AI时代，执行越来越便宜，判断越来越昂贵
——刘瑜风格：温和的追问
当执行变得不再困难
最近我和一个学生聊了很久。我们聊 AI，聊代码，聊 PPT，聊 token 不够用了怎么办。但聊到后来我才意识到，这些话题只是表面。我们真正在讨论的问题是：当做事本身变得越来越容易，一个人还应该把精力花在哪里？
这个问题看起来很抽象，但它其实已经落在了每一个普通人的日常里。
你用 AI 写了一段代码，运行得很好。但你知道自己其实没完全理解它。这算不算负责？你用 AI 做了一份 PPT，比你自己做的好看，但你说不清每一页为什么是这个逻辑。你敢拿着它上台讲吗？你用 AI 润色了论文，语言更流畅了，但 AI 悄悄改了一个参考文献的年份。你注意到了吗？
这些问题很小，但它们指向一个很大的裂缝。
负责的形状
过去我们理解“负责”，有一个很朴素的标准：你亲手写的，你逐行看过的，你就负了责。这个标准简单、直觉、不需要额外解释。
但 AI 改变了这个前提。现在 AI 可以帮你生成大量代码、大量文本、大量方案，而你不可能逐行审查它们——至少，逐行审查的成本已经高到不值得了。
那怎么办？
我在对谈里提出了一个想法：责任不应该继续绑定在“逐行审查”上，而应该绑定在几个更关键的问题上——测试是否充分？核心逻辑是否理解？关键风险是否可控？
核心代码当然值得深挖。但大量工具性的、转发型的、容易通过测试来验证的代码，继续沿用前 AI 时代的审查标准，性价比已经很低了。
学生的焦虑也很真实。在科研环境里，一旦 AI 介入，责任并不会变轻，反而可能更重。跑实验的环境与论文描述不一致、AI 润色影响了参考文献的准确性、导师要看代码时你到底该理解到什么程度——这些问题的核心都一样：AI 提高了效率，但它没有取消责任。
它只是把责任的形状改了。
从“我亲手做了每一步”，变成了“我能解释每一步，追溯每一步，在出了问题时定位每一步”。如果说前 AI 时代的负责是“过程控制”，那 AI 时代的负责更接近“结果验证”加“可追溯性”。
为什么要遮掩？
聊到 AI 使用痕迹这个话题时，学生说了一句很坦率的话：不完全是羞耻，更多时候是在保留信息差。
我觉得这个回答比大多数公共讨论都诚实。
我们生活在一个很微妙的转型期。几乎所有人都在用 AI，但评价标准还没有稳定下来。在有些场景里，用 AI 被视为“偷懒”。在另一些场景里，它被视为“聪明”。同一个行为，在不同人眼中可以有完全相反的评价。
更微妙的是一个博弈论里的概念：common knowledge。很多事情，大家心里知道，不代表适合摆到台面上。一旦某件事变成了 common knowledge，整个系统就被迫启动评判、表态和追责机制。
所以“遮掩”未必是心虚。它可能只是一种还在摸索中的策略。
那更好的做法是什么呢？我觉得不是“偷偷用”或者“全盘公开”，而是找到一种新的平衡：你可以说明 AI 参与了哪些环节、你做了哪些判断和校验，但你不必把所有提示词和战术细节都展示出来。透明度是为了建立信任，而不是为了自我暴露。
什么变得稀缺了
当执行变便宜之后，什么变贵了？
我在对谈里给出了一个判断：至少在大多数可以被数字化的知识工作领域，最能拉开差距的能力集中在两个方向——创新能力和快速学习能力。
当然，领域深度专长、伦理判断、复杂场景下的组织协调，在特定岗位上依然是硬通货。但我想说的是一件更不舒服的事：我们过去赖以安身立命的很多通用品质——比如耐心、细致、勤勉、守时、执行力——这些品质当然重要，但它们正在从“竞争优势”退化为“准入门槛”。它们是你不能没有的底线，但不再是让你脱颖而出的东西。
真正拉开差距的，变成了你能不能提出新的做法，能不能在陌生领域快速建立有效认知，能不能在整个行业都在剧变的时候，比别人更快地完成自我重建。
这里面有一个我一直在想的对照：做“工具人”还是做“决策者”。工具人的时间可以被排满，你给他任务他就执行，执行完再给下一个。但做策略、做创新、做判断的人不一样——他们反而需要留出空间，需要有思考的时间，需要有真正的休息。
因为高质量的决策不是靠把时间塞满换来的。它需要一种看起来很奢侈的东西：闲暇。
基础设施，不是奢侈品
我们在对谈里把 AI 的 token 类比成电脑、类比成水电。
这个类比的意思很明确：AI 不应该被当作奢侈品，而应该被当作基础设施。没有 AI，不是回到朴素和纯粹，而更像是故意放弃了新的生产力底座。
更进一步说，当 token 和实现能力逐渐变便宜，真正稀缺的就不是“能不能做出来”，而是“该往哪里做”。当然，这主要指的是可被数字化的知识工作——线下操作、强监管场景、需要真人担责的环节，执行成本并没有同步下降。但在代码、文本、分析、方案这些符号层面，实现确实越来越便宜，真正昂贵的，是认知、创意和方向感。
