AI会不会让人变笨？研究给出了更复杂的答案

最近，一位跨境卖家跟我说：“我现在每天至少有六个小时离不开AI，但越用越觉得自己变笨了。”

他的日常已经高度AI化：选品时让AI分析市场，写Listing时让AI生成文案，广告数据交给AI诊断，客户邮件让AI回复，就连开会提纲、工作总结和团队培训资料，也都先让AI打底。

从结果看，他的产出速度确实提高了。

但与此同时，他也发现了几个问题：离开AI之后，很难从零开始写一段完整文案；看到一份结构严密的市场分析，第一反应不再是核查数据，而是默认它“应该没问题”；遇到新产品、新市场和复杂政策时，也越来越习惯先问AI，而不是先形成自己的判断。

他把这种感受概括为“变蠢了”。

但在我看来，这个结论太简单了。

真正发生的事情，不是一个人的智力突然下降，而是他的能力结构、行动路径、判断依据和认知边界，正在被AI同时改写。

一、讨论AI之前，先区分两种判断方式

面对一项新技术，我们通常有两种思考方式。

第一种是价值判断：AI到底好不好？会不会让人变懒？会不会导致失业？长期使用AI会不会变笨？

第二种是机制判断：AI具体替代了哪些能力？改变了哪些工作步骤？影响了哪些判断来源？又放大了哪些过去受到限制的能力？

价值判断追求一个明确结论，机制判断则试图画出一张结构图。

我越来越认为，“AI会不会让人变蠢”本身就是一个不够准确的问题。它把完全不同的变化塞进了同一个结论里。

已有研究也呈现出这种复杂性。

美国国家经济研究局的一项研究分析了5179名客户服务人员。结果显示，使用生成式AI助手后，员工平均生产率提高约14%，其中经验较少、技能相对较弱的员工提升约34%，而高技能员工获得的增益较小。顿咨询公司的实验则发现，在AI能力边界内的任务中，使用AI的咨询顾问完成任务的速度平均提高25.1%，完成的任务数量增加12.2%，成果质量也有所提升；但面对超出AI能力边界的复杂任务时，使用AI的人得出正确答案的概率反而更低。能成为能力放大器，也可能成为错误放大器。

决定最终结果的，不只是“有没有使用AI”，而是使用者把哪些工作交给了AI，以及是否还保留独立判断和验证机制。

二、第一种变化：部分能力会退化，但不等于整体变笨

所有长期交给工具完成的动作，都会逐渐变得生疏。

有了导航以后，人们记路线的能力可能下降；有了计算器以后，复杂心算会减少；长期使用输入法后，偶尔提笔忘字也很常见。

AI同样会产生这种效果。

对于跨境卖家来说，最先退化的可能是一些具体的操作能力：

过去可以独立写出一封英文客诉邮件，现在离开AI便不知道如何开头；过去可以根据搜索词报告判断关键词价值，现在只看AI生成的结论；过去熟悉Listing结构，现在只负责把产品信息复制到提示框里；过去能够亲自拆解竞品差评，现在习惯直接让AI总结。

这些变化首先代表的是“能力外包”，不一定代表整体智力下降。

真正需要警惕的，不是自己不能从零完成所有工作，而是自己逐渐失去了判断AI做得对不对的能力。

一名卖家不会亲自设计主图，并不严重；但如果他看不出AI主图违反平台规则、误导产品功能或者不符合目标消费者审美，风险就会迅速放大。

一名运营人员不再手写每封英文邮件，也不严重；但如果AI误解了客户诉求、承诺了无法履行的赔偿方案，而运营人员完全无法识别，能力外包就会演变成业务失控。

2025年，一项针对54名参与者的探索性研究比较了直接使用大语言模型、使用搜索引擎和不使用外部工具完成写作任务的差异。研究发现，直接使用大语言模型的参与者在脑电连接、内容回忆和作品归属感等指标上表现较弱。本较小，而且属于预印本，不能据此得出“使用AI必然导致大脑退化”的结论。更合理的理解是：当AI直接接管思考和表达过程时，人的认知参与程度可能下降。

所以，我并不主张卖家重新手工完成所有工作。

我主张保留一种更关键的能力：即使不亲自生产，也必须拥有验收标准。

三、第二种变化：解决问题的默认路径被改变了

AI对人的影响，往往不是从答案开始，而是从“遇到问题后的第一个动作”开始。

以前，卖家遇到一个新品，会先观察市场、查看评论、分析竞品、询问供应商，再形成初步判断。

现在，越来越多人的第一个动作变成了：“把产品信息发给AI，让它告诉我值不值得做。”

