別讓 AI 幫你交作業：新人怎麼學，主管怎麼看
關於 AI 與工作的焦慮，這幾個月談得最多的是哪些職位會被取代。但即使初階職位沒有立刻消失，新人的養成方式也已經改變。
過去新人做的初階工作，可以拆成三種功能。第一是生產，新人負責整理資料、做模型、寫報告、完成主管交辦的雜活；第二是學習，他在完成工作的過程中練習判斷；第三是辨認，主管可以從產出看出這個人的能力、盲點與成長速度。
AI 先提高了產出效率，也讓主管更難從成品判斷新人是否真的學到東西。新人完成工作，不再保證他經歷過練習；交出的報告愈來愈漂亮，主管卻更難分辨他到底懂不懂。
這帶來兩個不同的問題。在學習方面，有一部分新人可以自己補回來：先自己想、接受反駁、修正錯誤。但主管怎麼判斷能力，就不是新人單方面能解決的問題。畢竟再認真的人也無法自己決定公司要怎麼評量他。
所以這篇文章想從新人和主管的角度，分別談談這兩個問題。同時因為我個人背景的關係，裡面的論點可能更適用於投資、研究、管理、顧問等知識型工作。這些工作的答案經常模糊、回饋延遲，錯誤有時要幾個月後才會浮現。
▉ 雜活原本也是練習
過去一個新人靠整理資料、做第一版模型、寫會議紀錄，慢慢看懂資深同事怎麼判斷。他可能會算錯公式、選錯對照組、對某個假設過度自信，然後再被資深同事一條一條指出來。
現在 AI 把生產與學習拆開了。
公司導入 AI 之後，第一個看得見的變化就是新人交出的東西變漂亮了。第一版模型不再漏東漏西，會議紀錄結構完整，競爭對手的資料整理得乾乾淨淨。
主管可能會鬆一口氣，覺得這一代新人上手特別快。新人自己也容易產生「原來我已經可以做到這個程度」的感覺。可是他能交出接近資深水準的成品，不一定代表他走過通往那個水準的路。如果組織因此提高對第一版成品的期待、縮短訓練期，更早讓新人獨立交付，那原本那個被容許、會被看見、有人負責糾正的犯錯區，也會跟著縮小。
完成工作已經不一定會帶來學習。以前只要把工作做下去，新人很難避開假設、犯錯、被糾正與重新理解。現在他可以直接拿到一個水準不錯的第一版，一路做到交付，卻從來沒有形成自己的判斷。
這是現在員工和雇主共同面對的問題。但在深入討論前，我們需要先區分兩種工作，避免一竿子打翻一船人。已經熟練、重複性高、容易驗證的部分，我推薦可以交給 AI。還在建立基本框架、需要練習判斷的部分，要保留先自己想和接受回饋的機會。新人不必重做所有繁瑣工作，但不能把所有卡關都一起外包。
我不太認同「以前親手做比較扎實」這種論點。因為這種說法把產出的價值和投入的時間、金錢綁在一起。但在我看來，產出的價值更應該由「解決了客戶什麼問題」決定。新人也沒有必要浪費幾個小時，重做 AI 幾秒鐘就能完成，而且沒有多少學習價值的工作。
▉ 哪些卡關值得留下
每一代新工具出現時，人的能力都會重新分工。
就像 Excel 讓分析師不用再把大量時間花在四則運算，也讓不熟悉公式的人更容易藏住錯誤。GPS 降低了迷路的成本，同時可能削弱沒有工具時的方位感。工具會拿走一部分舊能力，也會釋放資源去發展其他能力，結果取決於省下來的時間與注意力最後被拿去做什麼。
生成式 AI 影響更廣。它可以處理問題描述、提出假設、整理證據、形成結論，再用成熟的語言寫出來。過去的工具通常只是縮短其中幾個步驟。現在一個人可以從收到問題直接跳到成品，中間幾乎不留下自己的思考痕跡。
而偏偏判斷力的建立，就藏在那些中間步驟裡。
