第一章：人类思维退化危机

本章后半部分用一个真实项目的调研材料来做解剖。需要先说明：案例中的企业名、部分口径与细节已做脱敏与模拟处理，仅用于说明思维方式，不作为企业披露数据引用。

这家企业叫江南精密制造，做精密金属结构件，一千两百人左右，厂区里有冲压、机加、装配三个车间，ERP、MES、WMS、CRM 四套系统各管一摊。它的信息化程度在同类企业里算中上——有 ERP，有 MES，有设备联网采集平台，前几年还买了 BI 平台。

正是这样一个「什么都不缺」的企业，让我看到了这一章最想讲清楚的那件事：真正卡住它的，从来不是系统不够，也不是数据不够，而是人的判断和人的经验，从来没有被写下来过。

我把它放在这一章的最后，作为一次完整的思维解剖：先把前面讲的三件事（外包路径、投喂陷阱、两极分化）在真实场景里验证一遍，再和你一起看一件更重要的事——什么问题是 AI 立刻能帮上忙的，什么问题它永远帮不上，而后者恰恰是这家企业真正的瓶颈。】

人类最古老的一门手艺，是思考；最容易被丢掉的一门手艺，也是思考。因为它丢起来没有任何痛感。

让我们先做一个小小的思想实验。

假设有这样一个文明：它的成员从出生起就随身携带一台设备。这台设备替他们记路，所以他们不需要记住回家的方向；替他们记名字，所以他们不需要费力回忆一张脸；替他们算账、翻译、写邮件、做总结、出方案，所以他们几乎不需要长时间地、独立地、痛苦地想一件事。设备的响应速度越来越快，给出的答案越来越漂亮，越来越像他们自己会写出来的东西。三代人之后，这个文明里还会有人具备独立推演复杂问题的能力吗？

这个思想实验并不科幻。它正在你我的书桌上、口袋里、工位上进行，速度比我们以为的快得多。

本书要讨论的，不是「AI 好不好用」。它当然好用，而且是人类历史上最强大的一次认知工具升级。本书要讨论的是一个更少人愿意直视的问题：

当思考这件事可以被外包，人类会以多快的速度把它外包出去？以及，当我们把它外包出去之后，还剩下什么？

这一章是全书的地基。我们要先把三件事说清楚。

第一，退化不是危言耸听，它正在以「省事」的名义，安静地发生。它不像近视那样有明显的度数，也不像体重那样有清晰的数字，它藏在你「一时想不起来」「一下子说不出」「莫名不敢下判断」的那些瞬间里。

第二，退化之所以可怕，是因为它伪装成效率。你失去的从来不是答案——答案唾手可得；你失去的是生产答案的过程。而能力，恰恰只长在过程里。

第三，这不是个人品德问题，而是环境结构问题。别急着自责「我太懒了」。任何一个把思考的摩擦系数降到接近于零的环境，都会让绝大多数人滑向依赖。真正的对策不是发誓「以后少用 AI」，而是给自己重新设计一套防退化的思考制度。这本书后面所有的内容，都建立在这个判断上。

现在，我们从最日常、最不起眼的那一层开始拆解。

1.1  从记忆外包到思考外包：现代人的大脑惰性

1.1.1  一部升级史：从「记不住」到「不用记」，再到「不会想」

人类与工具的关系，有一条清晰的演进路线。把这条路线看清，你就会明白今天的处境并非突然发生。

第一阶段：记忆外包。文字、纸张、图书馆、通讯录，都是把「存储」这件事搬出大脑。这一阶段的代价很轻——我们放弃的是记忆容量，换来了知识的可积累与可传承。没有人会因为使用了笔记本而变笨。

第二阶段：检索外包。搜索引擎把「知道在哪里」变成了「三秒钟拿到」。这一阶段，代价开始变得模糊。2011 年，哈佛大学的丹尼尔·韦格纳(Daniel Wegner)团队在《科学》杂志发表了一项著名研究，提出了后来广为人知的「谷歌效应」：当人们确信某条信息可以随时在网上检索到时，大脑对信息本身的记忆会显著下降，转而去记住「在哪里能找到它」。（来源：science.org）这不是道德滑坡，而是大脑极其理性的资源分配：既然外部存储可靠，内部存储就没必要占用宝贵的带宽。

第三阶段：思考外包。这一阶段与之前两阶段有本质区别。搜索引擎交给你的是原料，你还得自己挑选、比对、组织、下判断；而 AI 直接交给你成品——一篇成稿、一份方案、一段代码、一个结论，甚至连「你应该关心什么」都替你决定了。前两阶段外包的是「存储」和「获取」，这一阶段外包的是加工本身。

