人工智慧與創造力：當我們將「枯燥的工作」外判時，會發生什麼？

AI 正在竊取你的靈光一現。

文章作者、來源：袁振商業筆記

過去兩年，幾乎每一家 AI 公司都在講同一個故事：

將重複性工作交給 AI，人類就能騰出時間，從事更具創造力的事務。

這種說法聽起來無懈可擊。讓 AI 整理資料、處理表格、寫會議紀要，人去思考戰略、產品和創意，像是一次完美的社會分工。

但它偷偷藏了一個前提：重複性勞動和創造性工作，是可以一刀切開的兩件事。

歷史給出的答案，沒這麼乾脆。

許多真正重要的創造，並非發生在重複工作結束之後，恰恰發生在重複、失敗和走神的縫隙裡。你先與一個問題糾纏很久，反覆計算、觀察、修改，某個普通瞬間才突然把散落的東西接了起來。

如果 AI 替我們拿走了所有笨功夫，它釋放的可能不只有時間。

它也可能奪走靈感賴以發生的現場。

蘋果不是答案，只是最後一根火柴

牛頓與蘋果的故事，大概是人類歷史上最成功的「創新神話」。

一個蘋果從樹上掉下來，砸中牛頓。牛頓靈光一現，發現萬有引力。

真實版本沒有這麼省事。

牛頓的朋友威廉·斯蒂克利在回憶錄中記載，1726年，兩人曾在蘋果樹下喝茶。牛頓回憶，當時他正處於沉思狀態，看見蘋果落下，於是想到：蘋果為何總是垂直落向地面，而不是向上或向旁邊？隨後，他才「逐步」將這種力量推廣至地球、月亮和其他天體。[1]

圖1｜蘋果並未提供答案，它只是點燃了牛頓長期思考所累積的材料。

蘋果沒有砸中牛頓，也沒有直接掉出一條定律。

它更像一根火柴，落進了一個已經堆滿材料的倉庫。

數學家龐加萊的經歷更典型。

他曾連續研究一類函數，做了大量計算，屢屢失敗。後來他暫時放下工作，外出旅行。就在登上一輛公共馬車的瞬間，一個關鍵聯繫突然闖進腦子：他研究的變換，與非歐幾何中的變換是同一種東西。

這個念頭來得很快，甚至沒有經過當場推導。旅行結束後，龐加萊回到書桌前，又花時間把它完整驗證。

他後來將創造過程拆分成幾段：先是意識性的艱苦準備，然後是看似無所事事的潛伏，接著才是突然的照亮，最後還要回歸嚴謹的驗證。[2]

費馬大定理的證明也是如此。

安德魯·懷爾斯秘密工作了七年，於1993年宣布證明成功，但幾個月後被發現存在漏洞。他又計算了一年，與學生理查德·泰勒反覆尋找出路，直到1994年9月才補上缺口。[3]

人們記住的是最後那個瞬間，數學家真正經歷的卻是數以千計的無效計算、失敗路徑和重來。

靈光一現從來不是從天而降的獎品，它是笨功夫累積到一定程度後，大腦給予的延遲回報。

創意的原料，藏在那些「不高級」的工作裡

我們今天很喜歡把工作分成兩類：低價值的交給機器，高價值的留給人。

問題是，人腦並不像諮詢報告中的表格那樣運作。

一名記者在整理數十份財報時，可能發現兩組數字對不上；一名產品經理在逐條查看差評時，可能突然意識到用戶抱怨的根本不是功能；一名醫生在反覆看片時，才慢慢建立起對異常的直覺。

這些工作單看起來都不高級，甚至很枯燥。但它們在大腦中留下了大量細小的模式。

所謂直覺，很多时候只是熟練到無法逐句解釋的經驗。

青霉素的發現就是這樣。

1928年，弗萊明度假歸來，發現一個培養葡萄球菌的培養皿被黴菌污染，黴菌周圍的細菌沒有生長。污染是偶然，發現卻不是。一個沒有長期觀察細菌的人，看見的只是一隻應該扔掉的髒盤子。

更容易被忽略的是，弗萊明並沒有因此立刻製作出藥物。將近十年後，弗洛里、錢恩和一支團隊才重新拾起這項研究。他們用奶桶、食品罐甚至浴缸培養黴菌，又在美國尋找高產菌株，最終才把實驗室裡的偶然變成可以救人的工業產品。[4]

圖2｜污染是偶然，發現取決於長期觀察；藥物更來自後續十年的工程化。

歷史喜歡講述「尤里卡」（Eureka，希臘語感嘆詞，意為「我找到了」或「我發現了」），但產業真正依賴的卻是尤里卡之後漫長、重複且並不漂亮的工程。

愛因斯坦後來向數學家阿達馬描述自己的思考方式時也說，最先出現的往往不是完整語言，而是圖像、符號和帶有動作感的元素。他會讓這些東西反覆組合，語言反而是後面的事。[5]

創造不是憑空生成，更像重組。

你見過什麼、做過什麼、在哪些地方失敗過，決定了腦子裡究竟有什麼東西可以重新連接。

如果資料永遠由 AI 摘要，初稿永遠由 AI 生成，數據永遠由 AI 清洗，人確實會輕鬆很多。但久而久之，我們接觸到的只剩機器處理後的成品，不再是粗糙、矛盾、帶噪聲的原材料。

效率提高了，感覺卻可能變鈍。

《創新者》所寫的恰恰不是天才

沃爾特·艾薩克森在《創新者》裡追問過一個問題：計算機和互聯網究竟是誰發明的？

最後他發現，這個問題很難用一個人的名字來回答。

數字革命並非某位天才在車庫中突然想出來的。早期的電腦、晶體管、晶片、軟體和互聯網，都來自一代又一代人的改進。有人提出概念，有人焊接電路，有人寫程式，有人將昂貴的原型變成普通人能使用的產品。

