当 AI 使我们更快但不更聪明，以及领导者必须做什么

许多人认为，AI 是解决各种商业挑战的解决方案。它可以协助编码、改进工作流自动化，并作为分析助手。但是，虽然组织正在加速发展，但他们的思考也变得越来越少。因此，AI 带来的真正风险不是工作岗位的替代，而是知识的侵蚀。

研究已经证明了这一点。瑞士商学院（SBS Swiss Business School）发现，越来越依赖 AI 会导致批判性思维能力的下降。

这种侵蚀会带来严重的后果，因为使人类判断力有价值的技能正在随着团队依赖机器输出而无视其工作原理而恶化。削弱的推理、未经挑战的假设和退化的模型治理并不等同于 AI 效率，而是增强了商业的脆弱性。

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，许多人会假设它是正确的。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，他们更习惯于 AI 接口，显示出比老年参与者更低的批判性思维得分。

这也得到了《经济时报》的研究支持，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，用户就会变成 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》报道了麻省理工学院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、性能评分较低和在没有 AI 协助的情况下尝试解决问题时大脑活动减少。正如研究人员所说，“这种便利是以认知成本为代价的。”使用 AI 的学生在所有水平上表现更差：“神经、语言和评分。”

这些结果有助于阐明 AI 快捷方式会破坏什么。它们会削弱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

这项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更加严重，例如风险、预测和资源分配，这些都需要上下文理解。人们越不理解模型设计背后的逻辑，决策就越不确定。

为什么弱的人机协作技能会产生企业级风险

新型能力鸿沟削弱治理

随着 AI 的采用变得普遍，许多组织之间出现了一种鸿沟。在一边是检查员，他们可以质疑、挑战、解释和完善输出。在另一边是操作员，他们接受结果并不质疑。

这种分裂比大多数领导者意识到的更为重要。治理依赖于能够审问模型假设的团队，而不仅仅是答案。当较少的人理解系统的工作原理时，小的变化可能会被忽视，例如模型漂移和数据质量的变化的早期迹象。

当团队在不质疑的情况下接受 AI 输出时，轻微的错误会迅速累积。过度依赖成为单点故障。这引发了一个问题：当组织比建立理解更快地外包判断力时会发生什么？

这种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识别新颖的见解。创新集中在越来越少的专家周围，减缓了组织适应的能力。

创新停滞当人类的好奇心下降

AI 可以加速和自动化许多任务，但它无法取代人类的质疑和超越明显答案的本能。然而，这种本能正在侵蚀。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：

1. 实验：出于好奇和便利，人们开始将小任务委托给 AI。这是赋予力量和高效的。
2. 整合：AI 成为日常任务的一部分。人们仍然拥有潜在的技能，但在使用辅助工具时感到有些不舒服。
3. 依赖：AI 开始做出复杂的决定。用户变得自满，认知能力开始萎缩，通常没有被注意到。
4. 成瘾：也被称为选择性盲目。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。

这种进展很重要，因为 AI 会侵蚀识别知识缺乏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 的便利使得忽视它们变得毫不费力。

组织然后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态度，因为两者都会在输出不受挑战时下降。这一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，专业知识通过同事之间的联系和老员工与新员工之间的联系流动。但是，当工人将问题转给 AI 而不是人类时，这些导师循环就会削弱。新员工停止从专家那里学习和吸收判断力，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，这种风险需要时间才能显现出来，所以企业看起来很高效，但其基础变得脆弱。当模型失败或出现异常时，团队不再拥有足够的领域深度来自信地做出反应。

一项关于会计公司的案例研究发表在认知自动化的恶性循环中，发现长期依赖认知自动化会导致人类专业知识的显著下降。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经理们注意到，导致团队在系统故障时无法做出准备。

领导者必须做什么来恢复深度和防止过度依赖

企业无法减慢 AI 的采用，但他们可以加强员工的人类判断力，使 AI 更可靠。这从重新定义整个组织的 AI 能力开始，因为提示流畅度并不等同于熟练度。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。

要理解这一点，员工需要接受有关模型如何简化上下文、如何在日常工作中显示漂移以及自信听起来的输出和经过深思熟虑的输出之间的区别的培训。一旦这种基础知识到位，领导者就可以通过将验证检查标准化到日常工作流程中来重建批判性思维，例如：

• 这个模型假设了什么？
• 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，但可以抵消认知外包危机，帮助保持员工和 AI 模型输出的平衡。

企业最好的方法是教导员工如何使用真实系统。太多时候，培训集中在理想场景上。但企业没有这些；他们有数据不完整、上下文模糊、人类判断力至关重要的系统。

例如，如果一家物流公司只将其路由团队训练在干净的数据集上，那么 AI 工作得很完美，工人将在面对现实世界条件时完全无法应对，例如天气中断，这可能会导致 AI 模型产生错误的指令。如果员工从未见过系统在不确定的情况下表现如何，他们就无法识别模型漂移的早期迹象或知道何时干预。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，这是至关重要的。这就是人类能力被重建的地方。

为了确保培训是实用的，企业领导者需要衡量人类的能力，而不仅仅是系统结果。组织通常会跟踪模型的准确性或节省成本的指标，但很少监测那些表明强大的人类监督的行为。员工是否记录了他们为什么相信模型的输出？他们是否升级了异常结果？这些可观察的行为表明推理是否加强或削弱。当领导者认识和奖励那些通过深入推理改进提示或对 AI 输出提出有效疑问的人时，他们强化了使 AI 部署具有弹性的习惯。

AI 将继续变得更快。这一点是毫无疑问的。问题是，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。这就是区别所在。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。其他人都在沙子上建造。