“人该去向何处”系列 03：AI 可以代劳，不能代你负责
上一篇问：如果有一天不再需要靠工作挣钱，还有什么事情能让人确定，世界仍然需要自己？
这个问题很远，也很大。这一篇回到今天，问一个更具体的问题：
当 AI 已经能帮我们完成越来越多的工作，一个人应该把什么交给它，又该把什么留给自己？
很多人的第一反应是，赶紧去学一种 AI 不会的本事。
这个想法听起来实际，却有一个问题：没人知道哪种本事能安全多久。今天还属于人的工作，明天可能就进入模型的能力范围。一直追着“AI 不会什么”跑，人会越来越累。
真正需要守住的，不是某一种任务，而是三件事：
- 理解工作所需的基本功；
- 判断 AI 的结果能不能用；
- 暂停、修改和拒绝 AI 的权力。
这三件事，就是我们手里的方向盘。
一、先把任务说清楚，再让 AI 动手
导航软件能计算路线，前提是你已经输入了正确的目的地。
地址输错了，路线规划得越快、越准确，只会让你更早到达错误的地方。使用 AI 也是一样。
很多工作的问题，并不是 AI 做不好，而是一开始就没人把任务说清楚。
“写一份行业报告”不是一个清楚的任务。报告给谁看？要帮助对方作什么决定？更关心市场规模，还是竞争风险？哪些数据不能使用？最后怎样判断报告合格？
这些条件没有说清楚，AI 仍然能生成一份结构完整的报告。它有标题、有数据、有结论，看起来什么都不缺，却可能解决了一个没人真正关心的问题。
因此，把任务交给 AI 以前，人至少要说清楚三件事：
- 要解决什么问题；
- 结果必须满足哪些条件；
- 什么情况算做错了。
这不是抽象的人生选择，而是完成一项工作最基本的责任。AI 可以帮助补充任务说明，却不能替负责人确认组织真正需要什么。
提示词写得漂亮，不等于问题已经想明白。
二、答案来得越快，判断越重要
过去，得到答案很难。人要查资料、问专家、反复计算。今天，AI 几秒钟就能给出一份看起来完整的回答。
方便是真的，危险也在这里。
一份答案写得流畅、结构清楚，很容易让人产生一种错觉：它说得这么像回事，应该是对的。
可真正决定答案能不能用的，往往是一些不显眼的问题：
- 资料是不是过时了？
- 有没有漏掉关键条件？
- 这个经验来自别的国家，放到中国还成立吗？
- 数字虽然正确，结论是不是说得太大了？
- 它给出的方案，出了问题由谁承担？
发现这些问题，需要人对事情本身有基本理解。
比如，一个完全不懂财务的人，可以让 AI 做出一份漂亮的财务分析，却很难发现其中一个成本口径算错了。一个从没写过程序的人，可以让 AI 生成能运行的代码，却未必知道它在什么情况下会泄露数据。
AI 可以降低完成任务的门槛，却不会自动提高判断任务好坏的能力。
这就像计算器。会用计算器当然比手算快，但如果一个人连数量级都没有概念，屏幕上多了一个零，他也看不出来。
答案越来越便宜，判断答案的能力反而越来越贵。
三、别把学习过程全部交出去
AI 最容易替代的，往往也是新人用来学习的工作。
刚进公司的员工会整理资料、做会议纪要、写第一版方案。刚学编程的人会从简单功能写起。年轻医生先观察、记录，再逐渐参与判断。
这些工作看起来基础，甚至有些枯燥，却有一个重要作用：它们让人逐渐看懂一件事情是怎么运转的。
如果 AI 从第一天就把初稿、分析和答案全部做好，新人确实能更快交作业。但几年以后，他可能很会使用 AI，却没有形成自己的判断。
这也是《“人该去向何处”系列 01：技术冲击的三个减震器》里提到的风险：初级岗位不只是便宜劳动力，也是人成为专家的入口。
所以，不能把“亲手做”简单理解为低效。
健身时，没人会因为叉车举得更重，就认为人不必再举哑铃。举哑铃的目的不是把重物搬到另一个地方，而是让肌肉长在自己身上。
有些工作也是这样。亲手写一版方案、自己算一遍、先作出判断，再请 AI 检查，目的不只是得到结果，也是让能力长在自己身上。
更合适的用法不是拒绝 AI，而是分三步：
- 先自己想。 写下问题、初步判断和不确定的地方。
- 再让 AI 挑错。 请它补充证据、提出反例、检查遗漏。
- 最后自己说明。 不看 AI 的原文，用自己的话讲清楚为什么作出这个结论。
