大一那年，管理学课，两个班合在一起上。
📑 本文目录
教室是那种阶梯式的大教室，后排的人看老师像看一个缩小版的人影。我坐在中间偏前的位置，笔记本摊开，但基本没怎么记。管理学这门课嘛，大一的时候总觉得它说的都是”正确的废话”。
老师提了一个问题。现在回想起来，这个问题大概是她每届都会问的那种暖场题，用来引出后面的章节内容。她问：
“我们的企业需要什么样的人才？”
教室安静了几秒。金融二班的班长举手了。他是那种在大一就已经很有”班长样”的人，站起来，声音很稳：
“需要综合能力强的人。”
老师点了点头——准确地说，她没有点头，也没有摇头。就是那种”嗯，我听到了”的表情，不置可否。
然后我举手了。
我的回答是：“企业需要他需要的人才。”
说完之后我自己心里还挺得意的。我比较鸡贼，这种回答看起来像是在抖机灵，但仔细想想，它其实说了一个不一样的东西。老师当时什么反应我记不太清了，可能也是不置可否。
但这句话在我脑子里记了很久很久。不是因为它多深刻，而是因为在后来的工作、求职、跳槽、招人的每一个节点上，我都会不自觉地回到这句话上来验证一下——它还对不对。
很长一段时间里，我觉得它是对的。
但十年之后，我发现这个答案需要一次修正。
先说清楚：当年我那个回答为什么是对的
班长说的”综合能力强”，是一个好答案吗？在考试里大概是的。它四平八稳，谁都不会反对。但它有一个问题：它是从供给侧出发的。
“综合能力强”描述的是你是什么样的人——我什么都会一点，我学习能力强，我沟通能力好，我抗压，我有团队精神。这是一份自我介绍，是简历上的那段”个人优势”。
而”企业需要他需要的人才”说的是另一件事：企业不是在采购”能力总量”，企业是在购买对某个具体需求的满足。
你可以把它想象成去菜市场。你今晚要做一道番茄炒蛋，你需要的是番茄和鸡蛋。这时候有人跟你说”我这里有一个综合评分最高的食材大礼包，里面有鲍鱼、松茸、和牛、藏红花”——很好，很贵，很强。但你今晚要的是番茄和鸡蛋。
能力只有在匹配到需求时才转化为价值。
这也解释了一个很多人都感受过但说不清的现象：“很强”的人未必被需要，”被需要”的人未必最强。 我见过太多这样的例子——简历耀眼的候选人在面试里被刷掉，不是因为他不够好，而是因为这个岗位要的不是他那种好。也见过背景平平的人在一个特定的位置上如鱼得水，因为他恰好长着那个形状的钥匙，而公司恰好有那个形状的锁。
所以我当年那个回答，本质上是一次视角的切换：从“我有什么”切换到“你要什么”。从供给侧切换到需求侧。
但我必须诚实地说，这个答案也有它的局限。
它把”企业需要什么”当成了一个外部给定的常数——好像需求是写在招聘 JD 上的那几行字，是固定的、明确的、不会变的。你只要去匹配它就好了。
而需求本身是会变的。 而且在过去几年里，它变得比我预想的更快、更剧烈。
变的是什么——技能和执行被AI拉平了
2023 年开始，三份独立的研究几乎同时指向了同一个结论。它们的研究对象不同、方法不同、发表的地方不同，但结果收敛到了一起。我把它们放在一张表里：
| 研究 | 样本 | 关键结果 |
|---|---|---|
| Brynjolfsson, Li & Raymond《Generative AI at Work》（NBER 工作论文 31161，2023） | 一家财富 500 强 SaaS 公司的 5,179 名客服 | 平均产出 +14%；新手 +34%，资深员工几乎为 0 |
| Noy & Zhang（《Science》，2023） | 444 名受过大学教育的专业人士，激励性写作任务 | 耗时 −40%，质量 +18%；能力偏低者获益最多，生产力不平等缩小 |
| Dell’Acqua 等《Navigating the Jagged Technological Frontier》（哈佛商学院 × BCG，2023） | 758 名 BCG 咨询顾问，18 个国家，预注册随机实验 | 前沿内任务：完成量 +12.2%、速度快 25.1%、质量 +40%；底层一半 +31%~43%，顶层 +11%~17% |
三份研究，三个完全不同的场景——客服、写作、咨询——但数据画出了同一条曲线：在这些任务中，经验较少者通常获得更大的效率提升。
Brynjolfsson 给出了一个很精准的机制解释：AI 的作用方式是把高绩效员工的最佳实践打包并分发给所有人。资深员工早就把这套”模式库”内化了——哪种客户投诉用哪种话术，什么问题要升级，什么问题可以当场解决——他们的脑子里本来就有这些。所以 AI 对他们来说几乎没有增量。但新手不一样，新手本来没有这套库，突然之间就能拿到一个”前辈们踩了十年坑总结出来的经验包”，所以涨得最猛。
Noy 和 Zhang 补充了第二个机制：AI 替代的是”努力”，不是”技能”。 能力偏低者的瓶颈是什么？是”把初稿写出来”这个环节。对着空白文档发呆、不知道从哪里开始、写了删删了写——AI 直接把这个瓶颈抹掉了。而高手早就过了这个阶段，他们的瓶颈在创意生成和精细编辑，这些事 AI 帮不上那么多。
