即刻App年轻人的同好社区
下载
AI能力越来越强的今天，一些观点经常提到，有了AI之后，经验就没价值了，一个有学习能力的新人加上AI很快就能超越经验丰富的老手，成本还低。
但现实真的是这样一边倒吗？
我们最近就遇到一个case。
同样一个技术需求，同样用 Codex。
一个初级工程师折腾几天，改了 3000 行代码，加了一堆模块、配置和异常处理，终于把东西跑起来，但测试一直通不过。
技术 Leader 看完以后，重新梳理问题，最后可能只需要改不到 300 行。后者不仅代码少，逻辑反而更清楚。
差距是因为 Leader 更会写 Prompt 吗？
很明显，没这么简单。
真正的差距是：一个是在让 AI 帮自己解决问题，另一个则是在让 AI 替自己思考问题。
而且这个问题绝对不只发生在程序员身上。
产品经理也是一样。
现在让 AI 写一份 PRD，十分钟就能搞得像模像样。背景、用户痛点、需求范围、流程图、异常逻辑、验收标准，一个不少。
数据分析也很简单，把一份 Excel 扔进去，它也可以瞬间给你生成一套“数据洞察”：趋势、分群、异常点、原因假设、下一步建议，甚至帮你排好 PPT。
想做用户调研就更简单了。告诉 AI：“帮我设计一份关于 AI 文档处理需求的用户问卷。”一会儿就能给你列出 20 道题，单选、多选、量表、开放题，专业得不得了。
问题是：你为什么要做这份问卷？你现在到底不知道什么？这个未知会影响哪个决策？为什么要问这个问题？数据出来以后，什么结果意味着继续做，什么结果意味着应该停？
如果这些都答不上来，那问卷再专业也没什么用。
它只是 AI 帮一个没想明白的人，把“没想明白”包装得更漂亮而已。
我之前认为：大模型最大的价值之一，是把快速正反馈的学习路径变得唾手可得。过去进入一个陌生领域，要找书、找老师、找资料，现在随时都有一个能解释、能陪练、能答疑的老师。
这个判断我现在仍然认同，不过真相还得补上另外一半：AI 不仅让学习变容易了，也让绕过学习、直接拿到产物变得前所未有地容易。
这可能才是 AI 时代人才培养最麻烦的地方。
过去一个新人要写出一份像样的 PRD，过程本身就在逼他思考。
需求是什么？用户是谁？流程怎么走？异常怎么办？研发问一句“为什么这么设计”，他就得回去重新想。
做数据分析也是一样。拉数据、看分布、发现异常、换口径、继续下钻。这个过程很慢，甚至很笨。但很多所谓的“产品感觉”“数据感觉”，就是在这些笨功夫里一点点长出来的。
程序员也一样。
看报错、猜原因、翻调用链、改一版、发现错了、再改。非常低效。但 debugging 的能力就是这么练出来的。
现在 AI 把中间这些摩擦大量抹掉了。
于是出现了一个以前很少见的状态：产出能力跑到了理解能力前面。
一个人脑子里可能只有 30 分，但已经可以交出一个看起来 80 分的东西。
甚至他自己都会产生错觉：我好像已经会了。
并且这个问题也不只是我们遇到了。
Anthropic 今年做过一项随机对照实验，让开发者学习一个陌生的 Python 库。一组可以使用 AI，一组自己完成。
结果使用 AI 的人确实做得更快，但后续知识测试的成绩反而低了 17%，差不多接近两个字母等级。研究者特别指出，AI 带来的 cognitive offloading，也就是把思考过程外包出去，可能会影响技能的真正形成。
更有意思的是，Anthropic 后来又分析了约 40 万次 Claude Code 会话。
结果发现，有经验的人并没有因为 AI 变得“不需要专业知识”。恰恰相反，领域经验越丰富，任务成功率越高，而且越能让 AI 承担更多执行工作。
高手不是比新人更少用 AI。而是因为他更知道该让 AI 干什么。
产品经理这边也是同样的现象。
Productboard 调研了 379 名产品从业者，发现 AI 最能节省时间的工作，恰恰是写 PRD、做 Presentation、竞品研究、Roadmap 这些过去非常典型的 PM 产物。
但与此同时，大家认为 AI 时代越来越重要的能力却变成了：数据素养、用户洞察综合、系统性思考、战略思考。
换句话说，Artifact 正在迅速贬值，Judgment 反而越来越贵。
微软对 885 名产品经理做的研究更加直接。
他们最后提出了一个概念叫 Selective Delegation：不是所有事情都应该一股脑交给 AI。
PM 可以把大量信息整理、总结、初稿生成交出去，但最终的产品责任不能一起外包。
论文标题甚至就叫：“Accountability must not be delegated to non-human actors.”
