AI越强，你越需要主动吃苦
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: The difficulty worth keeping when using AI
汇智网翻译整理，转载请标明出处