思想领袖
当 AI 让我们更快但不更聪明，以及领导者必须做什么
对许多人来说，AI 提供了解决各种商业挑战的解决方案。它可以作为代码导航、改进工作流自动化和作为分析助手。但是，当组织变得更快时，他们也在思考得更少。所以，AI 带来的真正风险不是工作替代，而是知识侵蚀。
研究已经证明了这一点。SBS 瑞士商学院发现，对 AI 的依赖增加与 批判性思维能力的减弱有关联。
这种侵蚀有严重的后果，因为人类判断力的价值所在的技能正在随着团队在不了解其工作原理的情况下依赖机器输出而恶化。削弱的推理、不受挑战的假设和降低的模型治理并不等同于 AI 效率，而是增加了商业的脆弱性。
对 AI 能力的误解
组织正在庆祝更快的输出作为成功采用 AI 的证据。但是，速度是一个误导性的指标。许多团队所谓的 AI 能力实际上是被误解为提示的流畅度。但是，工人需要能够相信他们所得到的答案。
如果输出听起来正确，很多人就会假设它是正确的。模型验证被遗忘，假设也没有被检查。然后，工作人员开始依赖 AI 得出以前需要推理的结论。
2025 年的一项 研究支持这一模式。它发现“频繁使用 AI 工具和批判性思维能力之间存在显著的负相关性，中间由认知外包增加引起。”年轻的参与者，他们最适应 AI 接口，显示出比老年参与者更低的批判性思维能力。
这一点也得到了 经济时报的发现支持，该研究发现，基本的 AI 能力并不来自于掌握提示，而是来自于解释、挑战和上下文化机器输出的人类技能。AI 能力来自于批判性思维、分析推理、创造性问题解决和情商。没有这些，用户就会成为 AI 内容的被动消费者，而不是主动的决策者。
令人担忧的是，这种认知外包已经在神经水平上被观察到。经济时报报道了 MIT 媒体实验室的一项研究，发现频繁使用 ChatGPT 的参与者显示出记忆力下降、成绩下降和在没有 AI 协助的情况下尝试时大脑活动减少。正如研究人员所说，“这种便利性是以认知代价为基础的。”使用 AI 的学生在所有层面（神经、语言和评分）上表现更差。
这些结果有助于阐明 AI 快捷方式会破坏什么。它们削弱了专业人士每天依赖的认知技能：
- 分析推理
- 假设测试
- 调试直觉
- 领域直觉
最近的研究终于揭示了 AI 对人类的被忽视的缺点。并且，这个问题在高风险决策中变得越来越大，例如风险、预测和资源分配，这些都需要上下文理解。人们对模型设计背后的逻辑理解得越少，决策就越不确定。
为什么弱的人机交互技能会产生企业级风险
新能力鸿沟削弱治理
随着 AI 的采用变得普遍，许多组织之间出现了一个鸿沟。一方面是检查员，他们可以质疑、挑战、解释和完善输出。另一方面是操作员，他们接受结果并继续前进。
这一分歧比大多数领导者意识到的更重要。治理依赖于能够审问模型假设的团队，而不仅仅是答案。当越来越少的人理解系统的工作原理时，小的变化就会被忽视，例如模型漂移和数据质量的变化。
当团队接受 AI 输出而不质疑它们时，微小的错误就会传递下去并迅速积累。过度依赖成为单点故障。这引发了一个问题：当一个组织比建立理解更快地外包判断力时会发生什么？
这一治理缺口还会阻碍创新。无法审问 AI 的团队无法完善提示或认识到新的见解。创新变得集中在一个日益缩小的专家池中，减缓了组织适应的能力。
创新停滞当人类好奇心下降
AI 可以加速和自动化许多任务，但它无法取代人类质疑和超越明显答案的本能。然而，这种本质上的人类本能正在恶化。这被称为代理人衰退。一个 四阶段进展，展示了人类如何将思考外包给机器：
- 实验：出于好奇和便利，人们开始将小任务委托给 AI。这是赋权和高效的。
- 集成：AI 成为日常任务的一部分。人们仍然拥有底层技能，但在使用辅助工具时感到有点不舒服。
