认知债务是真实存在的组织风险

去年，麻省理工学院媒体实验室发布的一项研究揭示了企业人工智能对话中仍被忽视的现象：依赖ChatGPT作为主要起草工具的用户，其神经连接性相比无需AI辅助写作的用户降低了47%，许多人难以回忆起或引用刚刚完成的文章内容。研究人员将这种现象称为“认知债务”。该研究聚焦于文章写作，因此在推广其结论至所有领域前需谨慎，但其所描述的机制难以忽视。

最重要的发现不仅是参与度的降低，而是那些先自行解决问题、之后才使用AI的用户显示出神经连接性的增强。换句话说，同样的工具以不同方式使用会产生相反的认知结果。人类主导推理而AI优化，与AI主导而人类跟随，这两者的区别远比是否使用AI更为关键。

问题在于，大多数组织正以极快的速度隐含地决定着这一选择，却未意识到这是一个决策。它们通过奖励可见产出的激励机制（如交付的代码行数、生成的文件数、关闭的工单数）来做出决定，而缺乏衡量底层认知能力是在累积还是削弱的工具。

整个认知生态系统正转向将人类与工作背后的推理过程直接接触的抽象层，这导致了当前AI采纳策略中的核心悖论。组织反复描述未来十年为人类独特判断力变得更为重要的时期。随着生成式系统将执行商品化，差异化转向了洞察力：判断什么重要、什么真实、什么安全、什么具有战略一致性、什么符合人类价值观、什么应该存在。但如果AI时代首先成为判断力的时代，那么累积认知债务可能正违背其初衷。最大化短期生产率的工作流程也可能正在侵蚀使这种判断成为可能的认知基础。

实践者社区正记录AI使用的两种模式：委托与协作。区别不在于AI使用的多少，而在于人类推理是否先于AI介入。在协作模式下，人们提出假设、构建论点、识别约束，并利用AI检验、扩展或完善已开始思考的内容。在委托模式下，AI生成起点，人类评估、编辑或接受反馈。输出可能在数周内看起来相同。维多利亚大学计算机科学教授Margaret-Anne Storey研究了AI增强的软件团队，记录了差异浮出水面的时刻：一个依赖AI生成代码快速推进的开发团队，在项目第七或第八周左右遇到瓶颈，无法在不意外破坏其他部分的情况下进行简单修改。通过协作，她发现真正的问题并非混乱的代码，而是团队无人能解释为何做出某些设计决策，或系统各部分应如何协同工作。对正在构建的系统的共享理解已消失。代码存在，但其背后的推理不存在。

Storey称此为“系统共享理解的侵蚀”。她认为，随着AI加速开发速度，这甚至可能比技术债务风险更大。短期内，委托看起来像速度；长期看，它产生了能够执行但无法解释、适应或纠正错误的组织。以“AI优先”为默认的AI采纳计划不仅仅是生产力干预，它还决定了劳动力是否保留无需AI的思考能力。

Storey识别了失败前的组织信号：团队成员因担心意外后果而犹豫更改；关键知识集中于一人或两人；系统作为团队运行但不再理解的黑箱感逐渐增强。这些信号不会出现在速度指标或产出仪表板上，而是通过更简单的测试浮现：人们能否解释构建了什么以及为何做出决策。这是组织层面检测认知债务最早、最简单的工具。

这是企业AI采纳下出现的设计鸿沟。研究AI在教育中应用的研究者称之为“虚假精通”：产生能力假象的工作流程，却没有使能力在压力下可迁移或持久的认知编码。治理讨论聚焦于幻觉、安全、合规和偏见——这些都非常重要——但相对较少关注组织是否可能在无意中训练大部分劳动力对推理本身的参与度逐渐降低。以“AI优先”为默认的AI采纳计划不仅仅是生产力干预，它还决定了劳动力是否保留无需AI的思考能力。

五年后最有效的组织可能并非那些最激进地自动化推理的组织，而是那些保留并增强人类推理、同时仅选择性增强的组织。这意味着将AI作为协作或精加工层而非替代层整合，目标是创造条件让人们在AI介入前提出假设、构建论点、应对模糊性。它还意味着将保留的理解视为值得测量的组织资产，而非为吞吐量牺牲的软性考量。这比速度更难推广。

担忧不再局限于实践者和研究者。Daron Acemoglu及同事今年在NBER发表了一篇工作论文，研究生成式AI如何影响长期学习激励和知识生态系统，提出了“知识崩溃”的可能性：当AI系统失败、变化或达到能力边界时，组织和社会赖以生存的人类专业知识系统性侵蚀。对于任何负责创新的人来说，这一框架都很重要。创新功能取决于人类判断的质量，以评估信号、优先排序并确定真正值得构建的内容。如果做出这些判断的劳动力累积认知债务的速度快于能力建设，那么认知能力不再是开发者生产力问题，而是创新治理问题：它应属于与安全、合规和模型选择相同的议程。

问题不仅在于我们的系统有多智能，还在于以这样的速度构建它们时，我们是否在悄然侵蚀引导它们所需的人类智能。等到我们当前使用的任何仪表板能看见这种侵蚀时，债务已经累积了。