责任不能委托给非人类。
AI 当然可以帮你分析数据。但为什么分析这些数据，是你的责任。
AI 可以写问卷。但到底想减少哪个关键未知，是你的责任。
AI 可以写 PRD。但这个需求值不值得做，是你的责任。
AI 甚至可以把代码全部写完。但这个系统为什么应该长成这样，仍然是工程师的责任。
所以AI 时代公司培养新人，最大的变化不是教大家更多 Prompt 技巧。
而是必须把过去那套“看产物判断能力”的方式改掉。
因为现在，产物已经会骗人了。
一个人交上来一份非常完整的数据分析报告，最应该先问的可能是：
-你到底想回答什么问题？
-你做分析之前的判断是什么？
-哪个数据最可能推翻你的判断？
-如果结果是 A，你准备做什么？
-如果结果是 B，又做什么？
-如果不管 A 还是 B，你最后都准备继续原来的动作，那这份分析有什么用？
技术方案也是如此。
不要只是看架构图画得漂不漂亮。
直接把文档关掉问：
-为什么需要这一层？
-还有没有别的方案？
-最大的约束是什么？
真正想明白的人，不一定表达得特别漂亮，但他的因果链一定是存在的。
而如果一脱离 AI 生成的文档就变得嗑嗑巴巴，那基本就说明，这套东西目前还不属于他。
他只是 AI 的传声筒。
这也意味着，AI 时代对 Junior 的培养不能一味追求效率。
这听起来很反常识。
公司当然希望十分钟能完成的事情，不要花两天，但生产系统追求效率，培养系统不能只有效率。
如果一个刚入行的产品经理，所有数据都让 AI 分析，所有问卷都让 AI 设计，所有 PRD 都让 AI 写；
一个刚毕业的程序员，所有技术方案都让 AI 出，所有代码都让 Agent 写，所有报错都让 AI 修；
半年以后，他们可能确实交付了更多功能，但未必培养出了一个更强的人。
甚至最危险的是：Leader 看着越来越漂亮的产物，以为他成长得非常快；新人自己也觉得，我什么都会做了。
直到有一天，遇到一个 AI 没有标准答案的问题，大家突然发现：他不会定义问题，不会判断信息，不知道应该看什么，也不知道一个答案到底对不对。
那个时候才发现，过去半年增长的主要是产量，不是能力。
所以培养新人，我觉得最核心的原则反而可以非常简单：AI 可以替你执行，但不能替你负责这个问题。
Junior 一开始可以拿到很明确的问题和约束，然后用 AI 高速完成。
再往后，只告诉他问题，让他自己定义方案。
再再往后，只给一个业务现象，让他自己判断到底应该研究什么。
真正的成长，不是 AI 用得越来越少。恰恰可能是 AI 用得越来越多，但 Leader 帮他定义的问题越来越少。
直到最后，他已经能够自己决定：什么值得做，什么不值得做，什么证据才算证据，什么时候应该相信 AI，甚至什么时候应该对 AI 说：你讲得头头是道，但这次完全搞错了。
所以回到最早的问题， AI 越来越强之后，学习还有必要吗？
答案很显然了，AI再强，学习也是必要的。
只是过去我们学习，是为了获得答案和完成任务。
以后学习，更重要的是为了获得一种能力：当答案已经无限便宜的时候，你还有能力判断什么才是正确的问题，以及什么才是一个真正好的答案。
AI 最让人担忧的地方，从来不是它会不会替代新人。而是它已经可以让一个还没有学会的人，看起来像是学会了。
但现实真的是这样一边倒吗？
我们最近就遇到一个case。
同样一个技术需求，同样用 Codex。
一个初级工程师折腾几天，改了 3000 行代码，加了一堆模块、配置和异常处理，终于把东西跑起来，但测试一直通不过。
技术 Leader 看完以后，重新梳理问题，最后可能只需要改不到 300 行。后者不仅代码少，逻辑反而更清楚。
差距是因为 Leader 更会写 Prompt 吗？
很明显，没这么简单。
真正的差距是：一个是在让 AI 帮自己解决问题，另一个则是在让 AI 替自己思考问题。
