没有初级工作，哪来高级判断？

效率和学习，开始成为两套账

这也是讨论 AI 时最容易混淆的地方：一个人借助 AI 做得更好，不等于他真的学得更好。

学习科学一直区分两件事：一种是当下的表现，另一种是离开辅助之后，能否保留能力并迁移到新问题。

两者有时会一起提高，有时却会朝相反方向发展。

一项发表于 PNAS 的随机实验中，学生在 GPT 帮助下做练习时，表现明显提高；但当 AI 被拿走后，直接获得答案的一组在考试中反而落后。只有被设计成“导师”、不断引导学生自己思考的 AI，才大幅减轻了这种损失。

Anthropic 在 2026 年进行的一项小型编程实验也发现，使用 AI 的开发者在随后的独立测试中，掌握程度平均低了 17 个百分点。问题不在于他们用了 AI，而在于一些人把理解过程一起外包了。

但另一面也同样重要。一项针对 5,172 名客服人员的研究显示，生成式 AI 平均提升了 15% 的生产率，新手受益尤其明显，而且出现了部分持续学习的迹象。

所以，结论不应该是“AI 必然让人退化”。

更准确的说法是：

AI 可以是脚手架，也可以是代步车。区别在于，它最终是否会被逐渐撤走。

如果 AI 帮你拆解问题、提供反馈、挑战理由，它可能加速学习；如果它直接替你形成问题、完成推理、给出结论，它提高的主要是眼前产出。

企业当然看得见产出，却很难在财务报表上看见“十年后少了一批能独立接手的人”。于是，组织很容易把今天的效率记为收益，把未来的能力缺口留在表外。

我把它称为：判断力债务。

这笔债不会立刻到期。它通常要等到资深员工离开、系统突然失灵、环境发生剧变，或者一个从未见过的例外出现时，才会被看见。

---

最危险的人，是只会在 AI 正常时工作的人

自动化领域很早就发现了一个悖论：机器接管得越多，人类平时练习得越少；可一旦机器失效，系统要求人类接手的，偏偏是最困难、最混乱、时间最紧迫的那一刻。

飞机自动驾驶就是如此。自动化承担了绝大部分稳定飞行，却把极端天气、仪器冲突和突发故障留给驾驶员。

AI 也在把白领工作推向同一种结构。

正常情况下，模型可以生成一份看起来完整的架构方案，可以快速归纳数百页材料，可以给出条理清晰的战略建议。人在这个过程中很容易产生一种错觉：我能审阅它，所以我也能独立完成它。

但“看懂一个答案”和“在没有答案时找到问题”，是两种完全不同的能力。

真正考验判断力的，从来不是 AI 正常的时候，而是：

• 数据与现实发生冲突；
• 模型的建议彼此矛盾；
• 过去有效的模式突然失效；
• 所有选项都有代价，而责任必须由一个人承担。

如果一个人从未亲自走过完整的因果链，他就很难知道应该在哪个环节怀疑机器。

未来最危险的人，不是不会使用 AI 的人，而是只会在 AI 正常时工作，却被要求在 AI 异常时负责的人。

---

判断力不是痛苦，而是被反馈校准过的经验

这时很容易滑向另一个浪漫化的结论：既然经验来自失败，那就应该让年轻人多吃苦、多犯错，甚至经历真正的灾难。

我不认同。

痛苦本身不会自动产生智慧。没有反馈的失败，可能只会留下恐惧；错误归因的成功，甚至会制造出更危险的自信。

卡尼曼与加里·克莱因在研究专家直觉时提出过两个重要条件：环境中必须存在相对稳定、可以学习的规律；人也必须有足够机会，通过及时而可靠的反馈认识这些规律。

换句话说：

判断力不是痛苦的总和，而是被及时、可靠的反馈反复校准过的经验压缩。

这也解释了为什么模拟训练有价值。飞行员不需要真的坠毁，医生也不需要真的伤害病人。一个好的模拟器并不追求把所有感官细节都复制出来，而是要还原真正重要的东西：信息不完整、时间压力、选择之间的冲突、结果的不可逆感，以及事后毫不含糊的复盘。

