当团队越来越依赖 AI，创意多样性会不会被削弱？

想象一下你某一周的待办事项。

从回复同事的一条简短消息，到制定团队战略，你通常会如何判断：哪些任务值得投入更多时间和精力，哪些任务只需要快速完成？

行为科学告诉我们，大多数时候，人并不会真正追求“最优解”。我们更常做的是“满意即可”。

英文里有一个词叫 satisficing，由 “satisfy” 和 “suffice” 组合而来，大意是：找到第一个“足够好”的选项，然后继续往前走。这个概念由诺贝尔经济学奖得主、社会学家 Herbert A. Simon 提出。他在研究职场决策时指出，对于快速、低风险的任务，或者面对信息不完整、结果不确定的复杂决策时，“满意即可”其实是一种务实的工作方式。

但 AI 改变了这套规则。

过去，“足够好”的答案还需要人思考、搜索、比较、整理。现在，它几乎可以瞬间出现，甚至在人真正深入理解问题之前，就已经摆在你面前。

这种速度对很多小任务当然很有帮助。但如果“快速得到一个看起来不错的答案”变成所有工作的默认方式，团队就可能滑向另一个风险：想法越来越相似，推理越来越浅，甚至在最极端的情况下，人本身在工作中的价值会被逐渐削弱。

Atlassian 的观点很明确：AI 应该放大人的判断，而不是替代人的判断。

但问题在于，鉴于人天然倾向于选择“足够好”的答案，这件事不会自动发生。团队必须有意识地决定，什么时候该让 AI 先进入，什么时候该让人先思考，以及在不同项目中，应该采用怎样的人机协作方式。

这也是 Atlassian Teamwork Lab 提出 AI Collaboration Framework 的原因。它是一套帮助团队调整 AI 参与程度的工具：在不同任务中，根据项目需要，在“AI 优先”和“人类优先”之间切换。它的核心目的，是保护那些真正让人有价值的能力：判断力、品味，以及深度、原创地思考问题的能力。

过度依赖 AI 的三个风险

风险一：AI 诱发的群体思维

好的领导者不会让会议中声音最大的人最先定调。他们会使用一些方法，比如 brainwriting，让不同成员先独立写下想法，再进入集体讨论。这样做的目的，是避免团队过早被某一个观点锚定。

但在 AI 场景下，很多团队正在反过来做：先让模型给出一个答案，然后所有人围绕这个答案进行反应。

研究已经开始量化这种做法的代价。有关人机协作创意写作的研究显示，使用 AI 后，个体作品的平均创造力可能看起来有所提升，但从群体整体来看，产出会变得更集中，更容易围绕模型给出的常见模式聚集。

换句话说，每个人都变得“还不错”，但大家也变得越来越像。

当每一次白板讨论都从 AI 生成的初稿开始，团队确实获得了速度，但也可能牺牲了多样性。对于战略和创新来说，这是危险的。因为真正的突破，往往来自那些不那么标准、不那么主流，甚至一开始看起来有点逆向的想法。

风险二：“认知投降”与深度思考能力退化

早期神经科学和人机交互研究显示，过度依赖 AI 可能与较低的神经参与度，以及较弱的自我推理回忆能力相关。

在 MIT 的一项研究中，使用大语言模型完成写作任务的人，表现出最弱的大脑反应，也最难准确引用自己刚刚写过的内容。更值得关注的是，当这些高度依赖 AI 的用户切换回不使用 AI 写作时，他们的神经反应依然较低，这暗示影响可能不是短暂的。

Wharton 的研究者用 “cognitive surrender”，也就是“认知投降”，来描述这种现象。他们发现，当参与者可以使用 AI 时，往往会把自己的推理让渡给 AI：当 AI 是对的，他们的准确率会提高；但当 AI 是错的，他们也更容易忽略错误。

