这个我也有切身经历,而且不止一次。

现在很多技术评审,拿出来的全是网上 Skill 生成的 HTML 架构图。从架构图到设计逻辑,再到最后的结论,基本都是 AI 给的。 页面很好看,结论也很完整。

但现场往下问两层:为什么这么设计?底层靠什么支撑?数据怎么流转?为什么选这个方案,不选另外一个?

一问一个不知道。

这就是典型的知其然,不知其所以然。

AI 给的结论不一定错,但人只拿到了最终答案,没有走过中间的推理过程,这才是问题根源。

不知道这个结论依赖哪些事实,排除了哪些方案,在什么条件下才成立。一旦条件发生变化,也不知道原来的结论还能不能用。

以前文档通常是理解之后的产物。现在 AI 可以先生成一套已经理解的外观。

看起来大家能力都提升了,每个人都拥有了很多知识。但实际上,这些知识还在 AI 的 context 里,没有进入人的脑子,也没有真正进入组织。

我之前说过,Codex 同时启动 10 个任务,十几分钟内不停切换、review 中间过程,效率直接起飞。

这个结论现在也要加一个前提: 任务可以无限并行,但人的注意力和理解能力不能无限并行。

AI-native 不是让每个人拿着 AI 的结论去开会,如果是这样不如 AI 跟 AI直接交流更高效。

这些都需要重新设计,否则 Token 越多,可能只是生成了更多没人真正理解的结论。