AI 时代最重要的不是工具,是判断力

如果你也带着一支团队、也在为"要不要在 AI 上掏真金白银"做决定，那你这阵子大概被两种声音轮番拽着走。

一种是末日派：AI 马上替掉一半人，再不裁员就晚了。另一种是推销派：不上 AI 转型就出局，最贵的那个模型你用了吗，这套方案签了吗？

两种声音吵得震天响，方向却正好相反——一个催你赶紧裁人，一个催你赶紧花钱。可你冷静下来翻一翻公司那三张表，会发现一个更尴尬的事实：收入没明显增长，成本没明显下降，组织能力也没真正变强。钱花了，毛也没变。

这不是我们一家的错觉。普华永道《2026 全球 CEO 调研》访问了 95 个国家和地区、4454 位 CEO：过去一年，56% 的人从 AI 上既没看到可见的营收增长，也没看到成本下降；两头都赚到的，只有 12%。可即便如此，仍有过半 CEO 打算明年接着加注。

钱在烧，回报没见着，大家还是往里砸。为什么？因为绝大多数管理者被一个错误的问题困住了——他们以为问题是"我用的工具不够多、不够新"。于是追大模型、囤账号、报培训班、试最贵的那个。

可工具买回来，往往就停在"买回来"那一刻——像我们办的健身卡，办的时候热血沸腾，三月后却发现没用几次。AI 呢，其实大概率员工早就偷偷用了，只是用法散落各处、没人沉淀、流程没改，于是它顶多让某个人的某项活儿轻松了一点，根本传导不到公司利润上。工具从不会自己变成利润，中间隔着的，正是判断。

我想在这第一篇里，把一个更要紧的判断交给你：

这句话听起来像句正确的废话。但读完这篇，你会知道它具体指什么、为什么、以及明天一早你能拿它做什么。

要谈判断，得先有个共同的事实底座：现在的 AI，到底到了什么水平？

我接触下来，大家对 AI 的判断常落进两个极端：一种是看不上——觉得不就是个会聊天的玩具，能帮上什么大忙；另一种是想太神——以为它马上就能把人替掉，于是要么恐慌性裁员，要么恐慌性砸钱。两头都不对。真实的位置，在中间。

如果借用自动驾驶的分级来理解，今天多数企业场景里的 AI，更像 L2 辅助驾驶：能做很多事，但不能完全撒手；能显著提效，但人仍然要盯、要验、要担责。它不是 L4、L5 那种"划定范围内真不用人"。这把尺子不是行业标准，但它能让我们一眼看懂自己手里的东西——别问它贵不贵，先问它是 L 几。

凭什么这么定位？三条。

第一，最懂行的人，自己不急。吴恩达——这一行最有分量的人之一——2026 年 2 月接受 Fast Company 采访时说得很直白：真正意义上的 AGI，离我们可能还有"几十年"，比以前近，但远没到。他还点破了一个更隐蔽的现象：有些公司在悄悄调低 AGI 的定义门槛，把"渐进式的效率提升"也包装成"通用智能"，好宣布自己"已经实现"。所以我们看 AGI 叙事，要分清两件事：技术进展本身，和发布会、融资场、销售话术里被放大的叙事。越是喊"两三年就到"的，越要想想他站在哪个位置说话——很多时候，喊得最响的那一嗓子，背后正好卡着一轮融资、或者一场发布会的倒计时。

第二，"L2"的定性里，本就写着"必须有人盯着"。你可以把今天的 AI，想成一个绝顶聪明、随叫随到、还不用发工资的实习生——能写初稿、能跑代码、能做分析，确实惊艳。但这位实习生有个毛病：他偶尔会一脸笃定地把你带沟里。比如一本正经地编错数据，给你一个根本不存在的研究、一句张冠李戴的名人名言，措辞之笃定，笃定到你都不好意思去核。这就跟开 L2 一样——手可以虚扶着方向盘，可你一旦真撒手去刷手机，它就敢载着你不紧不慢地拐进湖里。能干很多、又必须有人随时接管、出事还得你担责，这套体感，对应的就是 L2。

第三，所有伟大的技术，都要先过一道"幻灭期"。加特纳那条技术成熟度曲线说，新技术都会走"期望膨胀的顶峰 → 泡沫破裂的低谷 → 稳步爬升"。技术预测专家罗伊·阿马拉那句被称作"阿马拉定律"的话更狠：人们总是高估一项技术未来两年的影响，低估它未来十年的影响。自动驾驶也不是一夜之间从演示走到可用——2004 年 DARPA 无人车挑战赛，没有一辆车跑完赛道；可第二年就有 5 支队伍完赛。技术真正改变世界，往往不在最热闹的发布会，而在幻灭之后那段沉默的工程化爬坡里。

