先思考再让AI完成。这样够吗当产品和研究领域的人问我关于AI和他们大脑的问题时问题几乎总是关于客户的我应该在何处停止使用AI以免与我所服务的人失去联系这是一个合理的问题。但这不是我夜不能寐时思考的问题。当我退后一步来看我更担心的是自己的大脑在我现在交给AI处理的数百个其他事情上逐渐退化。我用它来保持课程内容的更新。我用它来准备主题演讲来对自己的思考进行压力测试来帮助我撰写这样的通讯通常80%是我写的20%是AI辅助的。我一直很刻意——谨慎选择我交给AI的任务以及交给它们的顺序。我有自己的一套规则大致是先思考再让它完成收尾工作。在过去的几年里我摸索出了一套我信任的方法令人欣慰的是它与学习科学和几十年的自动化研究所说的完全一致。所以如果你正在问在使用AI变迟钝之前应该在哪里划线这是我的答案我保留在手中的是什么我对其他一切事物使用的方法以及为什么它有效的证据。目标是保持在使用AI方面处于顶尖水平——快速交付、高质量完成——同时保持足够敏锐即使有人拿走了这些工具你仍然擅长你的工作。让我们开始吧——1、为什么轻松的方式感觉像学习但实际上不是有一批研究已经存在了三十年一直很有用但突然间变得比2019年重要得多。在1990年代认知心理学家Robert Bjork基于他与Elizabeth Bjork数十年的研究提出了 “适度困难” 这个术语。这个发现在几十年的研究中反复得到验证让学习感觉缓慢和费力的条件——间隔练习、混合主题、自我测试而非重读、在被给出答案之前自己生成答案——恰恰是产生最强长期记忆的条件。这些条件也能产生最好的迁移——你以后在新情境中使用知识的能力。基本上感觉顺畅快速的条件往往产生最弱的记忆和最不稳固的迁移——即使在当时它们感觉效果更好。问题在于我们在当时有多严重地误判了这一点。如果他们的研究中有哪句话值得纹在你的眼皮内侧就是这一句“当前的表现不是学习的可靠指标。”当某件事感觉流畅——轻松上手、阅读顺畅、毫无阻力地滑过——我们把这流畅感解读为理解。Bjork夫妇称之为 “理解错觉”。考前一晚重读笔记感觉很有成效因为它感觉很熟悉。但实际上它并没有太大作用。你避免的挣扎恰恰是本可以构建记忆的部分。每个重度AI用户都应该担心的部分在一项研究中人们在两种条件下进行练习然后被问哪一种教会了他们更多。混合的、更难的条件在实际测试中大获全胜——大约90%的人通过这种方式学得更好。然而大多数人即使看到了自己更好的结果仍然相信轻松的方式教会了他们更多。他们确信自己属于那10%的例外。我们都确信自己属于那10%的例外。AI是有史以来最流畅的东西。它毫无阻力地交给你一个干净、自信、看起来已完成的答案。按照适度困难的逻辑这不是一个中性的便利——它是工业规模生产理解错觉的精确配方。输出看起来像理解。你的当前表现——幻灯片、综合分析、研究报告——看起来棒极了。你是否学到了任何东西则是一个完全独立的问题而流畅感正在积极地掩盖答案。2、早期信号有几项最近的研究正在被传阅作为我们都在变笨的证据。我会谨慎对待它们——它们比适度困难的研究更新、更薄弱我会在下面指出其中一项并附上注意事项。但方向是一致的。2025年一项对666人的研究Gerlich发表在Societies期刊上发现频繁使用AI与批判性思维得分之间存在显著的负相关在统计上被认知卸载——将你的思考交给工具——所解释在更年轻、更重度用户中尤为明显。这是相关性研究且基于自我报告所以不要太当真。一个MIT研究小组在人们使用和不使用ChatGPT写作文章时连接了脑电图。**AI辅助的作者显示出最弱的大脑连接作者称之为认知债务。**小样本有已发表的批评者。有启发性但尚未完全定论值得考虑。但你不需要新研究来做出判断。三十年前的老研究已经告诉我们了轻松、流畅的路径感觉像学习但实际上不是。AI只是让轻松的路径变得无摩擦并将其放在了你做的每一项任务上。**为什么重要**让你有价值的不是AI现在能生成的输出。而是判断力——判断任务是否值得做判断那个任务的输出何时是错误的——而这种判断力恰恰是由AI现在主动要替你完成的那些费力的工作所构建的。3、让大脑保持在对话中我想诚实地谈谈这种困境因为假装它不存在对谁都没有帮助。我和你们面临同样的压力。我们都被期望在五年前交付量的一百倍之上工作而且时间只有几分之一。我们的世界现在奖励的是持续的行动和速度而非智力随时间的缓慢发展。专业知识曾经来自时间——多年手工完成工作直到判断力形成。但现在不再是这样的交易了。你有一个应该在24小时内用完的培训预算周五前要学十项技能最迟周一要发布一个产品。没有人会暂停路线图让你为了使用大脑而自由探索。所以这是我实际使用的方法——在不让大脑退出对话的情况下充分使用AI。它归结为两个大动作决定你不要交给AI什么然后对其他一切使用一个真正的方法。每一部分都有我将指出的研究作为支撑。4、弄清楚你不应该交给AI什么我不打算给你一个需要保持手动的任务清单——你的工作不是我的工作正确的界限对每个人来说都在不同的位置。我能给你的是我在任何想完全自动化的任务上运行的问题这个任务中的困难是否在教会我一些我会重复使用的东西——判断力、模式识别、对客户或数据的熟悉度——还是只是为了到达思考部分而必须经历的苦工苦工和杂事AI可以拿去。