研究者还发现，仅仅是“可以使用 AI”这一点，就会抬高参与者对自己答案准确性的信心，即使答案本身是错的。

这并不只是实验室里的现象。在 Anthropic 最近对 81,000 名全球 AI 用户的调研中，“认知萎缩”是第四大被提及的担忧。

Atlassian Teamwork Lab 在定性研究中也观察到了类似模式。AI 可能让一些工作感觉更轻松，但这种便利也可能削弱人的思考意愿，让人越来越不愿意面对真正困难的问题。

一位软件工程师这样说：

“把每个问题都丢给 AI 真的很容易。但当你遇到一个 AI 处理不了，或者你不能完全信任 AI 的复杂问题时，你会突然意识到：‘哎呀，我好久没有这样认真思考了。’它会比一两年前感觉更难。”

风险三：掏空你自己的核心价值

在一个任何人都能立即生成一份“还不错”的草稿的世界里，真正稀缺的资源是什么？

不是会不会写出一段流畅文字，也不是能不能快速整理一份方案，而是你的判断力和品味。

也就是你作为人的能力：判断什么最重要，发现哪里缺失，形成一个真正适合这个客户、这个市场、这个时刻的观点。

认知科学中有一个概念叫 “illusion of explanatory depth”，即“解释深度错觉”。它指的是，人们常常以为自己理解了某个复杂系统，直到被要求真正解释它时，才发现自己其实并没有理解得那么深。

AI 带来了一个新的风险：那些看起来流畅、完整、即时生成的解释，会进一步强化这种错觉。我们可能会因为读到一段顺滑的答案，就误以为自己已经掌握了问题。

当我们总是从模型的解释开始，就很容易获得一种并不真正属于自己的“掌握感”。久而久之，我们可能只是把看似合理的答案转发出去，而不再真正拥有自己的推理过程。

如果这种情况发生得足够频繁，你可能不是在提高效率，而是在一点点把自己从工作价值链中转发出去。

另一位软件工程师说得很直接：

“无论你为 Atlassian 带来的核心价值是什么，你都应该真正把它练好，并理解自己到底带来了什么，是一个 ChatGPT Pro 账号无法替代的。”

AI Collaboration Framework：保护团队思考权的工具

如果你的团队一直在凭感觉判断：什么时候该用 AI 快速推进，什么时候该慢下来认真思考，那么你们很容易落入“满意即可”的陷阱。

AI Collaboration Framework 的意义，就是帮助团队把这个选择说清楚。

它不是简单地告诉团队“多用 AI”或“少用 AI”，而是帮助团队根据任务类型、风险程度、创造性要求和决策重要性，判断 AI 在其中应该扮演什么角色。

有些工作可以 AI 优先，比如整理会议纪要、格式化信息、生成初稿、归纳材料。

有些工作则应该人类优先，比如战略判断、创意方向、关键取舍、价值判断、复杂问题定义。

真正重要的不是站队，而是让团队有意识地调节 AI 参与的程度。

如何在团队中落地这套框架？

保护团队的思考权，第一步是把这个问题明确说出来，并把它纳入团队的工作方式中。

过去几年，很多团队都听过一个模糊的要求：要更多使用 AI。

但很少有人真正解释清楚：在我们的团队里，AI 应该怎么用？什么时候用？为什么用？哪些地方不能用？

Atlassian 最新的 State of Teams 报告发现，虽然 85% 的知识工作者已经在某种程度上使用 AI，但有 40% 的人表示，他们并没有被教会如何使用 AI。

这种模糊性会带来两种后果。

一种是焦虑：我是不是用错了？

另一种是过度依赖：既然 AI 这么说，那应该就是对的。

要找到更好的平衡，领导者需要把 AI 当成一项团队运动，而不是个人效率工具。也就是说，团队需要有意识地设计 AI 如何出现在共同仪式、决策流程和协作模式中，而不是简单鼓励每个人在已经很忙的工作日里再“多产出一点”。

