1983 年，认知心理学家 Lisanne Bainbridge 在《Ironies of Automation》中讨论了一个至今仍尖锐的问题：自动化接管常规工作后，人被留下处理少见而复杂的异常；但因为平时很少亲自操作，人的技能和警觉性又在下降。

四十多年后，这组矛盾正在 AI Agent 身上重演。

从专家到监工，能力可能悄悄退化

“AI 完成，人来审核”听起来是理想分工。但长期不亲手做，知识提取速度和细节敏感度都会下降。经验丰富的人还能依靠过去积累判断结果，刚进入行业的人却可能从第一天起就在审核 AI，没有足够的实战机会建立判断框架。

这带来一个循环：系统越成功，人工介入越少；介入越少，人处理罕见异常的能力越弱；真正出问题时，留给人的又往往是最困难、最紧急的部分。

很少出错的系统，最难被持续监督

人不擅长长时间监控一个几乎总是正常的对象。AI 的错误还常被大量流畅、合理的内容包裹，审核者容易产生“整体看起来没问题”的错觉。

因此，不能把人机协同设计成阅读无穷无尽的生成结果，再期待人在某一行突然发现异常。系统应该主动突出不确定性、变化点、关键假设和高风险动作，把人的注意力用在真正需要判断的位置。

技术抽象不是第一次发生，但这次更快

高级语言、框架和云服务都曾让一部分底层技能退出日常工作。行业并没有因此停止进步，而是形成了新的分工：少数人继续深挖底层，更多人在更高抽象层创造价值。

AI Agent 可能也是一次抽象层跃迁，只是范围更广、速度更快。危险不只是某项具体技能退化，而是组织误以为不再需要新的训练、角色设计和能力保鲜机制。

更健康的人机协同

要避免把专家变成被动监工，可以从四件事开始：

  1. 保留亲手处理的机会：关键岗位定期完成真实任务，而不只审核结果；
  2. 让 AI 暴露依据与不确定性：重要结论必须能追溯到数据、规则或来源；
  3. 按风险分配自动化程度：低风险重复工作可自动执行，高风险动作由人确认；
  4. 训练通用诊断能力：不仅背操作手册，还要练习发现未知问题、构造验证和应急接管。

结语

我们无法也没有必要拒绝 AI，但不能因为即时效率而放弃长期能力。更可行的策略，是让 AI 承担重复劳动，同时主动去碰它的边界：那些需要定义目标、理解现场、处理例外和承担责任的地方，正是人的新领地。

自动化真正成熟的标志，不是系统里看不见人，而是人在需要出现时，仍然有能力作出正确判断。