判断为何升值

说「判断会升值」很容易，难的是说清楚为什么。如果判断只是某种模糊的直觉，那么当 AI 在无数任务上表现得比人更准时，凭什么说人的判断反而更贵？

这一章要给出的答案是：判断之所以不能被放大，不是因为它更高级，而是因为它包含了一样机器结构上无法提供的成分——承担后果的能力。

洞察：看见真问题

生成式 AI 可以给出一千个答案，但它回答的永远是你提出的那个问题。问题提错了，一千个答案都是精致的废品。

过去，问题不值钱，因为答案太贵——组织把预算全花在「解题的人」身上，提问被当作会议室里的闲笔。现在这个结构倒过来了：答案免费，于是所有竞争都前移到了提问的那一刻。

举个具体的例子。同样让 AI 设计一款老人手机，问「怎么把字体做大」和问「怎么让老人用它时不觉得自己在麻烦家人」，得到的是两个物种的产品。前者会得到一堆放大字号的界面方案，后者可能会导向完全不同的交互逻辑——比如让子女远程代操作而不留下「你又不会用」的痕迹。答案的差距，在问题落地的那一秒就已经注定。

洞察的来源不是聪明，是浸泡。你必须长期待在某个真实场景里，见过足够多的具体的人、具体的难堪、具体的妥协，才会知道哪里是真痛点，哪里只是听上去像痛点。这也是为什么 AI 难以替代它——它可以读遍关于老人的所有论文，但它没有陪一位老人用过一次手机。

取舍：敢删的能力

面对 AI 涌出的方案，多数人的本能是「再生成一批」，少数人的本事是从一千个里挑出一个，并说得清为什么是它。

取舍是有成本的：删掉九百九十九个，意味着为剩下的那一个承担全部责任。正因为多数人不敢担，敢担的人才稀缺。

我在课堂上做过一个练习：给学生三十张 AI 生成的图，十五分钟内选出三张，并说出每张的理由。绝大多数学生的困难不在于选不出好看的，而在于说不出为什么——他们的审美是真实的，但那份审美从未被要求变成语言，因而无法被检验、被复用、被传递。

把取舍的理由说出来，是一件比取舍本身更重要的事。因为只有被说出来的判断，才能成为你的资产；没被说出来的，只是运气。

定义：决定什么算成

第三种能力最少被讨论，却最致命：决定「做成什么样才算成功」。

产品的本质是交付结果，不是提供工具。工具可以被复制，结果的定义权不能。Humane Pin 有一流的工具制造能力，却没有结果的定义能力；那位义乌老板娘正相反——她说不出工具的语言，却牢牢握着「什么叫好卖」的定义权。两相对照，价值站在哪一边一目了然。

定义之所以无法交给 AI，有一个结构性的原因：定义必然包含取舍价值的动作，而价值排序是没有正确答案的。一款给老人的手机，是该优先保证安全还是保证尊严？两者冲突时听谁的？AI 可以列出所有考量，但它无法替你决定哪个更重要——因为那取决于你是谁、你相信什么、你愿意为什么负责。

为什么这三种能力会复利

这三种稀缺不是并列的，它们会相互喂养。

有洞察的人，取舍起来更快，因为他知道自己在找什么；敢取舍的人，定义起来更稳，因为每一次担责都在校准他的标准；能定义的人，反过来更容易看见下一个真问题，因为他站在结果那一端回望。三者在同一个人身上滚动累积。

这正是新价值秩序拉开差距的方式：不是线性的领先，是复利的甩开。两个能力接近的人，五年之后可能不在一个量级——不是因为一个人更努力，而是因为一个人的每次判断都在为下一次判断增值，另一个人的每次执行只是在消耗时间。

而这三种能力共享同一个前提：你必须真的为结果负责。旁观者可以有见解，但不会有判断力——判断力是被后果喂大的。这就是它无法被外包给机器的根本原因：机器不会为任何事付出代价。

为什么机器给不了这三样

有必要把「机器为什么给不了判断」这件事说得更硬一些，否则它容易滑成人类中心主义的一厢情愿。

机器的判断是统计意义上的：它在海量样本里找出最可能正确的选项。这在有标准答案的领域极其强大，在没有标准答案的领域则完全失效——而造物恰恰属于后者。一款产品该优先照顾谁、一个功能该不该做、一段文案该冒犯多少人，这些问题没有正确答案，只有你愿意承担的答案。

三种能力之所以留在人这一侧，各有一个结构性理由。

洞察需要在场。 AI 可以读遍关于老人的所有研究，但它没有陪任何一位老人用过手机。真问题藏在具体的难堪与妥协里，而那些东西很少被写下来——它们只对在场的人显形。

取舍需要立场。 删掉九十九个方案不是计算题，是价值排序题。而价值排序的前提是你得先是个有立场的人：你在乎什么、你不能忍受什么、你愿意为什么承担代价。机器没有在乎，因此也不会有取舍，它只有偏好参数。

定义需要承担。 定义一件事「怎样才算成功」，等于提前把自己绑在了那个标准上。绑定是有风险的，而风险是机器不会承受的东西——它错了不会失去任何东西，你错了会。

把三条合起来看是同一句话：判断力是被后果喂大的，而机器不吃后果。 这不是能力问题，是结构问题。因此它不会随着模型变强而改变。