上个月给一家制造业客户做战略解码培训,课间我让学员做个小练习:合上电脑,把刚才讨论的方案用三句话写下来——为什么选它,放弃了哪两个,依据是什么。
三十多个人,写满三句的不到一半。有人笑着说:"老师,这方案是 AI 帮我们理的,它的逻辑比我清楚。"
我没法反驳。因为他没说出口的那半句,我听见了:那我再自己想一遍,图什么?
这个问题,最近被几家美国公司摆到了台面上。
一家云存储公司,开始管"脑子"
十月中旬,《财富》刊出一篇职场通讯。记者 Emma Burleigh 记录了《财富》"最具影响力女性"大会上一场对谈:台上坐着百事公司、Indeed、Dropbox、百时美施贵宝的几位高管,议题是 AI 的效率红利该怎么分,以及员工的创造力、脑健康和状态该不该算进收益。
Dropbox 的首席人力官 Melanie Rosenwasser 在其中谈到,这家《财富》称作"80 亿美元规模"(原文 the $8 billion cloud company,未注明是营收还是估值)的云公司,正在关注一个风险:认知萎缩(cognitive atrophy)——员工把越来越多的思考交给 AI 之后,脑子本身在退化。
她的原话,报道里是这么引的:
她说,这一判断引自 MIT 教授 Eric So 的研究。So 今年 10 月出版了《The Collision: What AI Does to Us》(W. W. Norton)。书里把这种倾向称为"AI gravity":不加干预时,人容易顺势把思考交出去,认知能力因缺乏练习而退化。他给的四条建议里,有两条正对着本文的问题——"把 AI 当认知教练,而非替代品""把 AI 释放出的认知盈余再投回去"。
Dropbox 的应对,《财富》的说法是"正在探索引入"三类东西:记忆练习、注意力训练、益智游戏;另试过不带电子设备的"无屏"(原文 analog)外出会议,还请了呼吸训练教练给高管团队。
这套做法的效果,公开报道里还没有评估结论。谜题和深呼吸更像一种文化信号——表明"我们重视这件事"。Rosenwasser 在 Fast Company 的采访里也说得留有余地:"我们以好奇和谦逊的态度推进,这是一个新兴领域,还有很多要学。"她后来在普华永道《Take on Tomorrow》节目里提到一组内部数据倒是有意思:高管外出会议拿掉屏幕之后,"感到被其他高管团队成员在乎"的比例从 44% 升到 100%。不过这组数据测的是人际连接,不是认知能力。
方向对了,手段未必。
省下来的六小时,最后去了哪里
同一场对谈里,Indeed 的首席营收官 Maggie Hulce 给了一组漂亮的数字:AI 让他们的软件工程师多写了 50% 的代码,员工每周省下六小时。公司的打算是把这些时间投到创造性工作。
这是 AI 叙事里最动听的一段。但把几家公司放在一起,会撞上一个不太好回答的问题:省下来的六小时,最后到底去了哪里?
