# AI 让人变强，还是只是让人产出更多？

我对“超级个体”这个说法一直有点疑虑。

AI 已经强到足够改变很多人的日常工作。不会写前端的人可以做出一个网页，不熟 Excel 的人可以让模型把表格整理成图文报告，原来要找设计、产品、开发一起凑的 Demo，现在一个人晚上折腾几小时也能跑起来。

这很容易让人兴奋。屏幕上突然出现一个完整的东西，人会本能地把它理解成自己的能力扩张。以前做不到，现在做到了，于是“我变强了”这个感觉来得非常快。

但我更关心后半句：这个东西后来发生了什么。

有人用吗？问题被解决了吗？过两周还能跑吗？换一份数据还对吗？如果结果错了，使用者能不能看出来？这些问题不如一段录屏好传播，也不如一张截图有冲击力，但它们决定了 AI 带来的增强到底有多厚。

## 屏幕上的成品很会骗人

AI 最先改变的是成品出现的速度。

一份 Excel 扔进去，几分钟后出来一份带图表的分析报告。图表很漂亮，标题也很像咨询公司会写的东西。问题通常藏在很细的地方：某个字段本来是渠道来源，模型理解成了地区；退货订单被算进了新增购买；两个业务线共用一个客户 ID，但口径没有合并。

如果使用者原本就懂这份数据，他会马上追问这些口径。AI 只是帮他省掉了画图、排版和初步归纳的时间。如果使用者不懂，他拿到的就是一份看起来非常完整的误导材料。更麻烦的是，这类材料往往比原始表格更有说服力，因为它已经被包装成了“结论”。

代码、网页、PPT 也是一样。能生成出来，只说明任务链的一段通了。一个网页能打开，不代表交互合理；一个脚本能跑完，不代表异常数据不会把它打爆；一份 PPT 逻辑顺滑，不代表它真的推动了决策。

这就是 AI 产物最危险的地方。它有时太像样，反而让人放松了检查。

## 能做出来，只是很小的一步

我会把 AI 带来的增强拆成三层看。

产物层最容易观察。你以前做不出网页，现在做出来了。以前写不出一段自动化脚本，现在能让它跑起来。这个变化当然有价值。

任务层要多走一步。这个产物有没有解决一个具体问题？比如一个 Demo 帮团队提前排除了错误方向，一个分析脚本让运营每天少查半小时数据，一份材料让会议少绕一个弯。到了这里，AI 才开始和工作结果发生关系。

能力层最难证明。使用者有没有形成新的判断？他下次面对不同数据、不同需求、不同错误时，能不能拆问题、查结果、知道什么时候该停下来？如果模型换了、工具换了、场景一变，他立刻失去方向，那这次成功更像是一次临时外包。它有用，但边界很窄。

这里没有道德审判。人类本来就一直在借助外部工具。没人要求会用计算器的人同时掌握芯片设计，也没人要求会开车的人懂发动机每个零件。关键是你要知道自己在控制什么，不知道什么，以及哪里可能出错。

AI 让这件事变难了。因为它给出的结果太像一个懂行的人交付的结果。

## 学习不用伪装成生产力

有一类 AI 使用，我觉得不需要被生产力审判。

比如让模型解释一段看不懂的代码，让它陪你拆一本书，用它做个小玩具，或者试着生成一段音乐。它可能没有业务价值，也不会变成可维护的工具，但这不妨碍它有意义。学习本来就有很多无用的部分，人的好奇心也不需要每次都拿 ROI 证明自己。

我反感的是另一个动作：先展示个人探索的快乐，再把它包装成组织效率的胜利。

一个人在周末用 AI 做出了一个小游戏，这是一件很好的事。一个人在工作里用 AI 生成了十份原本没人需要的材料，就是另一件事。前者扩大了生活半径，后者可能只是在给团队制造更多待阅读、待判断、待返工的东西。

AI 把有价值产物的成本降了下来，也把低价值产物的成本降了下来。后面这句话更容易被忽略。

## 瓶颈经常被推到别人那里

实际工作里，产物通常只是中间件。

方案写出来以后，要有人判断方向。数据报告出来以后，要有人确认口径。代码提交以后，要有人测试、上线、监控。需求文档写得再完整，研发和测试仍然要面对边界条件、历史包袱和用户的奇怪行为。

个人用 AI 把某个环节加快，团队未必会跟着变快。很多时候，瓶颈只是换了位置。

一个产品经理以前写两页需求，现在用 AI 写出十二页。写的人省事了，读的人未必省事。研发要从更长的文字里找真正的约束，测试要判断哪些验收条件是模型编出来凑数的，项目负责人还要在会上拆掉那些看似合理但没有证据的假设。

这类成本不会出现在“我用 AI 省了多少时间”的统计里。因为省下来的时间在一个人手上，多出来的判断成本落到了其他人那里。

所以我看 AI 提效时，会先问一个很土的问题：谁轻松了，谁更累了？

如果只是把写材料的人解放出来，把阅读、验证和兜底成本转交给别人，这种提效很容易变成组织里的噪音搬运。

## 我会用几个问题验收

AI 有没有让人变强？我的答案是有，但要看增强发生在哪一层。

在学习和探索里，它已经足够好。它让很多人第一次敢去碰代码、数据、设计和知识的陌生区域。这件事本身就值得肯定。

在生产里，我会用更冷一点的口径看：

1. 这个问题本来值得解决吗？
2. 产物有没有被实际使用？
3. 结果错了以后，谁能发现？
4. 换一组输入、换一个环境，还能不能再跑一次？
5. 使用者有没有比上一次多一点判断，而不只是多一份产物？

这些问题如果答不上来，产出增加很可能只是产出增加。它看起来像能力增长，实际只是工具替你铺开了更多表面。

AI 给了很多人更长的杠杆。杠杆能撬动什么，取决于支点放在哪里。放在具体问题上，它会放大判断和行动力；放在错误目标上，它也会把自我满足和组织噪音一起放大。

我不担心人们从 AI 里获得太多快乐。真正麻烦的是，我们把产物的繁荣误读成能力的普遍增长，再把个人的一次成功直接推到团队和组织身上。下一步会更难：一个人借助 AI 变强以后，这种增强能不能被团队吸收。