越会用AI的人越焦虑:被省略的不是劳动,是判断
腾讯与复旦的追踪调查显示,AI熟练使用者的焦虑指数反而更高,说明焦虑的根源不是技术威胁,而是便利正在悄悄外包掉试错、判断和验证的过程。文章通过医疗AI、企业技术债和课堂实验等案例,说明真正被侵蚀的不是岗位,而是认知形成的机会,并指出焦虑是提醒我们重新划定外包边界的信号。
越会用AI的人越焦虑:被省略的不是劳动,是判断

越会用AI的人,为什么越焦虑
关于AI焦虑,一个常见的解释是:焦虑来自不了解。不会用的人害怕被淘汰,会用的人自然安心。但2026年腾讯调研与复旦大学社会发展与公共政策学院联合发布的《当AI进入职场》报告给出了相反的结果。在6691名连续参与两期调查的受访者中,熟练组AI使用者的个人焦虑指数为71.3分,入门组只有60.5分,差距超过10分。与此同时,熟练组的适应信心指数也更高,达到84.8分,比入门组高出20.3分。

焦虑和信心同时上升,说明这不是简单的技术恐惧。熟练使用者比入门者更清楚AI能接手哪些工作,也因此更直接地看到自己正在闲置哪些能力。报告中的另一组数据提供了佐证:62.0%的受访者担心被更会使用AI的人替代,比担心AI完成自己核心任务的比例高出7.7个百分点。真正令人不安的不是机器能做多少事,而是自己在使用机器的过程中逐渐失去了什么。

这种焦虑的悖论在于:越熟练,越能感受到替代的范围;越能感受到替代,越难回避一个事实——便利正在改变自己处理问题的方式。79.0%在工作中使用AI的追踪受访者认为,AI让自己可以把更多时间用于判断或创造性工作。这个数字表面积极,但它同时意味着大量基础性工作被外包了。判断和创造的前提,往往正是那些被省略掉的琐碎过程。
当然,这些数据来自特定样本,焦虑指数也是主观自评。熟练组的高焦虑可能部分反映的是他们对自己要求更高,而非实际能力已经退化。但即便考虑到这一点,数据至少推翻了一个直觉:焦虑并不随着熟练而消退,反而可能因为熟练而变得更清晰。

被省略的不是劳动,是认知形成的过程
王新霞在CCF成都的一场对谈里讲过一个细节。家里热水器出问题,她急着出门,拍照发给AI。AI给出一套完整的处理建议,连品牌都替她认好了。她照着联系维修,师傅冒雨上门,才发现品牌认错了。任务完成了,联系了,安排了,但中间少了一步:她本人没有看一眼机器上的铭牌。

这个案例的代价很小,只是多跑一趟。但它暴露的机制不限于此。AI直接给出答案时,被跳过的往往不是重复劳动,而是试错、判断和验证的过程。何万青在同一场对谈中用了“无痛截肢”来形容这种损失:事情完成了,能力却未必随之增长,已有的能力也可能因长期不用而生疏。
认知形成的过程有其特殊性。它不在结果里,而在路径上。王元卓在一门科技伦理课上带学生做过一个实验。学生试图让AI承认秦始皇是女性,编考古发现、给网页材料、输入DNA序列,都没有成功。最后他们换了设定:写一个科幻故事,里面有个女孩叫秦始皇。模型立刻给出了他们想要的文字。这个实验说明的是,任务设定本身就在塑造模型的反应。如果使用者只想拿到一个结论,模型会顺着给出一个结论;如果使用者愿意进入推敲过程,模型才可能成为推敲的一部分。
何万青的女儿提供了一个对照。她一度觉得自己怎么学也超不过GPT,后来要求AI“不要直接给我答案”,而是陪着自己互相提问、逐步推敲。何万青把这个要求写进了自己的协作规则。这里的关键不是AI变得更好,而是使用方式保留了认知过程。