对 AI 时代的白领工作而言，我们需要的不是“真实苦难”，而是可承受后果的真实责任。

让新人真的做出判断，但把错误限制在可以恢复的范围内；让他感受到结果，却不必以客户、患者或整个系统为代价。

---

我们需要重新发明学徒制

如果培养不再自然发生在生产过程中，它就必须被单独设计、单独投入，也单独衡量。

第一步，是让人先形成判断，再调用 AI。

在重要任务中，可以要求参与者先写下自己的判断、依据和不确定之处，然后再打开模型。AI 此时不是替他思考，而是帮助他比较：我漏掉了什么？模型又忽略了什么？最后的选择为什么改变？

第二步，是让 AI 从“答案机器”变成“对手”。

让它攻击方案、寻找反例、扮演不同利益相关者、制造极端情境。最有价值的 AI 不一定最顺从，而是能够迫使人把模糊的直觉说清楚。

第三步，是创造可逆的责任场。

工程师可以在隔离环境中处理一次系统崩溃；年轻管理者可以负责一笔有上限的预算；律师可以在模拟案件中承担完整策略；产品经理可以先在小流量中为自己的判断负责。

关键不是“让新人旁观专家”，而是让他在安全边界内真正拥有决定权。

第四步，是把复盘重新放回工作流程。

每个重要决定都记录四件事：当时知道什么、预测会发生什么、为什么这样选、后来到底发生了什么。没有这一步，组织只是在积累故事；有了这一步，经验才可能变成可以传承的判断模式。

企业还需要一本过去没有的双账本：

• 生产账：在 AI 辅助下完成得多快、多好；
• 学习账：拿走 AI 之后，能否独立解释、迁移、接管异常。

只有生产账，没有学习账，短期看是高效率，长期看就是判断力债务。

---

对个人来说，不要把自己训练成一个接口

组织制度的变化可能很慢，但个人不能等。

如果今天刚进入一个行业，我会刻意做几件看起来“不够高效”的事：

• 在询问 AI 之前，先独立思考一段时间；
• 在看到答案之前，先写下自己的预测；
• 定期完成一次没有 AI 帮助的完整任务；
• 主动寻找能承担真实但有限后果的工作；
• 保存自己的错误、犹豫和判断变化，而不只保存最终成果。

我也不会用“快速跨很多领域”取代真正的深度。判断力往往具有很强的领域性，一个人在五个行业里都见过一点，并不自动意味着他能把模式迁移过去。

更现实的路径是：先有一根足够深的锚，再向相邻领域轮换。

你需要在一个领域里真正走过完整的因果链，知道一个决定如何变成结果；然后再去另一个领域，看哪些模式可以迁移，哪些只是表面相似。

AI 让我们更容易跨越知识边界，但也更容易把“我能谈论它”误认为“我理解它”。保持这两者之间的距离，本身就是一种重要的元认知能力。

---

效率革命之后，谁来为成长付费？

AI 并没有简单地摧毁职业阶梯。它只是暴露了一个过去被生产过程掩盖的事实：培养判断力一直很昂贵，只是这笔成本曾经藏在初级工作、师徒协作和组织冗余之中。

现在，企业可以拿走效率，却不再被迫承担培养成本。

但如果每家公司都只雇用“已经有经验的人”，社会最终会发现：经验丰富的人不是一种可以无限开采的自然资源。

所以，AI 时代真正需要重新设计的，不只是学校课程或个人学习方法，而是整套人才制度：企业如何为训练留出时间，行业如何共建模拟环境，晋升如何考察独立接管能力，社会又如何分担培养未来专家的成本。

这不是要保留低效，也不是要为了成长而拒绝 AI。

恰恰相反，我们应该接受 AI 带来的生产力，同时承认一个过去不必明说、现在却无法回避的责任：

既然成长不再是生产的副产品，我们就必须把它当成一项真正的产品来设计。

否则，十年后的组织也许拥有更强的模型、更少的员工和更漂亮的效率数字，却没有足够的人能够在模型沉默时做出判断。

到那时我们才会发现，自己培养的不是人类的判断力，而是人类对系统的依赖。