记忆可以外包，因为它不是你能力的主体；思考一旦外包，外包掉的恰恰是能力本身。

图 1-1　三次外包。

前两次交出去的是存储与获取，第三次交出去的是加工本身——这才是性质上的分水岭。

1.1.2  三重萎缩：导航依赖、翻译依赖、解题依赖

抽象的道理不好感受，我们换成三个可验证的场景。

一、导航依赖症：空间推理能力的萎缩。2018 年诺贝尔生理学或医学奖授予了大脑「定位系统」的发现者——约翰·奥基夫与梅-布里特·莫泽、爱德华·莫泽夫妇，他们揭示了海马体中的位置细胞与网格细胞如何构建我们的「认知地图」。问题在于：这张地图是需要使用才能维持的。2020 年《科学报告》(Scientific Reports)发表的一项研究显示，习惯性依赖 GPS 导航的人，在自行规划路线时空间记忆表现更差，海马体的激活模式也有所不同。（来源：nature.com）

这是什么意思？意思是「路感」不是天赋，是练出来的，而且是会退化的。一代人如果从不自己认路，他们的大脑里就真的不会长出那张地图。你回想一下：上一次不看导航，凭记忆在一个陌生街区找到目的地，是什么时候？

二、翻译依赖症：语言与语义的浅化。把一段外语丢给 AI，三秒得到通顺译文——这在十年前不可想象。但当翻译变成「一键」，学习一门语言最核心的收获就被绕过了：不同语言在表达同一件事时的思维差异、隐喻结构、语序背后的世界观。语言学有一个经典论断(语言相对论，萨丕尔-沃尔夫假说)：语言结构会影响思维的默认路径。翻译工具给你的是结果，不给你这条路径。于是我们读懂了很多文本，却失去了理解另一种思维方式的通道。

三、解题依赖症：推理链条的断裂。这是最致命的一种。数学题、数据分析、故障定位、逻辑推理，AI 都能给出答案和步骤。但请注意：「看懂了一步步的推导」和「自己能一步步推出来」是两种完全不同的神经活动。前者是识别与理解，后者是生成与搜索。考试能抄答案的人，和会解题的人，差别不在分数，在脑子里有没有那条被反复走过的路。

你可以用三个动作给自己做一次快速体检：

• 不看导航，在熟悉的城市里开车去一个只去过一次的地方，能否顺利抵达？
• 关掉 AI 和搜索引擎，就一个你专业知识内的问题，能否在纸上写出不少于 300 字的、结构完整的分析？
• 遇到一个从未见过的问题，你的第一反应是「打开 AI」，还是「先拆一拆它到底是什么问题」？

在这三条之外，江南精密的材料还让我看到了另外两种更隐蔽、也更普遍的依赖。

依赖症四：找料依赖——组织级的失忆

仓储物流科的清单里有一条：部分物料没有固定库位，靠老库管记忆管理，找料平均耗时 15 分钟，紧急件要找半小时以上。

请注意这条问题的性质。它不是某个人变懒了，而是一份存在于人脑中的组织记忆。库位没有强制维护、上架没有系统引导，于是这套索引就只能长在三个老库管的脑子里。他们退休或调岗的那一天，这份索引会随人一起消失。

这和出门不用认路是同一件事，只是量级不同。个人不认路，丢的是自己的方向感；组织把人脑当数据库，丢的是整个仓库的效率。而这两者的病根完全一致：该被结构化的东西，一直被留在了脑子里。

依赖症五：无人独立验算——会算的人已经不在了

信息技术部的清单里还有一条更值得警惕的记录：这家公司现在要算一次月度成本，需要会计把 MES 的工时数据和 WMS 的领料数据导出，手工拼进一张成本计算表，全公司没有第二个人能在不使用这张 Excel 的前提下，说出这个月的成本是怎么来的。

这不是夸张。当一条链路只有一个人走得通，而这个人是靠多年经验记住每一步该取哪张表、该和谁对哪张数的，那么这条链路其实一直处于「单点故障」状态——只是过去没有人把它当成故障。AI 的出现让这种单点暴露得更彻底：你可以让 AI 重新算一遍，但你无法让 AI 告诉你，它算出来的那个数，为什么和财务认定的口径不是一回事。

说到底，真正该问的不是「AI 能不能替我做这件事」，而是：

这件事，除了我之外，还有没有别人（或任何工具）能独立地把它算出来、并证明它是对的？如果答案是不能，那你拥有的不是能力，而是一份随时可能消失的私人记忆。

如果前两项都让你心虚，第三项的第一反应是「打开 AI」，那么请记住一个结论：你不是变笨了，你是把某些肌肉交出去太久，它们萎缩了。肌肉萎缩不是绝症，但前提是你得先承认它在萎缩。

