夜雨聆风
作者：水投集团党委书记、副董事长 曲德春
用AI越久，自己越不会想——这不是AI的问题，是人的判断力退场了。
你有没有发现，用AI越久，自己越不会想了？
遇到问题，第一反应不是想，而是打开对话框。拿到答案觉得还行，用上去发现跑偏了。然后你开始怀疑AI——但怀疑之后不是回到自己思考，而是更不想想了，反正想了也不如AI快。
你处在一种奇怪的状态里：既离不开AI，又不真信AI。
2025年5月，Nature Communications发表了一项神经科学研究，结论很反直觉：大脑的"想通了"信号，是可以被错误触发的。实验里，参与者躺在核磁共振扫描仪中看黑白抽象图，从"看不懂"到"看懂了"的瞬间，大脑会闪过一个强烈的Aha感。但诡异的是——那些认错了图的人，超过四成同样经历了强烈的顿悟感和高度确定性。
你的大脑会骗你。"懂了"这个感觉，不等于真懂了。
AI的回答恰恰最容易制造这种假信号。它逻辑自洽、措辞流畅、结构清晰，你读完一段AI的解释，"哦，原来如此"的感觉几乎是自动产生的。但那个感觉，很有可能就是假顿悟——你只是被AI说服了，被它流畅的表达带着走，并不是真懂了。
MIT的一项脑电实验（预印本）给出了更硬的证据：用ChatGPT写作的实验组，人脑神经连接强度最弱。AI给的答案和你自己想通的答案，在大脑里根本不是同一种东西——一个是信息，路过一下就走了；一个是记忆，被刻进了脑子里。
这跟国企管理里一个常见的现象结构完全一样：制度文件看着规范，实际执行全是漏洞。你做过合规检查就知道了——零星采购无计划边采边报，刚成立一个月的供应商直接供货，制度文本挑不出毛病，但落地全是窟窿。"看着规范"不等于"真正合规"，就像"看着懂了"不等于"真正理解"。
问题不在AI，不在制度——在于人的判断力退场了。
假顿悟最危险的地方，不是让你"一次没懂"，而是会启动一个退化循环。
你回忆一下自己用AI的过程：遇到问题，第一反应是打开对话框——这本身没什么问题。但慢慢地，你跳过了自己先想的步骤。问题还没理清楚，就已经在敲提示词了。问得不够深，AI给的答案自然也不到位。你拿到一个"看着还行"的输出，用上去发现跑偏了，于是开始怀疑AI。怀疑AI之后呢？不是回到自己思考，而是更不想想了——因为"反正想了也不如AI快"，干脆连试都不试。
不深想 → 问不好 → AI答偏 → 不信 → 更不想深想
这个循环转几圈之后，你会发现自己处在一个奇怪的状态：既离不开AI，又不真信AI。用的时候照搬，出了问题就甩锅，中间缺的那一步——自己的判断——始终没补上。
你可能觉得，从太信到不信，至少说明自己纠偏了、清醒了。但仔细想想：太信的时候，你跳过了自己的判断；不信的时候，你还是跳过了自己的判断——只不过一个方向是照单全收，一个方向是全盘拒绝。中间缺的那一步，两次都没补上。
从"太信"到"不信"，看起来像是纠偏，其实是同一个问题的两面。
"太信"是跳过判断直接接受，"不信"是跳过判断直接拒绝，中间缺的都是同一件事：校准。
那项Nature Communications的研究还揭示了一个关键机制：顿悟发生的前提，是大脑经历了"预期误差"——你得先有一个预期，然后预期被打破，海马体才会被激活，记忆才会被编码。就像猜谜语：先猜一个答案（这就是预期），发现猜错了（预期被打破），正确答案揭晓的那一刻你记得特别牢。但如果你没猜就直接看答案，那个答案你转头就忘。直接跳到答案，你连预期都没有，也就没有误差，海马体根本不触发。
这就是为什么"先想三分钟再问AI"不是鸡汤，而是有神经科学底层的操作——你那三分钟的挣扎，不是浪费时间，是在给大脑制造预期。有了预期，AI的回答才可能真正被你理解，而不是从眼前滑过去。
知道问题出在哪，接下来怎么办？三个方法，管理者自己先用，再带着团队用。
遇到棘手的问题，先给自己5到10分钟，试着理一理。哪怕理出来一团乱麻——这团乱麻就是你的预期，是你跟AI对话的起点。
没有这团乱麻，你问AI的时候连问题都问不准。你有没有过这种经历：问AI一个问题，拿到答案之后才意识到"我其实想问的不是这个"？那就是跳过困惑期的代价——你连自己真正要解决什么都没想清楚，AI当然答偏。
一个更狠的用法：别让AI回答你的问题，让AI反驳你。"请指出我这个方案的三个漏洞，如果我的判断是错的，最可能错在哪里？"你跟AI之间的冲突，恰恰是触发真正顿悟的燃料。
幻觉怕比对。同一个问题，丢给两个不同的模型，看它们的回答是否一致。说法差太多，就该警惕了。
但交叉校准不只是"多问一个模型"。明略科技创始人吴明辉提过一个概念值得记住：99%的单步准确率，听起来很高，但连续100步下来，整体可靠性只剩36.6%——每一步的一点点误差，会像滚雪球一样累积放大。这意味着什么？AI在单点上可能很准，但在复杂决策链路中，误差会累积、会放大。所以不是每步都审，而是在关键决策点嵌入人工审核——让人来定义目标、校验结果、审计逻辑。
对管理者来说，这就是在团队流程里设"卡点"：AI可以起草方案、梳理数据、生成初稿，但在拍板之前，必须有人过一遍。不是不信任AI，是复杂链路中单点准确率不等于整体可靠。
当你发现自己太依赖AI的时候，第一反应往往是"得戒一戒"。但换个角度看：依赖感本身不是敌人，它是一个信号——提醒你，该建立自己的判断框架了。
怎么建？最简单的一步：看完AI的回答，合上屏幕，用自己的话把逻辑重新走一遍。走不通的地方，就是你的真困惑。那个真困惑，才是你该花力气的地方。
那项研究里还有一个发现：真正帮你记住的，不是你眼睛看到了什么，而是你脑子里给它起了什么名字、贴了什么标签。AI输出再漂亮，你不把它变成自己的话，它就只是从你眼前路过的信息，不会变成你脑子里的知识。
"看懂"不算懂，能说出来才算。
AlphaGo击败李世石那天，DeepMind联合创始人哈萨比斯没有沉浸在成就感里。他回到自己始终思考的问题：用AI拓展科学边界。
这个细节值得琢磨。哈萨比斯不是在用AI替代自己的思考，他始终带着自己的问题去使用AI。你不需要拓展科学边界，但你一定有几个自己一直在琢磨的难题——项目合规的漏洞到底出在哪、团队为什么总是照搬AI答案、那个业务决策的盲区在哪里。带着这些问题去用AI，你就是在用工具；没有这些问题，你就是在被工具用。
人机协同这件事，说到底就一条线：人定义方向，AI提供选项；人做判断，AI做执行；人负责拍板，AI负责跑腿。主次不能倒。倒过来，你就不是在用工具，是被工具在用。
今天就能做的一个小改变：下次打开AI之前，先写三行自己的判断。哪怕只有三行，哪怕写完发现全是错的——那三行就是你的预期，是你跟AI对话的起点，也是你判断力的底线。
没有那三行，AI给你的只是一个答案。有了那三行，AI给你的才是一次校准。
