摘要：AI可以降低主观努力、加快部分交付，却也可能把学习、判断和纠错过程一起绕过。真正需要重新设计的，是哪些步骤交给AI，哪些能力必须留在人身上。
一名工程师接到一个陌生任务。
他需要使用一套没有接触过的Python库，编写数据并发处理程序。过去，他会先阅读文档，理解异步任务、错误处理和资源释放，再通过几次调试完成代码。
现在，他把需求交给AI。几分钟后，程序可以运行，测试也通过了。
第二天，代码出现异常。工程师需要解释任务为什么被取消、异常为什么没有向上传递，以及某段代码是否存在资源泄漏。他发现自己能够使用这段程序，却很难说明程序内部的工作过程。
任务完成和能力形成，由此分成了两件事。
AI可以帮助人完成一项工作。完成过程中是否还保留了理解、判断、记忆和纠错，取决于使用方式。
一、什么叫认知卸载
人类一直在把部分认知任务交给外部工具。
纸张帮助保存信息，计算器承担计算，搜索引擎帮助寻找资料，导航软件负责规划路线。
这种行为通常被称为认知卸载：使用外部工具减少记忆、计算、搜索或推理所需的脑力投入。
AI覆盖的环节更长。
它可以帮助用户：
- 定义问题；
- 搜集资料；
- 选择信息；
- 总结观点；
- 生成方案；
- 编写代码；
- 检查错误；
- 做出比较；
- 起草结论；
- 安排后续行动。
计算器接收一个明确算式，返回计算结果。
AI可以参与决定算什么、使用什么方法、如何解释结果，以及最后建议用户采取什么行动。
用户交出去的内容，可能从计算步骤扩大到问题选择、证据判断和结论形成。
二、感觉省力，不等于实际节省时间
2026年5月，一项预注册行为研究招募了1237名参与者，比较他们独立完成简单认知任务与使用AI辅助完成任务的时间预期。
参与者普遍预测，使用AI会明显更快。
实际实验中，两种方式的完成时间没有显著差异。使用AI的人却报告了更低的主观努力程度。研究者把这种偏差称为“加速错觉”：用户感觉任务轻松了，于是高估了AI带来的时间收益。
一项AI任务通常包含多个隐性环节：
1 | 描述需求 → 等待生成 → 阅读结果 → 发现偏差 → 修改提示 → 再次生成 → 核对事实 → 调整格式 → 整合到正式文件 |
用户只记住了“AI很快给出了答案”，容易忽略描述、等待、检查和修订所花的时间。
这种现象在简单任务中更加明显。
一封短邮件可能自己写只需五分钟。使用AI后，用户花两分钟说明背景，生成一分钟，修改三分钟，总耗时反而更长，但主观感受更轻松。
因此，企业评价AI效率时，不能只统计模型生成速度。
还要计算：
- 需求描述时间；
- 输出核验时间；
- 修改次数；
- 错误返工时间；
- 人工审批时间；
- 对后续流程造成的影响。
AI减少脑力压力，本身具有价值。
它和缩短任务时间属于两个指标。
三、完成任务和学会技能可能出现分离
Anthropic在2026年1月公布了一项随机对照实验。
研究招募了52名主要处于初级阶段的软件工程师。这些参与者每周使用Python，熟悉AI编程工具，但没有使用过实验涉及的Trio异步编程库。
一组参与者可以使用AI助手，另一组根据文档自行完成任务。任务结束后，所有人接受代码阅读、调试、编写和概念理解测试。
使用AI的一组平均快了约两分钟，但时间差异没有达到统计显著水平。
后续测试中，AI组平均得分为50%，手工编程组为67%。差距最大的部分是调试题，即判断代码哪里出错、为什么出错，以及应该如何修复。
实验记录还显示，不同使用方式带来了不同结果。
直接让AI完成全部代码的人速度较快，但测试成绩较低。
有些参与者先让AI生成代码，再继续询问代码为什么这样写、涉及哪些概念、替代方案有什么差异。这些人的学习效果更好，只是没有获得明显的时间优势。
这个结果适用于许多工作场景。
AI可以缩短交付路径，却可能绕过技能形成所需的过程：
- 尝试；
- 犯错；
- 定位错误；
- 修改假设；
- 比较不同方法；
- 解释结果；
- 独立重现。
人学习调试，很大程度上依靠亲自遇到错误和解决错误。
AI提前消除了错误，也可能同时消除这段学习经历。
四、搜索答案和建立知识结构也有区别
2026年6月公布的一项现场实验，让参与者连续八天使用ChatGPT或Google Search进行非正式学习。
