AI时代，为什么批判性思维比以往任何时候都更重要

这是一种前置思维，值得更多人尝试。

最近，软件工程师Koshy John的一篇博客在Hacker News上引发热议。他在与多家科技巨头工程管理层交流后发现，软件工程领域正在悄然分裂成两类人。一类工程师利用AI清除重复的代码生成和琐碎任务，从而把精力投向问题框架构建、风险权衡以及原创洞察；另一类则直接把问题扔给提示框，输出 polished 结果却很少深究背后的逻辑。

值得持续跟踪的是，在AI能力边界日益清晰的今天，职场分水岭或许不在于谁用AI更多，而在于谁能让AI真正“提升”而非“取代”自身的理论思考能力。这一点目前行业内仍有不同声音，数据支持人机协同方向，但样本量和长期观察仍有限。

真正的高价值路径在于理解AI所做的一切，而非外包判断力本身。Koshy John在文中反复强调，没有捷径通往判断力：如果把生成内容直接当作自己的思考呈现，就等于用短期表象交换长期能力衰退。这种“外包思考”比传统抄袭更隐蔽，因为它没有可追溯的人类来源，却同样会让个体在复杂场景中无法捍卫输出。行业内对此仍有不同声音，但核心判断是——AI不是取代工具，而是检验我们是否愿意保留核心rigor的试金石。

大多数评论者首先看到的是AI带来的显性效率跃升。代码生成、会议总结、文档起草，这些任务过去耗费大量时间，如今几秒内即可完成。许多工程师表示，去除枯燥环节后，他们能更好专注高层决策和创新，看似生产力大幅提升。HN主流声音倾向乐观，认为AI像历史上的计算器一样，解放脑力让人从事更有价值的工作。

长期依赖AI的具体表现逐渐显现：注意力易分散，因为AI瞬间提供多方案让人不愿深挖单一路径；好奇心钝化，原本会自行拆解的问题如今直接求助工具，探索动力减弱；灵活思考僵化，AI输出虽结构完整，却缺少个人语境，面对复杂真实场景时调整能力下降。70%企业有AI部署计划，但全公司规模化率远低于此的剪刀差，某种程度上反映了类似表象与本质的脱节。这个逻辑成立，但现实更复杂。

表面上看，多数人对ChatGPT、Gemini这类工具的评价高度正面。大家普遍认为生产力大幅跃升，曾经需要长时间查阅或咨询专家的知识，现在零成本就能秒出。媒体和社交平台上充斥着用AI写代码、总结报告、起草方案的分享案例，似乎掌握提示词就能轻松跟上时代浪潮。这种“快”和“省”的表象掩盖了一个关键盲区：把思考过程外包出去，长期可能悄然侵蚀个人的判断力和逻辑构建能力。

主流观点往往停留在AI的生产力红利上，认为它快速生成代码、想法或总结，能极大解放人力。Hacker News评论区不少声音也聚焦于“AI取代低阶工作是好事”，期待专业人士借此专注更有价值的部分。但这种视角存在明显盲区。它低估了AI诱发“外包思考”的风险，让人模拟出能力表象，却未真正构建底层判断力，尤其在创造性过程的发散与收敛环节中。

深层观察，AI的核心优势在于处理海量routine数据和生成初步草案。它能快速归纳趋势、模拟情景，但无法自主发现隐藏风险、做出 crisp 的权衡取舍，或产出真正原创的洞察。这些能力依赖人在具体情境中的反复练习。管理者正确的路径，是明确分工：让AI负责数据处理与初稿，人则牢牢掌握价值判断、情景权衡、团队情绪把控以及伦理考量。

几乎同一时间，Google台湾前董事总经理简立峰在多场分享中反复提醒：AI让知识获取变得前所未有的廉价，但优质思考反而更昂贵。他直言，别轻易把大脑外包给AI。过去搜寻引擎让信息从稀缺走向普及，如今生成式AI进一步把现成答案变成零成本商品，真正稀缺的是提出好问题并亲自验证的能力。这件事远比表面上的“AI提效”复杂得多，它正在悄然重塑个人认知边界和组织的决策质量。

深层来看，AI的真正价值在于移除低价值重复劳动，让人类专注更高层级的认知工作。在软件工程中，最具价值的环节往往不是代码实现本身，而是准确定义问题、做出艰难取舍、提前识别潜在风险并产生独特洞察。AI可以快速迭代多个方案，但最终哪个方案更优、潜在副作用如何，以及为什么这个路径成立，仍需人类主导判断。类似逻辑延伸到其他领域，例如文化产业中有人提出的“美美与共”共生模式：AI负责规模化基础素材生成，人类则承担价值提炼、情感共鸣与原创整合。

客观剖析的趋势，已逐渐从概念阶段走向验证阶段、优化阶段与价值兑现阶段。