上午刚交一份“不许用 AI”的作业，下午投简历却被问：“你熟悉哪些 AI 工具？”
这不是年轻人想太多，而是教育和职场正在用两套标准考同一个人。
学校担心你绕过学习过程，企业又希望你用工具提高产出。两边各有道理，但矛盾和成本最后都压到了学生身上。
真正的出路不是选边站，而是同时建两样东西：离开 AI 也能工作的地板，以及借助 AI 放大产出的天花板。
计算器争论留下的启示
计算器进入课堂时，也经历过类似争论：如果机器能直接给答案，学生还会不会理解数学？
后来形成的实践并不是“全面禁止”或“随便使用”，而是根据学习目标划边界。训练心算和推导时限制工具，解决真实工程问题时允许使用工具，同时要求学生能解释过程、判断结果是否合理。
AI 也应该这样看。
如果作业目标是训练写作、推理或编程基本功，直接提交模型生成结果，确实绕过了训练。如果目标是完成真实项目，完全拒绝工具，又会错过行业正在形成的新工作方式。
所以“该不该用 AI”是个太粗的问题。更准确的问题是：这一次练习究竟要训练什么能力，哪些环节可以借力，哪些环节必须自己完成？
两种极端都很脆
第一种人，完全没有 AI 使用能力。
他们可能有扎实基础，却不会拆任务、提供上下文、验证模型输出，也不知道怎样把工具接进工作流。进入已经普遍使用 AI 的团队后，会在大量重复执行上吃亏。
第二种人，离开 AI 什么都做不了。
简历和作品看起来漂亮，但一旦需要现场解释逻辑、修改错误、核对数据，能力就断了。他们不是“用了 AI”才脆，而是从来没有建立独立判断。
关于企业招聘比例、岗位增长倍数和培训收益，旧文曾引用过多组具体数字，但缺少可在本文中核验的原始来源。数字可能随调查样本和时间快速变化，因此这里不把它们当成结论。更稳定的事实是：招聘越来越重视 AI 协作能力，同时仍会通过现场任务、追问和作品过程判断候选人是否真的理解自己的产出。
地板：没有 AI 时你还剩什么
地板不是一句抽象的“基本功”，而是三项可测试的能力。
发现错误
模型会给出语气自信但事实错误的答案。你要有足够的领域知识，知道哪些结论需要查证、哪些数字不合理、哪些代码虽然能跑却埋着风险。
定义问题
Prompt 的质量，首先取决于你是否理解问题。目标、约束和验收标准都说不清，工具只会更快地产出一堆方向不明的内容。
解释决策
作品不是最终文件就结束了。你应该能说清楚为什么选这个方案、否定了什么、证据在哪里、还有哪些不确定。
训练地板不需要抵制 AI。可以在学习中安排“无工具回合”：先独立完成框架、估算或核心实现，再用 AI 对照；也可以先审查一份 AI 答案，主动找出三个漏洞。
天花板：有 AI 时你能放大什么
天花板不是“让 AI 全做”，而是把已经理解的工作流做得更快、更完整。
- 用它整理资料，但自己决定问题和证据标准。
- 用它生成多个方案，但自己比较约束和取舍。
- 用它写初稿或代码，但自己测试、修改并承担结果。
- 用它自动化重复步骤，但为高风险动作保留确认。
你本来没有判断时，AI 放大的是混乱；你已经有判断时，它才会变成杠杆。
学校不教，也能建立训练场
等待课程改革通常太慢。更实际的方式，是做一个你真正关心的小项目。
项目不必宏大。可以整理一份个人数据、做一个小工具、研究一个真实问题，或者建立自己的学习工作流。关键是保留完整过程：
- 我想解决什么问题？
- 哪些部分自己完成，哪些部分借助 AI？
- AI 给过哪些错误或无效方案？
- 我如何验证和修改？
- 最终结果有什么限制？
实习和兼职也有价值，因为真实任务会给你即时反馈。结果交不出去、数据口径不对、用户看不懂，这些约束比“写一个漂亮 Prompt”更能训练能力。
让思考过程变成作品
当每个人都能生成一份像样的报告、代码或文案时，最终成品本身越来越难证明能力。
过程反而更有区分度。
作品集里不要只放截图。写下你的原始目标、方案选择、失败记录、验证方法和最终取舍。面试时也别只说“我用 AI 提效了”，要能说明它负责什么、你负责什么、结果如何核验。
这不是为了证明自己“纯手工”。而是证明你有能力驾驭工具，而不是被工具牵着走。
用两个问题检查自己
每隔一段时间，认真回答两个问题：
如果 AI 明天暂时不可用，我还能独立完成哪些核心工作？
如果 AI 明天强十倍，我手里的知识、流程和判断能被放大成什么？
第一个问题检查地板，第二个问题检查天花板。
学校和企业的矛盾不会很快消失。但个人可以先建立一条更稳的路：需要训练时关掉工具，需要交付时正确使用工具，并对每一个结果保持解释和验证能力。
地板和天花板，都得自己建。
