付却更慢。这就是理解系统涌现的一种入口。

因此，更稳妥的顺序是：

理解系统→明确目标函数→找到关键约束→识别杠杆点→重新配置资源→建立反馈→持续修正。

图里的目标、结构、关系、反馈、约束和杠杆点，是需要反复检查的要素。实际工作中，反馈会让我们重新理解结构，甚至修订目标。

有时值得删除流程；有时值得增加冗余、缓冲和复核。只按眼前成本做减法，很容易把系统的恢复能力一起删掉。

03 七种能力，围绕一件事练习

它们共同服务于一个目的：把生成的答案转化为可信、可执行、可修正的现实结果。

先练习把问题问准

“怎样提高检验效率？”默认检验方式合理。“为什么需要这项检验？”则允许你检查风险来源、设计防错和检测节点。

后一个问题不意味着可以取消检验。它要求你说明检验保护什么、替代措施如何证明有效。问题定义得好，可能改变整条解决路径。

学会画出系统怎样运行

不用一开始就画复杂模型。先找输入、输出、因果链、瓶颈、激励和反馈，再问一次：改动之后会发生什么？

增加一道审批，也许减少某类差错，却可能拉长等待时间，促使大家绕过正式流程。这类二阶效应，要求你把直接收益和后续行为一起考虑。

说清目标和不能交换的代价

工程项目里的成本、效率、安全、质量、可靠性、合规和进度，常常不能同时达到最好。

有些指标可以权衡，有些应成为必须满足的约束。AI可以帮助比较方案，却不能靠一个综合分数替所有人决定：为了快一点，究竟可以牺牲什么？

保留到现场确认的能力

文件可能记录设备正常，现场却出现异常振动；表格里都是同一种缺陷，实际形成机制可能不同。

现实判断需要隐性知识、上下文、异常和灰度信息。模型的判断依赖可获得的证据。你要知道哪些信息没有进系统，并通过观察、测量和试验补进去。

把正确意见变成合作

项目卡住，可能是没人有权调资源，部门目标互相冲突，或者参与者不相信改变对自己有利。

协调、谈判、建立信任和组织行动，决定方案能否落地。一项2026年正式发表的产品创新现场研究收集了776名专业人员的完整资料。其随机实验分析发现，使用AI的个人表现可匹配未使用AI的团队。[4]