認知心理學家 Robert Bjork 與 Elizabeth Bjork 提出的「有益的困難」（Desirable Difficulties），可以幫助我們理解其中一部分機制。像是間隔練習、交錯練習、主動提取這類方法，會讓當下的表現變慢，卻可能改善長期記憶與遷移能力。這些方法會要求學習者提取記憶、形成答案、區分相似概念，再根據回饋修正。判斷力也需要經歷形成預測、接受回饋與修正模型。這裡的每一步不必都由人手完成，但這個迴路不能完全消失。
這當然不代表愈痛苦愈有效（我一直很排斥沒苦硬吃）。重複性高的活動，學習報酬在前幾次之後就快速遞減；毫無意義的繁瑣，不會自動帶來成長。缺乏先備知識，或得不到有效回饋時，困難也只會增加挫折。對完全陌生的任務，先看一個好的示範，通常也比毫無鷹架地摸索有效。
AI 磨平阻力時，可能同時拿掉沒價值的繁瑣與有價值的卡關。卡關被磨平之後，受影響最大的能力是校準。一個人要知道自己在哪裡容易犯錯，必須先形成一個屬於自己的判斷，再讓結果來糾正他。沒有先預測，就很難知道後來的答案究竟更新了自己什麼。
以投資為例，你可以在財報公布後讀完所有解釋，然後覺得每一條因果關係都很合理，因為人腦很擅長解釋這類事情。但只有在財報公布前寫下營收成長、毛利率、可能的市場反應與自己的信心程度，才會知道原本漏掉了什麼。
事後理解很容易，事前校準很難。問題是兩者帶來的主觀感受卻非常接近。
AI 如果先遞來一個漂亮的答案，人很容易滑坡到「我本來就知道」的自滿。沒有生成過錯誤假設，就沒有東西可以被證偽；沒有被證偽過，也就無從建立自己的誤差模型。
▉ 先形成初步判斷，再打開 AI
這種學習上的問題，有一部分可以由個人補回來，而且解法就在同一套工具裡。使用者可以把 AI 放在不同位置。它可以直接提供答案，也可以示範、反駁、追問，幫新人練習。
新人不需要在每一項工作上都先做一份完整答案。重複性高、答案容易驗證、自己已經熟練的工作，可以直接讓 AI 提高效率。碰到陌生、重要或回饋延遲的問題，則應該先留下最低限度的初步判斷，再讓 AI 介入。
過去新人害怕問出太基礎的問題，也擔心犯錯會被主管留下不好的印象。現在他可以要求 AI 示範、反駁、模擬主管追問，在沒有面子成本的情況下重做幾次，再把修正後的版本帶進工作。AI 省下來的時間，也可以有一部分重新投入在新的練習上。
西洋棋是很好的例子。現在有不少棋手在練習時，會先依照自己的想法去下棋，再打開引擎檢查。先形成判斷，才取得回饋。因為引擎提出更好的選擇時，他才知道自己原本選了什麼，以及錯誤發生在哪裡。
只是我們也要注意這種作法的適用範圍有限。這種「先走再檢查」之所以在棋類遊戲有效，是因為棋手可以立刻看到某個選擇如何改變局勢，而且它的回饋經過校準、計算，有明確規則和勝負。
投資與管理提供不了同樣「乾淨」的回饋環境，因為很多決策要幾個月甚至幾年後才知道結果。AI 在這些領域也只是另一個會犯錯的推理者。同樣是「先做再檢查」，棋手得到的是品質很高的即時回饋，投資人得到的可能只是另一套聽起來合理的解釋。
但這不代表迴路沒用。留下自己的判斷紀錄，至少能防止事後把運氣改寫成能力，也能避免太快接受一套聽起來合理的解釋。只是糾正的力道要打折，我們也得自己承擔「兩個版本都可能錯」的風險。
▉ AI 會縮小差距，還是擴大差距？
關於 AI 會如何改變新人的能力分布，我覺得至少要先區分短期產出和長期判斷力。
