人工智能是否正在削弱团队创造力？可以这样判断

想一想你这一周的工作待办清单：从回复同事的一条简短消息，到制定团队战略，你会如何分配时间和精力来完成这些任务？

行为科学告诉我们，大多数人在工作中并不总是追求“最优解”，而是倾向于选择“满意解”：找到第一个“足够好”的方案，然后继续往下推进。这个概念由诺贝尔经济学奖得主、社会科学家赫伯特·A·西蒙（Herbert A. Simon）提出，英文是 satisficing，由 satisfy（满意）和 suffice（足够）组合而来。西蒙认为，“满意解”是一种务实的决策方式，尤其适用于节奏快、风险低的任务，也适用于那些信息不完整、情况不明朗，甚至很难预测结果的复杂决策。

过去几代知识工作者或许都从这种方式中受益。但人工智能正在改写规则。

如今，一个“足够好”的答案几乎可以瞬间生成，往往在人们真正深入思考、质疑问题之前就已经摆在面前。对于一些小任务来说，这种速度确实有价值；但如果所有工作都默认以这种方式推进，团队就可能陷入输出同质化、思考变浅、观点趋同的困境。更糟的是，人的作用可能会在这个过程中被逐渐边缘化。

海外某团队协作软件公司的观点很明确：人工智能应该增强人类判断力，而不是替代人类判断力。但考虑到人天然就容易接受“足够好”的答案，这件事并不会自然发生。团队需要有意识地决定：何时引入人工智能、如何使用人工智能，以及当前项目究竟适合哪一种协作模式。

本文介绍的是一套由海外团队协作研究团队提出的 AI 协作框架。它可以帮助团队根据不同项目的需要，把工作方式从“AI 优先”调整为“以人为主导”。这个框架的核心目的，是保护知识工作者最有价值的能力：人的判断力、品味，以及进行深度、原创性思考的能力。

过度依赖人工智能为何有风险：三个有证据支持的陷阱

陷阱一：人工智能引发的群体思维

优秀的领导者通常不会让会议中声音最大的人先发言。相反，他们会使用书面头脑风暴（brainwriting）等方法，让成员先独立产生不同想法，再进入集体讨论。

但在人工智能场景下，很多团队却正在反过来做：先让模型给出方案，然后人再围绕模型的答案进行回应。相关研究已经开始量化这种做法的代价。关于人机协作创意写作的研究显示，使用人工智能的个人作品平均看起来可能更有创造力，但从群体层面看，输出结果会变得更窄，并且更容易集中到模型建议的常见模式上。

当每一次白板讨论都从人工智能生成的草稿开始，团队确实获得了速度，但也牺牲了观点的多样性。对于战略和创新工作来说，这尤其危险，因为真正的突破往往来自不合群的观点、逆向思考和非主流判断。

陷阱二：“认知放弃”与深度工作能力退化

早期神经科学和人机交互研究表明，过度依赖人工智能可能会削弱人的神经活动，并降低人对自身推理过程的记忆能力。麻省理工学院的一项研究发现，在写作任务中，使用大语言模型的参与者大脑反应最弱，也最难准确回忆和引用自己作品中的内容。更值得警惕的是，当这些重度 AI 使用者转而在不使用 AI 的情况下写作时，他们的神经反应仍然偏低，这说明这种影响可能并不是短暂的。

沃顿商学院的研究人员用“认知投降”（cognitive surrender）来描述这种现象。他们发现，当研究参与者可以使用人工智能时，他们往往会把自己的推理过程交给 AI：当 AI 给出正确答案时，他们的判断确实更准确；但当 AI 出错时，他们也更容易忽略错误。研究人员还发现，只要参与者知道自己可以使用 AI，他们对自身判断准确性的信心就会提高，哪怕答案本身是错的。

这并不只是实验室里的现象。Anthropic 最近对全球 81,000 名人工智能用户进行的一项调查显示，“认知能力下降”是用户提到的第四大担忧。

海外某团队协作研究团队在定性研究中也观察到了类似模式。人工智能可以让某些工作变得更轻松，但这种便利也可能让思维变得迟钝，削弱人解决复杂问题的动力。

一位软件工程师说：“把所有问题都交给人工智能很容易。但当你真的需要思考一些对 AI 来说太复杂、或者你无法完全信任 AI 的事情时，你会突然意识到：‘我好像已经很久没有真正这样思考过了。’这件事现在感觉比一两年前难多了。”

陷阱三：掏空自身价值

在一个人人都能立刻生成一份体面草稿的世界里，最稀缺的能力反而变成了你的判断力和品味。也就是说，你能判断什么重要，能发现答案里缺了什么，能基于这个客户、这个市场、这个时刻，形成真正合适的观点。

认知科学中有一个概念叫“解释深度错觉”。它指的是，人们常常以为自己理解了一个复杂系统，直到被要求真正解释它时，才发现自己其实并没有理解得那么深。

人工智能带来的新风险在于，它提供的解释流畅、即时、看似完整，这会进一步放大这种错觉。我们很容易因为 AI 给出了清楚的答案，就误以为自己已经掌握了问题。但实际上，我们可能只是获得了信息，而没有经历推理过程。最终，我们成了一个看似合理答案的转述者，而不是思考过程的掌控者。

