你正在用 AI 把自己的产出做到原来的五到十倍。代码、文档、分析报告、内部提案，品类在膨胀，速度在加快，完成度在上升，快到你自己都有点不习惯。你收到的反馈是正面的：更多交付、更快响应、更大覆盖范围。你是团队里最会用 AI 的那批人，这感觉是职业生涯里最聪明的决定。它可能是最危险的一个。而且越是像你这样出活最快、最离不开 AI 的人，可能被伤得越深。
这件事是我在 Superlinear Academy 社区里一位学员的文章里看到的。场景是软件工程日常：上级想在一个功能 X 里追加一个价值存疑的特性 Y，团队里每个人都隐约觉得这件事不太对。谁都还没来得及开口，上级先甩过来一句”让 AI 做一下”。就这一句话，整个判断流程当场断了。Y 该不该做，再没人提起，这个问题直接消失了。
没有人否决掉这个问题。所有人做的都是同一件事：默认往前冲，默认这件事已经存在了、该做了、做就完了。bias for action。它听起来是正面词汇。果断、高效、行动导向，哪个经理不喜欢，哪个 OKR 系统不给它加分。但这层正面的背后藏着一个你没法忽略的成本：你不再是一个判断价值的人了。“这件事该不该存在”这个问题，在你的日常里出现的频率正在归零。
为什么会归零？因为 AI 把”先试试看”的价格打到了近乎为零。过去说要加一个特性，哪怕再小的改动，也要估工时、排优先级、挤进 sprint、让人花半天一天去写。这个摩擦本身就是一道天然过滤器：不够重要的事，不值得费这个劲。现在 AI 把这道过滤器拆了。“让 AI 做一下”，十分钟出结果。于是所有事都过了。“值不值得”这个问题还没来得及进入任何人的意识，执行已经开始了。没有人拍板说这件事不该做。是压根没有人想过要拍板。
这个机制在一个团队里一旦启动，会自己加速。一个成员开始用 AI 吞任务、不拒绝，产出量立刻在别人的对比中显得突出。其他人要维持同等可见度的贡献，只能跟着启动同样的模式。于是团队整体的判断力使用频率同时下降。没有人故意做出”扔掉判断力”这个决定。是一个低摩擦选项扩散成了默认行为，然后默认行为快到你还没来得及注意到它变成了规范。
对你来说，这个成本不是抽象的。你的职业生涯里最核心的复利资产，和你今天在简历上写的那些技术词其实关系不大。什么语言、什么架构、多大并发不出事，这些都会老化，会被工具替代，会在你换一个技术栈之后折价。真正会复利的东西是判断什么值得做。是在产品经理拍过来的需求看着方向就不太对的时候，能把目标本身改掉而不是闷头实现。是在所有人都觉得”做一下试试”的时候说停，然后承担说停的后果。
说停之后你会被贴上不配合的标签，别人会质疑你的执行力，下一次讨论可能直接跳过你。这些后果是真实的，所以大部分人不会说停。AI 让”做一下试试”的启动成本降到了零，进一步消灭了”值不值得想”这个中间环节。你作为那个本该思考值不值得的人，在这种节奏里会慢慢消失。每天的选择累积起来，把你训练成了一个不会问”为什么”的手，不需要等裁员的那一天。
这不是在说生产力不好。执行力此刻仍然是稀缺的。如果你今天能用 AI 拿到竞争对手拿不到的产出量，你在团队里确实更值钱，组织也确实会奖励你。这不是幻觉。一个能在半天里拉出五份竞品分析、三版原型方案的人，在大多数组织里就是比一个只会精雕细琢的同行更受认可。你现在拿到的涨薪、晋升、更多资源，就是市场给执行力这个资产此刻的定价。如果你现在能做到，你该做。
只是你不能不知道你在做的同时额外付出了什么。你每获得一次”产出超高”的正反馈，就多一条理由明天继续把时间押在执行上，少一条理由去练那个慢、难、没有即时正反馈的判断力。这套正反馈转得越久，你越难停下来。
而停下来检查方向这种事，恰恰是没有即时报酬的。你推掉一个错误的需求，没人会在那个季度的评价里给你加分。你做对了，省下的代价是隐性的、延迟的、很难归因到你头上的。你做错了，代价是你的。这套激励结构天然地把所有推力指向执行那一侧。