百时美施贵宝问得更具体。该公司执行副总裁兼首席人力官 Amanda Poole 说,他们正在试一个"福祉商数",用来决定 AI 带来的生产率提升里,多少归公司、多少还给员工。她的原话是:"假设我们能拿到 20% 的生产率提升:哪一部分公司收回去,哪一部分还给员工?我们还没解决。"
百事公司全球首席战略与转型官、拉美区 CEO Athina Kanioura 从另一头把这个难题说明白了:要求每一个 AI 应用都先证明投资回报,是"千刀万剐"。
这两句话放在一起,我的研判是:只认投资回报,"省时间"就是唯一能进报表的收益,"练判断"永远进不去——省下的六小时很容易顺着最快的路径回到工作里,变成更高的产出基线。这不一定坏,但"AI 让员工有时间深度思考"目前仍是一个打算,不是事实。
一个可作参照的数据:Rosenwasser 在普华永道《Take on Tomorrow》节目里说,Dropbox 在员工敬业度调查中加了 AI 专项问题,结果显示员工认为 AI 提升了生产率,但随着常规工作消失,工作本身变得更耗脑力。
更值得留意的是另一组数据。据《财富》引用的 Quantum Workplace 2026 年数据,美国频繁使用 AI 的员工,报告的倦怠率高于不使用 AI 的人。这是两组不同人群的横向比较,出自一项独立调查,与上面 Indeed 的效率数字不是同一批样本,也不能直接推出因果。但它们摆在一起,至少说明一件事:效率提升并不自动等于状态变好。
更早的一项研究提供了另一个观察角度。Microsoft Research 与卡内基梅隆大学的研究者(论文发表于 CHI 2025)调查了 319 名每周至少使用一次生成式 AI 的知识工作者,收集了 936 个真实使用案例。结论有两层:一是相关关系——对 AI 越信任的人,自述投入的批判性思考越少;对自己判断越有信心的人,自述投入越多。二是思考并未简单消失,而是从"找资料、写初稿"转向"核验信息、整合答案、统筹任务"。需要说明的是,这是参与者的自陈报告,单次横断面调查,没有做使用前后的能力测验,结论只适用于这些自陈的工作场景。
我不认为这些证据足以支撑"AI 让人变笨":样本、行业、任务类型都有限,数据来自自陈,因果链条也不干净。但它们指向同一个值得留意的观察——
我的观察是:当工具的输出质量超过使用者的判断质量时,人很容易放弃判断。而放弃判断这件事,几乎没有痛感。
没有痛感,就不会有人报警。产出照常,汇报照常,KPI 照常。什么时候露馅?往往要等到客户换人的那一天,或者一次没人能解释清楚的决策事故之后。
这才是 HR 该紧张的地方:问题出在这种能力闲置的过程不报警,并非员工偷懒。
但判断力这东西,恰恰是可以练的
先把一个词说清楚,免得后面空对空。判断力是指:在信息不全、时间不够、责任明确的情况下,对"这个结论能不能接受"作出决定,并为后果负责。它有三个条件——信息不全,否则那叫计算;责任到人,否则那叫评议;不可撤回,否则那叫演练。三条缺一条,练的就都不是判断力。
这里要区分两件事:演练是判断力的形成环节,真实决策才是检验环节。下面这些做法都落在"演练"这一侧——它们不替代担责,但能让人在担责之前先把判断练过一遍。
还有一层约束是 AI 补不上的:它能整理文字、捋顺框架,却不知道我们手里资源够不够、内部好不好协调、业务上藏着哪些风险。这些只能由具体处境里的人来判断。
关于这门能力从哪来,有一个问题被反复提起:如果初级员工不再做十年重复劳动,判断力从哪里长出来?
普华永道《Take on Tomorrow》节目里,PwC 全球劳动力负责人 Pete Brown 给过一个更克制的答案:他不认为判断力"单纯"来自做十年重复劳动——那些琐碎工作里确实有学习,但不必为了学习而保留它们。判断力更多来自:有人让你先亮出观点、观点被当众挑战、看着有经验的人怎么处理同一件事、偶尔搞砸并从中学会。
按这个逻辑,AI 可以是判断力的练习机——前提是用法反过来。
让 AI 生成分析之后,别停在"很好,采纳"。接着问三个问题:所以呢?你同意吗?你会怎么改?
