这两年，关于“新人用 AI 会不会变笨”的讨论越来越多。很多前辈会提醒新人：不要依赖 AI，否则判断力会退化、写作能力会下降、脑子会越来越懒。前辈说“新人用 AI 会变笨、会丧失判断力”，这句话之所以刺耳，是因为这像一句总评：用工具让人降智。
但如果我们把问题问得更具体一点，会发现这句话并非毫无道理——它指向的风险是真实存在的；同时它也并非必然成立——AI 也可以成为新人更快建立判断力的加速器。
关键在于：判断力到底是什么？新人阶段到底需要哪一种判断力？AI 会伤到的又是哪一部分？
本文试图拆解大家所说的“判断力”究竟是什么，并给出新人可执行的与AI协作的注意要点。
目录
一、试论“判断力”的层级
第一层：策略层判断力
第二层：文书层判断力
第三层：基础判断力
二、为什么说新人应该多多尝试使用AI工具
（一）大部分判断力是经验的产物
（二）这个时代，新人要警惕成为螺丝钉
三、所以，我们究竟要如何与AI协作？
（一）陌生领域
（二）经验导向领域
（三）可提效但依赖事实
（四）重复性强、可自动
一、试论“判断力”的层级
讨论“AI 会不会让新人失去判断力”，第一步不是表态，而是把“判断力”拆开。我认为判断力至少可以分成以下三层。
第一层：策略层判断力
📃 取舍、路径与后果预期
策略层的判断力，通常发生在“怎么把这个案子办下来”的决策上：
是走诉讼/仲裁还是谈判/和解，是否先保全、先发函、先谈判；
请求如何组合、争点如何取舍、主次如何排布；
以及，对案件后果的预期是否可靠，能否综合胜率、周期、成本、客户关系、声誉做权衡。
💡这一层的核心不是“知道哪些法条”，而是“知道怎么取舍”。
它往往确实难以通过单纯熟悉知识点获得，更像一种需要由大量案件喂出来的手感：你见过足够多的胜负路径，才会对“哪些动作能改变局面、哪些动作只是自我安慰”形成直觉。
也正因如此，这一层通常由需要承担结果的人主导（主办、负责人、合伙人、法总）他们的判断力价值，体现在承担后果与配置资源上。
第二层：文书层判断力
🖊️ 不是写出完美文本，而是服务事实
很多新人以为文书能力是“把结构写完整、把逻辑写自洽”。但真正决定文书质量的，往往是另一种更隐蔽的能力：你能不能让文书与案件事实贴合，并且在有限篇幅里完成信息的有效取舍。
这一层至少包含两件事。
第一是贴合度。同样的法律框架，不同案件的事实肌理完全不同。能不能把争点对应的关键事实写清楚，把法条要件落在能被证据支撑的事实上，而不是写成一个漂亮却空转的“法理段落”。
第二是取舍。哪些事实必须写细，因为它承担要件、承担举证责任、承担对方抗辩的反制；哪些事实可以略过，因为它不推动裁判结论，只会稀释重点、放大漏洞。文书不是越全越好，而是越能把裁判带到你希望的结论越好。
AI 很擅长生成规范、顺滑、逻辑自洽的文本，但它容易在不知不觉间与案件事实脱节——写成一个“平滑的通用方案”，读起来像对的，却不能直接解决手头的具体问题。
💡这一层面的判断力，依旧需要大量经验才能习得。
如果没有经手过大量的案子，没有把整个案子跑通过，我们很难实质性地认识到问题的关键。所以新人即便能写出一个看似有理有据的文本，这个文本也不一定能实质性解决问题。
第三层：基础判断力
🔍识别错误、校验定性，依赖熟练度与条件反射
第三层，是最底层、也最容易被认定为「判断力退化」的部分：你能否看出 AI 在知识点上写错了，能否对 AI 给出的定性有自己的判断，而不是被它的语气与结构牵着走。
💡这一层考验的是知识点熟练度，以及由熟练度带来的条件反射。
我们能否看到某个概念就能想到它的边界与反例，看到一个结论就会本能追问要件是否齐备、证据是否足够，看到一个“因此/从而”就会警觉推论过程是否跳过了关键环节。