长期如此，你可能会把自己最有价值的部分从工作中移除。

另一位软件工程师说：“无论你为公司带来的核心价值是什么，你都应该真正精通它，并且清楚知道：你能带来什么，是一个 ChatGPT Pro 账号无法带来的。”

AI 协作框架：保护团队思考主导权的工具

如果你的团队仍然靠直觉判断什么时候该快速使用 AI，什么时候该放慢节奏、认真思考，就很容易落入“满意解”的陷阱。

AI 协作框架的作用，是帮助团队把这些选择明确说出来：哪些工作可以让 AI 加速，哪些工作必须由人先思考，哪些环节需要人和 AI 分工协作，哪些关键判断不能交给模型默认答案。

它不是为了限制人工智能的使用，而是为了让团队更清楚地使用人工智能。真正的问题不是“要不要用 AI”，而是“在这件事上，AI 应该扮演什么角色”。

如何把框架落到实际工作中

保护团队思考主导权的第一步，是把这个问题明确提出来，并把它纳入团队的工作方式中。

过去几年，许多团队听到的都是“多用 AI”这样的模糊要求，但很少有人清楚说明：在具体业务场景里，团队究竟应该如何使用 AI、什么时候使用 AI、为什么使用 AI。比如，一份关于团队协作状态的海外研究报告发现，虽然 85% 的知识工作者已经在不同程度上使用人工智能，但 40% 的人表示自己没有接受过关于如何使用 AI 的培训。

这种模糊性会带来两类问题：一类是焦虑，比如“我这样用 AI 对不对”；另一类是过度依赖，比如“既然 AI 是这么说的，那它应该就是对的”。

要找到合适的平衡点，领导者需要把人工智能看作一项团队协作议题，而不是个人效率工具。也就是说，团队要有意识地设计 AI 在日常工作、决策和协作模式中的位置，而不是简单要求个人在已经很忙的工作日里继续挤出更多产出。

1）通过 AI 工作协议建立清晰规范

首先，团队可以制定一份 AI 工作协议。它不应该是一份一次性文件，而应当是可以定期回顾和更新的动态准则。它的作用，是为团队如何把 AI 融入日常工作文化设定基本边界。

在每个项目启动时，团队也应该养成一个习惯：先定义 AI 的角色。也就是说，大家共同决定在项目的不同阶段中，AI 应该用来加速什么、辅助什么，又有哪些部分必须由人先完成判断。

可以尝试的做法包括：开展 AI 工作协议工作坊，或者在项目开始前专门讨论“AI 在这个项目中的角色”。

2）在 AI 介入之前，让人的思考先变得可见

要避免 AI 主导的群体思维，一个简单但有效的方法是：先思考，先记录，再使用 AI。

对于战略文档、风险分析、设计方案这类高不确定性、高风险的团队任务，在进入正式讨论之前，可以先让参与者独立表达自己的想法。具体方式可以很简单：私下写几条要点，和同伴在白板上梳理，也可以录一段简短语音或视频，把自己对问题的理解说出来。

之后，再把这些笔记或文字稿交给 AI，让它帮助整理、归纳和优化表达。

关键在于顺序。如果团队一开始就从 AI 给出的完整答案出发，所有人的观点很容易被模型默认的表达方式和思路带偏。但如果先从每个人未经筛选的原始思考出发，最终成果就更有可能保留团队自己的判断和差异化观点。

可以尝试的做法是：先用录音记录“边想边说”的粗略思路，再让 AI 帮你整理成更清晰的计划。

3）保护深度工作时间

如果所有事情都要以冲刺方式完成，那么“满意解”就会变成唯一看似合理的策略。团队需要鼓励成员预留时间，用于深度思考和专注工作。

这类时间应该像重要会议一样被对待：提前放进日历，明确目标，并避免被碎片化任务打断。目标可以是厘清“这件事真正意味着什么”，列出相反假设，梳理关键权衡，或者对一个复杂问题形成自己的判断。

可以尝试的做法是：重新设计自己的日历，为真正需要思考的工作留出完整时间块。

4）通过 AI 回顾会议识别真正有效的用例

在一个项目里程碑结束后，团队可以花 10 分钟复盘 AI 的影响。重点不是简单评价“AI 好不好用”，而是讨论它在这个项目中到底发挥了什么作用。

可以围绕几个问题展开：

AI 在哪些地方确实加快了我们的进度？

它是否让我们过早锁定了某个方向？

它是否抹平了原本不同的观点？

下次我们在哪些环节应该坚持让人先思考？

通过这样的复盘，团队可以逐步建立自己的 AI 使用经验库：哪些场景适合让 AI 提速，哪些场景必须由人先形成判断，哪些场景需要人机协作，哪些场景则不适合让 AI 过早介入。

人工智能不会自动削弱团队创造力，也不会自动增强团队创造力。真正起决定作用的，是团队如何设计它在工作中的位置。

当 AI 被用来替代人的思考时，它会让团队更快地走向平庸；但当 AI 被用来整理、扩展和检验人的思考时，它才可能真正成为创造力的放大器。