AI替你干活后，谁还为你成长买单？

一个人还在学习的现场，工作却已经可以绕过他完成。

在机器人手术室里，主刀医生坐在控制台前操纵机械臂，年轻住院医师却可能只负责清除烟雾和积液，或坐在另一台控制台前观看。研究技术与工作的学者马特·贝恩用两年多时间观察发现：传统手术往往需要两个人、四只手，年轻医生参与其中也就有了练习机会；机器人让专家可以独自操作，学徒成了可选项。

这里的“可选”比“被替代”更值得深思。年轻医生没有被赶出手术室，仍能看见操作，也仍在接受培养的名义之下。但那双不够熟练的手，已不再是完成手术的必要条件。病人需要安全，主刀需要把手术做好，每个理由都成立。至于后来者怎样变得熟练，那是另一个需要安排的问题了。

如果把场景挪到今天使用AI的办公室：你刚进入咨询公司，要为一个陌生行业写报告。几轮对话后，桌面上多了一份结构完整、措辞成熟的文档。真正的分歧藏在一个不起眼的地方：报告有了，那个能够写出报告的人，有没有一起出现？

AI可以替你发现口径差异，也可以解释清楚。但如果你只领取修正后的结论，就跳过了亲自发现错误、为自己的判断改道的那一段。成品看不出这段差别，交付时间却会忠实记录谁更快。一项工作可以做得越来越好，同时越来越少地要求做这项工作的人有所成长。

英国一家汽车厂的经历可作启示。研究者回看这家工厂转向精益生产前后的学徒经历。工会曾为学徒争取到训练室，里面有机器人和小型流水线，可设置故障供练习。房间有了，熟练工却抽不出身带教，备件也短缺。它闲置数年，后来在生产经理要求下，熟练工把里面设备拆用，维持车间生产。训练室终于派上用场，但不是原定用途。

一边是眼下必须交付的产品，一边是某个还没有学会的人。前者缺一个零件，后果很快能看见；后者少一次练习，今天的生产记录未必有异常。如果每次冲突都按眼前交付裁决，学习就只能使用剩下的时间、剩下的人手，以及还没有被征用的设备。

在土耳其一所高中，近千名学生参加了四轮数学学习实验。练习时，一组使用普通聊天式AI，一组使用专门设计的AI辅导系统，还有一组使用课本和笔记。每轮练习后，所有学生都要独立参加测试。普通聊天组练习时表现更好，独立测试成绩却比对照组低约17%。这项研究发表于《美国国家科学院院刊》，测量的是短期学习效果。

同一实验里的辅导组提供了另一种安排：系统接入教师准备的解法与常见错误提示，要求引导学生尝试，避免直接给出完整答案。这组学生练习时表现同样提高，独立测试时与对照组差异不明显。AI在，借来的聪明仍在，但需要他们完成的那部分成长也被留了下来。

十九世纪英国评论家约翰·罗斯金在《威尼斯之石》里讨论哥特式建筑。他的例子具体到手上动作：一个人按给定线条切削，可以熟练又准确。然后你请他想一想，这个图案能不能有更好的做法。他停下来，动作迟疑，很可能第一下就犯错。只看加工速度，这个人退步了。罗斯金却把开始自行思考的这一刻看得更重，愿意接受做工里的不完美，因为在那份不完美里，工匠开始有了自己的主意。他写下：“我们制造一切，唯独不造就人。”

今天，类似追问可以落在一段文字上。假如AI给我一段无可挑剔的表达，我当然得承认其价值。可写作有时还在做另一件事：你以为自己已经想清楚，写到一半，才发现一个“所以”接不上去。删掉它，重写，文章迟迟没有完成，但你对这个问题的理解却变了。如果你直接收下那个完整段落，这次发现就可能不再发生。作品提前完成了，但你的思考和认知还停在动笔之前。

方便本身没有什么可羞耻的。难的是承认，同一个工具给我作品，也可能让我更少经历形成作品的过程。我愿意让工具指出漏洞，也愿意让它帮我把话说清楚。但在自己真正关心的地方，我还想知道这一回为什么改了主意，哪一条理由说服了我。

说到底，市场会给怎样的能力付钱，是另一个问题。一种能力的价格下降，并不能直接回答，它对拥有这个能力的人是否仍然重要。比如，分辨一段话是否在偷换概念。未必有人会单独为这个本事给你加薪，但你仍然需要用它读一份承诺、听一场动员，决定把信任交给谁。别人能够提供一个结论，与自己能够判断为什么接受它，对你的生活有不同的意义。