同一段访谈里,Brown 接着说:如果 AI 能先把分析做出来,正好可以追问"所以呢?你同意这份分析吗?它缺了什么?你会怎么做?"——判断力的肌肉,就是这么练出来的。前面那套判断力从哪来的说法,也出自这次访谈。
过去这种练习,往往只有师傅带徒弟时才有;现在一个 AI 可以陪每个人练,不知疲倦,也不怕你问得难听。
所以分水岭不在用不用 AI,在于把 AI 当答案,还是当陪练。
当答案的人,拿到输出,改改措辞交上去。产出稳定,也更容易被替代——因为下一个提问的人,往往能拿到相近的东西。
当陪练的人,先自己写判断,再让 AI 反驳;让它给三个方案,逐个找漏洞;要它给数据来源,给不出来就自己查。慢一点,但他们手里始终握着一样东西:这个结论能不能接受,由他决定。
给 HR 的三个动作
回到前面那句"方向对了,手段未必"。Dropbox 对风险的判断值得重视,而且据 Rosenwasser 在《Take on Tomorrow》里的说法,他们同时在员工敬业度调查中加入了 AI 相关的脑力负荷问题——这已经是组织层面的测量。不过,记忆练习和呼吸课更多落在个人一侧。真正决定判断力长不长出来的,还是组织在上班时间怎么用 AI。
顺下来,三件事最实在。
第一,把"判断力"写进岗位描述,不只写进培训计划。
我见到的多数岗位说明书,能力要求写的是"熟练使用 XX 工具""具备 XX 年经验"。可以加一条更硬的:这个岗位在哪些决策上必须独立给出判断,判断错了谁承担。写不出来,我的判断是这个岗位还没想清楚要不要留人。
第二,在关键流程里保留"先想后问"的环节。
方案评审、客户异议处理、异常事件复盘——这些环节如果允许直接用 AI 生成初稿,判断力就没有练习场。可以定一条朴素的规矩:涉及判断的文档,先写自己的结论和理由,再让 AI 补充或反驳,两版都留档。成本很低,不依赖额外课程,而且顺手就攒出了一份判断力的训练记录。
第三,评价方式从"交付物"往"决策质量"挪一点。
只考核产出速度,员工必然选最快路径,而最快路径就是让 AI 全包。可以在绩效沟通里加一栏:本季度你做过哪个判断,当时信息缺在哪里,后来验证对了吗。这一栏不好填,但填得出来的人,我的判断是组织真正要留的人。
四个方向,练法各不同
既然判断力主要靠"被挑战"练出来,那是不是有对应的课程,可以帮助我们来实现这个练习呢。以下四个课题设计方向,供企业内训参考:
《论证拆解:识别一段"看起来很对"的结论》——批判性思维的落地版。给学员一段真实的 AI 输出或下属汇报,找隐含假设、缺失证据、被偷换的概念。工作坊一天,全程用学员自己的材料,不用通用案例。练的是:在"说得通"和"站得住"之间划出一条线。
《从现象到问题:问题定义的五个追问》——多数分析失败在第一步:问题被描述成了现象。五个追问是:这是现象还是问题?是谁的问题?发生在哪个环节?不解决会怎样?解决到什么程度算解决?配一个真实的业务难题做全程演练,一天。
《信息不全时怎么做决定》——独立判断最难讲,因为它要求讲师敢在现场制造冲突:信息不全、时间不够、上级有倾向,然后做决策、复盘依据。一天到一天半,案例用企业真实场景改编。练的是:在证据不够时敢拍板,并且说清自己赌的是什么。
《经验萃取:把一个人的判断变成一群人的方法》——持续学习在企业里最容易被做成读书会,真正的落点是让骨干把"当时我怎么想的"讲成可复用的方法。两天实操营,产出是岗位案例集。
下面是挑选的热门实战课程,拿来就能落地的课程清单:
最后
回到课间那个练习。
那天后来有位学员补写了三句,写得不算漂亮,但有一句我印象很深:我们选这个方案,是因为另外两个方案的责任人我们指挥不动。
那位笑着说"AI 的逻辑比我清楚"的学员,缺的其实就是这句话。这句话 AI 永远写不出来——它来自一个人在具体处境里熬出来的判断,并非逻辑推导的结果。
企业真正怕的,是有一天组织里没人能写出这样一句话了,而员工用 AI 用得比自己快倒在其次。