而且这个问题绝对不只发生在程序员身上。
产品经理也是一样。
现在让 AI 写一份 PRD，十分钟就能搞得像模像样。背景、用户痛点、需求范围、流程图、异常逻辑、验收标准，一个不少。
数据分析也很简单，把一份 Excel 扔进去，它也可以瞬间给你生成一套“数据洞察”：趋势、分群、异常点、原因假设、下一步建议，甚至帮你排好 PPT。
想做用户调研就更简单了。告诉 AI：“帮我设计一份关于 AI 文档处理需求的用户问卷。”一会儿就能给你列出 20 道题，单选、多选、量表、开放题，专业得不得了。
问题是：你为什么要做这份问卷？你现在到底不知道什么？这个未知会影响哪个决策？为什么要问这个问题？数据出来以后，什么结果意味着继续做，什么结果意味着应该停？
如果这些都答不上来，那问卷再专业也没什么用。
它只是 AI 帮一个没想明白的人，把“没想明白”包装得更漂亮而已。
我之前认为：大模型最大的价值之一，是把快速正反馈的学习路径变得唾手可得。过去进入一个陌生领域，要找书、找老师、找资料，现在随时都有一个能解释、能陪练、能答疑的老师。
这个判断我现在仍然认同，不过真相还得补上另外一半：AI 不仅让学习变容易了，也让绕过学习、直接拿到产物变得前所未有地容易。
这可能才是 AI 时代人才培养最麻烦的地方。
过去一个新人要写出一份像样的 PRD，过程本身就在逼他思考。
需求是什么？用户是谁？流程怎么走？异常怎么办？研发问一句“为什么这么设计”，他就得回去重新想。
做数据分析也是一样。拉数据、看分布、发现异常、换口径、继续下钻。这个过程很慢，甚至很笨。但很多所谓的“产品感觉”“数据感觉”，就是在这些笨功夫里一点点长出来的。
程序员也一样。
看报错、猜原因、翻调用链、改一版、发现错了、再改。非常低效。但 debugging 的能力就是这么练出来的。
现在 AI 把中间这些摩擦大量抹掉了。
于是出现了一个以前很少见的状态：产出能力跑到了理解能力前面。
一个人脑子里可能只有 30 分，但已经可以交出一个看起来 80 分的东西。
甚至他自己都会产生错觉：我好像已经会了。
并且这个问题也不只是我们遇到了。
Anthropic 今年做过一项随机对照实验，让开发者学习一个陌生的 Python 库。一组可以使用 AI，一组自己完成。
结果使用 AI 的人确实做得更快，但后续知识测试的成绩反而低了 17%，差不多接近两个字母等级。研究者特别指出，AI 带来的 cognitive offloading，也就是把思考过程外包出去，可能会影响技能的真正形成。
更有意思的是，Anthropic 后来又分析了约 40 万次 Claude Code 会话。
结果发现，有经验的人并没有因为 AI 变得“不需要专业知识”。恰恰相反，领域经验越丰富，任务成功率越高，而且越能让 AI 承担更多执行工作。
高手不是比新人更少用 AI。而是因为他更知道该让 AI 干什么。
产品经理这边也是同样的现象。
Productboard 调研了 379 名产品从业者，发现 AI 最能节省时间的工作，恰恰是写 PRD、做 Presentation、竞品研究、Roadmap 这些过去非常典型的 PM 产物。
但与此同时，大家认为 AI 时代越来越重要的能力却变成了：数据素养、用户洞察综合、系统性思考、战略思考。
换句话说，Artifact 正在迅速贬值，Judgment 反而越来越贵。
微软对 885 名产品经理做的研究更加直接。
他们最后提出了一个概念叫 Selective Delegation：不是所有事情都应该一股脑交给 AI。
PM 可以把大量信息整理、总结、初稿生成交出去，但最终的产品责任不能一起外包。
论文标题甚至就叫：“Accountability must not be delegated to non-human actors.”
