试题变成Token,最容易被误读为教辅的题库价值被替代了

AI三秒能生成一道压轴题，但没有任何一所学校敢直接把它印上期末卷。这个看似矛盾的现象，恰恰暴露了教辅行业最被误读的一件事。

试题变成Token，最容易被误读为教辅的题库价值被替代了。

这个判断停留在产品层面。往下一层看，Token化改变的不是题目的供给量，而是题目作为测量工具的可信度结构。

教辅的底层价值从来不是“有题”，而是“这些题被证明能测出什么”。AI把生成成本打到接近于零的同时，恰恰把“证明”这件事的稀缺性推到了前台。

心理测量学对AI生成试题的检验给出了清晰的分界。一项2026年发表于《Applied Measurement in Education》的研究对比了LLM生成题与学科专家命题，LLM题目的心理测量学达标率为60%，专家题为74%；更关键的差异不在均值，而在尾部——LLM题目出现“高难度”等测量学警示标记的频率显著更高，初始淘汰率也更高。

一篇覆盖2022至2026年STEM评估领域LLM自动命题研究的范围综述进一步归纳出四类反复出现的缺陷：事实性不准确、构念漂移、题目难度校准不足、干扰项似真性不稳定。

构念漂移是其中最要害的一条：一道题看起来在考某个知识点，实际测到的可能是别的认知成分。Token可以无限生成“看起来像题”的文本，但无法自动保证每一条都锚定在预设的测量目标上。

教辅的编写流程——课标对标、认知层级标注、专家审读、试测校准——本质上是一套效度生产链。Token绕过的是这条链，而不是替代了这条链产出的东西。

这就触及更深的层面：教辅在制度中的位置，不是“题目供应商”，而是经过验证的测量工具的制度化载体。

教辅能把分散的效度证据转化为可追溯、可问责的行政核验——核的不是题目对不对，而是编写主体、授权链条与测量目标的对应关系是否成立。它的测量目标与教材体系、课程标准、教学进度之间的对应关系经过了制度性核验。

Token本身无法进入这个程序，因为程序要求的是一个可追溯、可问责的编写主体和授权链条，而不是一批文本的生成速度。

由此可以推出一个反直觉但更接近事实的结论：AI越是让题目变得廉价，教辅中“题目”之外的部分就越是价值重心所在。真正在迁移的，是教辅从“内容产品”向“学习进程管理工具”的形态转变。

拿世纪天鸿2026年上半年的结构值得细看：教辅图书收入1.32亿元，同比微降2.07%，但策划费收入1252万元、毛利率47.46%，远高于图书的33.29%；同时研发投入同比增长27.72%，目标指向“教研产出—电商变现—数据驱动教研升级”的闭环。

策划费和教研服务的毛利率高于纸张承载的题目本身，说明市场已经在为“怎么用题、什么时候用、用完怎么判断下一步”付费。

具体来看，其教研服务已覆盖分层作业设计、错题归因模型和教师备课题库，线上电商端则通过学情反馈数据反哺选题迭代，形成'教研产出—变现—数据回流—教研升级'的闭环。

这条路径的底层逻辑，与学习科学中知识图谱和认知负荷理论的应用方向一致：差异化的练习和自动脚手架依赖一个概念关系图谱来决定练习的顺序与支架的撤除时机。

Token生成的是孤立的题目，教辅要构建的是题目之间的认知阶梯和诊断反馈回路。

前者是供给，后者是管理。

政策端《“人工智能+教育”行动计划》将“育人为本、素养为先”置于“应用导向”之前，强调“启智”与“解决复杂问题的能力”，实际上框定了AI在校园场景中的角色是辅助而非替代，也为教辅的制度性位置留出了明确的制度空间。

所以，试题Token化真正淘汰的，是把教辅等同于题库的从业逻辑。留下来的位置属于那些能把效度证据、制度准入和学习进程设计三者耦合在一起的主体。

Token把“出题”变成基础设施，教辅的方向就不是和基础设施竞争，而是在基础设施之上做判断与问责——判断哪道题值得做、做完意味着什么、下一步该怎么延伸。谁把这个闭环做得比Token更深，谁就站在了Token无法触及的那一侧。

未来教辅企业的估值模型，会从印张数和渠道覆盖率，转向效度资产、制度准入能力和学习进程管理深度。这不是行业的终点，而是它真正开始变得不可替代的起点。