AI越强,人如何更强?从“AI是不是工具”的争论,重新找回人的主动权

01

争论背后，是工作与学习正在分离

Hickey用快餐作比喻：拿到食物，与亲手做饭，是两种不同的经历。他担心，当人把任务交给AI，也会一并交出过程中原本能够获得的经验。Huahai则强调，人可以通过追问、检查、测试和修正，把AI置于自己主导的反馈循环之中。^[1][2]

两种看法提醒我们注意同一件事：获得一个成果，并不等于获得完成这件事的能力。一份写得漂亮的分析报告，可能包含作者深入的思考，也可能只是一次成功的复制粘贴。外观相似，能力积累却完全不同。

当然，外包任务本身有价值。我们不必为了证明独立而手算每个数字，也不必亲自掌握所有专业。关键是明确：哪些过程可以省略，哪些过程恰恰构成自己的核心能力。

同样，AI输出不可预测、需要权限管理，并不能证明它具有人的意志。讨论人机关系，应该落实到系统能做什么、如何验证、谁承担责任。这里关心的“学习”，主要是人能否留下可迁移的理解。

02

效率提高与能力成长，要分开衡量

研究并不支持“AI必然让高手更强、新手更弱”的简单结论。2025年发表于《经济学季刊》的一项研究，分析了5,172名客服人员，发现AI辅助使每小时解决问题数平均提高约15%，经验较少、技能较弱者获益更大。研究还发现了员工学习的证据，但这仍是特定企业与任务中的结果。^[3]

另一项发表于PNAS的高中数学实验则呈现了不同侧面：使用普通GPT界面的学生，练习时表现改善，撤去AI后，独立测试成绩却比对照组低约17%；加入教师设计的提示与教学约束后，这种负面影响基本得到缓解，但未观察到独立测试的显著提升。这不能直接推广到所有职场任务，却清楚地区分了“当下做对”与“真正学会”。^[4]

微软研究院参与的一项319名知识工作者调查也发现，对生成式AI更有信心，与较少投入批判性思考相关。它是自我报告研究，不能据此断言AI导致认知能力下降。^[5]

由此更合理的判断是：AI能否帮助人成长，取决于任务、系统设计和使用方式。我们至少要看两本账：一本记录交付速度与质量，一本记录自己是否更能解释问题、识别错误，并解决新的问题。

还要追问，省下的时间去了哪里。如果每次提效都立刻换来更多同类任务，学习空间未必增加。个人可以主动留出一部分时间补足知识、接触客户或尝试新任务；管理者也应让这种投入获得认可，使效率收益能够持续积累。

03

先给任务分层，再决定交出多少

第一层，是可以充分交给AI的事务性工作。例如格式转换、重复整理、初稿润色。只要结果容易检查、出错影响较小，就可以提高自动化程度，把时间留给更有价值的活动。

第二层，是需要与AI共同完成的专业工作。例如市场分析、产品设计、代码开发。让AI生成选项、补充资料、暴露盲点，人负责明确标准、检验证据、理解关键取舍。协作中保留必要的思考过程，才能积累专业能力。

第三层，是必须明确由人承担责任的重要事项。例如战略选择、重大承诺，以及涉及他人权益的决定。AI可以参与分析，授权边界、审批与责任必须清楚。“有人审核”也需要真实的时间、知识和否决权。

这三层会随技术和流程成熟而变化。判断依据可以归结为三个问题：出错的后果有多大？结果有多容易独立验证？亲自完成其中的过程，对我未来的能力有多重要？

同一任务对不同人也有不同价值。对成熟研究者，整理常见材料可以自动化；对初学者，亲自辨别材料的可信度可能就是关键训练。合理分工要同时考虑任务风险与学习阶段。对于自己暂时无法验证的专业内容，应寻求可靠资料或专业人士帮助。

04

用一个协作循环，让AI帮助自己成长

先形成自己的问题，再看AI的答案。接到复杂任务后，先写下目标、约束、已有判断和未知项。分析客户流失，先区分产品、价格、渠道与服务的可能影响，再让AI补充。这样更容易发现它遗漏了什么，也能减少被第一份答案带偏的可能。

让AI提出挑战。比“帮我写一份方案”更有训练价值的问题是：“这个判断最薄弱的证据是什么？”“什么情况会使它不成立？”“还有哪种解释？”追问能够扩大思考范围，但模型给出的解释仍然需要检验。

把验证接回真实世界。关键数字查原始出处，重要计算重新核算，代码运行测试，业务假设通过客户访谈或小规模试验验证。让另一个模型复核可以补充线索，却无法代替独立证据；多个模型也可能重复同一种错误。

交付后，用自己的话讲清楚。关掉对话窗口，说明结论为什么成立、边界在哪里、哪种证据会改变判断。如果只能重复AI的表述，通常还需要继续理解。对核心技能，再找一道相近的新问题独立完成，检验能否迁移。