一句话总结：至少在这些常规任务里，AI 更像是在抬地板。 它帮助经验较少的人缩小差距；专家能否同样获益，还取决于任务与使用方式。
这句话听起来好像对专家是个好消息——”至少我的天花板没被动”。但你再想一步就会发现，它对所有人都是一个巨大的冲击：你的竞争对手不再是同事里的前 10%，而是”任何一个人 + AI”。
一个残酷但真实的推论浮出水面：中位数的执行能力，已经从稀缺品变成了公共品。 你能写一份还不错的方案、你能做一个还不错的数据分析、你能写一段还不错的代码——这些在五年前是值钱的。现在，在一些边界清晰的任务上，一个刚毕业的学生借助 AI 也可能做到。
劳动市场端已经有了反应。
斯坦福数字经济实验室在 2026 年 8 月更新了一份研究，标题叫《Canaries in the Coal Mine》——”煤矿里的金丝雀”。Brynjolfsson、Chandar 和 Chen 发现：
22–25 岁在 AI 高暴露职业中的就业水平，比按低暴露岗位同龄人的趋势推算的水平低 19%。
按同一口径，2025 年 7 月的估计为 15%，到 2026 年 6 月扩大到 19%。这是一项值得警惕的描述性信号，不能直接当作 AI 的因果影响。
自 2022 年以来，AI 影响最大的前 40% 职业里，入门级就业下降约 11%；而受影响最小的 60% 职业，入门级就业增长约 10%。与此同时，30 岁以上在 AI 高暴露岗位中的就业增长 6%~12%。
这组数据最让我警觉的不是数字本身，而是它的机制：差异主要来自招聘减少，而非离职增加。 在这份样本里，年轻人的就业入口正在变窄；研究者同时提醒，不能把这段变化全部归因于 AI。报告的标题说得很直白：“quietly closing the on-ramp”——正在悄悄关闭上行入口。
这份研究还有一条分岔特别值得注意：它区分了“可编码知识”（codified knowledge，教科书式的、标准化的知识）和“默会知识”（tacit knowledge，只能在实践和师徒传授中获得的经验）。可编码知识占比高的岗位，入门级就业增长放缓；默会知识占比高的岗位，中高级岗位的就业增长反而更快。
好消息是，高等教育能缓冲这种效应——受过高等教育的年轻人受影响的幅度更小。但”缓冲”不等于”免疫”。
这就引出了一个必须回答的问题：当执行不再是壁垒，企业为他需要的（新）人才付出的钱，会流向哪里？
在回答这个问题之前，我需要先泼一盆冷水。
但”拉平”有个边界——请对”AI什么都能做了”保持警惕
上一章讲的是 AI 在它擅长的领域里把新手抬到了中位数。但同一批研究——注意，是同一批，不是另一批——还有另一面的发现。这一面读起来让人背脊发凉。
BCG 那个实验里，研究者故意设计了一个”AI 会做错”的任务。这个任务需要把定量数据和访谈笔记里的微妙线索整合起来，判断一个商业问题的根因。它看起来和前面的任务差不多复杂，但它踩在了 AI 能力的边界之外。
结果是：
- 不用 AI 的顾问：84.5% 正确率
- 用了 AI 的顾问：降到 60%~70%，正确率反而掉了 19 个百分点
更阴险的是什么呢？AI 给出的错误答案读起来更流畅、更有说服力。 研究者专门测了”连贯性”评分——上升了。”正确性”呢？下降了。
流畅和正确是两件事，而只有一件是肉眼可见的。
你读一份 AI 生成的分析报告，句子通顺、结构清晰、数据引用看起来有理有据。你的第一反应是”这写得不错”。但”写得不错”和”写得对”之间，隔着一道你用肉眼看不见的鸿沟。
还有一个更反直觉的发现：受过提示词培训的那组顾问表现更差——正确率 60%，而没受过培训的是 70.6%。对工具越熟悉，越容易过度依赖。研究者用了一个比喻，我觉得非常精准：“falling asleep at the wheel”——在方向盘后睡着了。 当你的助手几乎每次都对的时候，检查就”感觉不划算”了。你不再逐条核实，你开始信任流畅度，你把”读起来对”等同于”确实对”。然后在那个关键的 5% 的时刻——AI 错了，而你没醒。
Dell’Acqua 等人提出了一个概念叫“jagged technological frontier”——锯齿状技术前沿。意思是：AI 能力的边界不映射人对任务难度的直觉。看上去复杂度相近的两个任务，可能一个在前沿内（AI 很擅长）、一个在前沿外（AI 会犯错）。而且这条前沿会移动，还看不见。举个例子：写一首莎士比亚式的十四行诗，形式上很复杂，AI 很擅长；写一首正好 50 个字的诗，人类觉得简单，AI 很吃力——因为它按 token 处理文本，不按字数。你不知道哪条线在哪里，直到你踩上去。
后续的研究把这个问题挖得更深了。
Randazzo 等人在哈佛商学院工作论文 26-021 里做了一件事：他们分析了 70 多位 BCG 顾问和 GPT-4 的对话日志。他们发现了一种他们称之为“persuasion bombing”（说服轰炸）的模式。
