AI越用越顺手，但人们的批判性思维正在退化

AI用得越多，独立思考能力可能越弱。研究发现，过度依赖AI会让专业知识脱离实际情境，也让大家的想法越来越趋同。本文提出三条解决思路：让AI反过来挑战你的假设、刻意创造不用AI的时间和空间、尝试聊天框之外的交互方式。记住：AI应该是帮你思考的工具，不是替你思考的主人。

大多数企业都清楚，员工不能只会被动执行指令、机械套用规章。具备批判性思维的人善于提出疑问、敢于质疑固有假设——这类行为对组织保持敏捷性、激发创新至关重要。但越来越多证据表明，AI的应用可能削弱人类这项能力。

为帮助企业应对这一问题，我们整合管理学现有研究（包括我们自己的部分成果）、认知科学、人机交互以及组织内工作与技术相关文献，同时访谈了一批正在尝试各类AI落地方法的企业高管，提出了一套全新思路，指导企业设计、部署与运用AI，以期从长远角度促进多元观点碰撞、培育批判性思维。

企业应重点警惕两大由批判性思维弱化引发的组织风险：专业能力的流失和认知多元性的丧失。这两类风险都可能损害企业保持敏捷与创新的根基。管理者必须认清：

因此，领导者不能只看重短期收益（例如效率提升、成本降低等预期），应当引导使用者不要想当然地信赖技术输出，主动探索实践——主动塑造人工智能，而非被人工智能塑造。

AI如何重塑人类思维

早在生成式AI热潮兴起之前，多项研究就已经揭示了“黑箱效应”现象：从业者在不理解分析工具的情况下盲目信任它们，长此以往会导致专业判断力丧失。近期研究进一步表明，

，引发学界对认知外包，乃至认知顺从现象的担忧。麻省理工学院媒体实验室2025年一项关于大语言模型认知成本的研究，以及沃顿商学院2026年一项研究，都证实了使用AI的人倾向于不再质疑和核验AI的输出。尽管AI对人类认知的长期影响仍有待持续论证，但现有研究已经发出明确信号：AI的使用正在切实改变组织能力。

首先，不少研究者担忧，AI的普及会导致企业内部专业知识脱离情境。其核心逻辑在于：AI可以轻松调取事实与数据，却无法结合具体情境对知识做出有意义的解读和运用。数据中往往蕴藏着大量细微信息，只有兼具直觉、共情能力和跨领域实践经验的人才能捕捉到。人类之所以能读懂数据，是因为有亲身经历以及对数据所处现实场景的理解。而AI只是一套算法，无法直接体验现实，因此容易忽略这些细微的关键信息。

举个例子：即便AI能够通过律师资格考试，也不代表它理解司法体系中所有的细微差别、各方利益相关者的诉求、不同案件差异化的成因与逻辑，以及其他专业领域如何与法律体系产生关联。法律专业知识一旦脱离具体情境，风险随之而来：如果律师单纯依赖AI，既不熟悉案件细节，也不理解复杂的司法环境，很可能曲解证据、出现判断失误。

事实上，近期一项研究表明，恰恰因为人们越来越依赖AI，企业反而更需要掌握专业领域知识的人才，来负责核验AI输出、灵活应对新情况、预判潜在风险。另一重隐患在于：企业为压缩成本削减初级岗位，短期内看似节省开支，未来却可能出现中层管理者的人才断层——而企业当下正高度依赖这批管理者的情境化理解能力。

此外，AI容易催生同质化思维。多项研究表明，大语言模型往往会压缩观点的多样性：一方面模型容易固守最先产生的思路，另一方面存在“平均化”的倾向。这会诱导使用者忽略反常、意料之外的信息，然而创新洞见往往恰恰诞生于这些意外信息。由此可见，生成式AI的泛滥容易形成单一思维圈层，使组织丧失创新不可或缺的多元经验与多元视角。同时，员工更容易忽视外部变革信号，削弱企业的环境应变能力。