例如，年轻分析师可以先独立搭建研究框架，让AI协助整理候选资料，再逐项阅读关键来源、修正论证，最后向同事解释结论。生成的材料被转化为一轮有反馈的训练，这个过程才会留下自己的能力。

也可以在开始前明确这次是“交付”还是“练习”。赶时间时，重点检查成果；训练核心技能时，让AI分步提示，自己先尝试，再比较不同方法。无需把每项琐事都变成课堂，但要为值得长期掌握的能力安排有意识的练习。

05

个人竞争力，需要扎根于专业与现实

首先，持续建立专业根基。AI可以快速解释概念，但判断一个商业建议是否可行，仍需要理解行业机制、客户需求、成本结构和实施条件。基础知识越扎实，越容易问到关键处，也越能识别看似完整却缺少前提的答案。

其次，增加与真实世界接触的密度。走进客户现场，观察流程如何运行，理解员工为什么绕过制度，了解组织之间为何难以协作。这些经验为判断提供具体约束，也让我们能够检查AI给出的通用方案。

再次，把表达能力延伸到合作与行动。生成一份方案，只完成了工作的一部分。理解不同人的利益，推动分歧达成共识，协调资源，把决定变成可验证的结果，都值得有意识地练习。

提示词、模型选择与智能体编排同样值得学习。更持久的积累，是把这些技巧与专业方法结合起来，逐步形成自己的问题库、证据库和复盘记录。职业价值需要通过实际解决的问题来体现。

选学习方向时，可以观察自己的工作链条：哪些环节正在变得标准化，哪些环节仍缺少可靠的解决办法？围绕后者，补一项相邻技能，承担一个完整的小项目，记录从发现问题到交付结果的过程。这比不断更换工具更容易检验成长是否发生。

能力成长也无法保证岗位保持不变。面对职业调整，个人需要关注本行业的任务变化，主动争取新项目、培训和转岗机会；组织则应提供相应支持，不能把结构性变化全部归结为员工不够努力。

06

企业提高产出，也要重建人才成长路径

如果企业只奖励交付数量与速度，员工就很难持续投入时间验证和学习。更好的做法，是同时观察业务结果与能力成长：返工是否减少，客户问题是否真正解决，员工能否独立处理异常，团队能否说明关键决定的依据。

尤其要重新设计年轻人的成长路径。整理资料、编写初稿、排查基础问题，过去既是工作，也是入门训练。当这些任务被自动化后，企业需要补上新的练习机会，例如案例拆解、模拟任务、导师复核和参与客户现场。不能一边撤掉训练台阶，一边抱怨新人缺少经验。

对于资深人员，可以把经验转化为可讨论、可更新的标准：常见错误有哪些，什么证据才充分，哪些情况需要升级处理。让AI帮助传播经验，同时保留对新问题的探索，避免团队被固有答案限制。

进入代理式AI阶段，还要让权限与验证能力相匹配。先在边界清晰的应用场景中运行，通过日志、抽查和异常处理积累经验，再扩大授权。审核人应有能力发现问题、有权停止执行，也有资源承担复核工作。

企业还应检查工作量是否被转移：生成环节节省的时间，可能变成同事处理错误、解释内容和维护系统的负担。因此，评估需要覆盖整个流程，并鼓励员工报告AI的失误。让问题暴露出来，才能改进系统，也能保护团队提出异议的习惯。

07

未来30天，从一项真实工作开始

第一周，选一项经常重复、结果可以检查的工作，记录当前耗时、质量和返工情况，并明确其中最需要自己掌握的能力。

第二周，尝试用AI改进其中一个环节。重要任务保留“先独立构思、再协作生成、最后验证”的步骤，观察节省的时间是否被新的核查成本抵消。

第三周，挑一个相近的小任务独立完成，检查自己能否解释方法、发现错误，再请同事或导师反馈。把差距转化为下一轮练习目标。

第四周，把有效做法固化为自己的工作方法，保留必要的原始材料与验证记录。复盘时问三个问题：结果更好了吗？我理解得更深了吗？下次遇到新情况，我更有把握了吗？

这份记录不需要复杂。每周留下一个被纠正的错误、一个真正弄懂的概念、一次得到反馈的实践，就能逐渐看出哪些使用方式对自己有效。对于尚未改善的环节，调整分工与方法，再做下一轮尝试。

AI时代，人仍然可以享受自动化带来的便利，也可以选择在某些重要过程里多花一点时间。读完一篇关键论文，亲自验证一个假设，认真理解一次失败，都可能成为下一次判断的依据。

人的主动权还包括决定技术服务于怎样的生活。把省下的时间用于陪伴家人、运动、阅读或公益，同样是有价值的回报。面对不断更新的模型，也不必追逐每一次发布；围绕自己的工作目标和生活需要，选择少数真正有用的能力持续练习。成长应当有可持续的节奏，不能让对效率的追求占满全部生活。

当AI让答案越来越便宜，我们更需要经营的，是提出好问题、检验证据、作出取舍并把事情做成的能力。让今天更快完成的工作，成为明天更有能力的起点。