本文来自微信公众号： 叶小钗 ，作者：叶小钗，原文标题：《麻了！他用 WorkBuddy 半小时交了万字作业，我要认真读吗？》
最近学员里有个人把我搞得挺累的，倒不是因为教不会，反而是因为他搞得太快了。
我们上完一节课以后布置了个作业，本来我预计这个东西怎么都得折腾个两三天，做得慢的可能要一两个星期。结果半个小时以后，作业就交上来了：一篇两万字的HTML。我打开以后都懵了。他半个小时写完的，我可能得花半天才能看完。
没办法嘛，还是得看嘛，毕竟人家是交了钱的呀。
我花了挺长时间看了一下。说实话，看不懂，不知道说的是啥，但是里面还是有一些信息量的。我就把那一部分信息量提出来，给了一些建议。又过了半小时，新版本又来了。我当时就有一种特别熟悉的感觉，这是以前工作的时候经常能感受到的：有些人就是你推一步他动一步，但偏偏干得又特别快。
这里面最难受的就是——他越高效，我越累。
我不知道他累不累，反正我是真的累。所以我现在看到这种学员，有点不知道该笑还是该哭。高兴肯定还是高兴的。至少说明这个学员AI学得很好，工具甚至用得比我还溜；但确实也挺挠头的，这种动不动就一两万字的作业，你叫我咋点评嘛？
以前怎么判断AI原生？
以前我们在判断一个人是不是AI原生的时候，我主要看这些东西：
Claude Code会不会用；
Codex可以连续跑多久；
日Token消耗是多少；
在Agent上总共花了多长时间。
其实这些东西对应的，就是一个人有没有建立真正的AI使用体感。另外，以前可能三四个人做的事情，现在自己一个人能不能搞得定，这一点也很重要。
但是等我开始给他评作业以后，就觉得这里也不对，那里也不对。最主要的是，我看不到他到底学会了什么啊。
工作场景和学习场景不一样
其实，学生交作业跟员工交付工作还不是完全一样的性质。
工作有时候确实就是看结果，这个东西必须今天上线，那你有什么办法都得做出来。而且现在很多企业默认的要求，本身就是员工带着AI去交付结果的。
只是说，现在的工作如果没有AI，很多人根本就做不了。但是有了AI以后，就能基本先做出来。中间可能确实会缺少思考，回头去问的时候，可能就会出现"与神对话"的情况。
但是现在AI把执行时间压得太短了，原来藏在执行过程里的成长时间也一起被压缩了。不是说人不想成长，而是说时间压缩了以后，如果我们真的在这里预留时间让人去学习，体现出来的就是提效变弱了，这个时候必然就会焦虑：
是不是自己用AI的能力还不够呀？人家提效好几倍，自己只能提效50%，这还不是说，自己能接住以前不会的活，别人也能接住以前不会的活，这个时候就会觉得别人很牛逼，自己不行。
更可怕的是在团队里面，因为要去和AI交互对话来提升，这占用了交付的时间，交付变少了，也会被认为是能力不足。
这一块其实，在企业里面大家也是有取舍的。如果是一些完全不会的需求，还是会考虑先做需求评审，让AI给自己做科普，科普完了以后再让AI去执行。
虽然还是会有一部分"与神对话"的环节，但还是会出现一些被问倒的情况。不过相对来说，效率和成长是有平衡的：效率其实是有提升的，同时又不会完全成为AI的挂件。
但是过了一段时间，可能又感觉别人AI用的飞起，自己这么搞还是慢了，然后又开始想怎么能少限制AI，让效率提升更快，自己控制得更少一点。这感觉就是一个循环，不断在迭代处理。
这里本质上是一种现实的焦虑。在时间已经被AI压缩的情况下，我们到底应该在多大程度上去控制AI？随着任务往前走，再不断判断哪些事情可以继续放给AI，哪些地方自己还是得停下来确认。
两个循环
这里面其实是有两个循环的。
1.AI在跑的任务循环
它会理解任务、查资料、拆解执行、生成结果，并自己检查，发现问题后再修改。现在模型越来越强，这个循环已经跑得非常快了。甚至很多时候我们不需要一小步一小步地指挥，直接把一个完整任务交过去，它自己就能往前跑很多步。
2.人在跑的认知循环
它关注的是：为什么做这个判断？为什么走这条路径？这个东西跟现实有没有对不上的地方？
这里面最容易出问题的地方就是：为了能够交付结果，让AI的循环越跑越快，人在里面的认知循环却直接没有了。
前面其实发生了一种情况：我们明知道人应该在环中，但现实工作里大家还是会不断想办法把自己从环里面拿掉。当然有时候可能是偷懒，但在企业里面，我觉得更现实的原因还是效率评价。
