别被“精通AI”的假象骗了，1800个真实样本揭露的认知鸿沟

最近在跑一个 AI 能力测评工具时，我分析了 1800 个真实用户的交互数据，每个样本的对话时长在 20 到 40 分钟之间。看完结果后我感到非常挫败，因为数据揭露了一个极其残酷的真相：绝大多数人对自己的 AI Fluency（AI 熟练度）认知与实际水平完全相反。

最典型的现象就是标准的“邓宁-克鲁格效应”。在测评样本中，那些实际能力最差的用户，其自我评分竟然比实际得分高出了 40 分；而真正的高手反而倾向于低估自己，实际得分比自评高出 27 分。这意味着在同一个团队里，认知落差高达 67 分。这也解释了为什么现在很多公司在推行 AI 工作流时会莫名其妙地卡壳——管理层以为员工已经“精通”了，但实际上大多数人根本没入门，只是在用一种“我觉得我会用”的错觉在工作。

在这次 1800 人的样本分析中，有几个反直觉的发现非常值得深挖。首先是角色能力的错位：产品经理（PM）的平均得分是 59.2 分，而工程师的平均分只有 53.7 分。这其实揭示了一个核心逻辑：在 AI 实际应用场景中，对输出结果的判断力、对业务需求的定义能力，远比纯粹的技术知识更重要。工程师习惯于从技术实现角度思考，而 PM 更倾向于结果导向，这导致后者在利用 AI 解决实际问题时效率更高。

最令人担忧的是 HR 群体。讽刺的是，现在很多公司让 HR 使用 AI 来筛选简历、决定候选人是否入职，但在所有样本群体中，HR 的 AI 能力得分竟然是最低的。这意味着决定一个人职业机会的“筛选者”，可能根本不具备高效使用 AI 的能力，这无疑会给招聘结果带来巨大的随机性和偏差。

从整体水平来看，这 1800 人的平均分仅为 48 分，刚好落在 Developing（发育期）这一档。这意味着绝大多数用户虽然处于“经常使用”的状态，但完全没有系统性的实践方法。他们可能在尝试各种 Prompt，但缺乏一套可复用的逻辑框架。

最让我震惊的是团队内部的极差。在同一家公司、使用同一套工具、享受同样培训预算的前提下，同一个团队里能力最低和最高的人竟然相差了 82 分（最低 15 分，最高 97 分）。这种 5 倍以上的能力差距，直接证明了目前市面上绝大多数“全员统一培训”方案的低效。

当一个 15 分的小白和一个 97 分的高手坐在同一个教室听课时，统一的进度会导致小白完全听不懂，而高手则觉得在浪费生命。这种“平均主义”的培训方案，不仅无法提升整体水位，反而会掩盖真正的能力短板。

如果你想验证自己的实际水平，或者想看看这套测评的底层逻辑，可以去研究一下 https://aisa.to/methodology 这个页面。建议大家在自认为“精通”之前，先用真实的数据对标一次，否则你以为的效率提升，可能只是在低水平的重复中产生了快感。