我开始研究 AI 主要是出于两个原因。
第一，我担心如果不了解这个东西，自己迟早会在职场中失去立足之地。
第二，我老大不小了。早在四年前我就感受到了职场的残酷，而未来的日子只会更难；所以我觉得，如果再不学点新东西，自己恐怕就要从职场“提前毕业”了。
工具、大语言模型、各类技能，只要能叫得出名字的，我一个不落全都跟。
每一次新更新，我都会去查阅、去尝试。我彻底着了魔，几乎不怎么睡觉，总担心自己的分析漏掉了什么，感觉整个人都要疯了。
随后，我的身体开始亮起红灯——我患上了胃炎，连全科医生也查不出病因。折腾了三个星期，才总算康复。
这让我想起见过的那些猝死案例。我知道这听起来可能有些极端，但从我目前看到的所有数据来看，在技术焦虑中感到心力交瘁的绝非我一个人。
AI 带来的脑力暴击
这是《哈佛商业评论》最新的调查数据。他们对全美各行各业的约 1500 名职场人士进行了调查，以下是总结图表：
也许你只是没太在意，或者忙得顾不上去正视它，但这并不意味着你没有承受压力——那些粗制滥造的 AI 垃圾内容、铺天盖地的炒作，以及“用更少资源做更多事”的职场压榨，都在无形中折磨着你。又或者，你曾以为这种痛苦只是暂时的，咬咬牙挺过去就没事了。
“AI 大脑宕机”并不会给你颁发什么荣誉勋章。它不过是换了个高级包装的“职场职业倦怠”罢。
用生成式 AI 去刷出更好的图片或代码，其让人上瘾的机制和刷TikTok、拉老虎机如出一辙。你输入提示词、重新生成、微调、再重新生成。
生成的四张图里有三张是废片，只有一张勉强能看，于是你忍不住又拉了一下老虎机的摇杆。
而且我觉得，AI 上瘾带来的倦怠感更可怕，因为它挂着“提高生产力”的工牌，让你觉得一次次重新输入提示词是在进行“产品迭代”；再加上脑海中的画面本来就模糊而主观，总觉得“下一次肯定会更接近完美”；生成式 AI 还要消耗时间和算力额度，这种沉没成本让放弃变得更难，而不是更容易。
在身体发出警报以及听到身边朋友的焦虑故事后，我觉得是时候努力让自己慢下来了——在苦苦追赶了四年之后的今天。
与此同时，我对 AI 了解得越深，对那些产品演示和新品发布会就越免疫。
以下是我梳理出的几点认知。
首先：刻意去学“如何使用 AI”毫无意义。
因为模型的更新速度太快了，你学到的任何技巧每隔几个月就会过时。
AI 发展的终极目标，是让任何人都能通过日常的大白话（自然语言）来完成任务。因此，任何所谓的使用门槛，都会在下一次技术迭代中被彻底铲平。
教别人如何氛围编程（vibe coding），或者用 AI 搞影视和绘画创作，是一件更令人绝望的事。工具一更新，技巧就作废。真正不会过时的，是知道什么是优秀的工程实践、什么是有效的视觉设计、什么是论证严密的文章。
只有这些底层能力，才能让你有底气去评判未来出现的任何新事物——包括摆在你眼前的 AI 生成内容。
研究人员在 2026 年做过一项测试。他们用视觉艺术家的个人画作训练了一个模型，然后让双方同台竞技。结果，艺术家在原创性、灵动感和美学表现上依然完胜。
模型拥有他们的风格，却无法复制他们的敏锐感知。
如果没有那种直觉和审美，你不过是在学习操作一个半年后就会变得面目全非的工具罢了。
想通了这一点，单纯去钻研怎么摆弄生成式 AI 就失去了意义。你花在研究 AI 工作流上的时间，不如用来读一本好书或学习一门底层理论。
这对未来的你来说，要有用上一百倍。
其次：完全依赖 AI 来替你干活同样徒劳。
为了让 AI 完美执行某项任务，你需要付出巨大的努力，至少我以前是这样的。
建文件夹、定规则、配技能，好不容易跑通了一个能按预期产出成果的工作流。结果下一次模型一更新，直接把你的这些心血（和知识）给“吸收”了，现在任何人只要动动嘴说一句话，就能得到和你一模一样的效果。
如果你是早期的尝鲜者，不妨回想一下自己在 2023 年疯狂追逐的各种 GPTs，再看看现在让你夜不能寐的某些技能或 OpenClaw 项目。你所做的一切，实际上都被下一代技术无情替代了；你提供出的最大价值，不过是给模型喂了高质量的训练素材。
而且，还没等你有机会好好享受精心调校的 AI 智能体（工作流、技能）带来的竞争优势，你与其他人之间的那点差距，转眼间就被抹平了。
这就好比你那些从来懒得去研究 Claude 或 Cursor 的同事，他们对 AI 的认知仅限于偶尔扫一眼新闻标题；他们依然按部就班地用老办法干活，而你用 Claude 省下的时间、以及你自以为多做的那些深度思考，在管理层眼里，其实和他们做出来的东西并没有什么实质性的区别。
