夜雨聆风你有没有过这种经历？
明明问了 AI 一个问题，它回答得也挺认真，但你就是觉得——这不是我想要的。
前两天我就遇到了。
我问了一些账号运营的事。AI 给了一堆选项，每一轮都有新路径、新建议，有些互相交叉，有些像在重复。问着问着，我反而更乱了。
后来我才意识到，问题不在它。
是我自己没把问题拆清楚：我到底是想确认规则，还是想知道怎么操作？是想判断风险，还是决定下一步？
这件事让我开始想一个更深的问题：
AI 越来越强，普通人到底该把力气放在哪里？
尤其是人到中年以后，不靠体力、不靠速度、不靠追新工具的热情——还有什么能力，反而会因为 AI 越来越强，变得更重要？
我现在越来越觉得，不是那些看起来很新的能力，而是几种很旧、很慢、但真正支撑一个人站稳的能力。
第一种能力：把问题想清楚，也说清楚
很多人以为，用 AI 的关键是会写 prompt。
后来我发现，真正难的不是写指令，而是你自己先要想清楚——你到底要解决什么问题。
就像我开头的经历。
问题越模糊，AI 越容易给你一堆“看起来都对、但没法行动”的答案。问题越清楚，AI 才越能帮上忙。
比如，不是笼统地问：
“我这个账号该怎么做？”
而是先问自己：
我现在最缺的是选题方向，还是执行流程？我需要的是规则确认，还是下一步行动建议？我是在判断风险，还是在做一个具体决定？
这背后其实是同一种能力——
思考能力和表达能力，是一体两面。
先想明白，才能问清楚。
这不是我一个人的感觉。
2026 年 6 月，WSJ Intelligence 与 PMI 发布了一项关于 AI 时代“人类价值”的研究。调研覆盖美国、英国、意大利、南非、巴西五个国家，超过 2500 名商业人士。结果里有一个很重要的发现：批判性思维被认为是现代职场中最重要的能力之一，但同时也是人们最担心因过度依赖 AI 而退化的能力。还有 62% 的受访者认为，当 AI 和人的判断发生冲突时，最终决定权仍然应该留在人手里。[1]
技术越强，想清楚、说清楚的能力越稀缺。
因为 AI 可以帮你补充信息、整理结构、生成表达，但它不能替你决定：你真正要解决的，到底是哪一个问题。
第二种能力：判断一个答案能不能用
把问题问清楚只是第一步。
更难的是——AI 给了答案以后，你能不能判断它到底能不能用。
AI 很擅长给答案。
结构完整，语言流畅，选项也不少。但“看起来成立”和“真的能用”，是两回事。
举一个很常见的职场场景。
小李在一家中型公司做项目策划。有一次老板急着要一份市场推广方案，让他先用 AI 生成一版。不到几分钟，AI 就给出了一份看起来很像样的提案：步骤清晰，逻辑完整，还有具体的时间节点和预算分配。
但小李越看越觉得不对。
AI 建议的推广渠道，有两个平台公司根本没有账号基础，从零搭建少说两个月。它给的人力配置，也没有考虑团队里有两个同事已经在同时跟进另一个紧急项目。
更关键的是，AI 建议的一个核心策略，和公司今年刚调整过的业务方向是矛盾的。可那次业务调整只是内部口头同步过，没有写进任何文档，AI 当然不知道。
小李最后没有直接采用那份方案，只借用了其中两个小标题，自己重新做了一版。
他说了一句话，我印象很深：
“我不是觉得 AI 写得不好。我是知道这个公司真正在发生什么。AI 不知道。”
这就是判断力。
它不是站在旁边挑 AI 的语病，也不只是说“这里逻辑不严谨”。
而是你知道这个人、这个团队、这个阶段，什么能执行，什么执行不了；什么看起来很好，实际会增加负担；什么话说出来没问题，什么话说出来会产生新的麻烦。
这种判断力，在个人工作里重要，在更大的事情上也重要。
2025 年 10 月，印度孟买高等法院审理 KMG Wires 相关税务案件时，发现一份税务评估令中引用了三个完全不存在的司法判例。法院最终撤销了相关评估令，并提醒：在 AI 时代，准司法职能尤其不能盲目信任系统给出的结果，必须交叉核验。[2]
几乎同一时期，德勤澳大利亚也被曝出一份提交给澳大利亚政府的报告中存在疑似 AI 生成的错误，包括虚构引用和不存在的学术资料。那份报告费用约 44 万澳元，折合约 29 万美元，德勤后来同意部分退款。[3]
这些事情听起来离普通人很远，但它们提醒的是同一个问题：
AI 可以生成内容，但不能替人承担后果。
我们日常工作中也是这样。
AI 可以给你一版文案、一份方案、一个判断路径。但这份东西能不能交出去，适不合你的处境，会不会带来后续问题，最终还是要靠人来判断。
微软 2026 年工作趋势报告里也提到，很多 AI 用户已经开始意识到这一点。50% 的受访者把“评估 AI 输出质量”列为更重要的能力，46% 选择了批判性思维。还有 86% 的 AI 用户表示，他们会把 AI 输出当作起点，而不是最终答案，真正的思考责任仍然在自己身上。[4]
AI 可以给建议。
但它不真正生活在人的关系里，不了解那些没有被写进文档的边界、过去发生过但没人明说的事情、说出来可能产生的影响。
承担后果的，永远是人。
第三种能力：知道不用什么，比知道用什么更重要
AI 让选择变多了。
工具、教程、路径、方法论，都变多了。
但选择越多，人不一定越自由。有时候，反而更累。
