# AI让我们变强，还是只是让我们产出更多？

最初那轮关于AI有没有用的争论已经过去了。现在很少有人还会认真怀疑AI的创造力，尤其是当AI能写出看起来比人更好的代码时，很多人会自然地继续推演：既然代码可以，别的事情似乎也快了。工具也在配合这种想象快速变化。从主要负责回答问题的Chatbot，到Manus这样的通用Agent，再到OpenClaw、Claude Desktop和Codex不断把AI接入文件、代码和更复杂的任务环境，AI可以调度的东西越来越多。以前还需要找设计师、程序员或者数据分析师才能完成的事情，现在只需要对着模型说几句话，然后转身打个咖啡回来，结果可能就摆在眼前了。

这种体验很容易让人兴奋，尤其是老板们，甚至会产生一种不劳而获的快乐。不会写代码的人做出了看起来很专业的网站，记不住Excel公式的人上传表格后拿到了图文并茂的报告，每个人都开始暗暗比拼周报邮件的丰富、精美和富有洞察力的点睛总结。于是大家开始谈论超级个体，仿佛只要选对模型，学会几种宝藏提示方法，每个人都可以迅速获得一个小团队的能力。

我也曾经一度为此沉迷过。AI的能力足够强，很多过去够不到的事情，现在都可以尝试了；很多原来需要反复请教别人的知识，也可以沿着自己的问题一路追问下去。AI带来的自由感和探索欲，都是让人沉醉其中的原因。

但我后来越来越怀疑，能够做出更多东西，和人真的变强，中间隔着一段距离。我们今天用来证明超级个体的证据，包括一部分代码在内，大多还是网页、PPT、数据报告这类demo形态。这些产物确实比过去多了，也更漂亮了，可它们究竟解决了什么问题，是否有人使用，过一段时间还能不能运行，往往被有意无意地藏在大众对于AI的焦虑和狂热之下。

## 做出东西很容易被误认为能力增长

AI最直接的冲击，是把产物生成的门槛降了下来。一个结构完整、视觉效果不错的东西出现在屏幕上，会给人非常强烈的即时反馈。过去需要掌握多种工具、协调几种角色才能完成的工作，现在由一个人发起，也由这个人亲手交付，他很自然地会把产物的复杂程度投射到自己身上，认为自己已经获得了对应的能力。

这个差别不复杂。人和AI组成一个临时系统，系统的产出能力提高了，AI负责生成，人获得产物。但系统能力提高，不等于人的能力也按同样幅度提高。

如果一个人以前不会做网页，现在借助AI做出了能用的网页，那么他完成这项任务的能力当然提高了。但这个事实还不能继续推导出，他已经理解了产品设计、前端工程、部署维护和用户需求。系统运行正常时，这些差别可能并不明显；需求一变，数据出错，程序出现异常，他有没有能力判断问题在哪里，才会暴露这份能力究竟有多大，又依赖哪些条件。

PPT、数据分析也一样。它们当然可能有用。一份PPT如果推动了重要决策，一次数据分析如果找到了此前没有发现的问题，都产生了价值。问题从来不在产物形式，而在它有没有进入后续链条，能不能改变认识、促成行动、减少风险，或者验证一个原本无法确认的判断。

反过来，如果一个任务本来就不重要，AI把它做得更快更漂亮，并不会让它变得重要。更麻烦的是，成本下降以后，我们往往会做出更多这样的东西。帕金森琐碎定理说的是，人们总是倾向于花时间处理一些无关紧要的琐事。现在AI降低了有价值产物的成本，也降低了无意义产物的成本，琐事也就更容易获得漂亮外观和即时反馈。

## 从产物到能力，中间隔着验证

回过头看AI提效，最容易确认的是产物。过去做不出来的东西，现在可以生成出来。再往前一步，是这个产物经过验证，确实解决了一个具体问题。更难的一步，才是使用者在这个过程中形成了新的判断、方法和经验，以后面对变化的场景，仍然知道怎样定义问题、检查结果和处理例外。

按这个口径看，X和小红书上的绝大部分相关帖子，最多只能证明第一步。只有少数案例能看出特定场景下的实际效果，而且案例作者大多还是程序员、内容创作者和硬核技术爱好者，很难据此判断更广泛的人群也能获得同样效果。

