AI时代,先学会工作,再学会让AI工作

这家公司叫Valon，做的是AI驱动的房贷服务软件。它大约有320名员工，业务里大量使用AI智能体，怎么看都应该是最鼓励员工使用AI的那一类公司。

可它给新员工设置了一道门槛：先证明自己理解工作，也能识别AI的错误，然后才能重新获得AI权限。

CEO Andrew Wang发现，一些员工连简单任务也会调用能力最强、价格最高的模型。问他们为什么，他们的回答也很直接：因为AI几乎总是对的。

这句话让他警觉了。

他对Business Insider说：

「亲手完成基础工作，你才会逐渐形成理解。」

新规定实施后，Valon预计每年的Token支出会从1500万至2000万美元，下降到400万至500万美元。

更重要的变化是，新员工开始主动向资深同事请教，资深员工也不用再花大量时间清理那些未经检查的AI产出。

一家AI公司，开始限制员工使用AI。

这件事有意思的地方，在于它碰到了AI进入职场以后，一个越来越难回避的问题：如果一个人还没有学会工作，他能不能直接让AI替自己工作？

国内职场对AI的接受速度很快。

2025年发布的全球人工智能信任、态度与应用调查，覆盖47个国家和4.8万名受访者。

调查显示，中国受访者对AI的信任度和接受度显著高于全球平均水平，半数使用者已经进入常态化应用阶段。

中国有64%的受访者接受过AI素养培训，69%知道所在机构的AI使用政策。

放到全球样本里看，另一些数字就没那么让人轻松了：66%的AI使用者没有建立输出校验机制，56%的人曾因AI使用不当出现工作失误。

AI已经进入写报告、做方案、编代码、查资料、回复客户等大量工作场景。

很多企业也在教员工写提示词、搭知识库、配置智能体。

工具普及得越来越快，但什么样的结果才算合格，哪些内容必须复核，出了问题该由谁负责，这些能力很难通过几节工具课获得。

一个人会用AI，说明他掌握了一种新的工作方式。

一个人能判断AI的产出，才说明他开始具备专业能力。

两者之间，有很长一段路要走。

2025年，北京通州法院审理了一起股权代持纠纷。

原告代理人为了寻找支持己方观点的案例，把案件的事实情节交给某款AI大模型，反复提问。AI很快给出了两个参考案例。

这两个案例相当合适。

事实细节、法律争议和裁判逻辑都与正在审理的案件高度契合，连案号和法院信息也写得清清楚楚。

原告代理人没有继续核实，直接复制到书面意见里，提交给了法院。

承办法官检索后发现，两个案例的内容都对不上。

其中一个看起来很专业的案号，实际对应的是一起民间借贷纠纷，与股权代持没有任何关系。

法官后来总结识别经验时提到：

「最稳妥的识别方法是登录中国裁判文书网。」

事情并不复杂。AI给出了案例，使用者去权威数据库查一下，就能发现问题。

可那一步偏偏被省掉了。

这类错误真正麻烦的地方，是它看起来似乎完全没有错误。它有完整的结构、流畅的语言、明确的案号，也会顺着提问者期待的方向给出结论。

对行业规则不熟悉的人，很难发现答案里缺失了什么。

对真实业务缺少经验的人，也很难意识到哪些细节看起来过于详细。

AI的表达能力，会让一个并不可靠的结果拥有相当专业的外观。

越依赖AI的人，越可能看不见自己的无知。

内容行业已经提前遇到了类似的问题。

2026年4月，小红书公布AI内容治理数据。

年内平台已经处理超过100万例AI不良行为，其中包括超过80万个AI托管账号和近15万篇AI造假笔记。

这些账号通过工具自动生成内容、发布笔记，还会在评论、私信和群聊中模拟真人互动。

一个人甚至不需要真的使用过某款产品、去过某个地方、拥有某种经历，也可以让AI生成一整套经验分享。

