人工智能承诺与现实落差

人工智能被广泛视为一种能够接管部分工作内容的技术工具，尤其是安排、格式化、总结等操作性、重复性任务，从而为人类释放时间，减少流程摩擦，让个人和组织将精力集中在需要判断力和创造力的工作上。

这一设想的前提是，人类与机器之间能够形成清晰、合理的分工：机器负责繁琐事务，人类专注于与模糊性搏斗、形成观点、寻找正确路径等“认知摩擦”较高的环节，而这些环节被视为真正创造价值的部分。

认知劳动被“外包”的趋势

近期实践表明，现实发展与上述设想存在偏离。部分用户在使用人工智能工具时，并非只将操作性工作交给机器，而是将原本需要深度思考的环节一并“外包”。

相关观察指出，认知摩擦往往是人们最希望规避的负担，而人工智能工具的便捷性，使得跳过这一过程变得异常容易。以ChatGPT为例，其被描述为“历史上采用速度最快的平台”之一，满足了用户对即时反馈和快速答案的需求。

在这种使用模式下，人机分工并未按照“繁琐给机器、思考留给人类”的方向发展，而是出现了将思考本身交给机器的倾向。

“工作垃圾”与个人判断力的侵蚀

这种倾向的代价正在逐步显现。一些职场反馈显示，当认知斗争被持续外包后，个人的思考能力可能受到削弱。在工作场景中，这被形容为“工作垃圾”：成果在形式上完整、呈现上体面，但背后缺乏扎实的独立思考。

有调查显示，超过40%的员工已经在工作中遇到过类似情况。在个人层面，这一模式被认为更具潜在风险。

一项针对150万次人工智能对话的研究，对这一现象进行了量化呈现。研究显示，用户往往先提出“我该怎么办？”之类的问题，随后几乎不加质疑地接受机器给出的答案，并不断重复这一过程。很多人在事后才产生“我本该听从直觉”的想法。

研究指出，这并非单次判断失误，而是一种会不断累积的行为模式。每一次依赖都会提高下一次依赖的概率，随着时间推移，不仅输出质量可能下降，个人最初具备的判断力也在逐渐弱化。

分工问题从体力劳动转向认知劳动

上述现象被部分研究者归类为“分工问题”的新表现形式。分工概念可追溯至亚当·斯密在1776年出版的《国富论》。斯密曾以别针厂为例指出，10名工人各司其职、分步协作，一天可生产约48,000枚别针，而单个工人独立完成全部工序，可能连一枚别针都难以完成。

卡尔·马克思在1867年的《资本论》中则强调了分工的另一面。他指出，分工虽然提高了效率，却使工人失去与产品整体的联系，只参与局部环节，最终沦为“机器的附属物”。

在工业经济中，这种异化被视为分工的真实代价之一：工人失去对自身劳动成果的整体感知和意义感，但其体力和技能仍然是生产所必需的。

当前的不同之处在于，被分割的不再是体力劳动，而是认知劳动。在知识经济中，思考本身就是劳动。失去与思考过程的联系，不仅会带来对成果的疏离感，还可能削弱个体生产成果的能力。

认知摩擦与“洞察时间”

在一些工作实践中，让机器承担更多思考任务，可能带来一种“既感到轻松又似乎仍在工作”的主观体验。但相关观点认为，认知摩擦正是实质内容产生的关键环节。

如果这一环节被完全跳过，产出中就可能缺少个人的判断、直觉以及只有个体才具备的背景信息。这部分被视为人类独有的贡献，也是不应被完全替代的工作内容。

有观点提出，人工智能也可以在另一种路径上增强人的能动性，但这需要更强的使用意图和自我约束。现实中的诱惑在于，让这些“善于表达的思考机器”走得更远，在个人形成自己观点之前，就先由机器给出结论。如果长期依赖这一模式，个体可能逐渐远离自身的思想能力。

在衡量生产力方面，工业时代通常以单位时间产出作为核心指标，而在知识经济中，有观点提出“洞察时间”（Time to Insight，TTI）的概念，即多快能够获得推动事情进展的关键理解。如果合理分工得以实现，日常工作中并非只是“产出更多”，而是更快获得清晰判断，将更多时间用于真正重要的思考。

分工如何影响人与机器的关系

如果个体在工作中感到自己只是机器的附属物，对最终产出缺乏参与感和掌控感，这被视为分工失衡的信号。

现有讨论认为，分工确实可以显著提升效率，但并不必然导致对自身思考的异化。关键在于如何划分边界：将操作性、程序化的繁琐工作交由机器处理，而将与意义、判断和方向相关的工作保留在人类手中。

在这一框架下，合理的分工被视为为人类创造力“腾挪空间”的过程。机器负责执行和整理，人类则专注于理解“这一切意味着什么”以及“应当如何应对”等更高层次的问题。