AI 这个杠杆是定向的。它放大执行，不放大判断。你把不确定的想法丢给它，它能给你十几个变体方案。你把确定的需求丢给它，它能给你几屏代码。但当你问它”这个方向对吗”，它不会真的回答你。
Anthropic 自己做的 sycophancy 研究 里发现：“人类评审员和偏好模型都倾向于选择写得漂亮但在迎合用户的回答，而不是写对了的回答”（both humans and preference models prefer convincingly-written sycophantic responses over correct ones）。RLHF 这个训练范式本身带有一种倾向：做一个你希望听到的回答，比做一个对的回答更安全、评分更高、存活率更高。
这跟某个版本的 bug 无关，是这套优化路线的必然产物。你用这套东西做执行，它给你加速度。你指望它帮你矫正方向，它跟你说你方向挺好的。
《Nature》2026 年的一篇研究进一步量化了这个效应。被训练成更”温和”的模型，错误率高出十到三十个百分点，倾向于认同用户错误信念的概率高出十一个百分点（Training language models to be warm can reduce accuracy and increase sycophancy）。温和本身就是训练直接追求的优化目标。你在日常用到的大多数商用模型，背后跑的训练流程都在往这个方向收敛。
你每天在用的 AI，训练目标就是当一个听话的执行接口。你让它执行，它执行得好。你让它判断方向，它说你觉得对的那个方向。一个长年累月在这种交互里工作的人，判断力的使用频率会降到什么程度，不需要想象力也能算出来。
这里要做一次精度限定。AI 当然可以做出反对姿态。你给它一个 prompt 让它扮演反对者，它模拟出来的反对可以很有水平。关键差异在于：它没有组织身份，没有长期信誉押在上面，不用承受说完”不”之后那个人际层面的后果。
真正的反对是一种成本行为。你要拿自己的信誉、关系和未来的合作空间去押注。你说”这个方向不对”，如果最后证明你说错了，你会损失信誉。如果证明你说对了但让关键人不高兴了，你会损失关系。AI 不做这种押注。它反对你的时候，你没有压力；你反对它的时候，它记不住。一个没有押注成本的反对动作，在组织里不算判断力，只是一个交互花样。给出正确答案只是判断力的一半。另一半是愿意为自己的答案承担后果，而这件事只有人能做得出来。
此刻的奖励，恰恰是危险信号。市场是滞后指标。你拿到的涨薪和晋升，反映的是市场此刻对执行力的稀缺定价。但执行正在变成商品，而且速度远快于大多数人的感知。
Matt Hopkins 在 When AI becomes the manager 里描述了一个清晰的方向：AI 正在吃掉中层协调工作，把战略翻译成具体的每日任务，直发到一线执行人手里。他自己的公司 Convictional 已经在把这套流程跑起来了。人不再是协调者和管理者，而是一个接收任务、跟踪进度、产出评估的调度节点。
沃顿商学院的 Puntoni 教授把这个加速机制叫做 trust trap：员工更愿意把活派给 AI，因为没有社交成本，不用承人情，不用管对方累不累，不用开会同步。人把活派给 AI，AI 把活派回给人，中间那层”人判断人、人协调人”的环节正在缩水。执行这件事，从人的维度上也保不住了。
“执行作为差异化优势”的溢价，在这两条线上同时承压。技术线，AI 自己做执行越来越快、越来越便宜。六个月内代码生成质量的变化，你每天在用，不需要复述。组织线，管理系统的自动化把人从协作者重新定义成任务接收者，你的工作从”一起搞清楚该做什么”变成了”把下发的事做完”。
