高校限制 AI，企业却要求候选人会用 AI。夹在中间的人，到底该怎么办？
我的判断很直接：别把时间耗在“支持还是反对”上。
你真正要避免的是两种脆弱：一种是面对新工具完全不会用，另一种是离开工具就不会工作。
这不是第一次出现工具冲突
计算器刚进入课堂时，老师担心学生跳过基本训练，企业却早已把它当成日常工具。
后来真正有用的边界是按目标划分：需要训练推导过程时限制计算器，需要解决真实问题时允许使用，同时要求使用者理解公式、估算数量级，并判断答案是否合理。
AI 带来的冲突更快、更广，但原则没有变。
学校有权要求学生完成特定的独立训练，也应该明确哪些环节禁止、哪些环节可以使用、如何申报。企业可以要求效率，也不能只看一份被工具润色过的成品，而忽略候选人能否解释和修正。
对个人来说，最危险的是等两套制度先达成共识。它们可能要争很久，你的学习和求职却不会暂停。
同时建地板和天花板
天花板，是你有 AI 时能达到的产出上限：更快整理材料、生成方案、分析数据、编写和测试代码。
地板，是 AI 不可用时，你最低还能完成什么：能否独立理解问题、找到错误、解释判断、完成核心步骤。
只有地板，没有天花板，会在重复劳动和新工作方式里越来越吃力。
只有天花板，没有地板，工具一旦答错、失效或被拿走，你就无法继续。
旧文曾引用企业招聘、岗位增长和 AI 培训收益的具体比例，但没有保留足以核验的原始出处。这些数字也高度依赖调查时间和样本，因此不在改写中继续当作硬证据。这里保留更可靠的判断：AI 协作能力正在进入更多岗位，而独立解释、现场修改和领域判断仍是识别真实能力的重要方式。
地板由三种能力组成
能发现 AI 的错误
模型最麻烦的地方，不是偶尔答错，而是答错时也可能很自信。
领域知识让你知道哪里不对，验证习惯让你不把第一版输出直接交出去。数字要查来源，代码要测试，论点要检查前提。
知道该问什么
一个人如果连问题都没定义清楚，Prompt 再长也只是把混乱写得更详细。
先说清目标、现有材料、约束和完成标准，再决定 AI 应该参与哪一步。
能解释为什么这样做
报告、方案或代码不是凭空出现的。你需要能说明选择依据、被否定的方案、仍然存在的风险，以及 AI 的参与范围。
这三项能力都能训练。先自己做框架再让 AI 补充；先估算答案再让 AI 计算；故意审查一份模型输出并记录错误。无工具训练不是怀旧，而是在维护最低可用能力。
用真实项目训练天花板
学校没有课程，不等于只能等。
个人项目是很好的训练场，因为它同时包含目标、约束、失败和反馈。选一个真正关心的问题，把 AI 放进流程里，但不要藏掉过程。
记录这些内容：
- 项目解决什么真实问题
- 哪些步骤由你完成，哪些步骤交给 AI
- AI 生成过哪些错误结果
- 你用什么方法验证
- 最终方案为什么这样取舍
实习、兼职和开源协作也有同样价值。真实环境会逼你面对权限、隐私、截止日期和他人反馈，这些才是工具使用能力的硬边界。
作品集比一份漂亮答案更有说服力
当 AI 能批量生成“看起来不错”的内容，稀缺的就不再只是产出，而是判断。
作品集不要只展示终稿。把问题定义、早期方案、失败记录、验证证据和修改原因一起留下。
面试官问“为什么这样做”时，你能给出清楚回答；工具给出一个貌似正确的结论时，你知道怎样检查。这些痕迹才说明作品属于你的判断，而不只是来自一次生成。
关于“准备好”的两个问题
别再问“我准备好使用 AI 了吗”，也别问“我能不能完全不依赖 AI”。
换成两个更具体的问题：
如果 AI 明天消失，我还剩下什么？
如果 AI 明天强十倍，我能用它做到什么？
前者提醒你别让基本能力被掏空，后者提醒你别把工具当成敌人。
教育和职场把相反要求压在同一代人身上，确实不公平。但在制度慢慢调整之前，你仍然可以主动划边界、做项目、留过程、练判断。
真正的出路不是站在 AI 的一边，也不是站在 AI 的对面。
是让自己在有工具和没工具时，都有选择权。
