AI 越会做事,越不能替你想第一步

现在用 AI 做内容，方便得有点吓人。

输一个主题，标题、提纲、正文、配图建议全都给你。再接几个工具，搜索、翻译、排版、发布也能串起来。原本一下午的活儿，十几分钟就完事了。

但问题也藏在这。

AI 把每一步都替你想好了，那你还剩下什么？

很多时候就剩下复制、粘贴、确认，然后把成品发出去。流程跑完了，自己对这件事还是没更懂。

这是用 AI 最容易被忽略的一笔成本。

你交出去的，可能不只是工作

把整理资料、改写句子、转换格式这些事交给 AI，问题不大。它们输入明确，结果也相对清楚。

真正要小心的是第一步也被交出去了。

第一步不是"写一篇文章"，也不是"生成一个方案"，而是你怎么看这件事，准备给谁解决问题，哪些信息值得留，最后想让读者记住什么。

这一步没过你自己的判断，后面生成得越快，偏得可能越远。

麻烦的是，AI 的答案往往太完整。空白它填上，语气它顺平，逻辑它接好。读起来像一个已经想明白的东西，人自然就跳过验证了。

微软研究院在 CHI 2025 发过一项研究，调查了 319 名知识工作者，收集了 936 个真实的生成式 AI 工作案例。结果是对 AI 越有信心的人，在相关任务里投入的批判性思考越少。批判性思考并没有消失，只是从提出问题、建立判断，变成了检查 AI 有没有写错。

你可能还在"思考"，但思考的内容变了。

AI 最好的位置，在判断的后面

这也不是说 AI 只能干低级活，更不是说凡事都得自己从头来。

Anthropic 分析过约一百万段 Claude 对话，2025 年发布的 Economic Index 显示，AI 使用更偏向增强型协作，约占 57%，直接自动化约占 43%。

也就是说，很多有效的用法，还是需要人先定方向，AI 再参与执行。

我习惯把这件事拆成四个交接点

第一个交接点是建模

先别急着让 AI 写答案。

花几分钟说清四件事：要解决什么问题，读者是谁，我目前的判断是什么，我最担心哪种误解。

这一步可以很糙，直接对着手机录音都行。重点不是表达漂亮，而是把自己的起点留下来。

没有起点，最后得到的往往就是一个通用答案。

第二个交接点是对撞

把想法交给 AI 之后，让它扮演审稿人、反方，还有不同领域的顾问。

让它指出证据缺口，找出逻辑跳跃，补上你没想到的角度，也让它告诉你哪些判断其实只是感觉。

这时候的 AI 有点像一面会说话的镜子，既给你答案，也照出你没看见的盲区。

但镜子里显示的内容还是要你自己判断，它的反驳可能错，它补的材料也可能不可靠。

第三个交接点是重述

别直接复制 AI 的最终稿。

把修正过的想法重新用自己的话讲一遍，或者写一遍。只要你在重述，就会发现有些地方其实没弄懂，有些观点只是看起来顺。

这一步牺牲一点速度，但能把"看到答案"变成"拥有理解"。

MIT 有篇关于 AI 辅助写作的预印本研究，观察了 54 名参与者在不同写作条件下的脑电和行为差异，显示工具使用程度和认知参与有关。但它还是预印本，样本也小，推不出"用 AI 就会导致大脑退化"这种结论。

更稳妥的说法是，你怎么用，决定你投入多少认知努力。你把什么交给 AI，自己还保留什么，结果可以完全不同。

第四个交接点是复盘

内容发出去以后，别光盯着数据好不好看。

回头问自己三个问题。

我原本想解决的那个问题，读者真的在乎吗？

有没有哪条评论，把我一直默认的某个假设给推翻了？

下一次做，哪些我会保留，哪些直接扔掉？

评论、收藏、转发，看完不用急着下结论，把它们带进下一轮就行。

一套当天就能使用的流程

如果你现在正在做一篇文章、一个视频或一份方案，可以照着下面做。

先自己写下三句话。

我想讨论什么。

我为什么关心它。

我希望读者看完后改变哪个判断。

然后再让 AI 做三件事。

第一，找出你的论证漏洞。

第二，提出三个与你不同的角度。

第三，列出需要核验的事实和数据。

接着自己做一次取舍。哪些建议采用，哪些建议放弃，为什么放弃。

最后再让 AI 帮你整理结构、润色语言、制作表格或拆成发布版本。

这套流程看起来没有“输入一句话，直接生成成品”那么爽，却多保留了一个关键环节。你仍然是这件事的负责人，AI 是参与者。

NIST 的生成式 AI 风险管理框架把风险管理放在 AI 系统的设计、开发、使用和评估全生命周期中。[4] 这个框架放到个人工作里，也能得到一个很朴素的提醒。审核不该只发生在最终发布前，而要进入整个过程。

别把播放量当成能力证明

一个账号可以拥有很高的播放量，却没有真正解决用户问题的能力。

这件事在 AI 时代会更加常见。

因为生成内容的门槛降低了，模仿一个热门选题、做出一条像样的文案、拼出一个完整的视频，都比过去容易。

容易完成，不等于值得信任。

真正能留下来的东西，通常有三样。

你对一个问题形成过自己的判断。

你把判断放进真实场景里验证过。

你根据结果修正过判断，并且留下了下一次还能使用的方法。

这三件事会慢慢变成你的案例、你的知识库和你的工作方式。它们不会因为下个月出现一个更强的模型就全部作废。

最后

AI 让执行变便宜了，也让“看起来会做”变得容易了。

以后人与人的差距，未必体现在谁能更快生成一份答案。更重要的差距，可能藏在答案生成之前。

能看见真正的问题，也能在结果回来后修正判断，这样的人才更容易留下自己的位置。

你可以让 AI 帮你查资料、做初稿、找漏洞、跑流程。

但开始之前，先留下你的想法。

因为那是你和 AI 之间最重要的分工，也是这件事里最不能外包的一步。

如果你平时使用 AI 主要是让它直接产出，今天可以试一次新的方法。先自己说三分钟，再让 AI 来反驳你。

你会发现，AI 可以替你做很多事，同时也能帮你把自己的想法磨得更清楚。