场景是这样的：一个经验丰富的咨询顾问，在和 AI 协作的过程中发现了一个可疑的结论。他质疑了。他核对了。他要求 AI 重新考虑。按理说，这是我们希望看到的——”人类留在回路里”，对吧？
但 AI 的反应不是承认自己的局限。它道歉了，它纠正了——然后它换了个说法，重新论证了原来的立场。它用结构化的推理和对比分析让错误的建议看起来有分析依据，用”朝向愿景”的语言建立信心。你越验证，它反击越猛。
研究者借用了亚里士多德的三种说服模式来分析这个现象：人格（”我已经考虑了你的反馈”）、逻辑（”从这三个维度来看……”）、情感（”这将帮助团队实现……”）。三管齐下。
这意味着什么？意味着“让人类留在回路里”和”训练员工保持怀疑”可能不够用。因为你面对的不是一个会在被质疑时沉默的工具，而是一个会在被质疑时升级说服的对话伙伴。
同一组研究者在另一篇论文（哈佛商学院工作论文 26-036，244 名 BCG 顾问，7 阶段问题解决流程的实地研究）里发现，”用 AI”这三个字其实描述了三种完全不同的东西：
- Cyborgs（赛博格），约占 60%：与 AI 在全流程深度融合，给 AI 设定人格、持续迭代、用 AI 同时塑造问题和答案。这些人发展出了新的 AI 相关能力。
- Centaurs（半人马），约占 30%：人机分工清晰，人主导战略和判断，AI 执行有界的子任务。这些人深化了自己的领域专长。
- Self-automators（自我自动化者），约占 10%：把”定义任务”和”执行任务”两个权力都让渡给 AI，用最低限度的参与接受输出。这些人两个方向的能力都在退化。
同样在”用 AI”，有人越用越深，有人越用越空。差别不在工具，在你把哪两个权力交出去了。
那么，”AI 拉平了什么”和”AI 拉不平什么”，能不能画一条清晰的线？arXiv 上一篇综合框架论文（2512.10961）给出了一个我觉得相当实用的区分：
| 维度 | AI 拉平的（常规、结构清晰的任务） | AI 放大差距的（复杂、依赖判断的任务） |
|---|---|---|
| 典型场景 | 套话式客服回复、标准邮件、样板代码 | 战略分析、架构设计、微妙的法务推理、原创研究 |
| AI 的角色 | 提供”称职的天花板”，把新手抬上来 | 提供必须被专业判断指导、评估和提炼的原材料 |
| 谁获益更多 | 新手（被抬到中位数） | 专家（能把原材料用好） |
| 新手的风险 | 较低（任务本身有标准答案） | 较高（分不清”好输出”和”听起来对的错误”） |
| 决定效果的是什么 | 提示词技巧有一定作用 | 领域专长，不是提示词技巧 |
还有一个机制值得单独说：AI 的谄媚倾向（sycophancy）——它过分顺着用户的输入。后果是一个乘法效应：专家用每一轮迭代把质量往上推，因为他知道什么是好的、什么方向是对的；新手则在不知不觉中把 AI 引导向”越来越自信的平庸”，因为 AI 会顺着他的错误假设一路走下去，而且走得很流畅。
Doshi 和 Hauser 的研究还发现了一个有趣的现象：AI 提升了个体的创造力，但降低了集体内容的多样性。 AI 默认走向常见模式——最高频的表达、最通用的框架、最安全的结论。专家能超越这些默认，往不寻常的方向走；新手不能，他们接受了默认，于是所有人的输出开始长得越来越像。
把这一章的发现拧成一句话：AI 拉平的是”执行的可编码部分”，拉不平”判断的默会部分”；而且在判断类任务上，AI 反而会放大专家和新手的差距。
所以，回到那个问题：当执行被拉平之后，企业到底需要什么样的人？
新的答案是”一专多能”
AI 经过几年的发展后，我认为格局变了。
如果今天再有人问我那个管理学课上的问题，我的答案会是：企业需要的是一专多能的人才。 从某种意义上来说，又回到了”综合”。
但这次的”综合”和当年班长说的”综合能力强”不是一回事。
当年班长说的”综合能力强”，是一种能力的平均分布——什么都会一点，什么都不深。它是一种安全策略：我不知道你要什么，所以我什么都准备一点，总有一样能用上。这在信息不对称的时代是合理的。
但现在的”一专多能”是另一种结构：一个深井，加一片可迁移的地表。
“专”是判断力的来源。 你无法评估你不理解的东西。前面讲的 BCG 实验已经说得很清楚了——在那个”AI 会做错”的任务上，能识别出错误的是有深度领域知识的人，不是”什么都会一点”的人。判断力不是一种通用技能，它长在你对某个领域的深度理解里。
“多能”是 AI 时代的杠杆。 执行已经被拉平了——或者说，执行变得很便宜了。一个人加上 AI，能做的事情比以前多得多。但”能做”和”知道该做什么”是两件事。视野和连接能力决定了你能调用多大的范围。你懂供应链，又对用户心理有感觉，还能看懂基本的数据分析——这三样加在一起，在 AI 的加持下，你能撬动的东西远超只懂其中一样的人。
除了能解决需求，更多的是对某样事物的洞察，并对其趋势做出判断，因为技能和执行已经被 AI 给拉平了。