图 1-2　五个可以自查的信号。

它们的共同点不是「变笨了」，而是某些思维肌肉交出去太久，萎缩了。

1.1.3  惰性的三个机制：大脑为什么这么轻易就投降

很多人把这种退化解释为「懒」。懒是一个道德词汇，它解释不了任何东西。真实原因是三个可以掰开来看的机制。

机制一：大脑本能地节能，而认知是能耗大户。人类大脑只占体重的约 2%，却消耗静息状态下约 20% 的能量。在漫长的演化史里，能量永远是稀缺的。因此大脑演化出了一条底层原则：能不动脑就不动脑，能在外部环境里找到答案，就绝不在内部计算。这不是缺陷，这是节能设计。AI 的问题不在于它让大脑变懒，而在于它把「外部有现成答案」这件事做到了极致，于是大脑的节能本能被空前地、持续地满足。

机制二：即时答案的奖励，碾压了延迟满足的奖励。自己推演一道难题，可能需要四十分钟，中途充满挫败感，回报在最后才出现；问 AI，五秒拿到答案，多巴胺立刻兑现。行为经济学反复验证过：人对即时奖励的偏好远高于延迟奖励。日复一日地选择「五秒钟的爽」，就是在日复一日地放弃「四十分钟后的成长」。

机制三：思考的痕迹是隐形的，答案的痕迹是可见的。这一点最阴险。你交出思考、拿走答案，交付物看起来和「自己想过」完全一样——同样的字数、同样的排版、同样的完成度。没有任何一个外部指标会亮红：老板看不出，同事看不出，你自己也看不出。退化不会发出警报，只会悄悄积累。

三个机制叠加，构成了今天最普遍的一种状态：用进废退。而且，越是聪明、越是效率导向的人，越容易陷进去，因为他们最擅长把「省事」优化到极致。

1.1.4  一个必须纠正的说法：「AI 让我变笨了」

必须在这里插入一段纠偏，否则整本书的立论都会站歪。

市面上流行一种简单粗暴的叙事：AI 让人变笨。这个说法既不准确，也不公平，而且会误导你的行动。

AI 本身不改变你的智力，它改变的是你的思考习惯。智力是能力上限，习惯是能力的实际使用方式。一个受过良好训练的人，完全可以在使用 AI 的同时保持甚至提升自己的思维水平——前提是他的用法对了。问题出在用法，而不是工具。

真正的因果链条是这样的：工具的便利 → 摩擦消失 → 你不再经历思考的痛苦 → 思考的通路长期不被激活 → 通路退化 → 你更加依赖工具。这是一个自我强化的正反馈循环，而且每一环单独看都「很合理」。正因为每一环都合理，整体才致命。

所以本书提出的第一个行动原则是：问题不在于用不用 AI，而在于你和 AI 之间，谁是主导者。凡是「先想后问」，AI 是杠杆，放大你的能力；凡是「不想就问」，AI 是麻醉剂，接管你的能力。同一个工具，两种命运，分野就在这一个次序上。

这个悖论在江南精密身上有一个具体版本：对 AI 输出越有信心的人，越倾向于少做核查；而恰恰是那两位老员工，因为手里有独立判断的依据，才敢去质疑 AI 给的结论。信心不来自 AI 的表现，来自你自己有没有底。

接下来的 1.2 节，我们要专门解剖这种下滑的具体形态——它有一个名字：AI 投喂式思维。

1.2  最大的隐形陷阱：AI 投喂式思维

1.2.1  什么是「投喂式思维」

先给一个定义。

投喂式思维(Feed-based Thinking)：把 AI 当作答案投喂机，以「拿到可用结论」为唯一目标的思维模式。它有三个标准动作：无脑提问、全盘接收、放弃校验。

这个模式最迷惑人的地方在于，它和「高效使用 AI」在外观上几乎一模一样。两者都快速、都产出、都省时间。区别藏在三个看不见的地方：问题是谁拆的？结论是谁判的？过程是谁走的？

我们用三组对照来把差别显影。

对照一：提问

高效用法：我先把这个问题的结构理一遍——目标是什么、约束是什么、我卡在哪一环、有哪几种可能的路径、我倾向于哪一种以及为什么。然后我带着这个「半成品思考」去问 AI：请你针对我的第三种路径，指出我没考虑到的风险。

投喂式用法：「帮我写一份 Q3 增长方案。」

前者问出去的是一个已经加工过的、有指向的问题；后者交出去的是一片空白，连「要什么」都还没想清楚。前者的输出属于你，后者的输出属于 AI。

对照二：接收

高效用法：AI 给出方案后，我先标记三类内容：与我的先验判断一致的、冲突的、以及我完全不懂的。冲突处最值得追，不懂处最需要补。

投喂式用法：「写得挺好」，复制，粘贴，交差。

麻烦在于，「写得挺好」这四个字，通常只是「读起来很顺」的另一种说法。而语言流畅与内容正确，是两回事。这是整本书里最需要你刻进脑子里的一句话：AI 最擅长的，就是把错误包装成流畅。

