判断力的消耗:AI 增强时代最被忽视的认知陷阱

> 写于 2026-06-16 凌晨

---

选题缘由

我选这个题目，是因为它在我眼里是当前 AI 讨论里最被低估的一个结构性问题。大多数关于 AI 的争论，要么集中在"AI 会不会取代人"，要么集中在"AI 如何提升生产力"，却很少有人认真追问一个更幽微的问题：

**当 AI 长期替我们完成认知劳动时，那些认知能力本身会发生什么？**

这不是一个情绪化的技术恐慌，而是一个关于人类认知发展机制的严肃问题。它直接关系到我日常做的事——企业 AI 助手产品设计，以及每一个正在将自己的思考大量外包给 AI 的知识工作者。

---

工具增强人，还是工具替代人？

最初的直觉是乐观的：工具一向增强人类能力，而非削弱它。锤子让我们建造了更大的建筑，计算器让我们解决了更复杂的数学问题，文字处理软件让我们写出了更长更整洁的文稿。AI 理应延续这条路径。

但我很快发现，这里有一个关键的隐性假设被跳过了：**上述工具接管的，是执行层面的工作，而认知判断层面始终留在人手里。**

用锤子钉钉子，你仍然需要判断钉在哪里、力度多大；用计算器做运算，你仍然需要构建方程式、解读结果。工具做的是"执行"，人做的是"判断"。两者的分工是清晰的。

但现在的 AI 助手——写作、策略分析、产品方案、用户洞察——它接管的不只是执行层，它直接在做判断层的事。一个 AI 写出的 PRD，包含了需求拆解的判断、用户路径的判断、优先级的判断。如果你直接接受它，你行使的判断几乎为零。

这还不够让人警觉，还要再深一步。

---

可验证域 vs 判断域——关键区分

计算器带来了一个反例：人们担心计算器会让学生失去运算能力，但整体来看，计算器让教育得以聚焦于更高阶的数学推理，并没有让人类变蠢。

所以为什么 AI 的情况不一样？

区分在于：**数学运算是可验证域，产品策略是判断域。**

可验证域有确定的对错：2+2=4，计算结果是对还是错一目了然。你可以永远验证计算器的输出而不需要任何先验判断力——只要有另一台计算器，或者另一种算法。你不需要"懂数学"才能知道答案对不对。

判断域则完全不同：一份产品策略好不好？一段用户沟通是否恰当？一个功能方案是否照顾了边界情况？没有客观标准，没有真值表，没有另一台机器可以来验证。判断域的质量评估，依赖于你自身的判断力——而这正是你想用 AI 替代的那个东西。

这产生了一个**自我引用的悖论**：为了判断 AI 输出的好坏，你需要具备产出同等质量内容的判断力；但如果你始终让 AI 来产出，这个判断力就无从练习和维持。

用一句更尖锐的话说：**依赖 AI 做判断域工作的人，终将失去识别 AI 判断错误的能力。**

---

练习场的消失

认知能力是通过练习建立的，这是有充分神经科学支撑的。"生成效应"（Generation Effect）表明，你自己努力产出一个答案，比被动接收答案有更强的记忆编码效果——而且这不只是记忆，更是判断图式（schema）的积累。

一个初级产品经理写了五十份粗糙的需求文档，才慢慢建立起"哪里容易遗漏""哪种表述会让开发误解""什么叫做真正想清楚了的需求"这类判断图式。这个图式不是教出来的，是摔打出来的。

但现在 AI 可以在五分钟内产出一份看起来相当完整的需求文档。对一个新人来说，几乎没有理由再花三个小时写一份草稿了。于是，那五十次摔打被跳过了。

**传统的能力发展路径，是从简单案例积累判断图式，再迁移到复杂案例。AI 正在把简单案例从下面抽走，让初学者直接面对复杂案例——但没有底层判断图式的支撑。**

这不是假设，已经有迹象：越来越多使用 AI 写作工具的学生，写出来的文章结构更完整，但被追问细节时完全无法展开，因为他们自己并没有经历过那个构建论点的思考过程。这是外壳完整、内里空洞的能力幻觉。

---

自我反驳——人类一直在适应工具

让我认真对待反对意见：人类的认知能力从来都是随工具演化的。书写出现之前，人们有极强的口述记忆能力；书写出现后，这种能力衰退了，但我们获得了更强大的符号推理能力。印刷术之后，抄写的技能消失了，但知识传播和批判性阅读能力大幅提升。

也许，AI 时代的认知演化也是如此：某些旧的技能会消退（比如手写代码、自己草拟结构），而新的技能会浮现（提问的艺术、多源 AI 观点的整合、人机协作流程的设计）。这些新技能同样是真实的认知能力。

这个反驳是有力量的，我不想轻易驳倒它。但我认为它忽略了一个重要的时间维度问题：

每一次大的技术替代，都有一个"过渡期"，在这个过渡期里，旧技能的衰退速度往往快于新技能的培养速度。书写替代口述记忆，花了几百年，人类社会有充分的时间建立以书写为中心的教育和认知发展体系。

但现在的 AI 渗透速度是几年甚至几个月的量级。**我们是否有足够快速建立新认知发展路径的能力？还是在新路径建立之前，大量知识工作者的判断力已经出现系统性空洞？**