前辈担心“新人用 AI 会变弱”，很多时候讲的就是这个底盘：如果底层不稳，新人可能能靠AI将文书写得越来越顺，却越来越难在关键处把错误拦下来。
二、为什么说新人应该多多尝试使用AI工具
（一）大部分判断力是经验的产物
分析完判断力的层级，或许你已经发现一个问题：大部分判断力并不来自于处理特定任务的熟练度，而在于足够多的办案经验，以及对案子是否有足够多的视角、理解、经历过足够多的例外情况。
因此，我认为前辈说“新人使用 AI 会削弱判断力”并非完全正确。前辈在说这句话时，往往基于其过来人的身份，也即，这是上位者（有多年经验的人）对下位者（新人）讲的话。
但从同层级的新人看，一个擅用 AI 的新人必然承担更多任务，继而会以更快的速度走完整个工作流程的闭环。最后因为这个人经历的更多，其综合判断能力自然会比同情境下不用 AI 的新人更好。我们应该清楚地知道，在同层级的竞争中，「善于使用工具」本身就是一种显著的优势。
前辈说“新人用 AI 会丧失判断力”，更多是在担心——
你在获得结论的同时，跳过了那段必须由自己完成的建模、检索、对照与反证过程。
久而久之，你依然能写出一份看起来规范的文本，却更难判断它是否贴合事实、是否证据闭环、是否存在不可逆表述风险；更难在关键节点上把错误拦下来。
前辈的担心不无道理，至于这些事应该怎么解决，后面再议。
（二）这个时代，新人要警惕成为螺丝钉
抓紧拥有更全面的视角，抓紧成为更全面的人，而不是做熟练的螺丝钉。这是去中心化时代每个人都要加速完成的事。
劳动关系在接下来的几年里一定会发生比较大的变化。最近听一位前辈讲：在AI时代，要多做“AI越强你越开心”的工作，而不是“AI越强你越紧张”的工作。
那什么工作AI越强人越紧张、越累？纯交付、纯后台、反复操练一个环节直至完全熟练，这类工作AI 只需要一次升级就能覆盖一个人三年工作经验的积累。
在去中心化的时代，仅完成分段工作的生存空间会被极度压缩。因为 AI 极大地降低了不同环节之间的协作成本，“全栈”不再是天才的特权，而是对普通从业者的基本要求。
所以尽快用AI跑通整个链路，不让自己被锁死在特定环节，这是技术通胀时代新人保护自己最好的方式。
三、所以，我们究竟要如何与AI协作？
上述解决方法不是少用 AI，而是分区管理。把 AI 放在它擅长的位置，把人脑的敏感度保留在关键节点。为了避免“被 AI 带偏，我们需要在脑海中建立一张“协作四象限图”。
（一）陌生领域
对新人来说，“陌生领域”至少有两个层级：
1、法律层面的陌生：把AI当学习加速器而不是直出交付
面对相对陌生的法律问题，AI 更适合被当作学习加速器，而不是直接产出结论。具体而言，可以让 AI 先完成信息的结构化：
- 搭建争议解决的“路线图”，列出要件清单、争点树、证据需求清单以及该类纠纷的常见争议焦点；
- 让 AI 给出可用于检索的关键词与检索式，更高效地在法规库、案例库与裁判文书中完成自查与对照。
💡有一点亘古不变
遇到陌生法律问题先找专业报告/文章/白皮书，这类实务资料针对特定问题最好的文献综述。
如果可以找到这些内容，我们脑子里就会形成对特定问题的概览地图，后面再做进一步的思考/分析/检索就能做到心里有数。
💡还要注意关键规则必须回到原文核验
凡涉及核心概念、构成要件、期限计算、程序后果与裁判口径的内容，都应当回到法条、司法解释、权威裁判规则或你信得过的权威资料逐项核对。
同时要警惕 遗漏适用前提，例如地域差异、时间节点（新旧规则衔接）、主体资格限制以及程序阶段要求等。AI能把规则讲得很顺，却不一定把适用条件讲完整。
2、行业层面的陌生：很多时候比法律更重要