对照三：校验

高效用法：关键数据必须溯源，关键判断必须有替代方案作对照，关键假设必须明确写出来接受质疑。

投喂式用法：没有校验环节。因为「AI 说的」在心理上被当成了「查过的」。

精神就在这里：你并没有偷懒，你做了很多事——你提问、你阅读、你复制、你交付。你只是把最贵的那道工序，免费送人了。

图 1-3　三组对照。

投喂式思维与高效用法在外观上几乎一模一样

区别只在三个看不见的地方：问题是谁拆的、结论是谁判的、过程是谁走的。

1.2.2  投喂式思维的四个典型场景

把它放到真实场景里，你会立刻认出自己或身边的人。

场景一：故障排查。设备报警、程序报错、客户投诉。投喂式用户把报错信息原样贴给 AI，拿到一串可能原因，挑第一个看起来最像的照着改。改好了，他不知道为什么好；改不好，他再问一轮。整个过程他从未建立过对这台设备、这段程序、这个业务的理解。下一次同类问题再来，他依然从零开始贴报错。

场景二：学习。读书变成「让 AI 总结这本书讲了什么」；学概念变成「用一句话通俗解释一下」；写作业变成「帮我列出要点」。学习者得到了大量结论，但从未经历「不懂—困惑—挣扎—突然明白」这个唯一能产生长期记忆与迁移能力的完整过程。结果是：考试前觉得都懂，合上书什么都写不出。

场景三：职场表达。周报、复盘、汇报、方案。文字越来越规整，越来越像「正确的样子」，但越来越没有自己的判断。这份文档最大的问题不是写得不好，而是里面没有一个观点是别人没有的，也没有一个判断是你敢拍胸脯负责的。当所有人都用 AI 写周报时，周报的平均水平会上升，而每个人的不可替代性会下降。

场景四：决策。要不要换工作、要不要投这个项目、要不要买这套设备、要不要跟这个人合作。把背景情况丢给 AI，得到一个条理清晰的「利弊分析」。看起来理性极了。但你忘了一件关键的事：AI 不知道那些没被你写进去的东西——办公室里的气氛、老板眼神里的犹豫、供应商上次交货时的敷衍、你对这件事本能的不安。这些恰恰是决策里权重最高的变量，而它们全都活在人的临场感受里，不在提示词里。

场景五：系统联动故障的排查。这是江南精密材料里最能说明问题的一条。生产制造部的清单上写着：MES 的完工数据回写 ERP 失败时，只能人工核对重推；信息技术部的一条接口问题记录则显示，接口失败没有告警，平均发现延迟 4 小时，业务对不上数才来找人，排查只能靠两个老员工翻日志。

现在把这件事交给一位典型的投喂式使用者：他把报错信息贴给 AI，得到一个看起来很专业的清单——「网络超时」「数据库连接池耗尽」「接口字段长度不一致」「建议增加重试机制」。他照单排查，改了两处配置，问题暂时消失了。

但真实原因可能是：ERP 与 MES 两个系统里的物料编码本来就是两套（清单里写着「MES 可先建码、ERP 后建且未回填映射，双源并存」，抽查 200 条发现有 23 条重复建码），接口配对的是一个本来就不该存在的编码。

差别在哪里？AI 给的是「可能的原因清单」，而真问题是「这套数据到底以谁为准」。前者再详尽，也只是把一个业务规则问题，错误地归类成了技术配置问题。AI 最擅长的事之一就是分类，而分类一旦错了，后面每一步推理都踩在空处。

这就是为什么校验必须由人来做——不是出于对人的抬举，而是因为校验的前提，是你知道这个系统里什么叫做「对」。】这件事不在任何一份提示词里，它只在一个真正对业务负责的人的脑子里。

1.2.3  为什么它这么舒服：即时回报与「能力债」

投喂式思维之所以能大规模占领人心，是因为它在每一个短期尺度上都是对的。

它有效率：原本三小时的活，二十分钟干完。它降低门槛：原本需要三年经验才能写的方案，新人也能交出一份像样的。它缓解焦虑：「至少我交出来了。」

• 但它同时在做一件没人注意到的事：它在借债。

认知债(Cognitive Debt)这个概念，借自软件工程里的「技术债」：为了今天跑得快，先欠下明天要还的账。写文档时偷的懒、跳过的验证、放弃的思考，短期看是节省，长期要连本带利偿还——而还款方式是：关键决策时你不敢下判断、突发状况时你无从下手、别人质疑时你答不上来。