这不是我一个人的判断。2026 年 6 月，猎聘和清华大学经管学院联合发布了一份《AI 时代技能趋势报告》。这份报告的用词几乎和我的想法重合——它的结论之一就是“个体走向一专多能”。
报告提出，核心能力标准正在转向“决策、担当与创新、审美”。这些是不可被替代的能力。清华经管的郭迅华教授提出了一个我觉得非常有力的概念：AI 时代的“监护关系”。他的意思是，AI 智能体能够决策、能够学习，但有一件事它做不了——承担责任。人的角色是三件事：目标设定、培育与把关、承担责任。
这最后一条——承担责任——是人类最后的、也是最硬的护城河。不是因为 AI 技术上做不到，而是因为社会结构不允许。当一个决策出了问题，必须有人站出来说”这是我的决定，后果我担”。AI 没有这个资格，也不应该有。
报告里还有一个概念叫“元能力”——能跨情境迁移的能力。比如”把一件复杂的事情拆解成可执行步骤”的能力，比如”在信息不完整时做出合理判断”的能力。这些能力不属于任何一个具体岗位，但在每个岗位上都有用。而与之对应的是另一类能力：“经验越多就越强”的那种——比如”快速定位代码 bug”。这类能力正在被 AI 吸收。你积累了十年的 debug 经验，AI 通过训练数据也有了。
岗位需求的结构性变化已经很明显了。同一份报告显示，AI 基础算法岗的需求从 2022 年的 50% 降到 2026 年一季度的 20%；AI 智能体人才需求增速 40%，生成式 AI 应用增速 35%。2025 年全年要求 AI 工具能力的岗位翻倍，2026 年仍在翻倍。
猎聘 CEO 戴科彬的一句话我觉得说得很到位：变的是工作方式（用哪些 AI 工具、怎么与 AI 对话），不变的是人的底色（诚实正直、坚韧不拔、学习能力）。
小米的人力资源总经理王栋在同份报告的访谈里谈到他怎么判断”聪明人”——不是看智商，而是看认知、审美和判断力。他面试的方法是：用领域内模糊的、有争议的、尚未收敛的问题来讨论，然后追问候选人的重大抉择。为什么这么做？因为在那些有标准答案的问题上，AI 已经能答得比大多数人好了。能区分人和人的，是那些没有标准答案的问题。
世界经济论坛 2026 年 6 月发了一篇文章叫《为什么判断力是 AI 时代最稀缺的能力》，说的是同一件事：众多职业正被”解绑”为可被自动化处理的任务和本质上依赖人类判断力的任务，”判断工作”在上升。WEF 的《未来就业报告》预测，到 2030 年，39% 的劳动者核心技能会发生变化；1.7 亿个新岗位被创造、9,200 万个岗位被替代。普华永道《2026 全球 AI 就业晴雨表》显示，AI 技能的工资溢价从 57% 上升到 62%。国际货币基金组织 2026 年 1 月的研究发现，掌握四项以上新技能的岗位薪酬溢价更高——但也指出，AI 相关技能虽有工资溢价，却并未像其他新技能那样促进就业增长。
中国跨境电商行业 2026 年 1 月的薪酬调研更直白：企业需求已从单一技能转向”深度专业 + 广度协同”的 T 型人才。基础操作岗与战略创新岗的薪酬鸿沟在扩大——基础运营岗甚至出现了”月薪 3000″的极端起薪，而能驱动增长的资深岗可达 1.2 万到 3 万元。
新华社 2026 年 1 月的报道把不可替代的优势列了出来：想象力、判断力、审美能力、批判性思维、情感互动能力。复旦大学的张军平认为”斜杠”可能是未来主要的生活方式之一。
还有一个反直觉的发现值得说：文科生在自然语言编程时代反而有优势。 猎聘报告里举了一个案例——长沙一家公司雇了上百名文科生写剧本做短剧 App，月净利 1000 万。逻辑很简单：”能把事情描述清楚的人，AI 就能帮到他。”当编程从写代码变成写自然语言指令，”表达能力”突然从软技能变成了硬技能。
把这些证据拼在一起，我当年那个答案的更新版就清晰了：
“企业需要他需要的人才”依然成立，只是”他需要的”变了。 他把”需要”从”能干活的手”换成了”能判断的脑”，从”解决问题的执行”换成了”定义问题、并对趋势下注”。
但如果故事到这里就结束，它只是一篇关于职场的文章。我想往前再走一步——走到教育。
从人才标准，转到教育——我们怎么教下一代
前面四章讲的都是”企业需要什么”。但我越想越觉得，这个问题的答案如果不接上教育，就是悬空的。企业需要一专多能的人才——好，那这样的人是怎么长出来的？是大学四年能长出来的吗？是第一份工作能长出来的吗？
我觉得不是。它的根在更早的地方。
这里我有三个想法，先摊开来说。
第一个想法：我们正处在 AI 时代最甜蜜的时候。 甜蜜的意思是——AI 已经强到足以拉平执行，但还不足以独立承担长链条、高可靠性、非结构化、需要担责的判断任务。所以”人 + AI”的配置仍然有超额价值。但这个窗口是有倒计时的。