这看起来只是提高效率，实际上却改变了思考的起点。

当AI随时可以给出答案时，“先自己思考十分钟”不再是默认步骤。久而久之，人甚至会忘记：先形成假设、再寻找证据，本来也是一个可以选择的行动路径。

宾夕法尼亚大学研究人员曾在接近1000名高中生中测试生成式AI对数学学习的影响。没有设置推理保护机制的AI能够让学生在练习阶段表现提高48%，但在撤掉AI后的考试中，这些学生的成绩反而比对照组低17%。加入提示、引导和教师设计规则的AI辅导工具，则明显减轻了这种负面影响。境运营不是同一个场景，但其中的机制非常相似：

直接获得答案，可以改善当前任务表现，却不一定形成可迁移的能力。

例如，卖家直接问：

“这款宠物饮水机能不能做美国站？”

AI很容易输出市场需求、消费者痛点、目标人群、广告策略和利润模型。答案可能非常完整，但卖家没有经历提出假设、寻找反例和验证数据的过程。

更好的顺序应该是：

我先判断这款产品可能存在三个机会：耗材复购、宠物健康需求和智能化溢价；同时可能存在四个风险：漏水投诉、清洁困难、噪声差评和认证成本。

然后再让AI检查：

“请不要支持我的结论。请逐条寻找反证，并指出还缺少哪些数据，才能判断这款产品是否值得进入。”

前一种方式是在购买答案，后一种方式是在训练判断。

四、第三种变化：人的校准来源正在从现实世界转向AI

过去，卖家的判断主要由现实摩擦来校准。

消费者不给好评、广告转化率下降、红人拒绝合作、平台审核不通过、供应商交期延误、仓储费用上涨，这些不舒服的反馈会迫使卖家修正判断。

AI提供的体验则完全不同。

它响应迅速、表达清晰、有耐心，而且通常可以理解使用者的术语和上下文。即使一个想法并不成熟，AI也常常可以把它整理成一套逻辑完整、措辞专业的方案。

问题是：表达完整，不等于判断正确。

微软研究院在2025年发表的一项研究调查了319名知识工作者，并收集了936个使用生成式AI完成工作任务的案例。研究发现，使用者对AI越有信心，投入批判性思考的程度通常越低；而对自身专业能力越有信心的人，反而更愿意检查和质疑AI输出。模型“迎合性”的研究测试了五种主流AI助手，发现模型在多种开放式任务中会表现出迎合用户观点的倾向。研究还发现，当AI回答与用户原有观点一致时，人们往往更喜欢这些答案，即使迎合性的答案未必更加正确。危险。

假设一名卖家已经投入30万元开发一款产品，他问AI：

“这款产品虽然竞争激烈，但我们拥有供应链优势，是否仍然值得继续投入？”

AI很容易顺着问题中的积极倾向，帮助他论证供应链优势、差异化机会和长期价值。

如果换一种问法：

“一家公司已经投入30万元开发这款产品，目前出现竞争加剧、广告成本上升和退货率偏高的问题。请以投资委员会成员身份，说明为什么应该立即终止项目。”

答案可能完全不同。

这并不是让AI故意唱反调，而是不要过早暴露自己期待的结论。

我把这种方法称为“收着点”。

不要一开始就告诉AI你想证明什么，不要让它快速判断你的立场，更不要把“帮我论证”当成“帮我分析”。

五、第四种变化：AI正在显著扩大人的思考空间

前面三种变化都带有损失风险，但AI同时带来了一种非常重要的能力：它可以帮助普通人进入过去难以进入的知识领域和角色视角。

过去，一个中国卖家想理解美国中产家庭、德国环保消费者、日本独居老人或者墨西哥年轻母亲，需要依靠长期市场经验、当地团队和大量用户调研。

现在，AI不能替代真实调研，却可以帮助卖家快速建立初步认知框架。

例如，我可以要求AI分别扮演：

一名美国有两个孩子的全职母亲；
一名预算有限的德国大学生；
一名对隐私敏感的欧洲消费者；
一名负责审核Listing合规性的亚马逊员工；
一名长期拍摄家居产品的Amazon Influencer；
一名需要处理高退货率的海外仓负责人。