2025 年，麻省理工学院(MIT)媒体实验室发布了一项引起广泛讨论的研究《Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task》。研究者用脑电(EEG)记录受试者在写作任务中的大脑活动，发现在使用 ChatGPT 辅助写作的条件下，受试者与深度加工、记忆编码相关的神经连接强度明显更低；更值得注意的是，当随后被要求在没有 AI 的情况下写作时，AI 组的表现与脑活动仍处于劣势。（来源：media.mit.edu）

同期，微软研究院与卡内基梅隆大学的一项针对知识工作者的研究(2025 年)发现：对 AI 输出越有信心的人，越倾向于减少自己的批判性思考投入；而只有当人对自己判断的把握足够强时，才会真正去审视 AI 的结论。（来源：microsoft.com）

这两项研究的价值，不在于给出一个吓人的数字，而在于确认了一条机制：把思考让出去，不会立刻有任何惩罚；它只会在未来某一天，以「你居然答不上来」的形式一次性结账。

更麻烦的是这里存在一个悖论：你越是觉得 AI 好用，就越容易少思考；你越少思考，就越没有能力判断 AI 好不好用。于是信任变成了盲信，效率变成了依赖，而依赖最终变成了能力空洞。

1.2.4  被投喂思维废掉的三样东西

投喂式思维造成的损失，可以精确地归结为三样东西。它们不需要什么高深理论，你只要诚实地回想最近一个月，就能感觉到它们的存在。

第一样：质疑的本能。质疑不是抬杠，而是脑子里自动弹出的那句话：「这个结论的前提是什么？如果前提不成立会怎样？」长期接收现成结论的人，这句话会越来越难弹出来。而当一个人失去了质疑本能，他在组织中就从「决策者」变成了「执行中转站」。

第二样：因果推理的能力。推理能力是一种肌肉记忆，它靠「自己从头推到尾」反复锻炼。跳过推理、直接获得结果，等于每次健身都看别人举铁。看一百次，你的肱二头肌也不会变大。表现出来就是：能够复述结论，但无法解释为什么；能说出「是什么」，说不出「为什么」和「还会怎样」。

第三样：对自己思考的觉察。这是最隐蔽的一样，心理学上叫元认知(metacognition)——对自己理解程度、把握程度、不确定程度的准确感知。一个健康的思考者随时知道自己「大概懂到什么程度、哪里是虚的」。而长期被投喂的人，会出现一种极其危险的状态：把「读懂了 AI 的话」误认为「掌握了这件事」，把流畅当成了理解。这种人不会说「我不确定」，因为他真的不觉得自己不确定。

第四样：独立校验的能力。这是前面三样的总结果，也是最容易被忽略的一样。校验不是「再看一遍」，它需要三个条件：一套自己的判断标准、一个与信息源相互独立的参照、以及敢于推翻结论的心理准备。

江南精密的一位老工艺员看完新人用 AI 生成的工艺说明后说了一句话：「写得很像，但少了三处现场才知道的东西。」他能判断，是因为他手里有那三处——那是十几年里被设备、被废品、被客户投诉教会的。新人没有，所以新人只能说「看起来没问题」。

这句话值得记住：校验能力不是靠怀疑得到的，是靠积累得到的。你必须有东西，才有资格质疑。】一个对某件事没有积累的人，面对 AI 的输出，除了相信和不安，没有第三种选择。

这三样东西一旦失去，你与 AI 的关系就会彻底倒转：表面上你在用 AI，实际上 AI 在用你——它出内容，你出署名和责任。

1.3  残酷的两极分化：未来只有两种人

1.3.1  分化的本质：不是谁用 AI，而是谁在分配思考

关于 AI 会不会取代人，争论已经太多，而且大多问错了方向。

正确的问法不是「AI 会不会取代人」，而是「在人和 AI 组成的这个工作系统里，谁负责下定义、谁负责下判断、谁负责兜责任？」

顺着这个问题，未来的从业者会分成两种，而且中间地带会越来越窄。

第一种：依附 AI 的人。他们的工作特征是——目标由别人给定，答案由 AI 提供，他负责在中间做搬运、转述、拼接。他们并不懒，甚至很忙：忙着复制、粘贴、调提示词、改格式。但他们的可替代性极高，因为他们交付的价值，是「把 AI 的输出送到该去的地方」，而这件事的门槛正在以肉眼可见的速度趋近于零。

第二种：驾驭 AI 的人。他们的工作特征是——定义问题、判断价值、承担后果。他们把 AI 当作一支不收工资、不知疲倦、知识面极广但缺乏判断力的团队来使用：让 AI 出十个方案，由自己挑一个并为这个选择负责；让 AI 提供全部反面意见，由自己权衡；让 AI 完成重复劳动，把省下来的时间投向只有人能做的事。

请注意一个容易被忽略的细节：这两种人的区别，不在于谁用的 AI 更高级、谁会的提示词更多。恰恰相反，越是依附型的人，越热衷于收集提示词技巧，因为那是他唯一能抓住的「技术感」；而驾驭型的人往往用得朴素，因为他知道自己要什么，AI 只是执行环节。

