适应 AI 时代：提高判断力和品味，让产出变多，也让自己变强

2026 年 10 月 2 日晚上，我和几位算法、产品同行吃饭，聊到很多校招面试人很会用 AI，却判断不了它的成果。这让我琢磨：借助 AI 做更多事的同时，自己的能力怎么跟上。【关键词：#AI协作 #判断力 #个人成长】

我更愿意把精力放在四件事上：选值得做的问题，判断方案的好坏，补自己的短板，把经验变成下次能用的工具。

01｜先选问题，再追速度

AI 能帮忙执行，目标却需要说清楚：为谁解决什么问题，做到什么程度就够了，哪些代价不能接受。

OpenAI 在 2026 年 9 月 16 日公布的研究中，持续观察约 6,200 名美国 ChatGPT 用户：涉及此前用过的跨职业任务的消息，占职业特定 AI 消息的平均比例，从 4 月的 13.1% 升至 7 月的 25.9%。这反映该样本的使用变化，不代表专业能力或生产率翻倍。研究报告

值得尝试的，是用 AI 扩大任务范围：例如程序员借助它分析用户反馈，再用真实需求检验。先选有价值、能验证的小任务，不急着给自己换个“全能”的头衔。

先判断事情有没有价值，再让 AI 放大投入的效果。

02｜基础检查对错，品味权衡取舍

判断力检查结果是否可靠；品味决定方案是否值得采用。Ethan Mollick 在 2026 年 9 月 18 日的博文中强调，深厚专长、跨领域知识、品味与主动探索，能帮助人更好地利用 AI。这是他的观点，并非就业保证。原文

拿一个假设的订单服务举例。接口能下单，还得检查重试会不会重复扣库存、写入失败怎么恢复。理解并发和数据一致性，才知道该查哪里。

维护成本不会因为架构图漂亮就打折。用户少绕路、团队好维护，都是比“看起来高级”更具体的取舍依据。

两个模型都说对，不等于两份独立证据。关键判断仍要回到资料、实验和用户反馈上。

03｜交付借力，学习保留练习

熟悉的任务，知道怎么验收，就让 AI 多做。自己解释不清的概念，先独立想一遍，再请它挑错。

Anthropic 在 2026 年 1 月 29 日公布的编程学习实验中发现，AI 辅助组的即时理解测试表现更低；主动追问概念、要求解释等使用方式表现较好。这是小样本、短期实验，不能推断长期能力必然下降。研究说明、论文

每周挑一个没弄懂的问题：先写方案，让 AI 给提示，再关掉对话，独立处理改变条件后的问题。比较方案也先写理由，交付后再检查。

把省下的一部分时间，投入到自己还不会的地方。

04｜把一次提效，变成下次的起点

METR 于 2026 年 5 月 11 日公布的 349 人调查，自报工作价值倍数中位数因问法不同为 1.4—2 倍。自报可能高估收益，不能当成实测提效。调查原文

对自己的工作，既看交付时间，也看实际价值。初稿省一小时、返工多花两小时，账算下来还是亏。

比较效率，要算上准备、生成、审查和返工，采用相同的验收标准。

不过，流程也要更新。Mollick 在 2026 年 10 月 1 日的博文中修正了自己的预期：组织 AI 工作也可能交给 AI，复杂的人工规划未必一直有用。这个提醒值得保留，不能据此认定所有任务都能放手。原文

更值得留下的是目标、约束、验收案例和失败记录。模板、脚本能复用，但模型和任务变了，就重新检查：哪些步骤还必要，哪些可以交给 AI 自己规划。

下一项任务，试着扩大一点能力范围，也多留下一条验证过的经验。产出增加，理解和判断也要跟上。

资料核查截至 2026 年 10 月 3 日。使用记录、自报收益、学习实验与博主观点分别解读，不据此保证个人提效。

作者：猫咪不吃愚