AI 越用越蠢是真的：我把最熟的老本行交给它之后，废掉的不是它，是我

先说结论：AI 没让我的工作变难，它让工作变得太容易，以至于我开始怀疑自己到底还会不会。

我做了个小实验：挑自己最熟的那部分活——写方案、查 bug、写对外文案——同一件事，AI 做一版，我手写一版，再对比。最让我后背发凉的不是 AI 那版更好，而是我开始下意识地不看它的过程，只看结论。

这才是真正的退化。不是 AI 变笨了，是我把判断这一步外包了，然后它连同我的判断力一起被删掉了。

第一件事：AI 的产出到底靠不靠谱

不装模作样的结论：AI 在"有正确答案"的活上，胜率高到让人松懈。

写方案，它给的框架比我想得全；查 bug，它扫日志比我快三倍；写文案，它第一版的完成度大概是我认真写二十分钟的水平。每一项都比"我自己慢慢磨"快,而且它不会因为我今天心情不好就摆烂。

连续用 AI 干这些活之后,我的工作方式变成了这样:拿到需求→丢给 AI→等结果→读一遍→改两处→交付。整个流程我依然"在"参与,但实际只参与了"读一遍"这个动作。

而"读一遍"和"读懂"之间的差距,就是整个实验的核心。

AI 的方案里埋了一个假设,在它的语境下完全成立,在我们的语境下却是个坑。它没提,不是蠢,是因为它不知道这个坑的存在——它只是从我给的上下文里做了最合理的推断。

如果当初是我自己动手写的,那个坑我根本不会踩,因为它在我脑子里是常识。而现在,常识这件事正在从我的工作流程里被悄悄摘掉。

AI 不会替你承担决定的后果,但它会替你承担"做决定"这件事本身。这笔账迟早要结。

第二件事：三个人格被磨平了

实验里更有意思的发现不在方案,在文字。我让 AI 写一份对外文案,自己写一份。AI 那版结构清晰、逻辑通顺,形容词"安全"到令人发指——专业、清晰、赋能、全面。我自己那版,一句话带脾气,一处故意绕开,一个节奏不均匀。

AI 版本在"信息正确性"上完胜,在"辨识度"上完败。它的表达是平均值,而平均值意味着没有特征。

这件事在个人身上不致命,在行业身上就致命了。当所有人都用同一批模型写同一批文案,内容市场的熵会趋近于零。你读到一篇"感觉不错但说不上哪里好"的文章,大概率是被平均值洗过一遍的产物。

更微妙的是写作者自己也会被洗。我写完自己那版再看 AI 的版本，居然觉得"确实比我写得好"。审美一旦被校准到平均水平，人就开始怀疑自己的偏好是不是"太偏门"。

一个挺关键的判断:AI 最擅长抹平的是"风格",最没法替代的是"立场"。风格可以量产,立场不量产才有价值。真正的偏心,概率模型长不出来,那玩意儿得自己长。

第三件事：怎么在用 AI 的同时保住判断力

不是"少用一点"这种正确的废话。用下来,有三条真管用。

第一,分工要按"可否证性"切,不要按"省不省事"切。

能被验证的活大胆交给 AI:格式转换、边界情况枚举、异常日志定位、三倍体量初稿。这些事人做慢、做累、还容易犯重复错误。

不能被验证的活自己扛:取舍、优先级、什么不做、对谁说狠话。这些活没有标准答案,AI 参与越多,判断力退化越快——因为它总给你一个看起来合理的答案,把"要不要"偷偷变成"怎么要"。

第二,强制自己写"决策日志",而不是只留结果。

这是收益最大的一条。AI 交付一段方案,别急着采纳,先花三行字写清楚:我为什么选它、我拒绝了什么、这次踩坑的教训是什么。写的时候你必须重新调用一遍自己的判断,哪怕只是把 AI 的理由翻译成人话。

我的习惯是,凡是 AI 参与的产出一律附一段"我的判断记录"。刚开始很烦,后来你会发现自己搜出来的东西明显变多——因为你终于记得住自己为什么那么选。

第三,给 AI 的答案设置"默认不采信"的门槛。

把 AI 的输出默认当成一份需要审稿的实习生作业,而不是结论。它给的东西,先自己跑一遍/读一遍/推一遍,再往下传。这一步看似浪费时间的重复劳动,却是唯一能让你保持"手感"的动作。

说白了,你要的是 AI 的吞吐量,不是判断权。这两样能分开拿,只是大多数人没意识到自己在打包出售。

一段能直接用的提示词

上面第三条可以写进提示词。实测下来,加了这几行,AI 的输出会从"结论式"变成"可审议式":

你的输出会被人类审核,所以请不要替我做决定。

规则:
1. 先列出这个任务里至少有 3 个可行方案,以及各自的代价,不要只给一个。
2. 明确标出哪些结论是你依据我给的信息推断的,哪些是你补充的通用知识。
3. 标出你自己不确定的地方,以及"如果我判断错了,最可能错在哪一步"。
4. 最后给我一条"你需要亲自确认的事项"清单,不要问我问题,只列出需要我确认的判断点。

这四条的共同点:都在把 AI 从"发言人"改成"参谋"。它该干的是把可能性铺开,而不是把话说满——尤其别让它把话说满,那样你就真的不用动脑了。

顺带说说行业里正在发生的事

模型能力和成本这两条曲线正在交叉,这带来的不是"AI 取代人",而是任务被重新切碎。

过去一个岗位是一坨完整的活:接需求、做方案、写文档、对齐资源、承担结果。现在这坨东西正被切成若干段,每段都能单独外包给模型或工具。切完之后真正值钱的只剩两样:决定切在哪,以及为切错的部分兜底。

换句话说,AI 抹掉的是"执行"的溢价,放大了"判断"的溢价。对个人意味着什么已经很直接:如果你工作内容里判断的部分趋近于零,那你不是"还在被加速",你是在被平价打包。

工具链的重心也在往这边挪。大家卷的已经不是"谁的模型更聪明",而是"谁能把判断沉淀成流程"——记忆怎么存、上下文怎么裁、失败怎么复盘、边界怎么卡。智能体真正的护城河不在智商,在纪律。

把 AI 当同事带,你得先有活干的标准;把 AI 当外挂用,你只会越来越像它的平均值。

最后

我这轮实验最大的收获,不是"AI 很强"这种正确废话,而是一个具体的感觉:

AI 让"做出来"变得极其廉价,所以真正值钱的,是"知道该做什么"。

而"知道该做什么"恰好被"做出来"的熟练感长期掩盖着。你一直忙着做,没空想凭什么做对——现在 AI 帮你做了,你才第一次被迫面对这个问题。

这算坏消息?我觉得算好消息。疼归疼,至少问题被摆上台面了。

规矩很简单:能外包的坚决外包,但每笔账我自己记;能省的力坚决省,但每个判断我自己签字。

工具是工具,方向盘得自己握。 🦞