领覆类
AI时代的"经验两头化"——AI正在让强者愈强、弱者愈弱
上个月我去一家科技公司做内训，和两个设计师聊了聊。
一个从业8年的资深设计师，用AI工具把一个项目从三天压缩到半天。他兴奋地跟我说："老邓，AI让我至少提升了3倍效率。"
另一个是刚入职3个月的新人，同样用AI工具，做出来的方案被主管打回来三次。他沮丧地说："AI给的我改不好，不给我又做不出来。我感觉自己更笨了。"
同样的AI工具，同一家公司，同一套流程。效果天差地别。
AI不是普惠的，它是偏心的。
核心判断：AI是经验的放大器，不是经验的平替
很多人都觉得AI能"拉平差距"——让新人快速达到老手的水平。这是最大的误解。
AI干的是什么？它基于已有数据，给你一个"最佳实践"级别的输出。但这个输出好到什么程度，完全取决于你描述需求的水准、判断输出的能力、以及把AI产出和你自己的工作流整合起来的经验。
换句话说：AI给你的不是答案，是半成品。把半成品加工成成品的工艺，取决于你的经验。
资深设计师看到AI生成的方案，能一眼看出"这个布局逻辑不对""这个配色不符合客户品牌调性"——经验告诉他怎么改。新人看到了，只觉得"看起来好好看"——然后无从下手。
2025年波士顿咨询联合哈佛商学院做了一项实验：让咨询顾问用AI做一项商业分析任务。结果发现：AI辅助下，资深顾问的效率提升了58%，而初级顾问只提升了8%。
差距不是缩小了，是拉大了6倍。
三条正在被AI挤占的学习路径
比经验差距更让人担心的，是AI正在系统性破坏新手积累经验的路径。
第一条：从犯错中学习
新手进步最快的方式是什么？犯错。写错一行代码，搞砸一次方案，被客户怼一次——这些痛苦的经历让你记住教训，下次不再犯。
但现在的新手，90%的时间在改AI写的东西。代码是AI写的，方案是AI出的，邮件是AI拟的。错误变少了，但成长也变慢了。AI避免了你犯错的同时，也避免了你从错误中学习的机会。
没有错误，就没有理解。没有痛苦，就没有记忆。
第二条：从观察中学习
以前新人有幸坐在老手旁边，看他们怎么思考问题、怎么拆解任务、怎么和难缠的客户打交道——这种"偷师"是成长最快的途径。
现在老手用AI把活儿干了，外部根本看不出他们的思考过程。输入一个需求，AI输出结果，中间发生了什么——对新手来说是个黑箱。AI把老手的"手艺"变成了看不见的"黑箱操作"。
第三条：从试错中学习
"试试看不行就换"——这是人类学习的底层逻辑。但AI把试错的成本降到了几乎为零，同时也把试错的教育价值降到了几乎为零。
以前你手动做数据分析，做错了三个公式，但做完你对数据理解得很深。现在AI30秒跑完数据，你拿到了结果，但对数据本身一无所知。你拿到了"鱼"，但永远学不会"渔"。
数据印证：谁在用AI，谁在被AI用
美国经济研究局（NBER）2025年的一篇论文追踪了3000名客服人员的AI工具使用情况。结果很直白：
入职超过2年的客服，使用AI后每小时处理量提升35%
入职不足6个月的客服，使用AI后每小时处理量仅提升5%
更关键的是：新手在AI辅助下的学习速度，比不用AI的新手慢了40%

什么意思？AI不但没帮助新手成长，反而拖慢了他们的学习速度。

想想也合理——没有AI的时候，新人被迫自己思考、自己查资料、自己总结规律。有AI之后，他们直接把问题丢给AI，绕过了思考过程。短期效率微升，长期能力塌陷。

三个破法

如果你是一个管理者，不能让AI成为团队内部的"经验放大器"——那就意味着老手更强、新手更弱，团队断层越来越大。

破法一：建立"AI经验桥"

不要把AI当作独立的工具给每个人用。在资深员工和AI之间建立一层"经验翻译"——让老手把AI输出的东西加上他们的判断过程，然后分享给新手。

具体做法：资深员工每次用AI输出关键方案后，花10分钟写一段"我的判断过程"，包括：AI给了我什么、我改了什么、为什么改。这段记录就是新手最宝贵的学习素材。

破法二：设置"无AI实战日"

每周固定一个下午，新人禁止使用任何AI工具。所有工作必须靠自己的脑子完成。做完再让AI验证对比。

这个做法的目的在于：先逼出思考，再验证思考。大脑和肌肉一样，不练就会萎缩。

破法三：把AI反馈从"给答案"改成"教方法"

调整AI工具的反馈模式。不是直接告诉新手"做这个"，而是告诉新手"你现在可以试A方案，原因是…"让AI变成教练而不是保姆。

比如，把"给AI的prompt"从"帮我写一份方案"改成"帮我分析这个客户的问题，给出三个解决方向，并告诉我每个方向的优缺点"。

这不仅是prompt工程的问题——这是把AI从"输出答案"转向"展示思考过程"的根本转变。

AI的公平不在于让所有人都能用，而在于用好的人能帮助还没用好的人。最可怕的不是经验差距本身，而是AI让这个差距变成了隐形的——你根本看不出谁在被AI加速，谁在被AI甩下。