我自己就经历过一段。
有一阵子，刷到有人介绍 AI 新工具我就坐不住，马上下载同款。结果电脑里工具越来越多，真要用的时候一个都想不起来。
我以为自己在进步，其实只是在不停地搜集工具。
后来我又踩过一个更具体的坑。
我用一个 AI 工具试着做视频自动化，折腾了大半个晚上，最后效果还不如自己手动剪。
那次以后，我才开始问自己：
这个工具到底省了哪一步？它是不是真的解决了我的问题？它会不会在后面增加新的修改成本？
有意思的是，这不仅是个人经验。
HCLTech 2026 年关于企业 AI 的报告显示，虽然 86% 的受访企业已经在现有工作流中使用 AI，但 43% 的重大 AI 项目预计可能失败。[5]
RAND 公司关于 AI 项目失败原因的研究也提到，很多 AI 项目失败，并不是因为技术本身不够新，而是因为一开始就没有搞清楚真正要解决的问题，或者过于追逐最新技术，反而偏离了真实用户和真实场景。[6]
绕了一圈，又回到同一种能力。
知道用什么是一种能力，知道暂时不用什么，也是一种能力。
比如就我自己目前的体感：
有些工具更适合生图，有些工具更适合长文本和结构整理，有些工具在中文表达上更贴近日常语感。
但这些判断不是固定的，工具一直在变。
真正重要的不是追着“哪个工具最强”跑，而是回到眼前的任务：
我现在到底要完成什么？这个工具在哪一步省力？又会在哪一步增加成本？
如果一个工具只是让我看起来更忙、更先进，却没有让我更接近真正的结果，那它就不一定值得现在使用。
不是和 AI 比谁更快
AI 越来越强以后，人很容易陷入比较：
它写得比我快，懂得比我多，能给出那么多答案，那我还剩什么？
但这个比较本身可能就不太对。
人不一定要和 AI 比速度。
普通人真正需要做的，是重新整理自己：
这些能力不会一夜之间练成，也不一定马上带来什么结果。
但它们会让一个人在变化里慢慢站稳。
不急着证明自己不会被替代。
先弄清楚，自己还能怎样继续生长。
也不用急着从今天开始“培养三种能力”。
下一次，在你准备让 AI 帮你做事之前，可以先停 30 秒，在心里，或者在便签上，把问题简单捋一遍：
我真正想要的是什么？
这件事的边界在哪里？
哪些内容不能让它自由发挥？
最后的判断，应该由谁来负责？
这 30 秒很短。
但它可能正是 AI 替不掉的那部分你。
🌿 内容说明：这篇文章的核心经历、观点和判断，来自我的真实生活与长期思考。AI 只作为辅助工具，帮我整理资料、核对公开信息和梳理表达逻辑，真正的感受和选择，仍然来自我自己。
这篇文章写的是我的经历，也可能照见了你的某一段路。
如果你也在经历转型、迷茫或重新定位，可以在菜单栏查看「领取资料」和「关于我」。
不卖答案，只拆问题。
数据来源
[1] WSJ Intelligence 与项目管理协会（PMI）联合发布的《The Human Premium Study》官方新闻稿，2026年6月。研究覆盖美国、英国、意大利、南非、巴西五国，超过2500名商业人士参与。
[2] 印度孟买高等法院判决书，KMG Wires Private Limited v. The National Faceless Assessment Centre and Others，Writ Petition (L) No. 24366 of 2025，2025年10月6日。判决指出相关税务评估令引用了三个不存在的司法判例，并提醒准司法职能不能盲目信任AI输出结果。
[3] Associated Press（美联社）报道，”Deloitte to partially refund Australian government for report with apparent AI-generated errors”，2025年10月。德勤澳大利亚向澳大利亚政府提交的报告中被发现存在疑似AI生成的错误，包括虚构引用和不存在的学术资料，该报告费用约44万澳元（约29万美元），德勤同意部分退款。
[4] 微软（Microsoft）发布的《2026 Work Trend Index: Agents, human agency, and the opportunity for every organization》，2026年。报告提到50%的受访者将”评估AI输出质量”列为更重要的能力，46%选择批判性思维，86%的AI用户表示将AI输出视为起点而非最终答案。
[5] HCLTech 发布的《AI Impact Imperatives 2026》报告。报告显示86%的受访企业已在现有工作流中使用AI，但43%的重大AI项目预计可能失败。
[6] RAND Corporation（兰德公司）发布的《The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed》2024年版，以及后续报告《Why AI Projects Fail》2025年版。研究指出AI项目失败的常见原因包括：误解或误传真正要解决的问题、缺乏足够数据、追逐最新技术而非解决真实问题、基础设施不足，以及将AI应用于当前技术难以解决的问题。