當書中提到哈佛 Mark I 計算機時，格蕾絲·霍珀的敘述更強調霍華德·艾肯，而 IBM 的版本則強調那些未被記住名字的工程師：計數器、讀卡器等大量增量改進，共同構成了最終的那台機器。[6]

圖3｜《創新者》反覆提醒：數字革命來自多人、多輪、增量協作。

這不是在否認天才，而是在還原創新的真實結構。

一個開拓性事件，通常同時需要少數人的異想天開和多數人的笨功夫。前者負責改變方向，後者負責讓新方向變成現實。兩者之間不是替代關係。

AI 最誘人的地方，在於它似乎可以同時扮演這兩種人：既提供點子，又負責執行。

但這裡也出現了新的問題。

在2024年，《科學進展》發表了一項關於生成式AI與寫作的實驗。獲得AI點子幫助的人，所寫出的故事平均更具創意、完成度更高，對原本創造力較弱的人幫助尤其明顯；但若將所有作品放在一起比較，AI輔助的故事彼此更為相似。[7]

AI 提高了個人的下限，也壓縮了群體的差異。

這很像今天的內容平台：每個人都寫得比以前更流暢，標題、結構、金句一樣不少；讀完十篇，卻像只讀了一篇。

當所有人都向同一個模型索要「第一個想法」時，我們省略了空白頁，也可能一齊走向那個最容易被預測的答案。

最危險的不是不會寫，而是不會想

這並不意味著人們應該拒絕 AI，重新把時間浪費在複製貼上和機械排版上。

計算器沒有毀掉數學，搜尋引擎也沒有毀掉知識。工具真正改變的，是人必須保留哪一層能力。

AI 可以為我們搬磚，但人不能因此忘記牆為何要建在這裡。

這種擔憂已不再只是哲學討論。2025年，微軟研究院等機構調查了319名知識工作者，收集了936個真實的AI使用案例。結果顯示：人們越相信AI，在任務中投入的批判性思考（Critical thinking，一種合理且反思性的思考方式）就越少；越相信自己的專業判斷，批判性思考反而越多。AI並未讓思考消失，卻將思考從「親手生成」推向了「核驗、整合和看管」。問題是，如果人們只看到一份流暢的成品，核驗很容易退化成點頭。[8]

更直接的信號來自寫作和編程。麻省理工學院媒體實驗室一項涉及54人的腦電寫作實驗發現，持續使用大模型寫作的參與者，腦網絡連接最弱，對文章內容的回憶以及「這是我的作品」的感受也更低；不過這項研究仍為小樣本預印本，不能據此斷言AI會讓人永久變笨。[9] METR在對16名資深開源開發者和246項真實任務進行隨機試驗時還發現，使用2025年初的AI工具後，開發者完成任務反而慢了19%。更有意思的是，他們事前預計AI會讓自己更快。[10] METR在2026年的追蹤中判斷，新一代工具很可能已帶來加速，但由於參與者和任務存在明顯的選擇偏差，仍無法可靠估計幅度。[11] AI最先削弱的，可能不是能力本身，而是人對自己是否仍在思考的判斷。

對個人來說，至少有三件事不該輕易外包。

第一，問題從哪裡來。

不要一開始就問 AI「我該寫什麼」「我該研究什麼」。先去客戶現場，先閱讀原始資料，先自己感受到哪裡不對勁。一個好問題，往往來自於別人嫌麻煩而略過的細節。

第二，第一輪判斷從哪裡來。

可以讓AI擴寫、反駁和補充資料，但最好先留下一個未經模型加工的粗糙版本。哪怕只有幾句話，也要知道自己原本怎麼看。否則人與AI的合作，很容易變成人替AI潤色。

第三，結果由誰負責。

親自做過底層工作，才明白 AI 錯在哪裡。一個從未寫過程式的人，很難判斷程式只是能運行，還是經得起上線；一個從未啃過財報的人，也很難識別一份漂亮分析裡藏著的口徑錯誤。

那麼，什麼可以交給 AI？

判斷標準不是「有沒有創造性」，也不是「重複不重複」，而是三件事：驗收標準是否清楚，過程是否可追溯，出錯以後是否能回滾。資料轉寫、格式整理、已知規則下的數據清洗、代碼樣板和測試用例、同一主題的多版文案與設計草圖，都適合交給 AI。戰略取捨、事實口徑、品牌審美、系統架構和最終簽字，則不能只因為 AI 做得快就一起打包出去。

交出後，人仍需與 AI「左右互搏」。動手前，先寫下自己的判斷與驗收標準；生成時，讓 AI 同時提供反對意見、失敗條件與證據出處；生成後，人回到原始材料，抽查事實、複算關鍵數字、執行關鍵測試；隔一段時間，再安排一次不使用 AI 的「徒手訓練」。寫作者需保留獨立採訪與初稿，程式設計師需保留程式碼審查與故障排查，設計師需保留概念選擇與最終視覺判斷。只有仍能驗證、敢於推翻、能接管的人，才有真正資格將工作交給 AI。

對公司來說，真正該警惕的也不是員工用了多少 AI，而是組織是否仍在生產一手經驗。

如果年輕人不再進行基礎分析，不再與客戶磨合需求，不再經歷失敗的初稿，公司短期內雖會獲得更快的交付，長期卻可能失去培養判斷力的途徑。

過去，一個新人透過三年的苦功，慢慢變成一個有直覺的老手。現在，AI 可以讓新人在第一天就交出七十分的答案。

但從七十分走到九十分，需要的仍然是他親自見過問題、犯過錯誤，也為結果付出過代價。