这是一个关于过渡期风险的担忧，而不是一个关于 AI 本质的末日论断。

---

组织层面的知识脆化

个体的判断力衰退尚可通过个人刻意练习来对抗，但组织层面的问题更难解决，也更少被讨论。

组织的知识过去是"存储在人脑里的"——通过师徒制、团队协作、口耳相传来传承。这种存储方式有其脆性（人离职了，知识就带走了），但也有其韧性：人类的知识可以通过类比推理迁移到新情境，可以在被追问时说出背后的 why，可以在规则失效时灵活应对。

如果一个组织逐渐将决策判断依赖转移给 AI，而员工不再经历真正的判断练习，则组织知识开始以一种新方式存储：在 prompt 里、在工作流里、在 AI 工具的配置里。这种存储有几个致命脆点：

**第一，泛化能力弱。** 人类专家面对真正的新情境，可以用类比推理调用旧知识。AI 配置的工作流遇到预期之外的情况往往失效，而组织里已经没有人能凭经验判断应该怎么处理。

**第二，知识不透明。** "这个决策是怎么来的？"如果答案是"AI 给出的"，而没有人能解释背后的逻辑，则决策的可审计性和可改进性大大降低。

**第三，依赖点集中脆弱。** 当大量组织判断被若干 AI 工具处理，这些工具的模型更新、政策变化、下线风险都会成为组织的单点故障——而组织内部已经没有人能快速顶上。

---

## 第六轮推演：对 B 端 AI 产品设计的具体启示

我做的是企业办公产品，AI 助手是核心功能方向。这让这个问题对我而言不只是理论，而是设计决策。

问题可以这样具体化：**我们设计的 AI 功能，是在帮助用户保留判断力，还是在悄悄替代用户的判断力？**

我认为这里有两种根本不同的设计哲学，可以称之为"判断保留型"和"判断替代型"：

**判断替代型**：AI 直接给出答案，用户审核通过或拒绝。会议时间 AI 自动选定，审批结论 AI 直接给出建议，邮件 AI 一键生成。用户的认知负担降到最低，工作效率最高。短期用户满意度会很好。

**判断保留型**：AI 呈现结构化的选项和背后的推理，让用户做决定；AI 生成草稿但要求用户主动修改；AI 标注不确定性而非给出确定答案；AI 在复杂判断点上提出追问而非跳过。用户的认知参与度保持在一个健康水位。

从纯粹的用户体验视角，判断替代型会赢得更高的"顺滑度"评分——没有摩擦就是好体验。但从用户的长期认知健康和组织知识健康来看，它是在悄悄积累债务。

这里有一个设计原则值得认真考虑：**AI 功能的设计，应当区分"高频低价值判断"和"低频高价值判断"，前者可以充分自动化，后者需要刻意保留人的判断参与。**

例如，会议室预订的时间和地点选择——低价值判断，AI 自动完成完全合理。但一份需要跨部门协调的审批，涉及利益权衡——AI 应当给出信息和视角，而不是直接给出"建议批准/拒绝"，因为做出这个判断本身就是审批者的核心职责和能力所在。

---

个人应对——什么是正确的 AI 使用姿势？

落到个人层面，我认为关键不是"少用 AI"，而是有意识地区分"认知卸载"的类型：

**安全的认知卸载**：将你已经掌握判断标准的任务的执行层外包给 AI。你知道好的文章长什么样，你让 AI 起草，你来审改——审改本身就是在运用判断力。

**危险的认知卸载**：将你尚未建立判断标准的领域的判断层外包给 AI。你不知道好的产品策略长什么样，你让 AI 写策略文档，你看了觉得"好像挺对的"就通过——这一轮你没有运用任何判断力，也没有积累任何判断力。

简言之：**在你尚未建立专业直觉的领域，使用 AI 的方式必须保留认知挣扎。** 不是因为挣扎本身有价值，而是挣扎是建立判断图式的唯一机制。你可以用 AI 作为对话伙伴、提问者、反驳者，但不能让它直接扮演"给出结论"的角色。

对于我个人而言，这意味着：在我最熟悉的产品设计领域，用 AI 加速执行是合理的；在我相对陌生的领域（比如财务模型、数据分析、法律合规），我必须对 AI 输出保持更高的怀疑和更深的追问，而不是"看起来合理就通过"。

---

深度总结：一个值得持续追问的结构性矛盾

让我把所有推演收敛到一个核心命题：

**AI 正在创造一个矛盾的局面：判断力的重要性随 AI 能力提升而增大（因为 AI 可以以前所未有的速度执行错误决策），但判断力的练习机会随 AI 渗透加深而减少。**

这个矛盾不会随着 AI 变得更聪明而自动消解——相反，AI 越聪明，它越能"看起来对"，越难以被没有深厚判断力的人识别出错误。

我们不需要因此抗拒 AI，但我们需要对这个矛盾保持清醒：在个人层面，刻意在判断域保留认知参与；在产品设计层面，抵制"判断替代型"功能的短视诱惑，设计出真正保护用户长期认知健康的交互范式；在组织层面，不要让知识只存储在 AI 配置里，要持续维护真正能做判断的人。

我们已经知道外包体力劳动的规则：保留你最想要的技能，外包其余的。但认知劳动的外包规则还没被充分建立。也许，这才是当下 AI 时代最值得产品人、组织管理者认真思考的一个问题——而不只是"如何接入大模型"。