所以，给管理者的第一条判断很简单：别被营销号带节奏，也别焦虑，它是 L2——一场会自然走到你面前的变革，不是明天就替掉你的洪水。

大多数人从"AI 很猛"里得出的结论是：赶紧搞更多工具，或者赶紧把人换成 AI。我的判断正相反。

因为工具正在飞快地贬值。同一个大模型，人人都能用；API 几块钱；模型迭代快得让上个月的"独门绝技"这个月就烂大街。当一件东西人人唾手可得，它本身就不再是护城河。拉开差距的，只能是"用在哪、怎么用、谁来拍板"——也就是判断。

这里就有个最朴素的判断：选模型，最贵、最火当然有它的道理，但业务场景匹配更重要。就像过日子，合适、合拍才最要紧。多数业务场景里，一个够用、顺手、成本合适的模型，比一个最顶尖却用不顺的更划算。能分清"我真正需要什么"和"市面上最炫的是什么"，本身就是判断力的一部分。

这不是口号，是有证据的。哈佛商学院与 BCG 做过一项著名的咨询顾问实验：在 AI 不擅长的那类复杂任务上，没用 AI 的对照组正确率约 84.5%，而用了 AI 的两组分别掉到 70.6% 和 60%，合并后平均下降了约 19 个百分点。

但这句话千万别读偏——它不是说"AI 一用就变差"。它说的是：当任务落在 AI 能力边界之外时，AI 会给你一个"看起来很像样"的答案，而人很容易因为这个"像样"就放松了判断，跟着它走到错误结论里。说白了，又是那个"撒手去刷手机"的瞬间——答案看着挺像那么回事，你就不盯着路了。失败的不是 AI，是那道本该由人把守、却被交出去的判断。

无独有偶，还有一个小样本实验也给了类似提醒（纽约州立奥尔巴尼分校与加州大学伯克利，N=22）：AI 辅助让人省了约 50% 的时间，但准确率下降了约 35%。样本小，它不是最终结论，却足够提醒管理者一件事：提效和提质，不是一回事。

更扎心的是沃顿商学院一项关于下棋的研究：它发现过度依赖 AI 的，不只是水平差的人——一旦可以无限制地求助 AI，连高手也会忍不住放弃自己思考。而真正管用的，不是劝人自律，是给系统加一道"闸"：比如每次给提示前强制延迟几十秒、或限制求助次数，逼人先自己想一遍。这对管理者是个直接的启示——靠不住的是"大家会自觉用好 AI"，靠得住的是你给流程设的规矩。

把这几项放一起，指向同一句话：

AI + 人，并不自动等于更好。把判断交出去、盲目跟从，结果可能比你自己干还差。AI 最大的风险，从来不是替代你，是让你在"省力"里悄悄放弃了思考。

所以"判断力"在这里不是虚词。它是那个决定我们究竟"用 AI 把活儿干漂亮了"、还是"被 AI 带进沟里"的东西。工具谁都有，判断千金难买。

光说判断重要没用。我把它拆成三道关，你对照着自己公司看——而且这三关有先后：先看你的人变了没有，再看 AI 在这个领域摸到了哪一步，最后才拍板这条流程该不该重构。先侦察，后决策。

一看人：你的团队，正被 AI 重新分层。AI 对人的冲击不是简单替代，而是把人重新分成三类——被旧流程裹着走的人、能用 AI 提效的人、能用 AI 独立交付结果的人。举个最直白的画面：写一篇稿子，过去要选题、撰写、修改、配图、发布，可能是四五个人的链条；今天一个 UP 主，一个人加几个 AI 模型，全干了。当效率强到这个程度，那些"能独立交付结果的人"就一个个冒出来了。别忘了，"螺丝钉"是工厂时代造出来的——把人塞进一道细小工序里，不代表人天生就该是颗螺丝钉。AI 恰恰在松动这件事：当一个人能独立跑完一整条链，他就不必再只拧一颗螺丝。要判断的是：哪些人只是给自己提提效、哪些人已经能独立交付，团队该怎么重新摆。

二看进度：这个领域的 AI，现在到 L 几了？光知道人变了还不够——还得知道，AI 在这件事上到底摸到了哪一步。判断不是一次看清，是持续校准。今天整体是 L2，但某个细分场景，它可能已经悄悄摸到了 L3。就拿写代码来说：一年前还是"人不写代码、但得盯着 AI 写"，如今在一些规整的环节，AI 已经能自己跑通一轮、再回头改一轮——这条线一直在往前挪。不必天天追着看，但必须有人替你盯着它挪到了哪，免得我们还在用半年前的认知、做今天的决定。要判断的是：哪个环节的闸还得人牢牢把守、什么时候可以松一格、什么时候必须一把按住。

三看维度：这条流程是否已出现降维打击？摸清了 AI 在这个环节到了什么水平，你才拍得了最后这一板——是给老流程"加装"一个 AI，还是干脆为 AI"重构"整条流程？就像很多传统车企看自动驾驶，觉得"L2 这点功能，我在燃油车上加装也能做"，但他们没看见根本变化：这辆车的中枢，已经从机械换成了一台智能电脑。同样叫 L2，底层维度变了，这就是高维打低维。放到 AI 上：今天已经成熟的领域是文字、研发、设计、视频——在这些地方，"给老流程贴个 AI 提提效"的想法，会被"为 AI 重排整个流程"的人降维打击。边界内把活干好是一回事，看清边界外哪股趋势正在"量变到质变"，是更值钱的另一回事。要判断的是：哪些活儿贴个 AI 提提效就够，哪些必须为 AI 把整条流程重排。