那么，我们该如何管控这些风险？组织领域关于工作与技术的成熟文献已经给出了可行的方向。核心观点是：

人类如何主动塑造AI

当下围绕生成式AI的主流叙事，大多将其呈现为带有聊天界面的单一工具，人们向它提问、索取答案。主流观点认为，想要获得更好的结果，就要学会优化提示词、更频繁地使用AI。学会提出更好的问题本身没有错，但这无法从根本上化解风险。想要真正应对挑战，我们不能只把技术当成工具，而要将其视为一套人类可以塑造的系统。这意味着我们需要设计由AI赋能的工作环境，守护人的自主判断力和主导地位。

结合我们调研和合作过的各类企业在AI及新技术方面的实践经验，我们总结出三条可行路径。

反向运用AI

古希腊哲学家苏格拉底习惯向追随者发问，引导他们自主探寻哲学问题的答案，有时也促使人们意识到自身的认知局限。这套思路同样可以运用在AI实践中。以下两个案例可以说明：

由大型制药公司阿斯利康于2025年8月发起，这个为期10天的项目由一系列简短练习组成，旨在鼓励员工动手试验AI，锻炼批判性思考能力。全公司超过1500名员工参与其中。参与者学到的不仅是撰写提示词，更重要的是掌握一种思考方式：借助提示词倒逼自己深度学习、深入挖掘。

参与者的反馈显示，这项活动重塑了大家与AI的相处模式。一位参与者指出：“这套方法打开了全新的思考角度，挑战了我的固有认知，也让我在开展任何对话前学会了自我反思。”

阿斯利康全球能力发展主管邦妮·切克博士和企业AI战略与创新主管马切伊·西马谢克博士在接受我们采访时介绍说：“这项挑战赛在整个组织内迅速推广开来，各个团队和部门纷纷参与，并结合自身的工作流程、职能和AI工具做了本地化调整。”2025年的首期试点获得了布兰登·霍尔银奖。活动推出一年后的今天，已有超过50个团队与业务部门落地该项目，数千名员工参与挑战

几个月前，苏黎世联邦理工学院和新加坡南洋理工大学的研究团队在赛拉姆机构主办的一场24小时黑客马拉松中，与近2000名参与者（组成近500支队伍）一起开展了AI试验。各团队提交了有助于联合国实现可持续发展目标的项目方案，AI向队伍提供了不同类型的反馈。一半队伍收到的反馈聚焦于如何优化方案以更好地契合预定目标；另一半队伍收到的反馈则着重指出其方案与现有项目之间的重合之处，鼓励他们尝试全新的思路。研究团队发现，当AI不断向第二组参与者提出质疑，帮助他们区分方案中哪些内容是新颖的、哪些已经存在时，这些团队产出了更加多样、更具创新性的想法。

找准使用AI的时机与场景

企业在搭建AI治理框架时，通常重点关注在哪里落地AI。但与此同时，企业更应该思考：

我们给管理者提出以下建议：

这一策略借鉴了过去企业应对邮件信息过载的实践。例如，2007年英特尔面向一组工程师开展试点，以缓解员工面临的信息过载问题：每周设定一天，鼓励工程师不使用电子邮件。（此前德勤和美国移动通信等企业也曾尝试推行过“无邮件日/周”。）

同理，企业和管理者可以划定特定时段，要求员工不使用生成式AI工具，或者为他们提供“准入式交互界面”——只有在用户先输入自己结合情境形成的思考后，系统才开放AI辅助功能。另一组研究人员报告称，他们研究的一家澳大利亚电信运营商要求中层管理者在使用AI工具之前，先进行“无AI战略会议”，迫使大家首先依靠自己的判断和经验进行战略规划的头脑风暴。

技术在当前发展和增长战略中无处不在，有时会极大地左右企业的决策和结构，以至于其使用变得不容置疑。要确保人类能够塑造技术，首先要给员工——尤其是新入行的员工——提供在没有AI工具的情况下处理特定任务的机会，以此积累专业能力和情境知识。

