如果你第一天进一家 AI 公司上班，
最意外的事情可能不是：
公司要求你每天用 AI。
而是主管告诉你：
「先不要用。」
这件事最近真的发生在纽约金融科技公司 Valon。
Valon 并不是一家排斥 AI 的传统公司。
刚好相反。
它正在打造用于房贷服务的现代软件平台，官方网站直接把 AI Agents、工作流程自动化与复杂金融任务放在产品内核。
但公司最近却做了一个看起来非常矛盾的决定：
所有新进非工程职员工，先关闭 AI 权限。
不是永久禁止。
也不是认为 AI 会让人变笨。
而是公司发现了一个新的问题：
AI 可能把工作做得太快，快到新人还没真正学会工作。
资深员工 20 分钟做完，新人却可能因此少掉几个月的学习
Valon 首席执行官 Andrew Wang 说，
公司里有经验的员工使用 AI 后，
以前需要几个小时，
甚至几天才能完成的事情，
现在可能：
20 分钟就解决。
这听起来完全是一件好事。
如果一家公司投资 AI，
不就是希望：
更快、
更便宜、
更有效率吗？
问题是，
那些被 AI 消掉的麻烦工作，
以前刚好还有另一个功能：
训练新人。
新人以前怎么学房贷服务？
不是只读一本 SOP。
而是真的碰到：
对帐错误、
资金移动异常、
数据对不起来、
系统例外、
流程中间某一步出了问题，
然后自己一路往回追。
到底哪里错？
哪一笔数据先进来？
哪一个系统改了什么？
什么情况是正常例外？
什么情况才真的有问题？
这些工作很慢。
也很烦。
但做久了以后，
新人脑中会慢慢长出一张：
「这份工作到底怎么运作」的地图。
AI 最大的问题不是给错答案，而是新人不知道答案错了
Valon 提到一个非常值得注意的情况。
新人现在可能很快就能透过 AI，
得到一个：
大概 95% 正确的答案。
95% 听起来已经非常好了。
但真正危险的是剩下的 5%。
因为一个已经做了几年的人看到 AI 回答，
可能立刻察觉：
这里不对。
这笔钱不可能这样走。
这个规则少了一个例外。
这个客户的状况不能套一般流程。
但新人看到同一个答案，
可能只会想：
写得很完整。
逻辑很顺。
应该可以用了。
所以问题不是：
AI 会不会犯错？
而是：
使用 AI 的人，有没有能力知道它犯错？
以前「犯过错」本身就是训练的一部分
这也是 AI 导入工作后，
很容易被忽略的一件事情。
我们通常把效率想成：
步骤愈少愈好。
时间愈短愈好。
最好按一个按钮，
答案就出来。
但如果你正在学一件事情，
那些被省掉的步骤，
有时候反而就是学习本身。
一个会计新人第一次：
对不起帐，
他会开始理解每个数字从哪里来。
一个客服新人第一次：
判断错客户问题，
他才会知道哪些例外不能照标准回答。
一个工程师第一次：
自己追 Bug，
会慢慢创建系统之间的关联。
一个行销新人第一次：
自己拆数据，
才会发现「一起发生」和「真正原因」不是同一件事。
如果 AI 一开始就直接把：
答案、
摘要、
判断、
解法
全部交出来，
新人可能很快变得：
看起来会做。
但真正遇到 AI 没看过的例外时，
才发现自己根本不知道下一步。
所以 Valon 不是永久禁 AI，而是先创建「解锁条件」
这一点很重要。
Valon 没有说：
新人一年内禁止 AI。
也没有宣布：
AI 对员工有害。
Andrew Wang 自己形容，
直接关闭 AI 权限其实是一个：
很粗糙、暂时性的做法。
现在的原则是：
等主管可以确认这名新人已经懂得足够多，
能够：
质疑模型、
验证输出、
辨认错误，
AI 权限就可以开放。
换句话说，
它真正设下的不是：
「用了多久才能用 AI」。
而是：
「你有没有能力监督 AI？」
这个差别非常大。
更有趣的是：问题不只出在新人，还开始影响资深员工
如果新人使用 AI 产出大量看起来很完整、
但里面藏着错误的工作，
最后谁要修？
通常还是资深员工。
Business Insider 报导，
Valon 一些有经验的员工反而支持这项政策。
原因之一就是：
他们之前得花时间清理新人没有充分检查的 AI 产出。
这形成一种很奇怪的效率假象。