作为法学生，我们对法律通常天然更敏感；但在大量业务沟通中，客户真正关心的是：
- 这门生意怎么运转？
- 关键节点在哪里？
- 风险怎么产生、怎么传导、怎么控制？
一旦我们不理解行业交易模式，沟通就会出现断层：我们可能从律师角度讲得头头是道，但客户却听不进去。
印象特别深的是一位资深的法务姐姐说，「做法务到位了」的判断标准是你可以跟业务谈业务了。这个判断标准对律师同样有效。对行业概念，常见的要点是：
- 交易闭环：钱怎么走、货/服务怎么走、权利怎么走、风险怎么分配？
- 常见节点：交付/验收/对账/结算/变更/违约触发点在哪里？谁最容易违约？为什么？
- 争议地图：这个行业最常见纠纷是什么？证据通常卡在哪里？对方最常用的抗辩是什么？
这部分功夫做得越早，我们越容易在新人阶段形成“全局感”：因为我们看到的不再是碎片条款，而是一整条交易链条与风险传导路径。
💡 顺便推荐Siber老师的一条小红书：
（二）经验导向领域：训练思维模式
我逐渐意识到所谓的“经验”，是在说这个人有没有足够多的思维视角去考虑一个问题。
印象特别深的例子是有次我需要起草一份和解协议。当时我试图把所有可能出现的风险点都考虑进去，花了很多功夫去完善条款内容。
但当我把初稿交给老板审阅时，她一眼就指出了一个致命的硬伤：我在协议的开头部分，直接对双方需要达成和解的那个核心动作进行了定性。这就是我的思维盲点，我没有前瞻性的诉讼思维。
这份和解协议在未来是有可能作为证据提交到法庭上的。如果我在开头就草率地对争议行为进行了定性，万一和解最终失败或产生新的纠纷，这个定性就有可能变成对方攻击我们的武器，对我们产生不利的法律后果。
还记得我曾经写文章介绍过一个用于斟酌合同条款的prompt吗？到年尾我渐渐领悟，很多思维漏洞，只要你意识到了，就是非常好的prompt素材。
比如说，除了上述提及的一个思维漏洞，我会意识到我和AI的交互本身就是非常好的拿来复盘自己思考上的漏洞的素材，所以我让AI给我写了一个“交互效能教练”的提示词。每次我和AI探讨完一个比较复杂的问题后，我会用这个提示词来总结我在这轮对话中的思维盲区。
💡
通过这个提示词，我抓到了好几个自己没有意识到的提问盲区。比如下面截图的问答过程中，我对佣金的比率不敏感，所以没有继续追问正常的市场经纪市场佣金率可能是多少，也没有去检索相关的材料，这是一个很bug的点：
💡
再比如，AI提醒了我，我的对抗性思维还是不够：
（三）可提效但依赖事实
1、解决方法其实非常朴素平实：无论如何，原始材料要自己过一遍了解原委。效率最高的路径就是不偷懒的路径（我知道有时候这有点点难🥺
2、所有已经有意识但暂时还不知道怎么优化的内容都可以和AI讨论转化为prompt：
当我意识到好文书的本质应该是可落地的解决方案，我会在和AI讨论以后制作从落地的角度来审视文书的提示词。
注：这里想强调并不是我们要学习撰写多么系统的提示词，而是我们需要意识到提示词的本质是寻找思考角度。
（四）重复性强、可自动化
这是26年年初正在迅速迭代的板块。期待vibe coding/skill/clawbot等本地助手为可自动化的场景带来更多惊喜。这部分不在本篇文章中展开，后续文章我也会分享自己近期捣鼓skill的心得。
结语
回到最初的问题：新人用 AI 会变笨吗？
如果只是把 AI 当作一个“自动生成器”，把它的输出直接当作交付，确实会变笨。因为新人交出了思考的权利，也交出了成长的机会。
但如果你把AI当作你的“外脑”，愿意敏而好学，不断地与AI探讨求知，在这个“好奇心是最大生产力”的时代，你将成倍飞跃。
所以——
请带上你聪明的小脑瓜，尽快与AI成为亲密无间的好朋友，你会推开新世界的大门;D
封面来自@Veloura