剩下的，就只有用那些看似笨拙、却真正扎实的硬功夫了。
真正有价值的 AI 参与方式确实存在，但它与上述两种做法截然不同。
别一看到新工具就急着扑上去学，也别围着它去费尽心思搭建什么技能或工作流。
你只需要保持克制、定期去使用它，从而摸清它的“能力天花板”在哪里。那个天花板，才是所有光鲜亮丽的产品演示里绝口不提的秘密。而它，也是唯一值得你去搞懂的东西。
要摸清这个天花板，方法之一就是觉察自己是在什么时候伸向 AI 的——有时候你并不是真的需要它，只是因为面对一个棘手的难题时，坐在那里苦思冥想让你感到焦虑和不适。
我开始注意到，自己一旦遇到难题，就会下意识地打开对话框。输入提示词，成了我逃避思考的避难所。而当我试着强迫自己等上五分钟时，我通常就已经知道自己真正想表达什么了。
换作 AI，也不过是把我的想法用更多冗长的废话包装后还给我罢了。
用 AI 进行头脑风暴也存在完全一样的问题。可以说，“头脑风暴”是我听过最普遍的 AI 使用场景了，所以我就拿它来举个例子。
AI 生成的每一个点子，其实早就充斥在互联网的各个角落了。它给你的，只是在统计学上最合乎常理、最平庸的那个答案。而当你试图寻找一个别人从未切入的独特视角时，这种大众化的点子恰恰是你最不需要的。
研究人员曾对此做过严密的数据测算。他们选用了包括 ChatGPT、Claude、DeepSeek、Gemini、Grok、Mistral 和 GPT-5 在内的七个主流大模型，针对各行各业的真实战略问题进行了数千次测试，并采用了各种变换句式和框架的提示词。
然而，每次得出的结论都大同小异：无非是差异化、通力合作、长期主义、创新以及集中管理。正如你在下面的图表中所看到的：
你其实不需要像研究人员那样去做 15000 次试验才能看清这一点。你只需要留心一下，看看自己得到的，是不是流于网络平均水平的陈词滥调。
无论你提供的是哪个行业的背景，也无论你的提示词如何变化，模型最终给出的建议总是不可避免地收敛于那些听上去高大上、实则假大空的流行词汇。
除了头脑风暴，我相信你们中有些人可能正惊叹于 GPT-Image2 现在的能力已经如何超越了 nano banana。
我花几个小时体验了 GPT-Image 2。它的确能画出接近你脑海中的画面，但前提是你的指令必须极其具体，具体到你实际上已经自己完成了全部的创意构思。等我折腾完才发现，这花掉的时间，甚至比我直接找张参考图去和设计师沟通还要长。
这两个场景都非常值得深思（你可能也会发现属于你自己的类似时刻）。而看透这些，并不需要你成为什么 AI 专家。
真正值得推崇的 AI 相处之道应该是这样的：
-
在新技术刚好成熟到具有实质意义时去尝试，摸清它真正的优缺点和代价，
-
然后审慎思考，决定它是否应该成为你工作的一部分。这和盲目追逐每一次新品发布有着本质的区别。而且，这样对你的神经系统也温柔得多，不至于让人崩溃。
-
少写提示词，多做深思考。
等到 AI 这阵盲目跟风、徒劳折腾的狂热期过去之后
模型会继续升级，新品发布也不会停止。
但在我开始认真使用这些工具后，我越来越深刻地意识到：AI 的确能让我更高效地把东西做出来；但它永远无法告诉我，哪些东西才真正值得去做。
到头来，AI 生成的大部分内容，最后往往都被我毫不犹豫地扔进了垃圾桶。
这就是为什么最核心的竞争力——过去是，未来也永远是——我们的“判断力”：清楚什么该追求、什么该完成、什么该果断放弃。判断力永远是那道最终的瓶颈。正如我在那篇关于如何“榨干”你同事核心价值的文章中提到过的一样。
判断力才是那道任凭下一次技术发布也无法突破的天花板。
这并不是因为 AI 公司不够努力，而是因为这根本就不是一个可以通过工程技术来解决的问题。
一旦你看清了这一点，那些所谓的重大技术发布就再也无法掀起你内心的波澜了。相反，当有新东西面世时，你了解一下，大致明白它是干什么的，然后就可以气定神闲地转身，继续专注处理你手头真正重要的思考。
这听起来或许有些老生常谈，但问题的关键从来都不是“哪个工具跑得最快”，而始终是“你究竟想用它来做什么”。
本文来源：36氪
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。