卸载、顺从到投降:AI报错变少以后,你还真的在动脑吗?

今天看到Addy Osmani在X上发了一篇长文，大意是说现在很多活都可以丢给Agent去做了，人该怎么保住独立思考的能力。文章不算特别难懂，也没讲什么晦涩的理论，但有几个点我觉得说得挺实在的。平时我们在跟AI打交道的时候，以前提出一个问题之后，总得自己先琢磨一会儿怎么找资料或者怎么改，现在大模型几秒钟就把结果吐出来了，而且大部分看着还挺像回事，低级错误越来越少，这就导致很多人拿到东西以后懒得再去多核对一遍了。

他文章开头贴了下面这张图，把大家用AI的状态画了一条往下的斜线。

图里右边那条线上面标了三个点，从最上面的黑点往下滑到中间的空心圈，再掉到最底下的橙色圆点。

这三个位置其实就是他划分的三个阶段。第一层是认知卸载，意思是你把具体的执行任务交给AI去做，但最终的结果对不对还是你自己兜着。再往下就是认知顺从，AI给出什么答案你就直接拿去往下一步推了，不再把它当成一个需要去验证的假设。最底下那个橙色点叫认知投降，这个说法来自沃顿商学院的两位学者，指的就是用着用着，AI生成的东西直接变成了你自己的观点，连检查一下的想法都没有了。

沃顿商学院论文《Thinking—Fast, Slow, and Artificial》Figure 1：人脑的直觉（System 1）、慢思考（System 2）与外部AI（System 3）之间的两条路径，左边是“认知投降”，右边是“认知卸载”。

认知卸载：该交的事放心交，但检查要靠自己留下

最开始用大模型写代码或者整理资料那会儿，用起来其实挺折腾的。一般是在网页对话框里拿到一段代码，自己复制出来贴到编辑器里运行，报错了就自己去翻资料一行行找问题，不少朋友刚开始用DeepSeek的时候也是这么折腾过来的。因为那时候模型能力还一般，经常写出各种小bug，逼着你每段逻辑都得盯紧，所以跑完之后程序里哪一步在干嘛，自己心里还是有数的。

后来模型能力慢慢上来了，能省力的地方当然还是可以交给它，我日常干活也经常这么用。Addy在文章里就举了他自己的一个小例子，他前段时间要录一门课，需要从三家评分差不多的酒店里挑一家当录制场地，他懒得自己去把网上那些评价一条条翻完，就直接让AI帮忙选了一家，结果用着也挺满意的。像这种即便选错了也没什么大后果的事，放手让工具去处理就行。只不过现在工具很少出明显的错，没人替你把关了，复核这一步得靠你自己留个心眼去坚持。

认知顺从：模型变强以后，没人再逼你看第二眼

前阵子我自己在写一个产品推荐的逻辑时，就遇到过一个挺哭笑不得的事。那个功能本来是想让大模型去理解一下用户需求再做推荐，我让AI写代码工具帮我生成了一版，跑起来界面上确实像模像样地转起了loading，等个两三秒也能顺利吐出一份还挺合理的推荐结果。

刚开始我以为没啥问题，但连着多测试了几回以后觉得不太对劲，怎么每次推荐花费的时间几乎都差不多，这也太规律了。我点开底层的实现代码看了一眼，原来里面压根就没有调用大模型，推荐出来的结果全是用最普通的固定规则写死的，界面上转圈的那几秒钟纯粹是它自己加进去的一段假loading延迟。幸亏多测了几下，要是那天正好赶着发版本，看到界面能跑通就直接往后交，那就变成工具说它做完了我就真的以为它做完了。

平时不怎么写代码的同事其实也经常碰到类似的事。比如到了年底要交总结报告，很多人会丢几条简单的工作要点让AI帮忙扩写，等个一两分钟就拿到了结构很完整、语气也挑不出毛病的一篇文章，里面甚至还带了各种数据和成果。但这里面到底哪些是自己真正在做的，哪些是AI顺着提示词自己编出来的细节，很多人拿到稿子看一遍顺眼就直接发走了。真等到开会汇报被人随口问起某个数字是从哪张表里算出来的，当场就支支吾吾答不上来了。

认知投降：对不熟的领域，最容易把AI的观点当成自己的

顺从好歹还是在看工具的结果，到了第三层投降的时候，很多时候连看都懒得仔细看了。Addy在文章里提到，人往下滑的这个过程其实很不知不觉，比如第一个回答你逐字读完了，第二个稍微瞄两眼，到了第三个基本就只扫一下大标题和框架。慢慢时间长了，如果有人突然问你这行代码为什么这么写，或者方案里这个结论是怎么推出来的，你根本讲不出来，哪怕现场再去问AI也不一定能圆回来。

要是在自己本来就不熟悉的领域里，这种情况出现得会更快。因为现在的大模型特别擅长把一些看着不太靠谱的想法写得头头是道、语气也很笃定，如果使用的人自己缺乏基本的判断力，很容易就直接把模型输出的一大段话当成自己的见解，原封不动拿去拍板，甚至直接安排下面的人去照着执行。而且周围的同事拿到一份排版规整、论证看起来也很扎实的方案，一般也很少会多嘴去质疑，AI自己更不会跳出来推翻自己。等以后真的拿去落地跑起来发现方向不对，往往才发现当初没人真正吃透这件事。