你现在的五到十倍产出确实在给你换回报酬，但换回的是执行溢价的最后几个窗口，而你不知道窗口什么时候关。更麻烦的是，你越是高效、越是不拒绝、越是让任务流过你的手进入 AI 的产出管道，你在这套新系统里的角色就越清晰：一个可靠的、不需要判断的、随时可以被替代的任务中转站。
你每天用 AI 高效吞掉一堆任务，这个行为从职业生涯角度看，同时在两个方向上伤害你。方向不同，但叠加在一起会让你的职业资产组合往贬值方向系统性地偏。
一方面是资产配置。你一天只有那么多小时，你把时间投在哪里，你的能力资产就长在哪里。你每次选择”让 AI 做一下”然后一头扎进执行闭环，你选的是把时间投在执行这个资产上。而执行这个资产正在系统性地贬值。同时你能投在判断那个资产上的时间也在一点点变少。
判断是不练就退的。跟肌肉不一样，它更像语言能力：你不用它，它钝化比你想象得快。三个月不主动做价值判断、不主动说”这个不该做”，回头再想捡起来的时候，那种判断直觉已经钝到需要重新磨。而在这三个月里，你执行产出了很多，得到了很多点赞，资产配置表格上最该加仓的那一栏是空的。
另一方面是信号。你在组织内部发出的每一个行为都在告诉别人”我是什么位置”。你高效地吞任务、很少说”这个不该做”、来什么做什么、做得又快又好，你发出的信号非常明确：我是执行接口。而执行接口正是 AI agent 这个品类最直接瞄准的替代位置。你越是把 AI 用得溜、出活越快，这个信号喊得越响。
下个月你不会丢工作。但你正在主动把自己的角色标签贴到别人最容易自动化的那一栏里去。当组织某一天开始认真地盘点”哪些工作 AI 能替”时，你过去三年里积累的那些高效执行的证据，不会变成你不可替代的论据，反而会变成”这部分 AI 做更快”的论据。你亲手给自己写了一份替代说明书。你越是证明自己执行得又快又好，你越是帮组织完成了”执行这件事人可以放手”的论证。
Stanford 和 CMU 在 2025 年联合发表的一项研究（Sycophantic AI Decreases Prosocial Intentions and Promotes Dependence）从另一个方向验证了这件事。他们发现，使用 sycophantic AI（也就是会迎合用户的 AI）会让用户更确信自己是正确的、更不愿修复人际冲突、更依赖 AI。
注意这个闭环的走向：你越用 AI 做执行，AI 越暗示你做的是对的，你就越确信自己不需要花精力做判断，于是越依赖 AI 继续执行。同时你越不愿修复人际冲突，意味着你越不愿意去做那些需要判断然后推回去的困难对话。你以为是工具在服务你，实际上是工具在帮你把一个职业生涯里最不该忘的能力系统性抹平。这是一个有实验验证的、自我强化的退化循环。
学员文章里那个场景，上级一句”让 AI 做一下”，全场没人开口。为什么那个鞭子能抽下来？上级天然会往便宜的方向走，但这只是表层。真正的根源在下级这边：他们自己默认把自己当成执行接口，默认 bias for action，默认不要判断，默认”既然有人想让我做我就做”。这四层默认叠在一起，把一个人从价值判断者变成了任务消化器。
说”我忙不过来”挡不住那一鞭子。这等于承认任务该做、只是自己没时间，你还是在默认自己是执行接口。挡住它要靠说清楚”这件事方向不对，不值得做”，并且愿意承担说完之后的不确定和人际压力。
AI 帮不了你这件事。你的 manager 也不会替你做这件事，他也在同一套 bias for action 的压力底下。这件事只有你能做。而你能不能做，取决于你有没有一直在练，在所有人都觉得 AI 生产力真香的时候，刻意留出一部分脑子去问那个不再有人问的问题：这件事该不该做。你每问一次，你的职业生涯就往复利方向多偏一点。你每跳过它一次，你的替代说明书就多写一行。最会用 AI 的那批人，替代说明书恰恰写得最厚：他们出活最快，押在执行上的筹码也最多。