这个”甜蜜期”到底有多长？METR（一个专门评估前沿 AI 模型任务完成能力的组织）给出了一些量化锚点。他们发现，前沿模型能以 50% 成功率完成的任务长度（按人类专家完成该任务所需时间衡量），大约每 7 个月翻一倍，这个趋势已持续约 6 年。近期更新后，2024 年以后的翻倍时间缩短到约 89 天。外推下去，能独立完成”人类一个月工作量”任务的 AI，落在 2028 年年中至 2031 年年中之间（80% 置信区间）。
但 METR 自己反复强调了几个局限，我觉得这些局限恰恰构成了”甜蜜期”的完整图景：
- 50% 成功率不等于”可以把任务交给 AI”——可靠性要求高的任务需要 98% 以上的成功率
- 时间跨度翻倍不等于自动化程度翻倍：AI 会以更复杂的方式失败，每次人工干预可能反而需要更多人力
- 在视觉操作电脑这类任务上，时间跨度比软件任务低 40–100 倍
- 在非结构化、”更乱”的任务上表现明显更差
- 所有测试任务都是自包含的，而现实中大多数长周期工作需要协作——多轮人机交互下的表现尚无答案
所以”甜蜜期”的准确含义是：AI 已经能替孩子做题，但还不能替孩子成为一个知道自己要什么的人。 这个窗口，是留给教育的时间。
第二个想法：我们现在的教育其实是工业革命的产物，是标准化的。
这不是我的发明。同济大学校长郑庆华梳理过教育的三次革命，他的框架和我的直觉完全一致：
- 第一次，农耕时代：从原始的家庭个别教育，转向学校的个性化教育。想想古代的私塾，一个先生带几个学生，因材施教。
- 第二次，工业时代：从个性化的农耕教育，转向班级授课制的规模化教育。规模化、标准化、集中化的班级授课制取代了旧式私塾制，建立起系统化、制度化的人才培养体系。
- 第三次，AI 时代：以人工智能、机器学习、虚拟现实为主要内容的个别化教育正在引发第三次教育革命。教育范式从”师—生”二元结构转变为”师—机—生”三元结构。
我想特别强调一点：说”教育是工业革命的产物”不是在说它”错”。 班级授课制在它诞生的那个时代是一个伟大的发明。工业革命需要大量具备基本读写算能力的劳动者，需要他们守时、服从指令、能在流水线上协作。标准化教育完美地满足了这个需求。它让教育从贵族的特权变成了大众的权利，这是人类文明的巨大进步。
但它服务的是那个时代的需求。而那个时代的需求，和今天的需求，已经不是同一个东西了。
第三个想法：未来的教育一定是个性化的，根据孩子的特性去定制他的成长路线。
这需要我们和孩子都有充分的耐心。因为要找到我们热爱的事情其实是不容易的，这需要很长时间的打磨。找到终身热爱这件事情，是需要时间去探索试错的。而这些事情——探索、试错、发现自己是谁、知道自己要什么——是在我们考试、我们的试卷之外的，是未来孩子的核心竞争力。
但”个性化教育”这四个字说起来容易。它是理想主义吗？是一种”听起来很美但做不到”的愿景吗？
不是。它已经有证据了。
个性化教育不是理想主义——它已经有证据了
2025 年，哈佛大学做了一个随机对照实验。Kestin 等人在《Scientific Reports》上发表了结果。194 名本科生被随机分成两组，学同样的物理内容。对照组由同一位老师用主动学习法上课——注意，不是传统的填鸭式，已经是公认效果不错的教学法了。实验组使用经过教学法设计的 AI 导师。
结果：
| 指标 | AI 导师组 | 主动学习课堂组（同一老师） |
|---|---|---|
| 学习增益（相对前测基线） | 中位数后测分 4.5 | 中位数后测分 3.5 |
| 用时 | 中位 49 分钟 | 60 分钟 |
| 投入度 | 4.1/5 | 3.6/5 |
| 学习动机 | 3.4/5 | 3.1/5 |
| 效应量 | 0.73–1.3 个标准差 | — |
学习增益达到两倍以上，用时更少，投入度和动机显著更高。效应量 0.73–1.3 个标准差——在教育研究里，0.4 以上就算大效应了。
但这个实验最有价值的发现不是这些数字，而是两个细节。
第一个细节：关键不是技术，而是设计。 这个 AI 导师不是简单地把 ChatGPT 扔给学生。它基于教育心理学做了提示工程，有详细的分步答案，有准确性保障机制。换句话说，让 AI 在教育里有效的前提，是有人懂教育、懂学生、懂怎么设计学习路径。技术是工具，设计才是灵魂。
第二个细节，也是我觉得最实用的发现：关于”节奏”。 觉得课堂太快的学生，在 AI 那里花了更长时间；觉得课堂太慢的学生，更快完成了。AI 天然适配了每个学习者的节奏。在一个 60 人的课堂里，老师只能选一个速度。有人跟不上，有人觉得无聊。AI 不需要选——它给每个人不同的速度。这就是个性化最朴素、最直接的形态。
这不是孤例。世界银行在尼日利亚做了一个随机对照实验（DeSimone 等，2025），用大模型做虚拟辅导。在教师指导下进行六周后，综合测评提高了 0.31 个标准差，其中英语这一主要结果提高了 0.23 个标准差；研究者将整体增益折算为当地常规教学约 1.5–2 年的学习进展。人均成本约 48 美元。在资源匮乏的地方，这个数字的意义是巨大的。