- 依赖：AI 开始做出复杂的决定。用户变得自满，认知能力开始无形中萎缩，通常没有被注意到。
- 成瘾：也称为选择性失明。人们无法在没有 AI 的情况下有效地运作，但仍然相信自己的自主性。
这一进展很重要，因为 AI 会侵蚀识别知识缺口和思考新问题的新颖解决方案的能力。这些高级技能需要不断锻炼。然而，AI 的便利性使忽视它们变得毫不费力。
组织变得高效但不具创造力。研究和开发依赖于人类的好奇心和怀疑主义，因为两者都会在输出不受挑战时下降。这种好奇心和能动性的丧失是一个战略风险。
隐性知识的丧失使组织变得脆弱
在健康、功能正常的团队中，专业知识通过同伴间的连接和老员工向新员工的传递而流动。但是，当工人将问题转给 AI 而不是人类时，这些指导循环就会削弱。新员工停止从老员工那里学习和吸收专家判断，而老员工逐渐停止记录知识，因为 AI 填补了常规的空白。
随着时间的推移，核心的专业知识就会空洞化。但是，这种风险需要时间来显现，所以企业看起来很高效，但其基础变得脆弱。当模型失败或异常出现时，团队不再拥有足够的领域深度来自信地做出反应。
一项关于一家会计师事务所的案例研究发表在 技能侵蚀的恶性循环中，发现长期依赖认知自动化会导致人类专业知识显著下降。随着工人越来越信任自动化功能，他们的活动意识、能力维护和输出评估都会削弱。研究人员指出，这种技能侵蚀没有被员工和管理者注意到，导致团队在系统故障时无法应对。
领导者必须做什么来恢复深度和防止过度依赖
企业无法减缓 AI 的采用，但他们可以加强员工的人类判断力，使 AI 更可靠。这从重新定义组织内的 AI 能力开始，因为提示流畅度不是熟练度。真正的能力包括理解模型的推理和知道何时覆盖机器输出。
为了理解这一点，员工需要接受有关模型如何简化上下文、模型漂移如何在日常工作中表现以及自信听起来的输出和合理的输出之间差异的培训。一旦这一基础得到建立，领导者就可以通过将验证检查纳入日常工作流程来重建批判性思维，例如：
- 这个模型假设什么？
- 什么会使这个输出错误？
- 这是否与我们从经验中知道的东西相矛盾？
这种批判性分析只需要几分钟，但它可以抵消认知外包危机，帮助保持员工和 AI 模型输出的控制。
企业最好的方式是教导员工使用真实系统。过于频繁的培训集中在理想场景上。但企业没有这些；他们有系统，其中数据不完整，背景模糊，人类判断力很重要。
例如，如果一家物流公司只将其路由团队培训在干净的数据集上，AI 工作得完美无缺，那么工人将对现实世界条件毫无准备，例如天气中断，会导致 AI 模型产生不正确的指令。如果员工从未见过系统在不确定的情况下表现，他们就不会认识到模型漂移的早期迹象，也不知道何时干预。在这种情况下，问题不在于模型，而在于培训不足。培训员工使用他们拥有的 AI（包括漂移场景、模糊输出、部分数据和故障）至关重要。这就是人类能力被重建的地方。
为了确保培训的实用性，业务领导者需要衡量人类能力，而不仅仅是系统结果。组织通常会跟踪模型准确性或成本节约指标，但很少监测表明强大的人类监督的行为。员工是否记录为什么他们信任模型的输出？他们是否升级异常结果？这些可观察的行为表明推理是否正在增强或下降。当领导者认识并奖励那些通过深入推理改进提示或对 AI 输出提出合理怀疑的人时，他们会加强使 AI 部署具有弹性的习惯。
AI 将继续变得更快。这一点没有争议。问题在于，团队是否保留了在事情出错时质疑、纠正和重定向 AI 所需的技能。这就是会显示出差异的地方。现在投资于人类判断力的组织将是从 AI 中获得真正价值的组织，而不是脆弱的效率。其他人正在建造沙子上的基础。