内容有了，更新频率有了，互动也有了。

只是用户真正需要的生活经验和事实依据，很可能从一开始就不存在。

小红书在公布治理原则时说：

「小红书社区是真实的人与人之间的连接。」

平台仍然鼓励创作者用AI做知识可视化、视觉创作和有辨识度的作品。

它所划出的边界很清楚：AI可以帮助提高信息价值，也可以降低制作成本；虚构经历、批量制造低质内容、全自动模拟真人，会破坏内容赖以成立的信任。

这也是内容行业正在发生的变化。

当每个人都能快速生成一篇文章、一张图片、一条视频，生成能力本身会越来越普遍。

内容的差距会更多地来自真实经验、信息来源、审美选择和事实核验。

同样的变化，也会发生在更多职业里。

AI可以迅速完成表格，业务人员仍要知道指标是否合理。

AI可以生成合同，法务仍要识别条款风险。

AI可以写出代码，工程师仍要确认它能否安全运行。

交付速度提高了，判断责任没有消失。

8月27日，路透社发布了一篇关于中国人形机器人产业的调查。

在柳州一座机器人训练中心，一百多台人形机器人正在学习分拣货箱、包装面条和制作咖啡。

训练人员戴着头显，通过控制器带着机器人完成动作，再把这些动作变成可供模型学习的数据。

同样是训练机器人，新手训练员大约尝试300次，才能产生一个可用动作。熟练训练员约50次就能做到。

六倍的差距，来自人的动作经验、任务理解和纠错能力。

就连训练AI，人的专业程度也会直接影响AI学到什么。

国内一些地方已经开始按照这条思路培养AI人才。

2025年，深圳人社部门与腾讯推出技能人才AI第一课，邀请家政、育婴、烹饪、茶艺等传统行业的高技能人才担任AI应用领航者，再由他们带动普通劳动者学习AI。

这个设计很有意思。

高技能人才熟悉真实工作，知道客户需要什么，明白哪些步骤不能省，也经历过大量教科书里没有写过的特殊情况。

AI进入这些人的工作以后，才更容易形成真正有效的应用。

未来有竞争力的人，大概会同时具备两种能力：一类是行业能力，理解业务、标准和责任；一类是AI能力，知道怎样调用工具、组织流程和提高效率。

工具用得很熟，业务理解太浅，容易停留在表面操作。行业经验很丰富，长期回避AI，也可能错过新的效率空间。

专业能力和AI能力，正在成为一组需要共同增长的能力。

回到Valon的规定，它并没有给出统一的禁用时间。

管理者只需要确认一件事：这名员工能否判断AI什么时候错了。

工程师可以继续使用AI，因为代码上线前有同行评审和测试机制。

财务、人力资源等岗位缺少同样明确的防护措施，所以需要先建立业务理解。

对普通人来说，也可以用四个问题检查自己。

第一，我是否知道这项工作的交付标准？

第二，我是否独立走过一次完整流程，知道信息从哪里来，也知道哪些环节最容易出错？

第三，我是否拥有核验结果的方法，包括原始数据、权威信源、业务规则和历史案例？

第四，如果结果出现问题，我能否解释自己的判断，并承担相应的责任？

如果这些问题暂时答不上来，可以先把AI放在辅助位置。让它整理资料、提供思路、处理重复劳动，但保留完整学习和独立判断的机会。

等到能够定义任务、识别错误、核验结果，再逐步把更多环节交给AI。

这看起来会慢一点。

可工作中真正耗费时间的部分，常常发生在错误进入下一环节以后。随之而来的返工、误判和信任损失，会把前面节省的时间重新消耗掉。

AI能够生成答案，判断答案的责任仍在使用者手里。

未来的差距，会越来越少地来自是否会调用AI，更多地来自是否理解工作，能否发现问题，以及愿不愿意为最终结果负责。

先学会工作，再学会让AI工作。

工具可以越来越强，但判断权仍要留给自己。