当然，通过AI获得的外部能力并不是没有价值。我们使用搜索引擎、计算器和各种软件时，也没有要求每一种能力都必须内化到大脑里。一个人没有必要亲自掌握整个工具链，才有资格使用它解决问题。判断这种能力是否可靠，要看他能不能控制这套人机系统，知道自己要解决什么，知道结果可能在哪里出错，也知道什么时候可以相信它，什么时候必须停下来重新检查。

如果模型换了、需求变了，或者任务进入陌生领域，使用者就完全失去判断能力，那么这份增强仍然存在，只是范围比想象中窄得多。它更接近一次有条件的任务成功，还没有变成可以稳定迁移的个人能力。

## 学习和探索不必被折算成生产力

讨论到这里，也很容易走向另一个极端，仿佛只有能带来收入、节省工时或者改善业务指标的AI使用才有意义。我并不认同这种看法。

因为好奇而让AI解释量子力学、心理学或者一段陌生代码，用AI试着做个小游戏，看看程序怎样按照自己的想法运行，或者在没有设计基础的情况下尝试生成图片、制作音乐。这些事情即使没有进入生产系统，也已经产生了价值。学习的乐趣、探索的自由和完成作品的满足感，本来就是生活的一部分。

如果目标就是学习和体验，demo已经够了，产物不必长期有用。只要这个过程让人获得了知识、快乐或者更强的行动意愿，就没有必要再替它编造一套商业回报。

麻烦出在评价口径被悄悄替换的时候。我们先展示一个普通人借助AI获得的惊喜和成就感，随后便宣称这是生产力革命，甚至推导出一个人已经可以替代一个团队。个人体验当然可以由本人确认，生产效率却需要由结果来验证。一个demo有价值，不等于这个价值可以轻易变成可复制的生产力提升，尤其是它可能只是在满足个人的愉悦感，或者给琐碎问题制造成就感。

## 生产端的瓶颈往往不在生成速度

在工作里，产物通常只是一个巨大链条的中间环节。一个方案写出来以后，要有人决策并承担结果；数据报告要建立在可信的数据和正确的口径上；代码要经过测试、部署和长期维护。AI可能大幅提高其中某个环节的速度，却不必然提高整个系统的效率。

如果工作的瓶颈在目标不清、数据混乱、权限不足、跨团队协作或者没人愿意承担决策责任，那么再多产物也只会堆积在瓶颈前面。个人感觉自己做得越来越快，团队却要花更多时间阅读、判断和返工。有些工作甚至会因为生成太容易而不断膨胀。原来成本很高、很少有人愿意做的报告，现在随手就能生成，于是每个人都开始生产报告，最后所有人都要花时间阅读更多报告。

这也是我对超级个体叙事最怀疑的地方。它往往只计算一个人能生成多少东西，没有计算这些东西给其他人增加了多少理解、验证、协作和维护成本。局部环节的速度提高很容易观察，整个系统有没有因此获得更多有效结果，却常常被忽视。如果在错误方向和错误数据之上堆积产物，带来的多半是负面作用。

因此，当我们把AI用于生产端，评价标准不能停在做出了什么。要看这件事是否值得做，结果是否经得起验证，并且能不能在相似条件下再做一次。如果这些问题没有答案，所谓提效很可能只是产出数量的增长。

## 产出更多，不一定是人更强

回到最初的问题，AI究竟有没有让人变得更强？我的答案是有，但这种增强比人人都能成为超级个体的说法更复杂，也更有条件。

在个人生活里，AI让知识更容易接近，让创造和探索的成本大幅下降。仅仅是帮助更多人满足好奇心，尝试过去不敢尝试的事情，就已经很有价值。在具体任务里，AI也确实能让一个人完成过去需要多人协作的工作。但如果我们进一步声称生产能力提高了，就需要证明这个人解决了更有价值的问题，结果可以被验证，方法能够重复，临时产物也成为了工作环境中的固定一环。

AI把远比过去更长的杠杆交给了更多人。它可以放大专业判断、好奇心和行动力，也可能放大错误目标、低价值需求和自我满足。工具越来越强以后，决定差异的将不只是会不会使用工具，还有一个人把工具用在什么问题上，以及他是否有能力判断产生的结果。

所以，我并不担心人们从AI中获得太多快乐，也不认为每一次使用都必须换算成生产效率。只是我们不应该把产出的繁荣误认为能力的普遍增长，再把个人层面的成功直接推导成组织效率。