使用ChatGPT的参与者把较多的信息选择工作交给了AI。他们浏览的知识范围更窄，对学习过程的控制感较弱，在需要分析、比较和综合的高阶学习测试中，平均表现低于搜索引擎组。
聊天式AI倾向于提供一份整理好的答案。
搜索引擎通常展示多个来源，用户需要自己完成：
- 选择网页；
- 比较观点；
- 判断来源；
- 识别冲突；
- 组织答案。
这些步骤比较慢，也构成了学习的一部分。
直接阅读一份完整答案，用户可能觉得内容已经理解。
当他需要在新场景中调用这套知识时，才会发现自己记住的是结论，没有形成知识之间的关系。
例如，学生询问“为什么金属会疲劳”。
AI可以快速给出循环载荷、裂纹萌生、裂纹扩展和断裂等概念。
如果学生没有继续查看材料微观结构、应力集中、S-N曲线、平均应力和环境因素，他得到的只是一条简化解释，很难处理一个具体工程案例。
五、知识工作没有消失，工作位置发生了变化
微软研究团队调查了319名知识工作者，收集了936个AI辅助工作的实际案例。
调查结果显示，对AI越有信心的人，报告的批判性思考投入越少；对自身专业能力越有信心的人，更可能检查AI输出、质疑结论并投入更多判断。
研究还发现，AI介入后，知识工作的思考活动更多集中在三个环节：
- 验证信息；
- 将输出整合进任务；
- 管理任务及最终责任。
以前，员工需要自己完成初稿。
现在，AI可以生成初稿，员工负责判断这份初稿能不能用。
写作工作减少后，审查工作增加。
代码生成减少后，代码阅读和调试的重要性增加。
数据整理减少后，指标选择和异常解释的重要性增加。
方案编写减少后，约束检查和风险判断的重要性增加。
这种变化会带来一个管理问题：
员工怎样获得审查AI所需要的专业能力？
一个人如果从未独立完成过某类任务，他很难判断AI生成的结果是否可靠。
没有编写过复杂程序的工程师，难以识别架构问题。
没有做过设备故障分析的维护人员，难以判断一份诊断建议是否遗漏关键测点。
没有参与过工艺设计的员工，难以发现参数组合超出了设备能力。
审查能力来自实践积累，不能只靠查看AI结果形成。
六、编程工作开始转向“监督式工程”
2026年5月公布的一项纵向研究，对专业软件工程师进行了两次问卷调查，间隔六个月。第一次获得158份有效样本，第二次获得101份，其中95人完成了两次调查。
82%的受访者表示，自己用于编写代码的时间减少。研究者把新增的一类工作概括为“监督式工程”，包括指导AI、评估输出和修正错误。
84%的参与者在两次调查中都认为AI提升了生产率。
在95名连续参与者中，报告至少一个开发体验指标变差的人，从第一次调查的14%升至第二次的27%。变化涉及心流、认知负担和工作体验。
AI减少了敲代码的时间，却没有让工程师完全摆脱复杂工作。
复杂性被转移到：
- 如何给出清晰任务；
- 如何约束生成范围；
- 如何读懂大量生成代码；
- 如何发现隐藏错误；
- 如何判断架构合理性；
- 如何处理多个Agent同时修改代码；
- 如何承担最终发布责任。
手工编写一百行代码，开发者对每一行的来源比较清楚。
AI一次生成一千行代码后，阅读、理解和验证可能比编写更累。
七、经验丰富的人和初学者会得到不同结果
熟练人员使用AI时，可以把重复劳动交出去，同时保留关键判断。
他们知道问题出在哪里，知道应该检查哪些地方，也知道AI的建议何时偏离工程常识。
初学者缺少这些内部标准。
当AI给出一份语句流畅、格式完整的答案时，初学者更容易把表达质量当成内容质量。
一篇2026年7月更新的理论研究建立了一个动态模型，分析短期生产率与长期技能积累之间的关系。模型显示，当AI替代了大量练习过程时，管理者即使知道技能可能下降，也可能因为眼前产出收益而选择高强度使用AI。短期指标导向还可能扩大熟练员工和初级员工之间的能力差距。
这是一项理论模型，不能直接证明所有企业都会出现相同结果。
它指出了一种管理上的可能性：
- 资深员工使用AI，提高了产量；
- 初级员工也使用AI，完成了交付；
- 企业看到两类员工都能完成工作；
- 初级员工获得独立练习的机会减少；
- 几年后，能够处理复杂异常的人越来越少。
AI可以让初级员工暂时达到更高的输出水平。
如果企业同时取消培训、带教和独立练习，暂时的输出水平不会自动转化为个人能力。