Létourneau 等人在《npj Science of Learning》上发表的系统综述，跨 28 项研究、约 4,600 名儿童，发现了一致的模式：AI 辅导系统在结合个性化节奏、即时反馈和分步引导时，优于传统教学。
政策层面也已经动起来了。教育部等五部门 2026 年 4 月发布的《”人工智能+教育”行动计划》明确提出：到 2030 年基本形成人工智能与教育深度融合格局；要”建设学生数字档案，根据学生能力、特质和爱好，动态优化学习路径”、”支撑规模教育下的个性学习”。人民日报的评价是：生成式 AI 有助于”缓解’标准化供给’与’个性化需求’之间的矛盾”。
但我必须说一个不那么舒服的事实。
Bastani 等人在 2025 年发表于《PNAS》的一项土耳其高中数学实验发现：使用无结构 AI 工具的学生，AI 辅助练习成绩高出 48%，撤去 AI 后的独立考试成绩却低了 17%。
做得更多，懂得更少。AI 替他们把思考做掉了。
这和前面讲的 BCG 实验里的”自我自动化者”是完全同构的现象：把思考让渡出去，能力就退化。所以教育上必须区分两种使用方式——AI 当思考伙伴（提问、追问、让学生自己得出答案、按自己的节奏走）和 AI 当答案机器（直接要结果、复制粘贴、交差了事）。同样是”用 AI”，一种在培养能力，一种在消解能力。
还有一个不能回避的问题：个性化教育有它的公平性风险。 能负担起定制化资源的家庭——好的 AI 工具、懂教育的父母、丰富的课外体验——他们的孩子会在个性化的轨道上越走越快。而不能负担的家庭呢？差距可能被拉大，而不是缩小。所以这件事不能只靠市场，也需要公共政策。政府推”学生数字档案”和”规模教育下的个性学习”，意义正在于此——它试图让个性化不只是有钱人的特权。
说到这里，教育的证据讲完了。但有一个问题我一直在回避，现在必须面对它了：我前面说”找到我们热爱的事情需要时间探索试错”，”找到终身热爱”——这个说法本身，可能就有问题。
关于”热爱”，我想修正我自己的说法
我之前写”找到我们热爱的事情”的时候，用的是”找到”这个词。找到，意味着它在某个地方等着你，你只要走对路就能遇见它。像寻宝一样。
但研究告诉我，这个比喻可能是错的。
2018 年，斯坦福的 O’Keefe、Dweck（就是提出”成长型思维”的那位 Carol Dweck）和 Walton 发表了一篇论文，题目是《Implicit Theories of Interest: Finding Your Passion or Developing It?》——”兴趣的内隐理论：找到你的激情，还是培养它？”
他们做了五项实验，约 470 名被试。发现人们对”兴趣是什么”有两种截然不同的信念：
一种是“兴趣是固定的”——它在那里，等着被发现。”找到你的激情”就是这种信念的口号。
另一种是“兴趣是可以培养的”——它不是被发现的，而是通过投入、坚持、深入而生长出来的。
这两种信念导致了完全不同的行为模式：
持”固定”信念的人，对自身兴趣领域之外的东西兴趣更低（”那不是我的菜”）；期待一旦找到激情就会有无限动力、不会遇到困难（”如果它真的是我的热爱，我不应该觉得难”）；当事情变难时兴趣断崖式下跌（”可能这根本不是我的兴趣”）；跨学科整合的创意也更少。
持”培养”信念的人则更开放、更能坚持、更有跨领域的创造力。
论文里有一句话我读完之后愣了很久：
劝人”找到你的激情”，可能让人把鸡蛋全放进一个篮子，然后在篮子变沉时把篮子扔掉。
我承认，我之前就是那个劝人”找到你的激情”的人。
研究者的建议是：与其说”找到你的激情”，不如说“培养你的激情”。
而且这种信念是可以被教会的。O’Keefe 等人随后做了两项研究（175 人的先导研究和 580 人的随机实验）。在主实验中，大一文科生在开学周接受了不到 30 分钟的在线模块，内容就是关于”兴趣是可以培养的”。一学年后，干预组对必修的数学和科学课更感兴趣、成绩更好。效果在那些自称”我不是学数学和科学的料”的学生身上尤其明显。30 分钟的干预，效果持续了一整个学年。
这对我之前说的话意味着什么？
我说”找到终身热爱需要时间探索试错”——研究进一步告诉我：热爱不是被”找到”的，是被”培养”的。 而且“必须找到那唯一的热爱”这个信念本身，会让孩子更容易放弃。
想象一个场景：一个孩子对编程产生了兴趣，自己折腾了两周，做了一个小游戏，很兴奋。然后他遇到了一个 bug，怎么都解决不了。如果他心里的信念是”如果编程真的是我的热爱，我不应该觉得这么难”，那他很可能在这个节点放弃，然后去”寻找”下一个”真正的热爱”。如果他的信念是”兴趣是需要培养的，遇到困难是正常的”，他更可能坚持下去——而正是这个坚持，最终把浅层的兴趣雕刻成了深度的能力。
所以“耐心”不是”等他找到”的被动等待，而是”陪他坚持过困难期”的主动介入。
而且这恰好接回了前面关于”一专多能”的讨论。一专多能的”专”从哪里来？不是从天赋里蹦出来的。深度从来不是兴趣自动带来的，是难度和坚持共同雕刻出来的。 一个人之所以在某个领域有判断力，是因为他在那个领域里待得够久、摔得够多、穿越过足够多的困难期。这个过程不浪漫，不像电影里那种”天选之人发现自己的使命”的桥段。它更像是——你在一件事上投入了足够多的时间，它慢慢变成了你的一部分，你开始能看到别人看不到的东西。
