最近，月之暗面技术副总裁付强的一套 AI Native 人才观被不少人转发。
公开报道里，这套判断包含五组比较：Curiosity > Being Right、Taste > Consensus、Scaling > Sequential、Learning Rate > Experience、Generalization > Specialization。
翻成日常工作语言，大致对应五种能力：愿意探索未知、有独立判断、会用 AI 放大产出、能快速重学、能把方法迁移到新领域。
问题到了公司内部，很快就会变得尴尬。
公司说自己需要好奇心，季度复盘却追问"为什么没有一次做对"；招聘时强调独立判断，开会时又希望所有人尽快形成共识；管理层鼓励员工使用 AI，绩效仍按加班时长和亲手完成的任务量计算。
一边寻找 AI Native 人才，一边用旧制度筛掉他们。
好奇心很贵，因为探索经常没有结果
"好奇心比永远正确更重要"容易获得掌声。放到真实项目里，好奇心意味着有人会提出计划之外的问题，会试一条成功率不明的路线，也会产生一些无法上线的原型。
如果组织只表扬成功案例，失败探索永远出现在复盘里的"资源浪费"一栏，员工很快就会学会保护自己。他们会选择熟悉的方法，避开难以解释的实验。
奖励好奇心需要一笔明确的探索预算。可以是一部分时间、一小笔算力费用，也可以是允许失败的实验名额。没有资源和容错，好奇心只是企业文化墙上的形容词。
Taste 会留下选择记录
独立判断经常被包装得很神秘，仿佛少数天才凭直觉就能看见未来。工作里的 Taste 更朴素。
面对十个都能做的需求，你选哪一个；模型给出三个看似合理的方案，你删掉哪两个；竞品都在追一个热点时，你有没有依据决定跟进或放弃。
一个人的选择如果长期没有依据，只有"我觉得"，那是任性。一个人能说清信息来源、取舍标准、反证条件和结果反馈，才是在积累判断。
五项能力要连起来看
好奇心负责发现尚未被定义的问题；判断负责决定哪些问题值得投入；AI 杠杆把一次解法沉淀成 Prompt、Workflow、Memory 或 Agent；快速学习帮助人适应新模型和新工具；迁移能力再把方法带到下一个业务场景。
其中一项断掉，效果都会打折。只有好奇心，项目会不断开坑。只有判断，没有行动，最后只是评论员。会调很多 Agent，却没有业务理解，自动化只会更快地产生返工。
AI Native 更接近一套能够持续发现、选择、执行、复用和迁移的能力系统。
"会用 AI"经常只是换了一个聊天窗口
不少团队已经把"熟练使用 AI"写进岗位要求。面试时问候选人用过哪些模型，是否会写 Prompt，会不会搭 Agent。入职后，员工用 AI 写周报、改邮件、做几页 PPT，公司就宣布进入 AI Native。
这种使用方式能节省一些时间，却没有改变能力如何积累。更该观察的是另一组行为：
- 有没有把反复出现的任务整理成稳定流程；
- 有没有把个人经验变成团队可用的模板、规则和评估标准；
- AI 出错以后，能否定位问题来自数据、上下文、工具还是判断；
- 工作换到新场景时，旧方法能迁移多少；
- 任务完成以后，系统有没有比上一次更好用。
聊天记录只证明一个人打开过 AI。可复用资产和改进记录才能证明他放大了能力。
最难改变的是绩效表
传统绩效喜欢计算可见的工作量：完成多少任务、处理多少工单、写了多少页面、在线多长时间。
AI 参与以后，一个人可能花两周搭好工作流，接下来几个月少做大量重复劳动。按旧指标看，他亲手完成的任务变少了；从组织收益看，团队腾出了大量时间。
员工做出一套好用的自动化工具，分享给全团队以后，个人的"不可替代性"也会下降。如果晋升依赖掌握私有信息和承担关键手工步骤，他就没有动力继续共享。
五个可以进入绩效讨论的证据
探索记录
看员工提出过哪些新问题，做过哪些低成本实验，失败后留下了什么结论。
判断依据
看重要选择是否写明备选方案、取舍标准、风险和反证条件。
复用资产
看个人经验有没有沉淀成工作流、数据集、评估集、模板、Memory、Agent 或操作规范。
学习速度
面对新模型、新工具或新任务，记录从陌生到能够稳定交付花了多久。
迁移结果
看一套方法能否从一个业务场景迁移到另一个场景，并保留可验证的效果。
AI Native 人才也需要边界
这套人才观很有启发，但它不适合被粗暴地套到所有岗位。
高风险生产、财务、医疗、合规和安全工作仍然需要稳定性、专业经验与严格流程。好奇心不能绕过审批，跨域能力也不能代替专业资质。
泛化能力帮助人把方法带到新场景，深度专业知识负责识别边界、异常和代价。组织需要根据任务风险决定探索空间。
招聘文案改得最快，组织制度改得最慢
AI Native 人才观给了公司一套很吸引人的人才画像：好奇、有判断、会借力、学得快、能迁移。
这样的人会看公司是否允许提出不同意见，是否给探索留出资源，是否承认可复用资产的价值，是否让自动化收益回到创造者身上，也会看一次合理失败会不会毁掉绩效。
绩效表继续奖励听话、工时和重复劳动，再好的 AI Native 人才也会逐渐学会少探索、少分享、少冒险。
最后留下来的行为，永远是制度持续奖励的行为。
参考资料
本文基于公开报道中的观点进行选题重构与延伸讨论，并非付强讲话的逐字整理。