那些在构建我能力的困难我保留即使保留它更慢。三个信号表明任务属于这类情况4.1 当覆盖面可以协商但接触不能时在研究中原始材料始终是价值所在——所以这里的规则不是全部保持手动。你不可能手工阅读每一份转录稿而处理大量数据正是AI的用途。纪律更窄在覆盖面上可以妥协在接触上永远不能。亲自阅读足够的原始数据以保持对其的流畅感然后让AI来扩展其余部分。当我教授AI或Claude Code分析时这就是我坚守的界限——而反直觉的是如果一个团队已经在大量使用AI进行筛选和分析我会告诉他们要增加更多的手动接触而不是更少。把整个流程交给智能体你会更快地达到理解客户——但你自己已经从理解中被抽离了。你变成了管理智能体的管理者的管理者。任何管理过人的人都知道这意味着什么你离工作越远就越难看到工作中实际发生了什么。你与客户失去了联系而且你也失去了捕捉智能体出错的能力因为你自己对工作不再熟悉。这些都不是新东西值得知道的是它比AI的焦虑早了几十年。1983年人因研究员Lisanne Bainbridge描述了她所谓的自动化的悖论把日常工作交给机器你让人类负责监督罕见的故障——在剥夺了使他们能够发现故障的日常练习之后。你最终在最需要介入的时刻最不具备介入的能力。她当时写的是工业控制室。读起来就像写的是上周你的研究流程。**信号**如果你不记得上一次亲手接触原始数据是什么时候或者你对客户需求的全部理解都来自AI的摘要那就是该退后一步自己深入研究的时候了。4.2 当做本身就是思考或关系时我没有自动化电子邮件等一些整个任务。我没有让智能体替我回复。有些事情回复起来比我希望的要花更长时间但我接受这一点因为我宁愿用自己的大脑作为一个人类来回复也不愿意让智能体代表我与其他人类打交道而我自己完全不知道实际上在说什么。信号如果卸载这个任务也会卸载那本就是意义的思考或人类联系保留它。4.3 当涉及到实际的决策时这是我最强烈维护的一个。我最担心的读者是那种被推动在如此多的任务上如此快地使用AI的PM以至于他们无法对任何一项保持关注——然后在某个时刻开始不仅把工作交出去还把决策也交出去。坐在所有证据面前自己做出判断是缓慢而困难的而问模型它会怎么做是快速而容易的。我们越多地将决策本身交给AI就越难自己做出决策。那种能力不会宣布它要离开。它只是在你伸手去够时不再存在。信号如果你正要问AI你应该做什么决定那就是界限了。用它来收集、起草、排版。把决策留给自己。5、当我全面使用AI时这是我的蓝图对于值得交出去的工作我每次都使用相同的四个步骤先思考 → 记笔记 → 把笔记给AI → 让它完成 → 用你自己的判断来核对。思考和我结构保持是我的。AI负责组装和润色。我守护的是第一步——当先思考因为我的匆忙而缩到什么都没有时我已经停止了让我保持敏锐的部分只是在批准看起来合理的输出。颠倒顺序——让AI先生成然后对它的产出做出反应——你就把生成最强大的适度困难换成了识别感觉同样聪明但几乎什么都没有构建。最后一步比看起来更重要。先思考不仅关乎保持敏锐——它让我有自己做出的判断来与AI的版本进行对比。所以用你自己的判断来核对不是被动的编辑它是把AI产出的东西放在我已经确定的答案旁边寻找两者的分歧之处。那个差距就是AI要么捕捉到了我遗漏的东西要么自信地编造了东西。如果没有我先前的版本我没有任何东西来检验——事实证明这与研究者反复得出的发现相同在看到AI的答案之前就运用自己判断力的人才不会被它俘获。这个蓝图在我实际使用AI处理的各类任务中的实际样子这篇通讯。在AI接触之前我已经理清了论证、结构和我自己的观点。它围绕我的思考和笔记进行起草和润色我编辑每一行。这就是一篇文章能达到80%是我写的原因——推理工作在起草开始之前就完成了。视角、经验、故事都已经在了——它们来自我的大脑用我的语言表达。客户演示。我自己构建叙事并得出发现——这是客户付费的部分。我在笔记中写下框架我反思以前的演示然后让AI充实和润色内容变成幻灯片这样我就不用了我不会从幻灯片排版中学到任何东西。数据分析。在我对一批转录稿或调查回复打开AI之前我自己阅读足够的材料写下我自己对正在发生什么的三点看法——从自己的头脑中生成如果有必要的话写得很粗糙。我对数据中我认为正在发生的事情有感觉。然后我用AI进行分析并对比它在哪里捕捉到了我遗漏的它在哪里遗漏了我捕捉到的它在哪里自信地编造了东西。先有自己的判断是我能分辨的唯一原因。做决策——“A还是B”。当我真的犹豫不决时——定价变更下一个要开发哪个课程是否接一个客户——我先写下自己的判断两个选项这里对我来说真正重要的是什么我倾向于哪个以及为什么。然后我把它交给AI让它来向我发难找出我推理中的漏洞为我没有选择的选项做最有力的论证指出我在假装不存在的权衡。我从不问它该选哪个。它是思考的陪练伙伴不是做决策的东西——是的这与动作1中的决策界限完全相同这正是为什么我对它格外小心。推理变得更锋利选择仍然是我的。AI从不为我做最初的思考或做出最终决定。它只是组装、结构化和润色我已经推理清楚的东西。为什么重要在使用自己大脑的同时保持在使用AI方面处于顶尖水平——不在于卸载最多。而在于卸载正确的东西并刻意保留那些仍然在让你变得更好的少数困难。原文链接AI越强你越需要主动吃苦 - 汇智网