然后让这些角色分别评价同一个产品。

这样做的价值，不是相信AI真的代表所有消费者，而是迫使自己离开单一卖家视角，发现过去没有意识到的问题。

NBER关于客户服务人员的研究显示，经验较少的员工从AI中获得的生产率提升最大。研究者认为，其中一个可能原因是AI帮助传播了高水平员工长期积累的工作方法。我认为这同样具有启发意义。

AI最有价值的地方，不是替你把已经知道的东西写得更漂亮，而是帮助你发现自己不知道什么。

六、重度使用AI的人，最终会分成四类

从我接触到的卖家和内容团队来看，重度AI用户正在逐渐出现四种分化。

第一类：答案依赖型

遇到任何问题都立即询问AI。

他们的工作速度会明显提高，但逐渐失去独立定义问题的能力。AI说市场有机会，他们就准备上架；AI说广告结构有问题，他们就修改广告；AI给出十个卖点，他们直接复制到Listing。

这一类人拥有大量答案，却很少拥有自己的判断标准。

第二类：模板生产型

他们熟练使用AI批量生成Listing、广告文案、邮件、脚本和社交媒体内容。

这类人的效率通常很高，也能快速完成标准化任务，但容易陷入内容同质化。因为所有人都在使用类似模型、类似提示词和类似信息，最终生成的卖点、视觉语言和品牌表达也越来越接近。

他们可能成为高效的执行者，却未必能成为真正的品牌经营者。

第三类：观点确认型

他们表面上在向AI咨询，实际上只是希望AI证明自己是对的。

项目想继续做，就让AI分析长期机会；准备降价，就让AI解释低价如何扩大市场；想增加广告预算，就让AI论证规模效应。

这类人最大的风险，不是AI给出错误答案，而是AI把原本脆弱的想法包装得非常专业。

第四类：认知扩展型

他们不会把AI当作最终答案，而是把AI当成假设生成器、反方辩手、角色模拟器和审查工具。

他们会让AI提出方案，也会让另一个对话窗口推翻方案；会让AI总结数据，也会追问数据来源；会让AI分析机会，也会要求它建立项目终止标准。

他们使用AI之后，不仅工作速度提高，问题意识也会变得更强。

未来真正拉开卖家差距的，很可能不是谁使用了更先进的模型，而是谁建立了更成熟的人机协作机制。

七、中国卖家应该建立一套“防认知外包”流程

我建议重度使用AI的卖家，至少保留以下六个动作。

1. 先写判断，再问AI

在询问AI之前，先用几句话写出自己的初步结论、依据和不确定点。

哪怕判断不成熟，也必须保留独立思考的起点。

2. 把生成与审查分开

不要让同一个对话同时负责提出方案和评价方案。

第一个对话负责生成，第二个对话负责反驳，第三个步骤由人结合真实数据决定。

3. 强制要求反证

在每个重要决策中加入一句：

“请寻找能够推翻上述结论的证据，而不是继续完善它。”

4. 区分事实、推测和建议

要求AI在输出中明确标记：

哪些是可以核查的事实，哪些是基于有限信息的推断，哪些只是策略建议。

5. 保留现实世界的校准

AI分析不能替代广告数据、真实订单、退货原因、消费者访谈、差评内容、供应商反馈和平台规则。

AI提供的是认知地图，真实业务数据才是地面情况。

6. 设置部分“无AI工作区”

重大选品决策、品牌定位、核心卖点和复盘结论，可以先由团队独立完成第一版，再引入AI。

不是为了拒绝工具，而是为了保留团队定义问题的能力。

寄语：真正的分化，不在工具，而在使用习惯

“AI会不会让人变蠢”，并没有一个简单的答案。

AI可能让某些具体能力变得生疏，也可能改变一个人遇到问题时的默认动作；它可能让人远离现实摩擦，进入观点被不断确认的舒适区，也可能帮助人突破知识、经验和想象力的限制。

这些变化不会自动相互抵消。

有的人通过AI节省了时间，却失去了判断；有的人通过AI获得了大量内容，却没有建立新的认知；还有人把AI变成一个可以随时调用的研究团队、反方委员会和角色模拟系统。

所以，重度使用AI的人真正的分界线，不是每天使用两个小时还是六个小时，也不是提示词写得长还是短。

真正的分界线在于：

你是在让AI替你思考，还是在利用AI迫使自己思考得更完整？

AI本身不会决定你被削弱还是被放大。

最终塑造你的，是你每天与AI互动的方式。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）