责任不能委托给非人类。
AI 当然可以帮你分析数据。但为什么分析这些数据，是你的责任。
AI 可以写问卷。但到底想减少哪个关键未知，是你的责任。
AI 可以写 PRD。但这个需求值不值得做，是你的责任。
AI 甚至可以把代码全部写完。但这个系统为什么应该长成这样，仍然是工程师的责任。
所以AI 时代公司培养新人，最大的变化不是教大家更多 Prompt 技巧。
而是必须把过去那套“看产物判断能力”的方式改掉。
因为现在，产物已经会骗人了。
一个人交上来一份非常完整的数据分析报告，最应该先问的可能是：
-你到底想回答什么问题？
-你做分析之前的判断是什么？
-哪个数据最可能推翻你的判断？
-如果结果是 A，你准备做什么？
-如果结果是 B，又做什么？
-如果不管 A 还是 B，你最后都准备继续原来的动作，那这份分析有什么用？
技术方案也是如此。
不要只是看架构图画得漂不漂亮。
直接把文档关掉问：
-为什么需要这一层？
-还有没有别的方案？
-最大的约束是什么？
真正想明白的人，不一定表达得特别漂亮，但他的因果链一定是存在的。
而如果一脱离 AI 生成的文档就变得嗑嗑巴巴，那基本就说明，这套东西目前还不属于他。
他只是 AI 的传声筒。
这也意味着，AI 时代对 Junior 的培养不能一味追求效率。
这听起来很反常识。
公司当然希望十分钟能完成的事情，不要花两天，但生产系统追求效率，培养系统不能只有效率。
如果一个刚入行的产品经理，所有数据都让 AI 分析，所有问卷都让 AI 设计，所有 PRD 都让 AI 写；
一个刚毕业的程序员，所有技术方案都让 AI 出，所有代码都让 Agent 写，所有报错都让 AI 修；
半年以后，他们可能确实交付了更多功能，但未必培养出了一个更强的人。
甚至最危险的是：Leader 看着越来越漂亮的产物，以为他成长得非常快；新人自己也觉得，我什么都会做了。
直到有一天，遇到一个 AI 没有标准答案的问题，大家突然发现：他不会定义问题，不会判断信息，不知道应该看什么，也不知道一个答案到底对不对。
那个时候才发现，过去半年增长的主要是产量，不是能力。
所以培养新人，我觉得最核心的原则反而可以非常简单：AI 可以替你执行，但不能替你负责这个问题。
Junior 一开始可以拿到很明确的问题和约束，然后用 AI 高速完成。
再往后，只告诉他问题，让他自己定义方案。
再再往后，只给一个业务现象，让他自己判断到底应该研究什么。
真正的成长，不是 AI 用得越来越少。恰恰可能是 AI 用得越来越多，但 Leader 帮他定义的问题越来越少。
直到最后，他已经能够自己决定：什么值得做，什么不值得做，什么证据才算证据，什么时候应该相信 AI，甚至什么时候应该对 AI 说：你讲得头头是道，但这次完全搞错了。
所以回到最早的问题， AI 越来越强之后，学习还有必要吗？
答案很显然了，AI再强，学习也是必要的。
只是过去我们学习，是为了获得答案和完成任务。
以后学习，更重要的是为了获得一种能力：当答案已经无限便宜的时候，你还有能力判断什么才是正确的问题，以及什么才是一个真正好的答案。
AI 最让人担忧的地方，从来不是它会不会替代新人。而是它已经可以让一个还没有学会的人，看起来像是学会了。
46 512
来自圈子
职场那些事儿
100万+人已经加入