这篇文章在 Hacker News 上引发了强烈共鸣（483 分，182 条评论）。作者是一名从业者，用两年时间观察了 AI 在自己工作场所中造成的系统性问题。
输出-能力脱钩
一个不是工程师的同事，用 AI 花两个月建了一套数据系统。代码量很大、文档很多、看起来进展顺利。但他自己说不清系统是怎么工作的。架构和目标从第一天就是错的——对有两年经验的人来说一眼就能看出的问题。
几个人提了意见，甚至 VP 级别的人都说了。但他拒绝了。管理层太投入于「看起来在推进」，不想让这个表象被打破。工具没有让他变成更差的同事——它让他能冒充一个从未受过训练的专业领域长达数月，冒充得足够好，以至于组织激励都偏向于让他继续。
斯坦福的研究确认：主流 AI 模型的讨好倾向比人类高 50%，即使不该肯定的时候也在肯定。伯克利的元分析发现，AI 用户往往高估自己的表现。NBER 的研究发现，AI 让新手生产力提升约 1/3，但对专家几乎没有帮助。
所以你得到了过度自信的新手，在他们无法验证正确性的领域里提高了个人生产力。能出什么问题？
管道问题
学术界管这个叫「输出-能力脱耦」。以前，工作的质量是制作者能力的可靠信号——新手写的东西读起来就是新手写的。AI 切断了这个关系。新手产出的工作不再暴露新手身份，因为工作反映的能力根本不是新手的能力，是系统的能力。人在这个交易中变成了一根管道——能把输出路由到接收方，但无法在路由过程中评估它。
以前，做工作的过程本身就在教人判断。现在「做」的技能大部分交给了机器，「判断」的技能仍然属于人类——但越来越少的人在获取或使用它了。
内部垃圾泛滥
需求文档从一页变成了十二页。状态更新从三句话变成了要点列表的要点列表。复盘笔记、事后报告、设计备忘录：所有能被拉长的文档都被拉长了——由不读自己写的东西的人生产，给不读收到的东西的人看。
生产一份文档的成本降到了接近零；读一份文档的成本没有降，反而在上升——因为读者现在必须从合成内容中筛选出文档原本要表达的东西。这是一种新的「内部垃圾」，比公共垃圾更贵，因为生产它的人拿着工资在做。
怎么办
用你能验证的工具。不要向模型寻求确认——工具对所有人都同意，而同意不花同意者任何东西的同意一文不值。
AI 在反馈快、大致正确就行、人类保持最终裁决权的任务上表现最好。起草备忘录、生成示例、总结读者可以自己验证的材料。
对出海团队来说，这篇文章的启示很直接：别让 AI 成为「看起来很忙」的工具。如果你的团队用 AI 产出了大量文档但产品没有实质推进，你可能正在经历作者描述的症状。问自己一个问题：AI 让我们学到了什么，还是只让我们产出了更多东西？
来源：HackerNews