八、哪些工作适合交给AI
认知卸载本身没有问题。
人的注意力和时间有限，很多低价值工作本来就应该交给工具。
适合高度自动化的任务通常具备几个特点：
- 结果容易检查；
- 错误容易恢复；
- 操作重复；
- 规则比较稳定；
- 不承担关键决策；
- 使用者已经掌握相关基础能力。
例如：
- 格式整理；
- 文档分类；
- 重复代码生成；
- 测试样例初稿；
- 数据格式转换；
- 会议记录整理；
- 固定模板报告；
- 已知流程的批处理；
- 多份材料的初步汇总。
这些任务交给AI后，人可以把时间用于问题分析和结果判断。
但有些环节需要保留在人手中：
- 定义问题；
- 确定目标；
- 选择数据；
- 判断来源；
- 设置约束；
- 识别异常；
- 分析因果关系；
- 权衡风险；
- 批准关键操作；
- 承担最终责任。
一份报告的语句可以由AI生成。
报告要解决什么问题、采用哪些数据、哪些结论可以公开，仍需由负责人决定。
九、可以按照“熟悉程度”和“风险”分配任务
企业可以把AI任务分成四类。
第一类：熟悉、低风险
员工已经掌握任务，结果容易验证，错误可以快速修改。
例如：
- 已知框架下生成重复代码；
- 把表格转换成固定报告；
- 对熟悉材料进行摘要；
- 生成测试数据；
- 修改文字格式。
可以给予AI较高的自动化权限。
第二类：熟悉、高风险
员工熟悉业务，但操作可能影响客户、设备或生产。
例如：
- 生成合同条款；
- 修改生产参数；
- 编写部署脚本；
- 提交财务数据；
- 输出质量判定；
- 制定设备检修方案。
AI可以准备方案，关键动作需要人工确认和独立验证。
第三类：陌生、低风险
员工需要学习新知识，但任务失败不会造成严重后果。
例如：
- 学习一套新软件；
- 尝试新的编程库；
- 阅读陌生技术领域；
- 制作内部实验原型。
这类任务适合使用学习模式：
- 先让员工自己提出思路；
- AI提供提示；
- 要求解释原理；
- 比较多个方案；
- 保留调试和修正过程；
- 任务结束后独立复述。
第四类：陌生、高风险
员工缺少经验，任务又涉及安全、质量、合规或重大经营决定。
例如：
- 调整安全联锁；
- 审核法律文件；
- 诊断重大设备故障；
- 修改关键工业控制逻辑；
- 评估高额投资；
- 判断医疗方案。
AI只能提供辅助材料。需要具备相应资质和经验的人员完成决策。
十、怎样使用AI又保留学习过程
个人可以采用几种简单方法。
1. 先写出自己的初步判断
向AI提问前，先记录：
- 我认为问题是什么；
- 可能有哪些原因；
- 需要哪些信息；
- 我准备采用什么方法。
内容不需要完整。
这个步骤可以保留问题定义能力，也便于比较AI改变了哪些判断。
2. 不让AI一次给出完整成品
学习陌生任务时，可以要求AI：
- 只给第一步提示；
- 解释概念；
- 提出检查问题；
- 指出思路中的漏洞；
- 给出两个方向供比较；
- 暂时不提供最终答案。
一次生成完整结果适合交付，不适合训练。
3. 让AI解释自己的输出
获得代码或方案后，继续追问：
- 为什么采用这种方法；
- 关键假设是什么；
- 哪些条件变化后会失败；
- 有哪些替代方法；
- 如何测试；
- 最容易出错的部分在哪里。
仅仅阅读代码，理解程度可能很低。
能够用自己的语言解释代码，才说明知识开始形成。
4. 关闭AI后重新完成一次
任务完成后，可以在不查看原答案的情况下：
- 重新写出关键步骤；
- 复述原理；
- 修改一个条件；
- 处理一个新案例；
- 找出一处故意加入的错误。
这种测试可以区分“我见过答案”和“我掌握了方法”。
5. 保留部分独立练习
程序员需要定期独立调试。
工程师需要亲自分析数据和异常。
学生需要完成一部分无AI作业。
管理人员需要独立阅读原始材料。
能力依赖持续使用。长期不练习的技能会下降，无论替代它的是AI、导航软件还是计算器。
十一、企业不能只看交付速度
企业采购AI工具时，最容易测量的是：
- 写一份报告快了多少；
- 编写代码少用了多少时间；
- 客服处理了多少工单；
- 员工每天调用了多少次；
- 每人节省了多少小时。
这些指标反映当期产出，没有回答员工能力是否得到保留。
企业还需要观察：