判断要变成动作。三件事，分量不一样：第一件今天就能上手，后两件是你得现在就启动、却急不得的改造。

动作 · 员工：你的人一定会用，问题是你引不引导。人在"解放自己的时间"上是真愿意花钱的，所以不用怀疑，员工大概率已经在用了。真正的问题是：用了，组织却什么都不变，那这事儿就跟没发生一样。你要做的，不是去"榨"每个人，而是把好的用法沉淀成公司的资产，而不是随人走掉。引导得好，一个人能干出过去一个半、甚至两三个人的活儿。留住会用 AI 的人、把好用法固化进流程，才是真正长出来的能力。

思考一 · 组织：效率变了，组织就必须跟着变。如果人效提上去了、组织还是老样子，那本质上什么都没变，只是员工轻松了点。举我们自己的例子：过去管产研团队，产品要写 PRD、走 UE 设计、UI 设计、产品评审、技术评审、等排期……；现在很多时候不必写 PRD 了，因为 AI 可以直接做出一个带前端、带后端、能跑交互的 Demo。理想状态下，团队里每个人都能直接迭代一个模块，人人都是产品经理、全栈工程师——那组织也得跟着调整。具体怎么调整，我们在实践篇展开。

思考二 · 管理：团队里一半是 AI，你得学会"管 AI"。有人说管理就是管人，那现在麻烦了——你团队一半的"产能"是 AI。这事没那么玄：跟带人一样，把目标、计划、怎么协作说清楚。可规模一下子变了：如果一个人就能带 10 个 AI，那原本 20 个人的团队、每人带 10 个 AI，就相当于 200 个成员的规模，产能很惊人。但从管 20 个人，到管 200 个人机混编的成员，这已经不是"管人"了——怎么管好，眼下没有现成答案，却是每个管理者接下来几年都躲不开的新课题。

读完别只点个赞。下次你再面对任何一个"要不要上 AI"的决定，拿这五个问题，对着公司正在上的那个 AI 项目，过一遍——

举个例子。假设你在考虑"上一套 AI 客服，把一线客服团队直接替掉"——这是最容易一拍脑袋就定的决定，看着能省一大笔人力。可拿这五问过一遍，好几问的结论都跟"全替了"的直觉拧着：

五个问题答完你会发现，答案不是"全替"，是"替一半、把人挪到更值钱的地方"——这跟你进门时的直觉，正好差着一个判断。

五个问题答下来，你大概就知道：该激进的地方激进，该按住的地方按住。这，就是判断。

末日派在卖焦虑，推销派在卖工具。我们想干的，是第三件事：在这片喧嚣里，陪你把判断力练回来——练出一种在 AI 时代悠然自得的认知。

别焦虑，但也别轻视。科技是不可逆的，它会赤裸裸地、自然而然地走到我们面前。

而这条路，没必要一个人走：往后每一周，我们陪你一起判断、一起前行。这，就是《AI 商业周刊》想每周陪你做的事：

《AI 商业周刊》全年订阅价 ¥399

一周一刊，五个栏目，管理者看得懂、团队能执行：一个认知判断，一个实践案例，一课 MBA 共读，一本管理经典，一篇职场小说。

不追热点，不卖焦虑，只帮你判断：哪里该激进，哪里该按住。

前 50 位读者 = 创始会员

· 专属创始会员编号（第 001–050 号）

· 专属创始会员群

· 专属创始会员沙龙

2026 年 8 月 1 日正式开刊，预定私聊

扫码添加船长 · 预定 & 加入创始会员

——更多彩蛋，敬请期待"AI 商业周刊"知识星球

· 普华永道《2026 全球 CEO 调研》（n = 4,454，95 个国家和地区）：56% 未见显著财务收益，12% 两头皆得。

· 吴恩达 AGI 表态：Fast Company，《Andrew Ng says AGI is decades away》，2026-02-27。

· 顾问实验：哈佛商学院 × BCG（Dell'Acqua 等，"Navigating the Jagged Technological Frontier"；Organization Science 2026 正式版）。对照组约 84.5%，AI 两组 70.6% / 60%。

· 小样本标注实验：Cheng Ren（纽约州立奥尔巴尼）、Zachary Pardos、Zhi Li（加州大学伯克利），N=22，省时约 50%、准确率降约 35%。

· 沃顿商学院 AI 与学习研究（Bastani 等）：即便高水平者，在可无限使用 AI 时也会过度依赖；有效的是限次、延迟等系统性"护栏"，而非单靠自律。

· 阿马拉定律：Roy Amara；加特纳技术成熟度曲线。

· DARPA Grand Challenge 2004（无人完赛）/ 2005（5 队完赛，斯坦福夺冠）。