Synth Daily

別讓 AI 幫你交作業:新人怎麼學,主管怎麼看

随着人工智能的普及,新员工的成长模式正在改变。AI 能帮助新人快速产出高质量的工作,但这也导致了两个核心问题:首先,新人可能跳过犯错和修正的关键学习过程,导致判断力无法有效培养;其次,管理者难以通过完美的成品来评估新人的真实能力和理解深度。解决方案在于,新人应在使用 AI 前先形成自己的初步判断,而管理者则需要改变评估方式,通过前置提问和抽样检查来考察员工驾驭和验证 AI 的能力,而不仅仅是看最终结果。

工作与学习的分离

过去,新人从事的初阶工作有三种功能:

  • 生产: 整理资料、制作报告等,完成主管交办的事务。
  • 学习: 在完成工作的过程中,通过犯错和修正来练习判断力。
  • 辨认: 主管能从产出中看出新人的能力、盲点和成长速度。

AI 的介入首先提高了生产效率,但也切断了学习与产出的必然联系。新人交出的报告越来越漂亮,但这不再保证他亲身经历了必要的练习。

完成工作已经不一定能带来学习。以前只要把工作做下去,新人很难避开假设、犯错、被纠正与重新理解。现在他可以直接拿到一个水准不错的版本,却可能从未形成自己的判断。

因此,我们需要区分不同类型的工作:

  • 对于已经熟练、重复性高、容易验证的部分,推荐交给 AI。
  • 对于还在建立框架、需要练习判断的部分,必须保留自己先思考和接受反馈的机会。

哪些困难值得保留?

工具的进步总是伴随着能力的重新分工。生成式 AI 几乎能处理从提出问题到形成结论的全过程,这让人们可以跳过中间的思考步骤。然而,判断力的建立恰恰藏在这些步骤里

认知心理学中的“有益的困难”(Desirable Difficulties)理论指出,某些刻意增加的障碍(如间隔练习、主动提取信息)虽然会减慢当下的效率,但能显著改善长期记忆和知识迁移能力。判断力的培养也需要一个完整的循环:形成预测、接受反馈、修正模型。

AI 在消除繁琐工作的同时,也可能磨平了这些有价值的“卡关”。当这些困难消失后,受影响最大的能力是校准——即了解自己在哪儿容易犯错。

事后理解很容易,事前校准很难。问题是两者带来的人的主观感受却非常接近。

如果没有先形成自己的错误假设,就没有东西可以被证伪;没有被证伪过,也就无法建立自己的“误差模型”。AI 直接提供一个漂亮的答案,会让人轻易滑向“我本来就知道”的错觉。

先形成判断,再使用 AI

这个学习上的问题,可以通过改变使用 AI 的方式来弥补。新人可以将 AI 定位为陪练,而不是直接的答案提供者。

对于陌生、重要或结果反馈迟缓的问题,正确的做法是:在使用 AI 前,先留下最低限度的初步判断。这个判断不必完整,但它是后续学习的基础。

就像棋手练习时,会先按自己的思路下棋,再打开引擎检查。因为先有了自己的判断,当引擎给出更优解时,他才能明确知道自己错在哪里。

当然,这种方法在投资、管理等领域的应用有限,因为这些领域的回馈并不像棋类游戏那样“干净”和即时。但即便如此,留下自己的判断记录,至少能防止将运气误读为能力,并避免过快接受一个听起来合理的解释。

成品不再等于能力

从主管的角度看,评估新人变得更加困难。过去,一份报告的瑕疵能暴露新人的思考盲点。现在,主管拿到的是一份经 AI 润色的完美稿件,很难分辨新人是否真正理解其中的逻辑。

公司需要判断的是,这个人使用 AI 后增加了多少价值。他能否判断何时相信答案、发现其适用范围、拦截有说服力的错误,以及在工具失效时独立接手。

这意味着主管需要评估的能力至少有三层:

  • AI 辅助后的最终产出
  • 使用者驾驭和验证 AI 的能力。
  • 必要时独立形成判断的能力。

既然最终成品不再是可靠的能力信号,主管就需要改变评估方式。与其事后检查,不如将检查点前移,通过设计陌生案例、临场追问等方式,来筛选和辨别员工的真实水平。

给新人与主管的建议

对新人的建议

  1. 判断任务价值: 区分哪些是重复性工作,哪些是需要练习判断力的关键任务。
  2. 保留思考过程: 对重要问题,先写下初步想法、主要依据和信心程度。这个版本的目的不是追求完美,而是留下你原始思考的证据。
  3. 让 AI 扮演批评者: 让 AI 反驳、补充或重做你的方案。比较两个版本,重点思考:“我漏掉了什么?哪个假设没有证据?为什么我之前会过度自信?”

顺序非常重要。人先留下初步判断、AI 再批评,才有东西可以比较,也才看得见自己究竟更新了什么。

对主管的建议

  1. 明确评估目标: 定义你想评估的是哪一种能力——是最终成果,还是驾驭 AI 和独立思考的能力。
  2. 将检查点前移: 不要只看最终成品。可以要求新人保留最初的假设,或通过临场提问、反事实问题来检查其真实理解程度。
  3. 进行压力测试: 在某些训练中可以刻意限制 AI 的使用,观察在工具失效时,员工能否独立发现问题、接手处理并承担责任。

未来的差距,不在于谁更少使用 AI,而在于谁能利用 AI 加快学习,同时保留在 AI 出错时辨认和接手的能力。而这一切,都可以从一个简单的习惯开始:在看答案之前,先允许自己答错一次。