1.3.2  依附路径：能力空心化的三步滑坡

能力空心化不会一步到位，它有清晰的三步。认清这三步，你才能在半途中把自己拉回来。

第一步：从「我做得比 AI 好」到「AI 做得比我快」。这是最合理、最无可指责的一步。人做一件事需要一天，AI 五分钟，任何人都会选择 AI。此时代价是零，收获是实打实的。几乎没有人会在这里警觉。

第二步：从「AI 做得比我快」到「我判断不了 AI 做得对不对」。代价在这一步悄悄产生。因为你已经很久没有亲手做过这件事，你失去了评价它好坏的标准、手感和参照系。你只能凭「读起来顺不顺」来验收，而这条标准在专业领域几乎等于没有标准。此时代价还看不见，但你已经开始丧失话语权。

第三步：从「我判断不了」到「我离不开」。能力空心化完成。此时你已经无法独立完成这项工作，甚至连「该问 AI 什么」都要依赖 AI 来提示。你在组织里的位置，从「解决问题的人」变成了「操作工具的人」；而工具一旦升级到不需要操作者，你的位置就消失了。

第三步的结局，在历史上反复上演。19 世纪的卢德运动砸毁机器，是无法适应工具变革者的悲壮反抗；20 世纪流水线上的工人被自动化产线替代，是因为他们的技能被完整地编码进了机器；而今天不同的是——这一次被编码的，不只是手上的技能，还有脑中的流程。但结论没有变：能被完整流程化的工作，终将被流程本身替代，而被替代的人，往往是在最舒适的那几年里失去竞争力的。

1.3.3  驾驭路径：把 AI 变成能力放大器

再看另一条路。同样是用 AI 处理同一件事，驾驭型的人在做三件不一样的事。

其一，把 AI 用在「广度」上，把思考留在「深度」上。让 AI 去搜集、枚举、铺开可能性——这是它最擅长、而人最耗时的部分；人自己专注做收窄、判断、下注——这是 AI 最不擅长、而决定成败的部分。一个做发散，一个做收敛，分工明确。

其二，把 AI 当对手，而不是当答案。高手最常用的一个动作是：先自己给出结论，再让 AI 全力反驳。顺序至关重要——先有己见，才有辩论；先交白卷，就只能被投喂。这个动作每天花五分钟，却能同时锻炼提问能力、推理能力和批判性思维，是全书后面会反复推荐的核心训练。

其三，把 AI 的输出当素材，而不是当成品。任何 AI 输出都只是半成品，必须经过一次「人的加工」：换成自己的话、加入自己的现场经验、补上自己才知道的约束条件、署名并承担后果。这一步不能省，因为不可替代性从来不是产生在生成环节，而是产生在加工和负责的环节。

这两条路的分野，可以浓缩成一句话：

依附 AI 的人，用 AI 替代自己的思考；驾驭 AI 的人，用 AI 放大自己的思考。前者把大脑升级成了更快的搜索引擎，后者把大脑升级成了更强的指挥中心。

1.3.4  自检：你现在正站在哪条路上？

不要凭感觉回答，请对着下面五个问题给出真实答案。它们比任何自我评估都准。

• 过去一个月，你能否举出一个例子：在没有 AI 帮助的情况下，你独立想清楚了一件原本不会的事？
• 你最近一次驳回 AI 的结论，是因为你知道它哪里错了，还是仅仅因为「感觉不对」？
• 把你最近交付的最重要的一份成果中 AI 的贡献抽走，剩下的部分，还足以支撑你在专业上的信誉吗？
• 如果明天所有 AI 工具停用一周，你的工作会停摆，还是只是变慢？
• 你每天有没有一段固定时间，是刻意不用任何 AI 的？

五问之中，若有三问以上让你不适，那么这本书对你而言不是一本「了解一下趋势」的读物，而是一份需要当天开始执行的处方。

同时，也必须给另一部分读者一个交代。如果你现在觉得自己已经落后了、已经被工具养懒了，请记住一个好消息：认知能力的退化在很大程度上是可逆的。神经可塑性意味着，只要重新开始经历「费力思考」的过程，通路就能重建——只是它需要时间和刻意练习，不会在你下一次打开 AI 时自动恢复。

还有一层更少被提及的事实：两极分化真正的残忍之处，不在于强者愈强，而在于它会加速。依附者的能力下降，会让他在组织里越来越只能承担低判断、高重复的工作，而这类工作恰恰是 AI 最先吃掉的；工作被吃掉后，他更没有机会练习判断，能力进一步下降。这是一个向下的螺旋。而驾驭者每一次成功的判断，都会带来更大的授权和更难的问题，让他成长得更快。这是一个向上的螺旋。

