夜雨聆风素材来源：知危编辑部 × 中欧国际工商学院王安志副教授对话
日期：2026-05-07
最近看到一个挺魔幻的事。
有些大厂开始强推 AI，不只是鼓励用，而是把 AI 使用率、Token 消耗量、AI 代码占比这些东西，直接做成考核指标。
然后员工也很快学会了反制。
公司要求写 AI 使用心得，那就让 AI 写。
公司考核 Token 消耗，那就让 AI 去 GitHub 上读几个高 star 项目，把 Token 刷起来。
你用 AI 考核我，我用 AI 糊弄你。
这事儿听起来像段子，但我觉得一点都不好笑。
因为它说明很多公司所谓的“AI 提效”，其实已经开始变味了。它不是技术革命，更像是一场披着技术外衣的形式主义运动。
大家都知道在演。
但没人喊停。
更麻烦的是，这场运动最先伤到的，可能还不是那些已经工作十几年的老员工。
而是刚毕业的年轻人。
外包出去的东西，很难再长回来
知危这期对话里，中欧商学院王安志教授讲了一个说法，我觉得挺准。
他说，表现平庸的人把 AI 当工具，表现杰出的人把 AI 当队友。
工具是什么？
就是“你给我答案”。
队友是什么？
是“你跟我一起想，让我变得更强”。
这两个说法差别很小，但实际完全不是一回事。
现在很多公司推 AI，嘴上说得很高级，什么拥抱变化，什么生产力革命，什么 AI native。
但落到指标上，就很朴素：
你用了多少 AI？
AI 写了多少代码？
省了多少人天？
有没有把效率打上去？
这些问题背后的潜台词其实很明确：能不能把原来人做的那部分，尽快外包出去？
短期看，当然有效。
但有些东西，一旦外包出去，就真的很难再长回来。
最怕的是年轻人没机会笨了
王教授提到 MIT 媒体实验室做过一个写作实验。
几组人写文章，一组用 ChatGPT，一组用 Google，一组纯靠自己写。研究者去看他们的大脑激活程度。
结果不奇怪，用 ChatGPT 的人脑激活最低，纯靠自己写的人最高。
真正有意思的是后面。
那些一开始靠自己写的人，后来给他 ChatGPT，他的大脑依然很活跃。因为他的习惯已经建立起来了：这事儿还是我来想，AI 只是帮我。
但一开始就靠 ChatGPT 的人，后来就算不给他工具，他也很难重新进入那种自己深度思考的状态。
说白了就是：
一开始你就把事情丢给 AI，大脑就会默认这事儿不归我管了。
这让我一下想到年轻人的问题。
如果 AI 真的替掉了大量初级岗位，会发生什么？
公司会觉得很爽。
以前一个新人写三天代码、查两天 bug，现在一个老员工带着 AI 半天就搞定。
报表好看。
效率提升。
成本下降。
老板可能还会觉得：早该这样了。
但那些刚毕业的年轻人呢？
他们就没机会笨了。
没机会写一堆丑陋但属于自己的 SQL。
没机会被一个空值坑一晚上。
没机会因为一个字段口径不对，被业务方追着问到怀疑人生。
没机会在凌晨上线失败之后，盯着日志一行一行翻，最后发现是自己少考虑了一个边界条件。
这些经历一点都不高级。
甚至很土，很笨，很浪费时间。
但这就是所谓“手感”的来源。
手感这个东西，AI 给不了
很多专家能力，真不是读几篇文章、听几个分享就能有的。
它更像是身上摔出来的茧。
一个资深数据工程师为什么能一眼看出某个指标不对？
不一定是他多聪明。
而是他见过太多次类似的脏数据。
见过埋点怎么漏。
见过 ETL 怎么断。
见过口径怎么被业务方和研发方各解释一套。
见过一个看起来很简单的需求，最后拖出一整坨历史包袱。
这些东西很难写进 SOP。
也很难靠 AI 直接灌给你。
它就像下地踩泥巴。
你得真的踩进去，鞋子脏过，摔过，脚陷进去过，你才知道哪块地能走，哪块地看着平其实会塌。
如果一个年轻人从入行第一天开始，所有脏活累活都被 AI 包了，他会显得很高效。
他会很会写 prompt。
很会让 AI 生成方案。
很会把东西包装得很漂亮。
但他可能没有手感。
没有手感的人，最怕真实世界稍微偏一点。
模板里没有。
文档里没写。