短期內，AI 對新手與能力較弱者的幫助有時更大，因此成品差距反而可能縮小。一個原本需要六個月才能上手的人，可能兩個月就能交出合格成果。
長期判斷力的方向則沒有這麼確定。導師品質、任務難度與回饋密度原本就有很大差異。在我看來，習慣把 AI 當答案機、長期略過學習機會、無條件接受 AI 自行生成的人，判斷力可能難以累積，而且原本具備的校準能力也可能逐漸退化。但把 AI 當陪練，保留預測、反駁與驗證迴路的人，則可能學得更快。差距來自使用方式，也來自組織如何設計工作。
因此我更願意把兩極化當成一個條件式預測。如果公司只獎勵交付速度，新人之間獨立判斷力的差距可能擴大；如果 AI 同時被用於示範、回饋與檢查，新人的學習曲線也可能加快。結果取決於個人怎麼用、任務怎麼分配，以及組織給不給得出有效回饋。
▉ 成品不再等於能力
學習談完了，剩下更難處理的那一件。
過去一位有經驗的主管讀新人的產出，可以相當準確地看出這個人的思考卡在哪裡：他從哪裡開始、忽略哪些資訊、對什麼過度有信心、在哪個環節開始用模糊語言掩飾不理解。就像我還蠻有把握可以從股票 pitch deck 的內容，大致判斷報告者的程度。
現在主管拿到的是一份經過 AI 整理、結構乾淨、用字成熟的稿子。結論可能正確，主管卻很難分辨新人是否理解其中的推理，也看不出他原本會在哪裡犯錯。原本用來診斷新人能力的成品，區分度明顯下降了。
如果組織長期無法區分「真正理解的人」與「只會取得答案的人」，升遷與薪酬就容易採用平均定價。判斷力能換到的報酬降低，個人投資這項能力的誘因也可能跟著下降。如果高能力者進一步停止投入或選擇離開，組織能觀察到的人才品質還會繼續下滑。這是一個嚴重的負向自我增強循環。
不過在如何解決這個問題上，我的看法可能比較激進。我會覺得公司沒有必要執著於產出中「人」與「AI」的比例。如果一個人能穩定利用 AI 解決客戶問題，知道怎麼提供脈絡、挑選答案與完成交付，這本身也是一種能力。
公司需要判斷這個人使用 AI 後增加了多少價值。他能否判斷什麼時候可以相信答案、發現適用範圍、攔截有說服力的錯誤，以及在工具失效或遇到陌生問題時接手。這些能力會影響正常情況下的效率，也會決定尾部情境中的損失。對主管來說，他要評量的能力至少有三層：AI 輔助後的最終產出、使用者駕馭與驗證 AI 的能力，以及必要時獨立形成判斷的能力。不同工作對這三層的權重並不相同。
從經濟學來看，AI 降低了成品作為能力訊號的區分度。Spence 的工作市場訊號模型指出，一個訊號要能區分不同能力的人，需要高能力者比較容易持續做出，低能力者則要付出更高的模仿成本。成本很高本身不夠，成本必須和我們想辨認的能力有關。
過去一份模型或研究報告之所以具有診斷價值，是因為產出品質通常和報告者的理解程度有關。AI 降低了不同能力者完成漂亮成品的成本，兩種類型於是更容易在表面上混在一起。
這不表示能力訊號完全消失。主管可以把檢查點往前移，像是設計陌生案例、臨場追問之類的方式。這些做法在經濟學上更接近篩選。資訊較少的一方設計檢查方式，觀察不同能力的人會不會做出不同反應。
▉ 培養人才的帳，愈來愈難算
上面提到的問題，是組織看不見能力，會降低獎勵能力的意願，也就是評量問題。但其實還有另一個問題：組織留不住有能力的人，則會降低培養能力的意願（畢竟那需要高成本），這是人力資本投資的外部性問題。