事情多、精力差的时候，最容易放空

而且人用AI的状态也不是一成不变的，哪怕同一个人同一天里头，上午和下午表现出来的状态都可能完全不一样。多半是看当时手头的活儿多不多，还有自己的精力跟不跟得上。比方说有一堆待办事情压在手头、领导或者客户又催着马上要交付的时候，人就特别容易直接放空，AI给什么就拿什么，哪怕心里觉得有点怪也懒得再花时间去推敲了。要是手头不那么赶、精力又比较集中的时候，能静下来顺着它给的思路琢磨一遍，还能顺便学到不少东西。

沃顿商学院论文Figure 10实验数据：右图显示当AI出错（AI-Faulty）时，在时间压力（Time Pressure）下100%依赖AI，答题准确率会跌到5%。

Addy在长文里还提了一个词叫编排税，简单理解就是AI干活生成内容的速度，已经远远超过了人脑去消化和审查的速度。如果你的桌面和对话框里堆满了AI已经跑出来的方案或代码，多到你根本看不过来，那再多开几个并发任务其实也没什么太大用，无非是在碰运气赌它刚好都写对了而已。我觉得还是得清楚自己当下的状态，如果感觉脑子已经有点转不动了，那些容错率很低、出了错很麻烦的事就先放一放，别在这个时候硬拍板。

越依赖AI，越没有能力监督它

他文章里还引用了一项之前针对工程师和研究人员的调研，提到了一个叫监督悖论的现象，我读完感触还挺深的。平时我们说要让人类去监督AI，前提是你自己得先有能力分清楚它写得对还是不对，而这种判断的手感，通常都是过去一点点自己写、自己改、自己踩坑磨出来的。

Addy Osmani《Agentic Skill Decay》原博文插图：过去写代码要经历“试方案→看报错→查bug→看修复→留经验”，现在Agent直接跨过中间三步出补丁，动手攒手感的过程变少了。

有意思的地方在于，当你把越来越多活都交给AI去处理、自己越来越省心的时候，独立动手和思考的环节也就慢慢省掉了，久而久之判断对错的敏锐度就会降下来。等真降到一定程度之后，万一哪天模型交了一个表面正常但暗藏漏洞的方案过来，你可能已经看不太出问题在哪了，结果最后还得继续让AI来帮你检查和修补。这种能力的退化通常察觉不到，往往就是平时一次次觉得算了这次就这样吧慢慢攒下来的。

提效没错，但关键环节要有人

其实这段时间公司和行业里都在讲用AI提效，大家心里多少也有点复杂，毕竟提效往下再想一层往往就涉及少用人甚至不用人了，加上网上一堆宣传全自动工作流的声音，搞得好像以后写方案写代码完全不用人盯着一样。不过真到具体的业务里去跑的时候，我倒觉得关键环节上还是得有个人看着才稳妥。很多跑通了的流程虽然看起来慢一点、麻烦一点，但干完活之后要真发到线上或者拿给客户用，万一出点什么差错，最后出来担责和收拾烂摊子的还是人。

所以我自己现在的做法是先按事情的风险分个类，平时一些错了也能随时撤回、很容易就能测出来对错的小任务，就放心丢给AI自己跑完；遇到要对外发出、关系到其他人利益或者要自己签字确认的事情，哪怕多花几分钟，我也得亲眼核实一遍。

最后有一点我一直想提醒自己也提醒大家的，就是干活的时候千万别图快，更不要被外面各种消息带了节奏。现在大家天天刷到什么几分钟做一个产品、一个人顶一家公司，听着确实很焦虑，但放到真实的工作场景里，如果前期没想清楚就跟着跑得特别快，一旦中间哪一步走偏了，后面花在返工填坑上的时间反而会多出好几倍，倒不如一开始就稳一点。

编码技能形成对照研究数据：用AI（蓝）与不用AI（黄）完成任务耗时相近，但理解测验得分明显偏低；右图显示“全权委托（39%）”与“逐步依赖（35%）”的掌握度，明显低于“生成后再主动理解（86%）”。

结合Addy文里的做法和我自己的习惯，其实日常有几件不怎么费劲的小事可以顺手做一做。在让AI干任何稍微复杂点的活之前，哪怕自己心里没底，也先花半分钟大概想一下答案应该长啥样，免得被它写得漂亮的初稿直接带偏。拿到一份总结或者分析方案的时候，别光看它给的结论，顺嘴追问一句这个结论是依据哪份材料算出来的，抽查其中一两处原始记录对一下。至于写代码这类有运行结果的事，别先看它最后写的总结汇报，先去看它实际跑了什么命令、返回了什么真实的报错和日志。

你现在日常用AI的时候，大多数时间停在这三层的哪一层？最近一次跟它较真去核对答案，大概是什么时候？有想法的话，欢迎在下面留言说说。

创作说明：本文内容由作者原创完成，配图来自Addy Osmani原推文及公开学术研究。

以上，有启发的话，欢迎点个赞、在看，也可以转发给有需要的朋友。

看完记得关注@阿康AI探索号及时收到更多AI实战内容

↓ ↓ ↓