AI 应该提升你的思考能力，而不是取代它

这要求优化者不仅懂算法，更懂用户。

AI在代码生成和医学诊断等领域的表现已让许多从业者感慨其效率，但Koshy John在博客中观察到的行业分裂却指向一个更深层的问题：部分工程师正用AI替代思考，而非借其提升框架设定和风险判断。Hacker News上的热议也反映出这种分歧正在扩大。

主流媒体和大量网友对ChatGPT、Gemini这类工具的反馈几乎一边倒：生产力暴增，曾经耗时数小时的代码生成、报告总结或会议纪要，现在几秒钟就能完成。知识壁垒似乎被彻底打破，大家在论坛和社交平台分享“用AI后效率翻倍”的故事，不少报道直接将其定性为全民生产力革命，仿佛掌握提示词技巧就能无缝跟上时代步伐。

对比最佳实践与常见误区，能看出本质差异。优秀协作者让AI处理 boilerplate 和初稿，自己则主导架构决策、风险评估和最终取舍；反之，依赖“答案机”模式的人虽短期产出光鲜，却在逐步丧失独立重现和迭代的能力。Anthropic等研究也间接支持类似观点：被动委托往往损害理解力，而主动认知参与才能维持长期竞争力。说白了，AI是放大器，不是替身。谁把思考过程外包，谁就在积累难以逆转的认知债务。

这些讨论有其道理，却忽略了一个关键盲区：谁在最终把控品味？AI擅长从海量现有数据中拼接新视角，提供快速迭代的多个方案或跨领域灵感碰撞，但它缺乏人类独特的情感经历和主观判断。结果往往是人人能用、看起来专业的东西，却鲜有真正让人记住的作品。

行业内类似观察越来越多。新手工程师容易将AI输出当作现成答案，直接应用后便不再深究；资深工程师则坚持自己先勾勒方案框架，再让AI辅助验证。Anthropic等机构的最新实验也印证，过度依赖AI辅助编码的新手在后续 retention 测试中得分偏低，尤其在调试和理解底层原理上出现明显差距。数据支持这一趋势，但长期样本仍在积累中。

长期来看，这种使用方式的分化或将加剧。一小部分人学会用AI放大自身思考，成为在问题框架和洞见产出上拉开差距的“超级人类”；而多数人若持续外包思考，则可能逐渐被边缘化。当然，这一点目前行业内仍有不同声音。若个人主动保留验证环节，如追问反方观点并自己重构论证，AI就能转为强大杠杆；否则，它可能变成越用越依赖的认知拐杖。究竟个人与组织将如何平衡这一边界，仍需时间给出答案。

AI可以大幅加速执行环节，但判断永远不能外包。这个判断目前行业内仍有不同声音，但越来越多的案例显示，守住这条界限的管理者，正让AI真正成为提升团队决策思考的放大器，而非替代品。

管理者若主动干预，培养正确的人机协同方式，团队思考力反而有机会升级。举例来说，让AI先处理数据并生成选项，再组织面对面讨论，由人负责最终的价值判断和风险权衡，这样的实践已在部分团队中显现出决策质量和凝聚力的提升。但如果任由外包思考蔓延，适应复杂环境的能力就会下降。AI可以大幅加速执行环节，但判断永远不能外包。这一点目前行业内仍有不同声音，数据支持这个方向，但样本量有限。

这一点目前行业内仍有不同声音。数据支持AI在辅助环节的巨大潜力，但样本中真正实现人机协同升级判断力的案例尚不多见。值得持续跟踪的是，管理者能否主动干预，重建决策流程，让AI成为思考的放大器而非替身。

Koshy John在近期博客中观察到软件工程领域的明显分层。一类工程师用AI清除重复的苦力劳动，将节省的时间用于框架设计、风险前置和原创权衡，他们始终掌控整个过程。另一类则把AI当成思考的外包平台，提示词一发，抛光后的结果直接呈现。短期内后者显得高效，但本质上是模拟了能力，而非真正构建它。Koshy John将此称为“模拟competence而非构建competence”，这个区分远比多数人想象的重要。

“上下分一块1分跑的快群”_上下分一块1分跑的快群紫光展锐论坛点出的问题，仍是当前行业普遍面临且需要持续面对的核心现实议题。