这说明AI能补充部分协作收益。权限、承诺和利益协调，仍要在实际组织中解决。

训练能解释的品味

AI生成一千个方案之后，筛选本身会占用时间。哪个需求真实？哪个架构容易维护？哪个方案为了完整而引入过多复杂度？

技术、产品、架构和组织设计都有品味。好的品味能解释取舍：它用更合适的复杂度解决了值得解决的问题，而且经得起使用。

练习行动，也承担结果

提出建议，与投入预算、安排试验、说明失败并纠正后果，是不同的工作。

责任需要对应权限、信息和资源。把一个人留在流程末尾签字，却不给他复核时间和否决权，不能算有效的人类监督。

04 省下来的脑力，应该怎样重新分配？

把人的认知投入暂时设为100份。AI之前，一种示意分配是：搜集30%、整理20%、分析30%、决策20%。

AI辅助后的理想示例是：搜集5%、整理5%、基础分析15%、问题定义20%、系统建模20%、决策15%、沟通协调10%、现实验证10%。

这些比例是概念示意，非统计数据，也不是适合所有职业的时间配方。前后分类不同，不能把它理解为测量得到的精确迁移。

它想表达的是：搜集、整理和部分基础分析占用减少后，我们可以主动增加对问题、系统、协作和验证的投入。决策时间占比下降，也不意味着判断的重要性下降。

但省下的时间不会自动归你。组织可能安排更多任务，也可能提高交付要求。若缺少选择权，效率收益最终只会变成更密集的工作。

所以认知升级还有一个组织条件：能否协商任务边界、参与流程改进，并分享效率提升的收益。技能增长与权利增长，需要分别争取。

05 从处理质量文件，到设计质量系统

设想一家大型复杂装备制造单位发现装配质量异常。

一种处理路径是：找到不符合项→查程序→补文件→增加检查。它可以用于眼前的处置，但要判断异常会不会再次发生，还得继续追问。

异常可能来自设计接口、工艺条件、设备状态、供应商差异、人员理解、文件传递、配置管理或检验安排。它们是待验证的假设，不能因为图上连着线就被认定为原因。

假设现场同时使用了不同版本的作业指导文件。增加末端检查，可能提高发现率，却未必消除版本分发失控。

这时要查：变更如何下达到工位？旧版本如何退出使用？零件配置与作业文件如何对应？异常发生前，系统有没有发出可被及时处理的信号？

AI可以辅助历史案例检索、异常聚类、文件关联、变更影响梳理和风险提示。输出应能追溯到依据，区分事实与假设。相关性可以帮助筛选线索，不能直接确认工程因果。

工程人员据此核对实物、测量和配置，设计验证方案；有权的负责人确认风险处置，协调设计、工艺、供应链和质量部门，完成最终确认。

假如证据支持版本管理失效，就可能需要改进文件发布与配置绑定，并验证防错措施。新增检查也要评估漏检、等待时间和产能瓶颈，不能只看文件是否闭环。

随后在明确的观察周期里追踪异常复发、发现时点和返工负担。问题没再出现，也要检查是否因为产量下降或缺陷转移。

工作由此进入质量系统设计。人的价值有机会向问题产生的上游移动；这个机会，需要工程能力、组织授权和持续验证来兑现。

06 知识越来越便宜，什么会越来越贵？

对不少可数字化任务，AI让检索、内容生成和部分基础分析更容易获得。这里的“便宜”指获取和处理成本，不意味着专业知识失去价值。

越容易获得看起来完整的答案，越需要有人识别证据质量、适用边界和遗漏。专业知识帮助你读懂答案，也帮助你发现答案为什么不能用。

世界经济论坛《2025年未来就业报告》的雇主调查中，七成受访企业把分析思维视为核心技能；报告也列出系统思维、领导力等能力的重要性。这是雇主判断，不是这些技能必然涨薪的因果证据。[3]

我的判断是，问题选择、系统理解、可信度、组织能力、现实经验和责任承担，会成为更值得投入的位置。它们的市场价格如何变化，还取决于行业需求与制度安排。

未来个人价值≈判断什么值得做×理解系统×调用AI×调动人×现实执行×承担结果。

这是思考模型，不是数学公式，也不用于衡量人的尊严或人生价值。乘号表示这些环节相互制约：选错方向会消耗执行能力，缺少合作会阻断落地，长期逃避结果会损伤信任。

借用乘法的比喻，任何一环长期接近零，整体贡献都会受到明显限制。

一个人可以通过团队补齐短板，不需要独自成为全能者。

07 从明天开始，给自己一张系统观察卡

学习一个领域时，照常补知识，同时拿一个真实的小项目，回答这些问题：

目标是什么？输入与输出是什么？核心约束和瓶颈在哪里？

谁控制资源？谁承担风险？他们的激励是否一致？

反馈从哪里来？多久才能看见结果？失败通常发生在哪个接口？

AI能接手哪些认知步骤？哪些必须由人确认？我能改变的杠杆点是什么？

先观察一周自己的工作，记录哪些步骤重复，哪些耗时其实来自等待或返工。再选一个低风险、容易验收的小任务，让AI辅助完成，保留原有方法作为比较。

把节省的时间用于查一个源头问题，或者补一项现场验证。比较时把提示、核对、返工都算进去，看看最终交付是否改善。

然后写一次简短复盘：哪个判断错了，哪里缺信息，下一轮要改什么。对关键基础技能保留亲手练习，确保你还能独立检查输出。

你不必先成为管理者，才有资格理解系统。能够在自己的职责范围内把一个问题的来源、约束和反馈讲清楚，就已经开始改变认知分工。

机器越来越聪明之后，我们仍要决定：哪些事情值得占用人的时间。

算力可以购买，人生不能重来。AI省下的时间，值得留给那些经得起现实检验、也经得起自己追问的事情。

未来值得争取的，是把有限的生命投入更值得做的事，并有能力为它负责。

参考资料

1. Technical Performance | The 2026 AI Index Report。Stanford Institute for Human-Centered Artificial Intelligence（HAI），2026年。用于OSWorld的66.3%及能力不均衡的讨论。https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance

2. Anthropic Economic Index report: Cadences。Anthropic，2026年6月26日。用于AI自主参与需要判断的任务。报告包含Claude使用数据和用户调查，调查样本不代表整体劳动人口；平台使用不等于岗位替代。https://www.anthropic.com/research/economic-index-june-2026-report

3. The Future of Jobs Report 2025，Chapter 3: Skills outlook。World Economic Forum，2025年1月7日。用于七成受访企业将分析思维视为核心技能，以及系统思维等能力的讨论；属于雇主调查与预期。https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/3-skills-outlook/

4. The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise。Dell’Acqua等，National Bureau of Economic Research，Working Paper 33641，2025年4月。产品创新现场研究的776人完整资料包含非随机分配参与者，随机实验分析排除该部分；结论不能外推到所有团队协作。https://www.nber.org/papers/w33641

正式发表版本：The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork。Organization Science，2026年6月12日在线发表，DOI: 10.1287/orsc.2025.20702；正文优先引用正式版本。https://pubsonline.informs.org/doi/10.1287/orsc.2025.20702

5. Leverage Points: Places to Intervene in a System。Donella Meadows，1999年；现由The Donella Meadows Project保存。用于信息流、规则、目标与杠杆点的理论讨论，非关于AI就业的最新研究。https://donellameadows.org/archives/leverage-points-places-to-intervene-in-a-system/

6. NASA Systems Engineering Handbook，NASA/SP-2016-6105 Rev 2，2016版；Chapter 4: System Design Processes。NASA。用于工程系统设计与迭代的背景；正文五步链条为作者简化类比，并非手册原图。https://www.nasa.gov/reference/4-0-system-design-processes/