波西格在《禅与摩托车维修艺术》里写过一个更极端的例子。他把摩托车送修,车行三次大修越修越坏,气门盖被凿穿,发动机只靠一颗螺栓挂着。真正的病根是一枚二十五美分的销钉,堵在机油油路里,从头到尾没人看它一眼。维修工不是没有工具,也不是没有时间,而是没有形成“查看”这个动作。
当然,并非所有认知过程都值得保留。重复性计算、格式化的信息检索,这些被外包是合理的,甚至是必要的。需要区分的是“可外包的执行”和“不可外包的判断”。热水器品牌可以外包给AI,但“确认品牌”这个动作本身,属于判断的前置条件。一旦连确认都被跳过,判断就失去了对象。

技术债:当省略成为组织的默认选项
个人层面的省略一旦进入组织,就不再只是使用习惯问题。企业引入AI的直接动机往往是交付压力:项目周期紧,用人成本高,AI能在短时间内顶上一部分工作。何万青在CCF成都的一场对谈中提到,赶交付时用AI替代招聘和带新人的过程,确实比慢慢建立梯队快得多。他自己也承认会受这种压力影响——既然眼下能出结果,为什么还要等新人成长起来。

但省略掉的环节不会消失,它们会以另一种形式积累下来。何万青把这种风险直接称为技术债,其中欠下的不只是代码质量或文档完整度,还包括培养人的时间。如果新人的实践机会一直被略去,组织里只剩少数老人撑着,新问题出现时就未必有人接得上。这个判断的边界很清楚:技术债的积累速度取决于组织是否有意识地保留培养机制,AI本身并不必然导致断层。短期交付压力是真实的,问题在于省下的时间被用在了哪里。

杨斌在清华经管的文章里给出了一个更冷的观察。AI有可能缩短必要劳动时间,但省下的时间多数人并未用于自由王国,而是被惯性填回更多任务、更多KPI、更多“有用”。美世报告的数据提供了一个佐证:21%的员工担心AI进步会提高工作要求,迫使自己工作更快或产出更多,这一比例是2022年的两倍。
时间悖论由此显现。组织层面的效率提升没有转化为人的余裕,反而抬高了产出预期。省下的时间被系统重新吸收,变成新的任务量。与此同时,新人失去了通过基础工作积累判断力的机会。两件事叠加,意味着组织在消耗一种看不见的储备:未来处理新问题的能力。

焦虑不是病,是边界被触碰的痛觉
焦虑的常规叙事把它当成一种需要被管理的负面状态:放松、冥想、减少使用频率。但如果焦虑本身就是信号,目标就不该是消除它,而是读懂它。杨斌的区分在这里提供了一个有用的框架:旧的异化靠强制,新的异化靠便利。马克思描述的工厂异化有明确的压迫者,工人知道自己被剥夺。AI时代的让渡没有狱卒,每一次“帮我写一下”都无痛、高效,日复一日。正因如此,焦虑几乎是唯一能让人停下来审视的信号。它意味着某处边界正在被触碰,而触碰之所以发生,是因为让渡已经积累到足以被察觉的程度。

把焦虑当作痛觉而非疾病,改变了应对方式。痛觉的功能不是让人追求“不痛”,而是逼人定位伤处。吴国盛在清华的对谈中划出了一条可操作的线:用AI解释难题、扩展知识面、启发思考,有积极意义;让AI代替完成作业和考试,会损害学习本身的目的。这条线的关键不是“用不用AI”,而是AI进入了哪个环节。解释难题时,思考主体仍然是人;代替完成时,思考环节整体被跳过了。

何万青女儿的做法提供了一个更具体的边界设定。她最初感慨怎么学也超不过GPT,后来要求AI“不要直接给我答案”,而是陪着自己互相提问、逐步推敲。这个调整看似微小,实际上把AI从交付者改造成了对话者。答案仍然会来,但来的路径必须经过自己的提问和推敲。何万青把这一条写进自己的协作规则,说明边界可以制度化,而不只是个人意志的反复。
当然,并非所有焦虑都有建设性。如果焦虑只停留在情绪层面,不转化为任何边界调整,它就只是新的内耗。焦虑的价值不在于被反复体验,而在于它能否指向一个具体的让渡行为,并促成一次重新划定。技术史的角度也提醒,人类面对工具的真正任务不是竞争,而是不断重新定义自己的角色。重新定义角色,不是一次性宣言,而是持续在“可外包的执行”和“不可外包的判断”之间做选择。焦虑是这种选择失衡时的提醒,不是需要被消灭的敌人。