我有时候觉得这像是一种新型的贫富分化。过去穷人缺工具，现在工具在变得便宜。但新的稀缺品——判断力、创新力、方向感——这些东西的培养恰恰需要更多的时间、更好的教育、更从容的成长环境。工具平等了，但使用工具的能力可能在加速分化。
一个关于 PPT 的故事
说了这么多宏大判断，让我讲一个具体的故事。
这个学生这周做了一件很扎实的事：她真正把 AI 用进了一次学术汇报的准备中。
她先试了 Markdown 转 PPT。这种方式最贴近她的表达习惯——结构清楚，修改及时，适合学术场景。但问题也明显：插图不够灵活，布局难控，公式和导出的稳定性有局限。
接着她让 ChatGPT 用 Python 脚本直接生成 PPT。结果意外发现：AI 在图表表达上打开了她的视野。它给出的流程图、对比表和呈现维度，有些是她自己原本没想到的。
这让我想到一个说法：AI 不只是在替人做，有时候也是在替人看见。
但她同时也发现了另一面。AI 一次性给了五十页内容，她本来只需要十几页。看起来很丰盛，实际上把大量时间花在了删减、整理和改写上。
我觉得这个观察特别有价值。因为它标志着一种心态的成熟：从“它真厉害”走向“我需要判断它在哪里真正帮了我，在哪里反而增加了摩擦”。一个人一旦能意识到 AI 不是单向增益，而是一种需要磨合的协作者，她就已经进入了更深的使用层次。
最有意思的是她对这种体验的形容。她说像古人需要一把斧子，于是先给自己劈出一把斧子，再拿斧子去砍柴。她不是在让 AI 替她做事，而是在用 AI 给自己造工具。
这个区别至关重要。“让 AI 做”是消费关系，“用 AI 造工具”是建设关系。后者意味着人和 AI 之间形成了一种更持久、更有创造性的合作方式。
关于决策
然后我们聊到了决策。这是整场对谈真正的高潮。
学生分享了几个非常具体的选择。
她接手了一个快要烂尾的跨组协作项目，因为自己刚好有相关经验，觉得工作量还能承受。她不再花钱报课，改成每天固定时间下楼跑步——目标不是最完美的训练方案，而是“先动起来”。她有一个暂时未决的研究方向，因为预期产出不清、资源支持有限，开始认真考虑要不要继续。
这些选择看起来平平无奇。但我越想越觉得，成年人的生活就是由这种中等规模的决策组成的。我们不是每天都在做改变命运的大选择，但我们每天都在被这些看似不起眼的判断一点一点地塑造。
我也分享了自己的几个案例。和领导方案冲突时，不把问题简单理解成“坚持自己”还是“全听领导”，而是去找第三种路。健身时，不只考虑省不省钱，而是意识到行为设计胜过意志力——根据自己的性格设计更容易坚持的系统。去年在情绪最激烈、最想冲动离职的时候，没有让情绪直接接管行动，而是借 ChatGPT 做了一次理性注入，把冲动拖过了情绪的波峰。
回头看，这些案例里其实藏着一些共同的东西：增加选项，重构问题，保留期权，理解自己，不要在情绪峰值做决定。
AI 在这些场景里最好的角色，不是替你做决定，而是帮你把问题看清楚一点，把情绪拉开一点，把选项展开一点。
复盘的意义
我们最后聊到了复盘。
过去理解复盘，常常是事无巨细地回顾：今天做了什么，明天要改什么。但我们在对谈里提出了一种不同的复盘方式：不是流水账式复盘，而是决策复盘——把注意力集中在那些真正塑造自己的选择上。
今天做了哪几个关键决策？质量高不高？有没有更好的选项？有没有被情绪、惯性或者旧标准牵着走？
这种复盘在 AI 时代格外重要。因为执行正在被越来越便宜地放大，“做什么、怎么选、往哪里走”就变得越来越值钱。AI 给你十个方案不难，难的是你能不能选对那个最值得投入的。
自由不是自动附赠的
这场对谈里最让我感到安慰的，是我们没有把 AI 变成一个自我压榨的新理由。
AI 的出现，会不会让人更卷、更功利、更容易把自己逼成一台永远高效的机器？这个担忧是真实的。但我们最终的结论不是“你要更努力”，而是“你要更有意识地安排自己的节奏”。
AI 最理想的作用，是把人送上一个成长的快车道——让学习速度、积累速度变快——而不是让人陷入新的自我 PUA。
这个判断很重要，因为它在提醒我们一件容易被遗忘的事：工具不会自动带来自由。汽车可以让你去更远的地方，也可以让你堵在路上更久。手机可以让你随时联系任何人，也可以让你永远无法脱身。AI 也一样——它可以解放你，也可以奴役你。关键不在于工具本身，而在于你怎么使用它，以及你有没有意识到自己正在怎么被它使用。
最后一句
如果这场对谈真的需要一个结尾，我想它应该是这句：
AI 时代，执行越来越便宜，判断越来越昂贵。
我们究竟要不要继续把自己训练成一个更熟练的执行者？还是要开始认真学习另一种能力——如何做判断，如何做选择，如何在做完之后诚实地复盘，然后在下一次做得更好一点？
这不是一个关于 AI 的问题。这是一个关于我们愿意成为什么样的人的问题。
而这个问题，从来没有比现在更紧迫过。