如果最后讲不清楚，说明答案只是经过了你，还没有真正属于你。
四、任务可以交出去，责任交不出去
假设一位医生参考 AI 的建议开了药，病人出现严重不良反应。医生不能只说：“这是 AI 推荐的。”
假设一位经理根据 AI 的分析裁掉一个团队，半年后业务出了问题。他也不能只说：“模型当时是这么判断的。”
AI 没有医生资格，不会被吊销执照；AI 也不会失去工作，不会向员工家属解释，更不会因为一次错误决定多年内疚。
谁承担后果，谁才真正拥有决定权。
现在很多企业强调“人在回路”，意思是关键流程里仍然保留人的审核。但如果人只是点一下“同意”，既看不懂过程，也无权修改结果，这个人并没有真正参与，只是替系统签字。
真正的“人在回路”，至少要满足三个条件：
- 人能看见作出判断所需的信息；
- 人有能力发现 AI 可能犯的错误；
- 人有权暂停、修改或拒绝 AI 的建议。
否则，所谓“最终由人负责”，很可能只是出了问题以后由人背锅。
把责任留给人，就必须把相应的信息、能力和权力也留给人。
五、给自己画三条线
面对 AI，不必在“全都自己做”和“全都交给 AI”之间二选一。更实际的办法，是给自己的工作画三条线。
第一条：可以直接交给 AI
重复、可检查、出错后容易修正的任务，可以大胆交出去。
比如整理格式、提取信息、生成会议纪要、转换文件、比较多个版本。人没有必要靠重复劳动证明自己的价值。
第二条：可以和 AI 一起做
需要分析和判断，但有人能够检查结果的任务，适合人机合作。
比如写方案、做研究、分析数据、编写程序。AI 负责扩大搜索范围、提供初稿和反例，人负责核对事实、补充背景、作出取舍。
第三条：必须由自己作主
涉及重大风险、不可逆后果和明确责任的工作，不能只凭 AI 的答案。
一套系统要不要正式上线，一笔贷款要不要批准，一个候选人要不要录用，一项治疗方案要不要执行，都可以参考 AI 的分析，但最后必须有人有能力判断，也有权说“不”。
区分这三条线，不是为了限制 AI，而是为了防止自己在一次次方便中，慢慢失去作主的能力。
六、ICE 观察
🇨🇳 本土视角：AI 越容易给结果，基本功越不能省
我们过去常把基本功理解为熟练计算、背诵知识和按步骤完成任务。AI 出现以后，其中一部分确实可以交给机器。
但基本功还有另一层作用：让人知道结果大致应该是什么样，并在结果明显不对时产生警觉。
学生可以用 AI 解题，但至少要能说清用了哪个公式；程序员可以让 AI 写代码，但要看得懂关键逻辑；做研究可以让 AI 搜集材料，但必须知道哪些来源可信。
所以，基本功不再只是“我能不能亲手做完”，而是“机器做完以后，我有没有能力验收”。
如果一个人只能生成结果，却不能解释结果，他拥有的不是能力，只是一条暂时可用的调用通道。
🏢 落地视角：不要只统计 AI 替人做了多少
企业引入 AI，最容易统计的是节省了多少工时、减少了多少人。
更难统计，却同样重要的是：员工有没有因为 AI 看见更多信息、作出更好的判断？新人有没有机会成长？组织里还有没有人真正理解整个过程？
如果效率提高了，判断力却慢慢丢了，企业只是把今天的成本降下来，把明天的风险藏起来。
好的 AI 系统，不应该让人只剩最后一次点击。它应该把重复劳动拿走，把更完整的信息交给人，让人有更多时间思考，也有更充分的依据作决定。
结论
这篇文章想说清楚四件事：
- 不要一直寻找 AI 到不了的地方。 AI 的能力边界会变，追着边界跑很难获得长久的安全感。
- 任务可以交给 AI，目标和验收标准必须有人说清楚。 AI 能快速执行，却不知道一项具体工作为什么存在。
- 使用 AI 的同时，也要保留形成能力的过程。 有些事亲手做，不是为了证明人比机器强，而是为了让判断力长在自己身上。
- 责任不能只有一个人的签名。 要让人负责，就必须同时给他信息、能力和否决权。
AI 当然可以帮我们开得更快、看得更远，也可以在危险时提醒我们。
但去哪里，为什么去，以及走错之后由谁承担，仍然要有人决定。
可以让 AI 帮你握住方向盘，但不要忘了，最后决定转向的人应该是谁。
下一篇进入精神尺度：《“人该去向何处”系列 04：答案之外，人为什么还要追问》