评价者看的是第一个循环：这个工作是两天还是一天？是三个人干还是一个人干？一天能交的结果是什么？你和他之间有多少区别？
但是第二个循环："今天有没有比昨天评价能力再提升一点？下次遇到同类问题的时候，是不是已经不用重新问AI了？"
这个其实很难去评价，所以大家会不自觉地持续优化第一个循环，然后就忽略了第二个。
学习场景更明显
这个事情到学习场景里面就更明显了。因为学习不是以作业的结果为要求的，作业其实也不是看完整度来评价的。作业除了要结果，我还想知道你有没有真的搞懂。
如果AI很快地去完成了，我们又把自己从这个环里面拿掉了，就会出现一个特别奇怪的东西：一份作业在形式上可以完成得特别好，结构完整，内容丰富，有图表，有总结，甚至还有正反辩论。
其实不能说他没学，他是真的用上了课程里面的概念，并且真的都用了一遍。但是看完以后，脑子里还是一堆问号：这里面哪一部分是自己想的，哪一部分是原来理解错了以后经过AI提醒才发现的，这些东西其实都看不出来。
最麻烦的就是，这种文档往往还特别自洽，整个逻辑跟课程的逻辑关联度很高，连自己的局限性都被AI分析完了。什么都有，但我看完了以后，还是不知道他到底经历了什么、学会了什么。
我后来还是真的仔细想了一下，问题可能真的是出在太快了。
我们以前学一个东西的时候，本身其实是很慢的。老师讲完了以后，我们觉得自己完全学会了，其实只是先建立了一个初步框架。回去复盘的时候往往会发现自己好像忘了，再看一遍，理解错了，然后会去研究、去改。研究清楚了以后，在另外一个地方又卡住了，再去查资料，查完回来继续做。就这样搞个两三天，终于把作业搞出来交上去了。
看起来确实是挺低效的，但是很多能力其实就是在这两三天里面长出来的。我们会记得一开始哪里想错了，后来是怎么纠正过来的；原来哪里不行，最后为什么选择现在的这个方案。这些东西，尤其是这个纠正的过程，慢慢就会变成我们的判断。
现在呢，AI把这个时间压得特别短。甚至课刚听完，我们还没有经历"忘记、发现不对、重新理解、再重新做"这个过程，AI已经把作业给搞完了。这本质上就把我们原来两三天里面捞出来的东西，一起给干没了。
不是不用AI，是人的循环不能停
当然，我也不是说为了学习我们就故意不用AI，自己一定要手搓三天，那样也挺傻的。AI半小时能干完，我为什么非要花3小时去搓？
我理解这里面的核心是：AI的循环可以越来越快，但是人在这个里面的循环是不能停的。
它就像两个相互咬合的齿轮，我们不能为了让AI循环跑得快，就把它和人的衔接给断掉。AI可以转得快一点，但是人的认知循环也得跟着转。以前3天跑一轮，现在半天跑三轮，那每一轮里面人的闭环和成长速度其实就更快了。
人在这里面就得看、得判断、得改，不然那就不是加速学习，只是加速交作业。
这里面的核心是人的认知循环，产出的是判断。我想看的其实不完全是一个形式上的作业，我想看的其实是学员的判断。
所以后面我可能想着怎么把作业调整一下。
我其实倒不介意学员用AI，因为AI原生人才首先得是AI原生的人嘛。如果完全不用，那其实也是自废武功。但是，多少字我以前没有啥要求，现在有了，2万字肯定不行，不能搞个2万字的过来，想到就气。
我以后可能真正想看的反而是这些东西：
你最开始是怎么理解这个问题的？
AI哪些地方把你带对了，哪些地方把你带偏了？
AI给出来的东西，哪些你不同意？
最后这个结果里面，你自己改了什么？
做完以后，哪些东西已经变成你自己的判断？
反正我默认大家用AI写作业了，那我就按照AI时代的标准来评价一个人。
AI原生人才=两个循环都在跑
这么看的话，人对于AI结果的评价能力会越来越重要。可以让AI去做方案、做架构、做分析、做规划，其实都没问题的，但是我们得参与进去：他为什么这么拆解？为什么这么判断？然后让自己有能力去评价、纠正它。
这个纠正的过程本身，就是人在参与认知循环。
现在如果让我用一个特别简单的方式去看AI原生人才，其实就是看这两个循环：
AI原生的人，已经能把AI的循环跑起来了，这其实就是已经入门了。
AI原生人才，是保证AI在跑的时候，自己的循环也还在跑。
我们的目的倒不是让AI慢下来，最好是越来越快。我们其实希望的是，在它越来越快的时候，人的这个齿轮也牢牢地镶在上面。
要不然过一段时间回头看，就会发现AI已经升级了十几个版本，自己还是原来的自己，那个时候就不知道是AI尴尬还是人尴尬了。