两个螺旋的起手式，都发生在今天。发生在一个再普通不过的瞬间：面对一个问题时，你是先自己想三分钟，还是先打开 AI。

图 1-4　两条路径。

向下的螺旋始于「我离不开它」，向上的螺旋始于「我先有己见」。

两个螺旋的起手式，都发生在一个再普通不过的瞬间。

1.4  案例解剖一个真实企业：江南精密的「人机能力卡点」

前面三节讲的都是机制。机制只有在真实场景里跑一遍，才知道它有没有长在实处。这一节，我们把江南精密制造的业务清单摊开，做一次完整的解剖。

先明确材料边界：以下所有数字，都来自该项目五个部门调研包的已填写清单与调研成果表，属于咨询场景下的脱敏模拟材料。我引用它，不是为了评价这家企业做得好不好——它的问题，和绝大多数中国制造企业高度相似——而是为了让你看清一件事：在真正的业务现场，哪些问题 AI 立刻能帮上忙，哪些问题它帮不上，而后者恰恰是决定这家企业能走多远的瓶颈。

1.4.1  先看六条最硬的痛点

调研清单里的问题有十几条，其中六条的量化程度最高，也最能说明问题。我把它们原样列出来，不做任何修饰——请你先只读事实，不要急着下判断。

• 月度经营数据人工拼接。月度经营报表由财务共享中心 2 人加生产制造部 1 人协作，从 ERP、MES、WMS、CRM 四套系统手工取数并拼接，约 180 人时/月；版本管理靠文件名标注日期；管理层通常要到次月 3—5 日才看到完整数据；财务与销售对毛利率的口径不一致。
• 接口失败无人知道。接口没有监控告警与重试机制，业务对不上数才来找人，平均发现延迟 4 小时；排查依赖 2 名老员工；9 条新接口无文档，原有文档只覆盖到 2021 年前的 15 条。
• 物料一物多码。MES 可以先建码、ERP 后建且未回填映射，双源并存；抽查 200 条发现 23 条重复建码；库存与成本归集失真，采购重复下单。采购科的说法是「新物料由采购自行建码，缺少查重环节」。
• 工艺参数在个人笔记里。老工艺员把验证过的参数记在自己的本子或私人 Excel 里，新人只能问人；新品试制周期因此被拉长 3—5 天，良率波动的原因难以复盘；清单里的原话是「换人即波动」。
• 找料靠老库管记忆。部分物料没有固定库位，库位未强制维护、上架无系统引导，找料平均耗时 15 分钟，紧急件半小时以上。
• 不合格品处置等得最久。不合格品与让步接收审批平均等待 2.3 天，是全流程里最长的等待环节；返工与补单每月多次，最频繁的返工点是采购收货对账（数量或批次不符需重新核对）。

读到这里，多数人的第一反应是「这家企业的信息化没做好」。但请再看一条记录，它会推翻这个直觉：这家公司前几年买过 BI 平台，结果只用了导出功能，看板模块一直闲置。原因写在调研表里：缺少指标口径与数据底座，看板取不到可信数。

买了一流的工具，用成了一流的导出按钮。这不是工具的问题，也不是人的懒惰问题。这是「目标已经被定义、但定义本身没被写清楚」的典型症状。】

1.4.2  一张表看清楚：哪些问题 AI 立刻能帮，哪些永远帮不上

把上面六条按「能不能被清楚描述、有没有唯一正确答案、责任由谁承担」重新排一次，会出现一个非常清晰的分界。

把这张表竖着看一遍，规律就出来了。凡是能被清晰描述的重复劳动，AI 都能做，甚至做得比人好；凡是要定义规则、指定权威源、承担后果、调用临场经验的，AI 都做不了——不是现在的模型做不到，而是这类问题的答案，本来就不存在于任何数据里。

更值得记住的是这张表的分布：六条最硬的痛点里，没有一条的根因是「算力不够」或「模型不够聪明」。全部都是人的判断没有被写下来。

1.4.3  再看这家企业的能力现状：24 人里，能改数据的只有 4 个

调研材料里还有一组关于组织能力的记录，它解释了为什么「买了好工具却用不起来」。

• 信息技术团队共 18 人，其中运维与桌面支持占 11 人，真正具备集成与数据开发能力的只有 4 人；近三年没有招聘过数据治理岗。
• 各业务部门都指定了数字化接口人，但多为兼职，供应链与生产制造两个部门的接口人一年内更换过 2 次。
• 数据治理现状：有目录但共享机制不全，安全仅有基础权限控制；没有专职数据治理岗，也没有例行的数据质量检查，问题主要靠财务月末对账「顺带发现」。
• AI 现状：真正在生产运行、有人在用的 AI 或自动化场景只有 2 个，只覆盖 1 条业务流程，深度停留在「仅辅助建议」，持续优化靠人工反馈，没有度量与迭代机制。
• 最缺的能力自评是四项：主数据管理、接口集成、数据分析、AI 应用。