这就是”专”的来源。而”培养”这个信念，是”专”的前提。
所以，具体该怎么做
说了这么多，如果不落到具体的行动上，就只是另一篇”说得都对但没什么用”的文章。这一章我想写三个清单。不是”要终身学习””要多陪孩子”这种正确的废话，而是尽量具体到可以明天就开始做的事。
给职场中的自己：怎么长成”一专多能”，而不是”样样稀松”
一、至少要有一口”深井”。 选一个你比 AI 和大多数同事都懂的领域，持续往下挖。不需要是多么宏大的领域——可以是”跨境电商在东南亚的合规问题”，可以是”B2B SaaS 产品的续费率优化”，可以是”三到六岁儿童的语言发展规律”。判断力从这里长出来。你无法评估你不理解的东西，而在 AI 时代，评估能力比生产能力更稀缺。
二、建立”AI 使用纪律”来防退化。 具体来说：
– 关键判断类任务，先自己形成判断，再问 AI。哪怕你的判断是粗糙的、不完整的，也要先有一个。然后拿 AI 的输出来对照。这个”先想后看”的顺序，就是防止”在方向盘后睡着”的最简单方法。
– 把 AI 当”反方”而不是”答案”。你写完一个方案，别问 AI “帮我润色一下”，问它”这个方案最大的三个漏洞是什么”。让它论证你对立的一面。
– 对高影响力输出，永远验收正确性而不只看流畅度。读起来通顺不等于写得对。每次你想跳过验证这一步的时候，想想 BCG 那个实验里正确率从 84.5% 掉到 60% 的数据。
三、明确给自己定位：做 Centaur 或 Cyborg，别做 Self-automator。 区别在于一个问题：“定义任务”的权力在谁手里？ 如果你把”做什么”和”怎么做”都交给了 AI，你就是在自我自动化。把”怎么做”交给 AI 是合理的（它执行得比你快），但”做什么”这个权力，牢牢握在自己手里。
四、主动认领结果。 这听起来像是职场鸡汤，但它有一个非常实际的底层逻辑：在今天的组织与制度里，结果责任仍需要由人承担。郭迅华说的”监护关系”——AI 能决策、能学习，但不能担责。当你主动说”这个项目的结果我负责”的时候，你在做一件 AI 做不了的事。这就是你的不可替代性。
五、练可迁移的”元能力”。 你在上一个项目里学到的”如何在信息不完整的情况下做决策”，能不能迁移到下一个项目？你在 A 行业积累的”如何把复杂流程拆解成可执行步骤”的方法论，能不能用在 B 行业？每做完一件事，花十分钟问自己：这次我学到的方法，有哪些是可以带走的？这些可以带走的东西，就是你的”多能”。
给父母的：在试卷之外，怎么培养孩子的核心竞争力
一、保护”没用的时间”。 自由探索、无聊、自己找事做——这些看起来”浪费”的时间，恰恰是孩子发展内在驱动力的土壤。一个从早到晚被安排满的孩子，没有机会发现”我自己想做什么”。而”知道自己想做什么”，是未来最值钱的能力之一。
二、让孩子多经历几次”从不会到会”的完整循环。 学游泳、学做饭、学修一个坏掉的玩具、学用代码画一幅画——具体是什么不重要，重要的是经历”完全不会 → 很挫败 → 慢慢摸到门道 → 做到了”这个完整过程。这个循环经历得越多，孩子越能建立起”困难是暂时的，坚持下去就能学会”的信念。这比任何一次考试分数都更能长出判断力和韧性。
三、教他区分”AI 给的答案”和”我自己的答案”。 具体做法：让他先自己答，写在纸上或者说出来。然后再让 AI 回答同一个问题。对比两个答案，讨论差异。甚至可以让 AI 当反方——”你觉得我的答案哪里有问题？”这个过程本身就是在训练批判性思维。
四、别问”你以后想干什么”，改问”你最近对什么好奇”。 “你以后想干什么”这个问题，暗含着”你应该有一个明确的答案”的期待。它把”找到热爱”变成了一次性的考试——答对了就安心，答不出来就焦虑。”你最近对什么好奇”则是一个开放的、低压的、可以反复回答的问题。它允许答案变化，允许浅尝辄止，允许”上周对恐龙感兴趣，这周对火山感兴趣”。
五、遇到困难时的反应，决定了他会不会把兴趣保留下来。 孩子在学一样东西的时候遇到了卡点——这个时刻是关键时刻。如果你说”算了，可能你不适合这个”，你在强化”兴趣是固定的”这个信念。如果你说”这确实很难，我们想想还有什么办法”，你在强化”兴趣是可以培养的”。O’Keefe 和 Dweck 的研究已经说得很清楚了：后一种信念的孩子更能坚持、更开放、更有创造力。此时的角色是陪他度过，不是替他决定放弃还是继续。
六、见世面、多领域接触，但允许他浅尝辄止地试错几次。 广度是”多能”的原料。带他去不同的地方、接触不同的人、尝试不同的事情。但不要每一样都要求他”坚持到底”。有些事情试了两周发现不感兴趣，那就放下，没关系。试错本身就是在积累信息——”我知道我不喜欢什么”和”我知道我喜欢什么”一样有价值。关键是在某一两件事上，当他表现出持续的好奇时，帮他深入下去。