表面上：
新人五分钟完成了。
实际上：
资深员工后面又花四十分钟检查与修正。
公司的 Dashboard 可能看到：
AI 使用量上升。
每个人产出增加。
但整条工作流程加起来，
不一定真的比较快。
而且 AI 用得愈多，不代表公司愈 AI-native
Wang 还发现另一个问题：
员工有时连很简单的事情，
也直接叫高级、昂贵的 AI 模型处理。
这是企业导入 AI 后很容易出现的第二个误区：
把「使用 AI」本身当成进步。
但真正该问的是：
这件事需要 AI 吗？
需要这么强的模型吗？
AI 做完后谁检查？
如果错了，代价多少？
公司到底省下什么？
Valon 预估，
调整 AI 使用方式后，
年度化 Token 支出可能从约 1,500 万至 2,000 万美元，
下降到约 400 万至 500 万美元。
这是公司自己的预估，
不能拿来当成所有企业都能省 70% 以上。
但它至少证明一件事：
AI 用得更多，和 AI 用得更好，是两回事。
这件事真正打中的，是「学徒制度」正在消失
以前很多专业工作的新人，
都有一段不好玩的时间。
整理数据。
做初稿。
查文档。
对数字。
跑测试。
处理小问题。
资深员工做重要判断，
新人做大量基础工作。
这套制度当然有缺点。
有时只是把无聊工作丢给新人。
但它同时也是很多产业的：
apprenticeship model，也就是学徒式训练。
你先做小事。
你犯小错。
别人纠正你。
你慢慢理解整个系统。
最后才开始负责重要决定。
而生成式 AI 最先擅长的，
偏偏就是这些：
初稿、
整理、
搜索、
比对、
摘要、
基础分析。
所以企业现在遇到一个以前没有的问题：
如果所有入门工作都被 AI 做掉，下一代资深员工要从哪里长出来？
这不是叫新人「不要学 AI」
如果最后的结论变成：
新人不要用 AI，
其实也走到另一个极端。
因为未来工作环境里，
会使用 AI、
知道怎么交代任务、
懂得验证结果、
知道什么时候不该用 AI，
本身就是工作能力。
Valon 的做法真正值得看的地方不是：
先禁 AI。
而是它开始把员工能力拆成两个阶段：
第一阶段：
先理解工作。
第二阶段：
再用 AI 放大能力。
顺序不能完全倒过来。
如果没有第一阶段，
第二阶段很容易变成：
AI 做，
人负责相信。
最后需要重新设计的，其实是新人训练
企业以前问：
新人第一周要看哪些教材？
要跟谁 Shadow？
多久可以独立作业？
现在可能还要再多一题：
什么时候可以使用 AI？
而这个答案最好不是：
第一天全部开放。
也不是：
三个月全部禁止。
比较合理的方式可能是：
哪些工作可以一开始用 AI？
哪些工作至少要亲手做过一次？
哪些错误一定要学会自己辨认？
什么能力达标后，
才能把这一步交给 AI？
甚至可以让 AI 变成老师，
而不是代写答案的人。
例如先要求新人自己判断，
再让 AI 提出不同观点。
先自己找出错误，
再让 AI 补充。
先写出流程，
再让 AI 找漏洞。
这样 AI 不是把学习过程拿走，
而是把：
回馈速度加快。
AI 时代真正稀缺的，可能不是答案，而是判断力
以前信息很难找。
所以知道答案的人很有价值。
现在答案愈来愈便宜。
几秒钟就能产生：
Email、
报告、
程序、
分析、
演示文稿、
建议。
真正变得昂贵的，
反而是另一件事情：
你怎么知道这个答案值得相信？
这种判断力很难靠一句 Prompt 得到。
它通常来自：
做过、
错过、
追过问题、
看过例外，
最后才形成经验。
所以 Valon 这个看起来很反 AI 的决定，
其实可能是一种更激进的 AI 思维。
它不是问：
「怎么让每个人尽快用上 AI？」
而是问：
「怎么确保 AI 放大的，是人的能力，而不是人的无知？」
这可能才是企业下一阶段真正要面对的问题。
当 AI 可以替新人跳过所有麻烦步骤，
公司要保留下来的，
也许不是那些麻烦本身。
而是那些麻烦原本教会人的东西。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