这组数字背后是一个很典型的错位：企业的资源投在了「让系统跑起来」（运维、桌面支持、买平台），而真正决定系统能不能被信任的能力（主数据、集成、口径、治理）几乎没有人专职负责。

这个错位在 AI 时代会迅速放大。因为AI 的价值不在它能生成什么，而在它敢不敢被信任；而对 AI 的信任，是靠数据底座和人的判断力一点一点挣出来的，不是靠一个好的模型直接给的。

1.4.4  这家企业自己给出的答案，恰好就是本书的答案

在「AI 机会与条件」那份调研表里，企业自己写下了期望目标与验收标准，原文如下：

期望目标：报表出具周期从次月 3—5 日缩短至次月 1 日；口径统一后自动生成毛利差异归因。

验收期望：① 取数自动化覆盖 4 套系统；② 口径差异可追溯到定义；③ AI 输出的归因结论必须由财务共享中心人工复核后方可对外。

请把第 ③ 条读三遍。这家企业并没有被 AI 的演示效果冲昏头脑，它自己给 AI 加了一道人工复核的闸门。

这不是保守，这是清醒。它同时也精确地画出了我在本书里反复要讲的那条线：

AI 负责生成与归因，人负责判断与署名。AI 可以出十个备选方案，但选哪一个、并由谁来承担选错的后果，永远是人。

所以我常说，企业最值钱的 AI 机会，往往不在「让 AI 替人做决定」的地方，而在「本来就有一个人在做复核」的地方——把 180 人时的机械取数压到几十人时，把省下来的时间还给规则定义、口径统一和责任落实。前者是效率，后者才是竞争壁垒。

1.4.5  把这家企业的诊断，搬到你自己身上

把 1.4.2 那张表抽象成三个问题，它就可以用在任何行业、任何岗位上。请对你手头最重要的一项工作，逐个问一遍：

• 这件事的规则，我写得出来吗？写得出来，AI 可以替你执行；写不出来，说明这件事还不具备交给 AI 的条件，它只能给你提供参考。
• 这个结论，谁能独立证明它是对的？如果有第二个人能在不看你的数据的情况下复现它，这件事可以放心地自动化；如果只有你能看懂，那你现在守着的不是能力，是一份私人记忆——先把它写下来，再谈让 AI 接手。
• 这件事的权威源在哪？如果同一个数在三个系统里有三个版本，别急着上 AI，先定唯一权威源。AI 只会让「三个版本」变成「三个版本的自动化」。
• 这件事的现场情境，我讲得清楚吗？讲不清楚，就是临场经验的部分，这部分必须留在人身上，并且要有意识地传给下一个人。
• 出了错，谁来签字？如果没有人能签字，那这件事就不应该交给 AI 独立完成。

这五问有一个共同的指向：你越能把自己的判断写清楚，你就越能把更多的事交给 AI；你越是把判断留在脑子里说不出来，你就越只能自己扛着。】

这就是本书后面所有方法论的底层逻辑——不是抵抗工具，而是把自己变得可以被信任，从而有资格使用更强大的工具。

本章小结

• 趋势判断：思考外包是记忆外包、检索外包之后的新阶段，外包的不再是存储与获取，而是加工本身。
• 核心机制：节能本能 + 即时奖励 + 痕迹隐形，三者叠加，让退化成为环境的默认结果，而非个人的道德失败。
• 最大陷阱：投喂式思维——无脑提问、全盘接收、放弃校验。它把错误包装成流畅，把结论冒充为掌握。
• 可逆性：退化的本质是通路长期不被激活，因此它可逆；但可逆的前提是重新经历「费力思考」。
• 分水岭：根据「谁在分配思考」，未来只留下两种人——依附 AI 的人与驾驭 AI 的人，且二者之间的中间地带正在收窄。
• 案例验证：江南精密六条最硬的痛点，没有一条的根因是模型不够聪明——全是人的判断与临场经验没有被写下来。凡能被清晰描述的重复劳动，AI 都能接手；凡需要定规则、定权威源、担责任、调经验的，它一律接不了。
• 可带走的动作：用「规则写得出来吗、结论谁能独立证明、权威源在哪、现场情境讲得清吗、出错谁签字」五个问题，筛一遍自己手头的工作，把可以托付的和必须守住的先分开。

下一章预告：江南精密的清单已经给了我们一份答案的草稿：AI 帮不上的地方，恰恰是提问、推演、辨伪、全局这四种能力起作用的地方。第二章，我们把这四笔账一笔一笔算清楚——它们是怎么被偷走的，又会在什么时候，以什么方式让你付出代价。