一个新人入职，所有基础任务都可以交给 AI：会议纪要 AI 写，竞品分析 AI 做，行业资料 AI 总结，PPT 初稿 AI 生成，日报周报 AI 润色，方案结构 AI 给框架。

他很开心。老板也很开心——三个月的新人，产出已经赶上过去一年的老员工。

但两年后，公司发现了一个问题。他能生成很多东西，却不知道哪里不对。他能复述很多框架，却没有自己的判断来源。他能给出方案，但如果你问他为什么选 A 不选 B，他会说：AI 建议的。

不是他不用心。是他从来没有机会用自己的心。

问题不是 AI 做得不好。问题是 AI 做得太好了——好到新人不需要自己做了。

✵

你想想，一个新人以前是怎么成长的。

写会议纪要，你得把整场会议从头听到尾，谁说了什么、为什么这么说、哪些话是场面话、哪些是真问题——你得自己分辨。写完了，老员工看一眼说「这个不用记」，你就知道了什么重要什么不重要。

查竞品资料，你得翻几十个页面，大部分是废话，但偶尔翻到一个关键数据，你心里咯噔一下——原来他们在做这个。这种「咯噔」，就是判断力在长。

改 PPT，老板说「这三页顺序换一下」，你得想为什么。想不明白就去问，问完了你才懂：原来汇报的逻辑不是按时间线，是按决策链。

这些事低级吗？低级。但它们是新人接触真实业务材料的唯一入口。研究说，专家实际掌握的内容，自己只能用语言表达出大约 30%。^[1] 剩下 70% 的隐性知识，不在文档里，不在培训手册里，只存在于老员工怎么判断、怎么否决、怎么拍板的过程中。新人只有跟着做、跟着看、跟着错，才能把这 70% 一点一点地长到自己身上。

✵

报告里还有一句话，我觉得是最精准的诊断：AI 把工作重心从「通过做来思考」变成了「从输出中挑选」。^[2] 前者是在锻炼你，后者是在代替你。

这就是训练场消失的本质。新人不再需要从头到尾写一份会议纪要——AI 三秒钟生成，他只需要挑挑拣拣改几个字。他不再需要翻几十个页面找竞品数据——AI 已经总结好了，他只需要确认。他不再需要想 PPT 的逻辑顺序——AI 给了框架，他只需要填内容。

从「通过做来思考」到「从输出中挑选」，新人少了三种训练：低风险犯错的机会——自己先做了才可能犯错，AI 先出了初稿你就没机会从零到一了；重复性接触材料的路径——AI 帮你筛过了，你不用再翻那些废话，但废话里偶尔藏着「咯噔」；旁观专家如何判断和否决的窗口——以前改你的纪要就是在教你，现在 AI 改了，专家不用看了，你也不用被改了。

我们上一讲说了循环工程：判断一旦写进循环，就不再是一次性输入，而会变成系统的长期先验。反过来也一样——判断如果从来没被写进去过，就永远不会长出来。

✵

但更深的断裂还不是训练场消失。

更深的断裂是：AI 不只是替新人完成任务，它还在参与塑造新人未来的判断力。

微软报告里还有个发现：如果先独立构思再引入 AI，产出的原创想法明显更多；先看 AI 建议再独立构思，原创想法反而更少。^[2] 更麻烦的是，这种影响有残留——即使之后停用 AI，独立构思的质量也没有完全恢复。

Nature 旗下的一组实验也印证了这一点。研究者让人写诗，一组自己写，一组先看 AI 生成的诗再编辑。结果编辑组的创造力显著低于独立创作组。^[3] 但有意思的是，如果人和 AI 是共创关系——人先写，AI 再基于人的方向扩展，人再接着写——创造力缺陷就消失了。^[3]

关键不在于用不用 AI，而在于谁先出手。

你想想这对新人意味着什么。他入职第一天，AI 就已经替他定义了：一份好的竞品分析长什么样，一个合格的方案框架有哪些模块，一篇专业的报告应该包含哪些维度。他还没有自己的判断标准，AI 就已经把标准递到他面前了。

比如他第一次独立做竞品分析，AI 给了五个维度：市场份额、产品功能、定价策略、用户口碑、技术路线。他觉得很好，很专业，很全面。但老员工看了一眼说：「你漏了渠道政策。」他不是漏了——他从来不知道还有这个维度。AI 没给，他就不知道该看。

这不是技能问题。是你还没来得及长出自己的标准，AI 就已经替你定了。

以前新人的判断力是在「做错了→被纠正→自己琢磨→下次做对」的循环里长出来的。现在这个循环被压缩成了「AI 给了→我挑了→交了」。判断力的来源，从自己的经验变成了 AI 的输出。

更隐蔽的是，AI 给新人的不只是答案。它还在给新人提供问题框架——什么值得分析、什么算重要、什么结构是专业的。它还在给新人提供评价标准——什么样的输出是好的、什么维度的比较是有价值的。它甚至还在给新人提供职业想象——一个产品经理应该做什么、一个分析师的产出长什么样。

这些先验条件，新人自己根本意识不到。就像鱼不知道水——你从第一天就在 AI 的框架里工作，你怎么知道还有别的框架？

我们第三讲说了裁决权。如果连判断标准都是 AI 给的，裁决权就是空的。你不是在裁决 AI 的答案，你只是在 AI 的答案里盖章。

✵

训练场消失了，不是 AI 的错。AI 确实能帮新人更快地产出。问题是组织不能假装新人通过「从输出中挑选」就能长出判断力——就像你不能通过看别人游泳学会游泳，你得自己下水，呛几口水，才知道水是什么感觉。

组织必须重新发明学徒制。不是回到手工时代，而是重新规定 AI 什么时候出现、以什么身份出现、留下什么过程证据、由谁来纠偏。

更直白地说：过去的学徒制，是新人看专家怎么做。AI 时代的新学徒制，是新人先做，AI 暴露差距，专家解释差距，组织沉淀差距。

学术界验证有效的一种方式叫「脚手架递减」——普渡大学在计算机课程中用结构化脚手架训练学生有意识地使用生成式 AI，831 份有效回应显示，学生对调试、概念理解、作业场景的 AI 使用更有意识，而不是简单依赖。^[4]

这些做法不便宜，也不高效。但判断力从来就不是高效生产出来的。它是被犯错、被纠正、被自己琢磨出来的——这条路径没有捷径。

我们这个专题，从第一讲到第四讲，其实都在说同一件事：AI 越能执行，人越不能模糊。个人被 Agent 逼着想清楚，循环放大判断的权重，裁决权变成最稀缺的资源，组织被迫面对自己没想清楚的东西。而这一讲说的是这条链的最后一环——如果新人没有机会自己想清楚，整条链就断了。