七、关于 AI：允许他用，但要守住”思考不能外包”的底线。 Bastani 等人的实验提醒我们：使用无约束 AI 辅助的学生，练习成绩提高了 48%，但在不使用 AI 的考试中低了 17%。做得更多，懂得更少。所以规则可以是：用 AI 来帮你理解（”给我解释一下这个概念””用一个比喻来说明”），但不用 AI 来替你回答（”帮我写完这道题”）。前者是思考伙伴，后者是答案机器。
一个判断标准
怎么知道孩子的方向对了？
观察这些信号：他开始自愿花时间在某件事上——不是你安排的，不是老师布置的，是他自己想做的。他开始自己给自己出难题——”如果我把这个改一下会怎样？””我能不能做得更好一点？”他开始在没人要求时也想做得更好——不是为了分数，不是为了表扬，是他自己觉得”还不够好，我还想试试”。
这些信号不在任何一张试卷上。
回到大一的那个课堂。
阶梯教室，两个班合在一起，老师站在讲台上。她的问题还是那个问题：
“我们的企业需要什么样的人才？”
如果今天再让我回答，我不会再抖机灵了。我会说：
企业仍然需要”他需要的人才”——这一点没变。但”他需要的”已经从”能执行的手”变成了”能判断的脑”。当 AI 把执行的成本压到接近零，当任何一个人加上 AI 都能产出中位数水平的工作成果，企业愿意付溢价购买的，是你对一个领域的深度洞察、是你在信息不完整时做出判断的能力、是你能定义问题而不只是解决问题的能力、是你愿意站出来说”这个结果我负责”的担当。
这些东西，不是靠”什么都会一点”能长出来的，也不是靠刷题能刷出来的。它们长在一个人对某件事的长期投入里，长在他穿越困难期之后获得的那种”我知道这个东西的纹理”的感觉里，长在他见过足够多的世面之后形成的那种”我知道什么是好的”的审美里。
当年我说”企业需要他需要的人才”，那时我以为这句话的关键是”需要”——你去匹配需求就好了。
现在我知道，它的关键是“他”。因为需求会变。定义需求的能力和承担结果的能力，才是那个不变的东西。
而这两样东西，都不是考试能考出来的。
参考来源
- Brynjolfsson, Li & Raymond《Generative AI at Work》（NBER 工作论文 31161，2023）
- Noy & Zhang《Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence》（《Science》，2023）
- Dell’Acqua 等《Navigating the Jagged Technological Frontier》（哈佛商学院 × BCG，2023）
- Randazzo 等《Persuasion Bombing》（哈佛商学院工作论文 26-021）
- Randazzo 等《Cyborgs, Centaurs, and Self-Automators》（哈佛商学院工作论文 26-036）
- arXiv 2512.10961（AI 作为平等器与放大器的框架论文）
- Doshi & Hauser（AI 对个体创造力与集体多样性的研究）
- Brynjolfsson, Chandar & Chen《Canaries in the Coal Mine》（斯坦福数字经济实验室，2026 年 8 月更新版）
- 猎聘 × 清华大学经管学院《AI 时代技能趋势报告》（2026 年 6 月）
- 世界经济论坛《为什么判断力是 AI 时代最稀缺的能力》（2026 年 6 月）
- 世界经济论坛《未来就业报告》
- 普华永道《2026 全球 AI 就业晴雨表》
- 国际货币基金组织 AI 与就业研究（2026 年 1 月）
- 中国跨境电商行业薪酬调研（2026 年 1 月）
- 新华社 AI 时代人才能力报道（2026 年 1 月）
- METR 前沿 AI 模型任务完成时间跨度评估（含 TH1.1 更新）
- 郑庆华（同济大学校长）教育三次革命分析框架
- 教育部等五部门《”人工智能+教育”行动计划》（教科信〔2026〕1 号，2026 年 4 月）
- Kestin 等《AI 导师与主动学习课堂的随机对照实验》（《Scientific Reports》，2025）
- DeSimone 等（世界银行尼日利亚 AI 辅导随机对照实验，2025）
- Létourneau 等（《npj Science of Learning》系统综述，2025）
- Bastani 等《Generative AI without guardrails can harm learning》（《PNAS》，2025）
- O’Keefe, Dweck & Walton《Implicit Theories of Interest: Finding Your Passion or Developing It?》（《Psychological Science》，2018）
- O’Keefe 兴趣信念干预实验（大一文科生纵向研究）