一家公司花時間培養出來的判斷力，會跟著人離開。員工三五年後跳槽、被挖角或自己創業，帶走的是原公司付出成本養成的能力。訓練帶來的好處由整個人才市場分享，成本卻先落在單一公司身上。
於是每家公司都希望市場上有足夠的成熟人才，也都希望培養成本由別人支付。AI 讓企業更容易跳過初階訓練，直接取得新人原本負責的產能，也讓這個搭便車的選項更有吸引力。比起評量問題，這個人力資本投資的外部性更棘手，我目前也還沒有想到什麼好的對策。
某些公司仍然有培養動機，尤其是需要專屬知識、接班梯隊與長期留任的企業。就像大型顧問公司、投資銀行與律師事務所願意建立完整的學徒制度，部分原因就是它們能從品牌、升遷路徑、客戶關係與公司專屬知識中回收訓練投資。
AI 不會讓企業培訓必然消失。它改變的是成本與收益。公司可以更快取得新人的短期產能，也可能用更低成本提供示範與回饋。最後走向哪個方向，取決於企業如何權衡當期交付與未來幾年的人才供給。
▉ 給新人與主管的幾個建議
最後，在 AI 時代我會推薦給新人的學習原則其實非常簡單。
碰到一個問題時，先判斷這項工作有多少學習價值。這時還不必給自己「問出好問題」的壓力，那是進階後的訓練。已經熟練、重複性高、容易驗證的部分，可以直接讓 AI 完成。
至於那些自己還不熟、後果比較大，或短期內看不出對錯的問題，則要保留一個最低限度的自行生成過程。先寫下初步想法、幾個主要依據、簡單推論以及自己的信心程度。這個版本不必完整，也不需要花幾個小時重做 AI 幾秒鐘能完成的工作。它的功能是留下你原本怎麼想的證據。
接著讓 AI 反駁、補充、尋找反例，甚至徹底重做一次。比較兩個版本時，不只挑出哪個答案比較好，還要問：我漏掉了什麼？哪個假設沒有證據？為什麼我會在這裡過度有信心？結果對哪個變數最敏感？
不必要求 AI 重現它「內部的每一步思考」，因為它可能只是生成一套聽起來合理的解釋。更有用的做法，是要求它列出假設、證據、替代解釋、反駁條件與驗證方法。
順序非常重要。AI 先生成、人再修改，得到的通常是一種流暢的理解感。人先留下初步判斷、AI 再批評，才有東西可以比較，也才看得見自己究竟更新了什麼。
對主管來說，第一步是先定義自己想評量哪一種能力。有些工作只要看 AI 輔助後的成果，有些工作需要確認新人能否攔截錯誤、處理陌生情境，或在工具失效時接手。不同目的需要不同檢查方式。
既然只看最後成品已經很難判斷新人程度，那就把檢查點往前挪。主管可以要求新人保留最初的假設與信心水準，說明採用了哪些 AI 建議、否決了哪些，再用陌生案例或反事實問題檢查他是否理解結論的限制。
這些紀錄最好不要變成新的文書表演。如果每一項工作都留下完整流程，最後只會增加形式成本，而且這些其實都可以由 AI 補寫。比較有效的做法是抽樣檢查、臨場追問，以及觀察同一個人在不同案例與不同時間點是否維持一致的判斷品質。
某些訓練也應該刻意限制 AI。它們的功能是定期進行壓力測試：當工具失效、資訊不足，或 AI 給出一個很有說服力的錯誤答案時，這個人的產出會下降多少？他能否辨認問題、接手處理並承擔責任？
在許多文字與分析型工作中，AI 已經抬高了可見產出的下限，但判斷力的練習仍然需要「形成預測、接受反駁、修正錯誤、在新情境裡重新驗證」這套迴路。十年後的差距，我不覺得會出在誰更少使用 AI。更值得觀察的是，誰能利用 AI 加快學習，同時保留在 AI 出錯時辨認與接手的能力。
而要訓練這種能力，可以從一件很普通的事開始：在忍不住看答案以前，先容許自己答錯一次。