- 员工能否解释AI生成结果；
- 遇到异常时能否独立处理；
- AI不可用时能否维持基本工作；
- 新员工是否掌握岗位基础；
- 高级员工是否有能力审查复杂输出；
- 错误是否被发现；
- 同类错误是否重复发生；
- 哪些知识只存在于AI对话中。
可以为关键岗位建立两套指标。
第一套是交付指标：
- 时间；
- 数量；
- 成本；
- 质量；
- 客户反馈。
第二套是能力指标：
- 独立完成率；
- 异常处理能力；
- 原理解释能力；
- 结果验证能力；
- 新问题迁移能力；
- 无AI演练表现。
只考核第一套指标，员工会倾向于把更多工作交给AI。
十二、新员工培养需要保留“慢过程”
企业的很多专业能力来自师徒制和现场实践。
年轻工程师通过以下过程成长：
1 | 观察 → 模仿 → 独立尝试 → 发生错误 → 接受指导 → 重新处理 → 形成经验 |
AI可以跳过中间几步，直接提供一个可用结果。
企业需要有意识地保留练习场景。
例如：
- 新员工先独立分析，再查看AI建议；
- 培训任务限制一部分AI功能；
- 代码评审要求解释设计和异常路径；
- 工艺方案要求说明参数依据；
- 故障诊断要求列出证据链；
- 定期进行无AI应急演练；
- 高风险岗位设置人工能力认证。
这会降低部分短期效率。
它能够避免员工只会操作AI界面，不理解背后的业务系统。
十三、工业智能体不能替代现场知识的形成
工业企业使用数字员工和智能体后，这个问题更加具体。
设备维修
AI可以读取报警、维修记录和设备手册，给出故障原因。
维修人员仍需知道：
- 传感器是否可信；
- 设备声音是否异常；
- 当前工况是否特殊；
- 历史案例是否适用；
- 哪个检查步骤存在安全风险。
工艺优化
AI可以比较参数和质量数据，生成调整建议。
工艺工程师仍需理解：
- 参数之间的耦合关系；
- 设备能力边界；
- 原材料批次差异；
- 测量误差；
- 产品质量约束；
- 调整后的连锁影响。
工业软件操作
智能体可以调用CAD、CAE、MES、PLM和数据分析软件。
使用者仍需检查：
- 单位；
- 材料参数；
- 边界条件；
- 数据版本；
- 求解收敛；
- 模型假设；
- 输出是否符合工程常识。
生产控制
AI可以分析信息和提出方案。
安全联锁、关键参数批准和停机恢复需要由确定性系统和具备资格的人员负责。
工业现场的能力来自长期接触设备、工艺和异常。
这些知识很难完全写进文档，也不能只通过阅读AI回答获得。
十四、AI产品可以保留一些“必要的麻烦”
很多软件追求减少点击、减少等待和减少确认。
学习和高风险决策中，过度顺滑可能让用户跳过必要的思考。
AI产品可以增加一些有目的的交互设计：
- 要求用户先给出初步方案；
- 同时展示多个可能结论；
- 标出证据不足的地方；
- 要求用户选择采用哪项建议；
- 重要结论展示原始来源；
- 高风险操作要求解释理由；
- 提交前回答几个检查问题；
- 定期安排独立测试；
- 记录人工修改过哪些内容。
这些步骤会增加少量时间。
它们可以防止用户在没有理解的情况下接受完整答案。
十五、企业需要决定哪些能力必须留在人身上
AI可以承担越来越多任务。
组织仍需保留一组不依赖特定模型和平台的能力：
- 判断问题是否定义正确；
- 判断数据是否可信；
- 判断结果是否符合业务规律；
- 发现工具没有覆盖的异常；
- 在系统失效时接管工作；
- 解释决策过程；
- 对客户、设备和社会后果负责。
这些能力决定了员工能否监督AI。
如果员工只负责点击确认，确认就会失去意义。
如果工程师看不懂AI生成的程序，代码审查只剩形式。
如果管理人员没有阅读原始材料，最终审批只是转发模型结论。
AI使用水平不能只看它帮人完成了多少工作。
还要看使用结束后，人是否知道任务为什么这样完成，结果在什么条件下成立，以及出现问题时怎样处理。
把重复劳动交给AI，可以释放时间。
把问题定义、证据判断和责任也一起交出去，组织会逐渐失去纠错能力。
效率和能力不必互相排斥。
关键在于每一项工作开始前，先划清任务边界：哪些步骤交给AI，哪些步骤由人完成，哪些步骤必须经过独立验证。
AI可以帮助人少做一些工作。
企业仍要确保，人保留了理解工作和接管工作的能力。