正如麦克卢汉所言，人类创造了工具，工具又反过来塑造了人。在消费智能的过程中，你也在创造智能。只不过，你创造的价值最终并不属于你，而是流向了那些提供模型的科技巨头
我看这篇文章，最值得追问的不是 AI 会不会取代人，而是：当我们用 AI 提高效率时，新增的知识和能力，最终积累在谁手里？
付订阅费是一笔显性的交易。提供业务背景、纠正模型错误、解释什么结果才算好，则是另一笔容易被忽略的投入。我们既是智能的消费者，也在参与智能的生产。
但从参与生产到失去价值，中间还有数据边界、使用约定和系统设计。把所有 AI 使用都称为“双重收割”过于简单；忽视这笔隐性投入，同样危险。
AI 的使用成本，还包括让它懂你的知识
原文借纳德拉提出的“反向信息悖论”，指出一个真实的矛盾：为了让买来的智能有用，买家往往需要先透露自己的专有知识。
通用模型不了解一家公司的业务细节。你得告诉它客户为什么购买、流程为什么这样设计、哪些例外必须处理。越接近核心业务，需要提供的语境通常越深。
尤其值得注意的是纠错。模型给出一个一般答案，你指出哪里不对、为什么不对、应该如何判断。这一过程贡献的，可能比最初输入的资料更有价值。
不过，输入、留存、用于训练和向外部扩散，是不同的事情，不能画等号。我的判断是，企业需要弄清这些知识经过了什么系统、允许被怎样使用，以及自己能否保留和迁移，而不是笼统地恐惧对话框。
专家训练正在走向整个组织的工作机制
原文描述的数据训练市场，已经从简单标注走向专业判断。平台寻找的，是掌握特定语言、科学知识、医疗经验和写作能力的人。
文中生物学助理教授 Amanda Brown 的经历，也揭示了这类工作的另一面：看似自由的高薪零工，可能伴随密集会议、模糊评价和赶工压力。专家不仅交付知识，也进入了一套新的劳动管理体系。
更值得关注的是训练对象的变化。按照原文的介绍，Mercor 正尝试通过模拟公司运作，让 AI 学习客户、专业人员和业务流程之间的互动。
单个专家知道什么，与一个组织如何完成工作，是两种不同的资产。后者包含角色分工、交接规则、判断顺序和异常处理。一旦训练深入这一层，受到影响的就不只是某个岗位，而是整条业务流程的价值分配。
这还不能直接推出员工必然被替代。但它提醒我：企业的知识资产，远不止文档库里那些可以下载的文件。
编程的变化，是价值从实现向定义和验证移动
原文用程序员的处境说明知识商品化：当代码可以大量生成，逐行手写的重要性下降，定义软件要解决什么问题、理解设计和保证质量的重要性上升。
我认同这个方向，但不认同“代码已死”和“零验证成本”的说法。
编译、测试能够提供快速反馈，这是编程适合自动化的重要原因。但能编译不等于正确，通过测试也不等于满足真实业务需求。测试覆盖不到的边界、安全问题和设计缺陷，仍然需要判断。
所以，变化不是验证消失了，而是部分验证可以交给机器高速完成，人需要把注意力放到更难定义的正确性上。
原文提到，用设计文档保存数据结构、实现思路和关键决策。我认为这很有启发：代码越来越容易生成，设计意图就越需要清楚地表达和保留。技术人员的价值，会更多体现在问题定义、系统设计和质量责任上。
裁掉人以后，组织可能失去驾驭 AI 的能力
原文把持续裁员与 AI 投入联系起来，提出“企业空心化”的风险。比某一次裁员规模更重要的，是企业会不会把组织能力误当成可以随时删减的成本。
流程写在文件里，流程为什么如此设计、什么时候必须破例，却常常保存在人的经验和关系中。谁能判断一个异常是否严重，谁能协调几个部门一起行动，并不总能从知识库里找到答案。
如果一边要求 AI 深入业务，一边不断流失懂业务的人，企业可能同时失去判断结果和修正系统的能力。
我更关注这种管理上的矛盾：为了获得智能而投入算力，却削弱了定义目标、提供语境和承担责任的人力基础。
持续的不确定性还会损伤协作和组织记忆。即使后来重新招聘，也不意味着长期形成的信任与默契能够立即恢复。人力资本和 AI 能力，应当放在同一套生产体系里考虑。
通用智能越普及，独特语境越需要自己积累
原文引用 Venkatesh Rao 的“商品化智能”概念。我觉得这个视角有用：把大模型看成越来越容易获得的生产要素，有助于企业冷静判断自己的优势在哪里。
模型能够调用大量已经表达、整理和传播的知识。当这些能力变得普遍，单纯拥有模型访问权，就很难形成持久差异。
原文还描述了知识从少数人的新发现，逐渐扩散、最终成为公共常识的过程。这个框架提醒我们，今天稀缺的经验，明天可能成为通用能力。
但由此断言 AI 永远无法创新，或永远学不会人的品味，就走得太远了。对个人和企业而言，更可靠的策略是持续产生新判断，并把使用 AI 获得的经验积累下来。
品味也不是一句抽象的自我评价。它要体现在具体选择里：什么问题值得解决，什么结果值得接受，什么代价不能支付，以及什么时候应该推翻原来的判断。
把每一次使用，变成自己的学习循环
我认为，原文最有建设性的部分，是把讨论从知识流失推进到了学习能力的所有权。
企业不能只关心今天哪个模型更强，还要关心模型更换之后，自己留下了什么。可以从三件事入手：
- 掌握评价标准。 把业务中的好坏判断沉淀为自己的评估体系，让模型改进有明确方向。
- 保留关键记忆。 保存必要的决策语境、纠错记录和工作经验，让下一次使用建立在上一次学习之上。
- 保持模型可替换。 让核心流程、业务规则和知识积累能够跨模型延续，减少迁移时的能力损失。
这些积累需要清楚的信任边界：哪些信息可以进入外部系统，哪些交互允许留存，哪些知识只能在组织控制的范围内使用。
对个人也是一样。让 AI 帮助完成任务之后，还要看自己有没有形成新的理解、提高判断质量、接触更难的问题。如果产出越来越多，自己却越来越说不清为什么，效率提升就未必转化成了能力增长。
我愿意积极使用 AI，也愿意为它付费。但每一次使用，都应该尽可能留下属于自己的方法、经验和判断。工具会塑造使用它的人，我们需要主动决定，这种塑造把自己带向哪里。