1. 用 AI 工作约定建立清晰规范

首先，团队可以建立一份 AI Working Agreement，也就是 AI 工作约定。

这是一份会持续迭代的团队指南，用来说明团队如何看待 AI、如何使用 AI、在哪些场景可以使用，哪些场景需要谨慎，哪些场景不应该使用。

这份约定不应该是一份写完就被遗忘的文档，而应该定期回顾和更新。因为 AI 工具、团队工作方式和业务需求都在快速变化。

同时，在每个项目启动时，团队也应该养成一个习惯：明确 AI 在这个项目中的角色。

• 哪些部分可以让 AI 先做？

• 哪些部分必须由人先思考？

• 哪些输出可以由 AI 辅助生成，但必须经过人的判断？

• 哪些决策不能交给 AI？

当这些规则被提前说清楚，AI 的使用就不会变成一种隐性压力，而会成为一种有边界、有共识的协作方式。

2. 让人的思考先于 AI 出现

要避免 AI 锚定带来的群体思维，有一个很简单的原则：先思考，先记录，再使用 AI。

对于高不确定性、高风险的团队项目，比如战略文档、风险分析、产品方向、设计方案，应该先让参与者表达自己的想法，再打开提示词窗口。

这可以很简单：每个人先私下写几条 bullet points；两个人先白板讨论；或者录一段简短视频，把自己对问题的理解说出来。

然后，再把这些原始想法、记录或转写稿交给 AI，让它帮助组织、提炼和强化。

关键在于顺序。

如果一开始就使用 AI 生成的“漂亮初稿”，团队很容易被它锚定在某一个模型生成的默认视角里。

但如果先从人的未过滤思考出发，AI 后续生成的内容就更可能反映团队自己的判断，而不是模型的平均答案。

3. 保护深度工作时间

如果所有工作都像冲刺一样紧急，那么“满意即可”就会成为最理性的策略。所以，团队需要鼓励成员为深度思考和专注工作留出时间。这类时间应该像重要会议一样被保护起来，而不是被零碎消息和临时需求不断切碎。

更重要的是，深度工作不应该只是一个模糊的日历块。它需要有明确目标，例如：想清楚这个方案的核心意义是什么；列出几个反向假设；明确不同选择之间的取舍；形成一个真正属于自己的判断。

当团队不再为深度思考留时间，就很容易把所有复杂问题都交给 AI 做快速压缩。表面上看效率提高了，实际上组织的判断力可能正在变薄。

4. 用 AI 复盘找到真正有效的使用场景

在项目里程碑之后，团队可以花 10 分钟做一次 AI Retros，也就是 AI 使用复盘。

可以讨论三个问题：

• AI 在哪里真正帮助我们加速了？

• AI 在哪里让我们过早被某个答案锚定，或者压平了不同想法？

• 下一次，哪些环节应该让人先思考，再让 AI 介入？

这类复盘的价值在于，它能帮助团队不断校准 AI 的使用边界。

不是所有 AI 使用都是好使用。真正成熟的团队，不是用 AI 用得最多的团队，而是知道什么时候该用、什么时候不该用，以及如何让 AI 服务于人的判断的团队。

结语：AI 时代，团队更需要保护“思考”本身

AI 最大的诱惑，是它能非常快地给出一个“看起来不错”的答案。但也正因为如此，团队更需要警惕：我们是不是越来越少提出自己的问题？越来越少形成自己的判断？越来越少经历那些缓慢、困难但真正有价值的思考过程？

AI 可以帮助我们节省时间、整理信息、生成初稿、发现盲点。它当然应该进入工作流。但它不应该默认成为所有问题的起点。

对于真正重要的工作，人的判断、品味、经验和原创性，仍然应该站在前面。AI 的角色，是放大这些能力，而不是替代这些能力。

未来，优秀团队和普通团队之间的差距，可能不在于谁使用了更多 AI 工具，而在于谁更懂得设计人与 AI 的协作关系。真正的问题不是我们有没有使用 AI？而是在使用 AI 的过程中，我们有没有保住自己最重要的思考能力？