認知債務是真實存在的組織風險

去年，麻省理工學院媒體實驗室釋出的一項研究揭示了企業人工智慧對話中仍被忽視的現象：依賴ChatGPT作為主要起草工具的使用者，其神經連線性相比無需AI輔助寫作的使用者降低了47%，許多人難以回憶起或引用剛剛完成的文章內容。研究人員將這種現象稱為“認知債務”。該研究聚焦於文章寫作，因此在推廣其結論至所有領域前需謹慎，但其所描述的機制難以忽視。

最重要的發現不僅是參與度的降低，而是那些先自行解決問題、之後才使用AI的使用者顯示出神經連線性的增強。換句話說，同樣的工具以不同方式使用會產生相反的認知結果。人類主導推理而AI最佳化，與AI主導而人類跟隨，這兩者的區別遠比是否使用AI更為關鍵。

問題在於，大多陣列織正以極快的速度隱含地決定著這一選擇，卻未意識到這是一個決策。它們透過獎勵可見產出的激勵機制（如交付的程式碼行數、生成的檔案數、關閉的工單數）來做出決定，而缺乏衡量底層認知能力是在累積還是削弱的工具。

整個認知生態系統正轉向將人類與工作背後的推理過程直接接觸的抽象層，這導致了當前AI採納策略中的核心悖論。組織反覆描述未來十年為人類獨特判斷力變得更為重要的時期。隨著生成式系統將執行商品化，差異化轉向了洞察力：判斷什麼重要、什麼真實、什麼安全、什麼具有戰略一致性、什麼符合人類價值觀、什麼應該存在。但如果AI時代首先成為判斷力的時代，那麼累積認知債務可能正違背其初衷。最大化短期生產率的工作流程也可能正在侵蝕使這種判斷成為可能的認知基礎。

實踐者社群正記錄AI使用的兩種模式：委託與協作。區別不在於AI使用的多少，而在於人類推理是否先於AI介入。在協作模式下，人們提出假設、構建論點、識別約束，並利用AI檢驗、擴充套件或完善已開始思考的內容。在委託模式下，AI生成起點，人類評估、編輯或接受反饋。輸出可能在數週內看起來相同。維多利亞大學電腦科學教授Margaret-Anne Storey研究了AI增強的軟體團隊，記錄了差異浮出水面的時刻：一個依賴AI生成程式碼快速推進的開發團隊，在專案第七或第八週左右遇到瓶頸，無法在不意外破壞其他部分的情況下進行簡單修改。透過協作，她發現真正的問題並非混亂的程式碼，而是團隊無人能解釋為何做出某些設計決策，或系統各部分應如何協同工作。對正在構建的系統的共享理解已消失。程式碼存在，但其背後的推理不存在。

Storey稱此為“系統共享理解的侵蝕”。她認為，隨著AI加速開發速度，這甚至可能比技術債務風險更大。短期內，委託看起來像速度；長期看，它產生了能夠執行但無法解釋、適應或糾正錯誤的組織。以“AI優先”為預設的AI採納計劃不僅僅是生產力干預，它還決定了勞動力是否保留無需AI的思考能力。

Storey識別了失敗前的組織訊號：團隊成員因擔心意外後果而猶豫更改；關鍵知識集中於一人或兩人；系統作為團隊執行但不再理解的黑箱感逐漸增強。這些訊號不會出現在速度指標或產出儀表板上，而是透過更簡單的測試浮現：人們能否解釋構建了什麼以及為何做出決策。這是組織層面檢測認知債務最早、最簡單的工具。

這是企業AI採納下出現的設計鴻溝。研究AI在教育中應用的研究者稱之為“虛假精通”：產生能力假象的工作流程，卻沒有使能力在壓力下可遷移或持久的認知編碼。治理討論聚焦於幻覺、安全、合規和偏見——這些都非常重要——但相對較少關注組織是否可能在無意中訓練大部分勞動力對推理本身的參與度逐漸降低。以“AI優先”為預設的AI採納計劃不僅僅是生產力干預，它還決定了勞動力是否保留無需AI的思考能力。

五年後最有效的組織可能並非那些最激進地自動化推理的組織，而是那些保留並增強人類推理、同時僅選擇性增強的組織。這意味著將AI作為協作或精加工層而非替代層整合，目標是創造條件讓人們在AI介入前提出假設、構建論點、應對模糊性。它還意味著將保留的理解視為值得測量的組織資產，而非為吞吐量犧牲的軟性考量。這比速度更難推廣。

擔憂不再侷限於實踐者和研究者。Daron Acemoglu及同事今年在NBER發表了一篇工作論文，研究生成式AI如何影響長期學習激勵和知識生態系統，提出了“知識崩潰”的可能性：當AI系統失敗、變化或達到能力邊界時，組織和社會賴以生存的人類專業知識系統性侵蝕。對於任何負責創新的人來說，這一框架都很重要。創新功能取決於人類判斷的質量，以評估訊號、優先排序並確定真正值得構建的內容。如果做出這些判斷的勞動力累積認知債務的速度快於能力建設，那麼認知能力不再是開發者生產力問題，而是創新治理問題：它應屬於與安全、合規和模型選擇相同的議程。

問題不僅在於我們的系統有多智慧，還在於以這樣的速度構建它們時，我們是否在悄然侵蝕引導它們所需的人類智慧。等到我們當前使用的任何儀表板能看見這種侵蝕時，債務已經累積了。