“判断成本”：用错地方反而更累

在斯旺森看来，真正擅长使用 AI 的人，并不是遇到任何任务都马上求助于 AI，而是能够判断哪些工作适合交给 AI。随着 AI 渗透到越来越多的工作环节，这种判断力正在成为一项重要的职场技能。

她提出了一个关键概念——”判断成本”（discernment tax）：有时检查、核对 AI 生成的内容，比自己动手完成任务还要费力。如果把合适的任务交给 AI，花在检查输出上的时间是值得的；但对于自己本来就很擅长的工作，评估 AI 的成果反而会消耗掉原本想省下来的时间。比如让 AI 处理繁琐的数据分析是合理的，但让 AI 替自己写一篇熟悉领域的社交媒体帖子，可能意味着要逐行筛选生成内容，得不偿失。

“正确判断 AI 生成的内容，是人能够进行的最高层次思考。实际上，这非常耗费精力。”斯旺森说。

冷门领域容易触发幻觉

除了判断成本，AI 自身的能力局限也是一些工作不宜外包的原因。”如果向 AI 询问一篇非常冷门的研究论文或一位非常冷门的研究人员，而它的训练数据中没有多少这方面的信息，它就可能产生幻觉。”

这种界限的把握也不只是员工个人的课题。AI 合同起草工具 Spellbook 的 CEO 斯科特·史蒂文森近期就告诉团队，他希望看到员工未经修饰的原始想法，而不是经 AI 打磨的”成品备忘录”——他要看的是思考过程本身。

警惕”能力认知滞后”

另一个容易被忽视的问题是：AI 能力在持续进化，”什么该交给 AI、什么该自己做”这条界限也在不断移动。斯旺森表示，一项目前更适合自己完成的任务，6 个月后可能就适合交给 AI 了。

因此，更成熟的 AI 用户会定期重新测试模型在老任务上的表现，以避免所谓的”能力认知滞后”（capability overhang）——用户对 AI 能力的认识停留在过去的经验里，即使模型已经变强，人们仍然只沿用自己熟悉的那几种用法。斯旺森负责的 Claude Academy 就鼓励用户记录自己最困难的任务，每当新模型发布时重新测试一遍。

“能够说’我试过，没成功，下次换个方法再试’，比’我有没有打开这个功能、提示词写得对不对’重要得多。”她说。

斯旺森的结论是：真正的 AI 熟练度，不在于用尽可能多的提示词、功能和工具，而在于把”何时用 AI、如何用 AI”的判断变成一种自然习惯。”AI 用得更多，并不总是更好。AI 用得更多，也不一定意味着真正会用 AI。”