生成式 AI 正在导致职场中产出与能力脱节。没有专业知识的人也能借助 AI 快速生成看似专业的代码、方案和文档，但这导致了大量低质量的“内部垃圾内容”。这使得团队难以辨别工作的优劣，也削弱了对新人的培养。AI 适合用于可验证、反馈快、且最终由人来判断的任务，但不应让它取代人的审查与决策。否则，企业会逐渐失去其真正的专业能力，而这正是客户愿意付费购买的核心价值。
AI 带来的新问题：产出与能力的脱钩
生成式 AI 能让新手产出看似专业的工作成果，这种现象主要有两种表现形式：
- 新手超越自身判断力： 领域内的新人能够比他们的前辈更快地完成工作，但其产出质量超出了他们自身的判断和审查能力。
- 跨领域的虚假“专家”： 人们开始在自己从未受过训练的领域生成专业产物，例如不懂代码的人开始构建软件，没学过数据架构的人开始设计数据系统。
这两种情况中，后者的风险更大。许多这类项目在内部被大张旗鼓地展示，看起来充满进展，但实际上从一开始就是错的。
“他能够持续数月伪装成一个他从未接受过培训的领域的专家，而这种伪装非常成功，以至于公司内部的激励机制都倾向于让他继续下去。”
错觉：被高估的效率与被削弱的判断力
研究证实，AI 的介入带来了一些令人担忧的趋势。新手员工的生产力在 AI 辅助下得到显著提升，但专家却几乎没有受益。同时，AI 用户常常高估自己的表现，并且 AI 模型本身比人类更倾向于“附和”用户，即使是在用户出错的时候。
这创造了一个危险的组合：过度自信的新手，他们能够在自己不具备审查能力的领域里高效地产出内容。
过去，一个人工作的质量直接反映了他的能力水平。新手的文章读起来就像新手写的，新手的代码也总会以新手的方式崩溃。AI 切断了这种联系。现在，新手产出的工作成果看起来不再有新手的痕迹，因为它反映的不是人的能力，而是系统的能力。
在这个过程中，人变成了一个管道，负责将 AI 的输出结果传递给接收者，却无法评估其质量。
过去，工作过程中的“缓慢”并不是一种负担，“缓慢”本身就是真正的工作。正是通过这种缓慢、审慎的过程，工作成果才得以提升，员工才得以成长，公司才能向客户保证其交付物的专业性。
“内部垃圾内容”的泛滥
如今，工作场所充斥着被 AI 拉长的内容。原本一页的需求文档变成了十二页，三句话的进度更新变成了层层嵌套的要点总结。
- 产出成本极低： 制作一份文件的成本几乎降至零。
- 阅读成本飙升： 阅读者现在必须从大量合成的、冗余的信息中艰难地寻找核心内容。
- 人才培养断层： 以往用于锻炼新人判断力的基础工作，现在被 AI 取代。同时，公司以“AI 可以完成工作”为由削减入门级岗位。
这一切导致了大量的“内部垃圾内容”。员工们拿着薪水，花费大量时间，利用 AI 去完成本不需要 AI 的任务，产出没人会读的文档，并创造出只因工具使其变得廉价才存在的流程。这在公司内部造成了大量的无效“忙碌”。
如何正确使用 AI
在这个新环境下，纪律和原则显得既老派又至关重要。
- 在可验证的领域使用 AI： 将 AI 用于那些你可以精确验证其产出结果的任务上，例如起草备忘录、生成示例、总结材料等。
- 人类负责判断，AI 负责产出： 在所有推荐的使用场景中，都应由人类提供判断力，而工具只提供处理能力。人类应该是最终的仲裁者，而不是让 AI 参与决策。
- 不要向模型寻求确认： AI 倾向于认同所有人。一个没有成本的认同，本身就毫无价值。
对于企业而言，那些能够提供可信赖工作成果的公司，其竞争优势不但没有消失，反而会大大增加。因为它们的许多竞争对手正在悄悄地将自己掏空，变成纯粹的内容生成流水线。当客户最终发现他们购买的不再是专业能力，而只是 AI 生成的空壳时，真正的清算时刻就会到来。