AI 也说得模棱两可。
这时候他就会慌。
我真正担心的，是专家断层
所以我觉得 AI 替代初级岗位，最可怕的不是“年轻人找不到工作”。
当然，这已经很严重了。
但更长期的问题是：以后专家从哪里来？
今天我们看到的很多资深专家，年轻时都干过大量现在看起来“不值得人干”的活。
他们写过重复代码。
查过线上故障。
接过烂摊子。
改过没人敢碰的祖传系统。
在一堆烂需求、烂数据、烂流程里滚过。
这些事当时看，确实低效。
但十年后，它们变成了判断力。
如果 AI 把这些“低级工作”都吃掉了，那组织短期是舒服的，长期就危险了。
因为资深专家不是从天上掉下来的。
也不是读一个“专家速成课”长出来的。
他一定是从 junior 一点点熬出来的。
如果底下那条路被堵住了，上面的人就变成存量资源。
用一个少一个。
最后组织里会出现一个很奇怪的结构：
上面有一批老专家，还能做判断。
中间有一批熟练使用 AI 的人，能把工具玩得很溜。
下面没有真正踩过泥巴的新人。
这不是组织升级。
这是人才供应链断了。
低级动作，是高级判断的地基
王教授还讲到一个概念：人类大脑是序列处理，AI 是同时处理。
AI 可以同时吞进去海量信息，只要算力够，就能处理。
人不行。
人的注意力很窄，一次只能认真做一件事。
但人有一个厉害的地方：可以通过大量练习，把复杂动作变成自动化。
比如游泳。
刚学的时候，你要想着手怎么划、脚怎么蹬、什么时候换气，整个人像在水里跟自己打架。
练久了之后，这些动作被身体记住了，你才有余力去感受水流、调整节奏、看方向。
工作也是一样。
很多高级判断，底下都是低级动作的自动化。
你不亲手做过足够多次，就很难长出那种“哪里不对”的直觉。
所以，初级岗位不是组织里的低价值岗位。
它是训练场。
训练场没了，运动员也就没了。
AI 不该变成一把更锋利的鞭子
电动机发明之后，并没有立刻改变工厂。
真正围绕电动机重新设计工厂布局、流程和协作方式，大概花了 30 年。
这个类比挺有意思。
今天很多企业推 AI，也像是刚刚把蒸汽机换成电动机。
工具变了。
但组织没变。
流程没变。
考核没变。
管理者的想象力也没怎么变。
于是 AI 最先被拿来干嘛？
压缩人力。
提高 KPI。
证明自己跟上时代。
这就很可惜。
技术明明打开了一扇门，很多组织却先把它做成了一把更锋利的鞭子。
创造才是因，提效只是果
王教授有句话我很喜欢：创造是因，提效是果。
如果你真的在创造新东西，提效会自然发生。
但现在很多公司把顺序反过来了。
先逼所有人提效。
再期待组织里自然冒出创新。
这事儿不太现实。
提效的逻辑是收敛：减人、降本、压时间。
创造的逻辑是发散：试错、绕路、失败、再试。
你不能一边要求所有事情都立刻证明 ROI，一边期待大家搞出真正的新东西。
这就像要求一个小孩不能摔跤，但必须学会骑车。
听起来很合理。
实际上很荒唐。
年轻人当然要用 AI，但不能只用 AI
我不是说年轻人不该用 AI。
恰恰相反，他们必须用。
这一代人如果不用 AI，肯定会落后。
但问题是，不能只用 AI。
组织要有意识地保留一些“亲自下泥地”的机会。
让新人亲自查一次完整链路。
亲自对一次指标口径。
亲自写一版不成熟的方案，然后再让 AI 来挑刺。
亲自上线一次东西，承受真实反馈。
AI 可以坐副驾驶。
但不能一上来就把方向盘抢走。
否则培养出来的，不是更强的人。
而是更依赖工具的人。
最后
AI 会越来越强，这没什么好怀疑的。
执行层面的事情，它会做得越来越好。
但判断、探索、创造、承担责任，这些东西还是需要人。
而这些能力不是凭空长出来的。
它需要泥巴。
需要笨功夫。
需要真实世界的摩擦。
需要很多看起来低效、重复、脏兮兮的经验。
所以我现在越来越觉得，AI 提效最可怕的地方，不是裁掉今天的年轻人。
而是让明天的专家，再也没有机会从年轻人长出来。
这才是真正该警惕的事。
原文视频：
https://v.douyin.com/q92X2oQ3OHc/
— END —