理解流程不仅是基层员工的必修课，对中高层管理者同样重要。安东尼在研究资深银&行从业者时也观察到了明显的分化：一部分高管仅把算法工具当作输出结果的载体，自身专业能力持续弱化；另一部分资深从业者则主动理解各类技术的原理，厘清技术如何影响自己的工作。后者不仅持续精进专业能力，还能有效指导初级分析师——要求他们解释工具选择的依据，说明数据背后的假设逻辑和计算过程。

从更宏观的组织层面来看，关于技术和工作的研究已经表明，新技术的有效落地离不开在员工既有知识基础上重新设计工作流程。事实上，西班牙劳工部资助的一份专家报告就体现了这一思路，该报告强调了在推动AI落地时必须吸纳企业一线员工参与讨论的重要性。

在某些情况下，让AI和一个人类团队独立并行地执行同一任务可能是有益的。之后，团队和AI可以整合双方产出，形成融合式方案。总部位于里斯本的转型设计咨询公司With Company就在战略和创意项目中持续试验这套并行模式。

在2024年与一家初创公司进行的早期实验中，两个团队同步完成了同一个品牌策划任务。一组采用更传统的设计流程，另一组则大量依赖AI支持的工作流程。AI支持的团队在得出最终方案前生成了近1700张图像，极大扩展了探索空间，加速了发散过程。人类主导的团队产出的方案数量更少，但从一开始就具有更强的连贯性、更清晰的故事叙述和更完整的情境框架。

最终，项目选用了人类团队的方案。但With Company从中总结出通用经验：并行模式清晰地展现了AI和人类团队在创意过程不同阶段的相对优势。AI在信息转录、综合归纳、快速探索和拓展可能性方面表现出色，而框架搭建、优先级判断和价值取舍仍然高度依赖人类的解读和情境理解。此后，With Company在多个项目中持续运用并行工作模式。

尝试不同的交互界面

绝大多数生成式AI和大语言模型都采用聊天机器人架构，在大多数情境下提供“一问一答”式的交互。AI的响应通常是一大段文本，需要用户逐条梳理要点，从中筛选出需要的信息。然而，这种界面形式并不适用于所有场景。现实中经常出现的情况是，聊天界面退化成一团混乱的“对话”：办公人员面对AI输出的海量总结文本不堪重负，于是简化、重构、重新解读内容；AI再模仿人类调整后的表述继续作答，进一步加剧了混乱。

人机交互研究早已打破了“人机交互只能依靠键盘鼠标”的固有认知。同样，我们也应当跳出“AI只能是聊天窗口”的思维定式。近期一篇学术论文提出，应当摒弃“无摩擦用户界面”，转而打造一类新界面：直接展示原始数据，同时呈现多方对立的论据，倒逼使用者主动梳理信息、对比不同备选方案、审慎权衡。

实证研究表明，这类复杂的交互界面在数学、编程等使用者本身已是专家的领域中效果突出。例如，谷歌就指出，现有的聊天界面无法支撑数学研究所需要的复杂、多维、迭代的工作模式。为此，谷歌开发了“AI联合数学家”工具，配备灵活的交互界面，既能辅助数学家推进研究工作，也能协助验证证明过程、排查漏洞。该工具通过标注系统将完整的推理步骤可视化，使推导过程清晰可见，从而更好地支持数学的迭代式研究。这类工具表明，AI不必局限于我们当下司空见惯的通用聊天机器人形态。

随着AI持续渗透到各类组织中，管理者应当抛开行业炒作热潮，以全面、平衡的视角来规划企业的AI应用。要想帮助员工成为主动的知识创造者，企业必须有策略地开展AI试点探索，厘清如何借助技术赋能工作、守住专业能力根基、培育多元思维。AI应当赋能于人，而非取代人。