前段时间，我带着班上的几位海外大学生，做了一次很小、但很真实的田野考察。
题目不复杂：去看看中国大学生到底怎么用 AI。
我没有让他们只写综述，也没有让他们堆概念。他们去发问卷，去约访谈，去翻公开资料，最后交回一份让我有点意外的报告。
意外不在于“大学生正在用 AI”。这个答案太容易猜，也太没价值。
真正让我停下来看的，是另一个更刺耳的判断： 中国大学生用 AI 的比例很高，但真实使用深度，可能浅得惊人。
很多人一听“大学生会用 AI”，脑子里会自动补上一层滤镜：年轻人、数字原住民、工具敏感、学习快。
但你仔细看一眼就会发现，事情没有这么乐观。
打开豆包，问一句“帮我写个大纲”，这当然也是用 AI。但谁不会打开豆包呢？用豆包，就等于会用 AI 吗？
说得难听一点：如果只是会打开豆包问几句，那不叫真正会用 AI。这个水平，和大妈第一次试 AI 没有本质差别。
真正能定义问题、拆解任务、验证答案、组织工作流，才是另一回事。
这份报告收回了 454 份有效问卷，做了 15 场半结构化访谈。样本不完美，研究也不敢说覆盖全部大学生。但它给了我们一个很清楚的窗口。
这个窗口里最值得看的，不是“他们用了多少 AI”，而是“他们到底会不会用 AI”。
这群人很快就会进入公司，进入咨询项目组，进入产品团队，进入研究机构。他们不是“未来用户”。他们就是下一批员工、消费者、被评估的人，也会是最早一批被 AI 改写职业起点的人。
先说最反直觉的结论
这次调研最重要的结论，不是大学生“会用 AI”。
而是： 他们看起来用得很多，但大多数人的使用还停在很浅的层面。
报告里有一个数字很刺眼：88.9% 的受访学生每周至少使用一次 AI，55.9% 几乎每天使用。基本没用过的人，只有 0.2%。
如果只看这个数字，你会得出一个很乐观的结论：这届大学生已经全面拥抱 AI。
但访谈把这个乐观结论拆开了。
同样是“每天用”，有人只是把 AI 当搜索框；有人让 AI 写大纲、润色、做 PPT；少数人才会让 AI 先生成一版，再用另一个工具核查；更少的人已经在搭自己的工作流。
这就是这份研究最有价值的地方。它没有停在“普及率”，而是继续往下追问：学生在哪些场景用？怎么判断输出？遇到错误后怎么改？他们觉得什么算作弊？他们希望学校管到哪一步？
这些问题，对学校有意义，对企业也有意义。
因为你未来招到的年轻人，可能每个人都说自己会用 AI。真正要追问的是：他到底是会点开工具，还是会驾驭工具？
十个发现：热闹背后，其实很浅
01. 使用率很高，但这恰恰是最容易骗人的数字。
88.9% 的学生每周至少用一次 AI，55.9% 几乎每天用。这个数字很漂亮，但它只能说明 AI 已经普及，不能说明学生已经具备 AI 能力。会打开豆包，不等于会解决复杂问题。
02. 很多人的 AI 使用，本质上还是“搜索框升级版”。
访谈里最常见的用法，是提问、翻译、写大纲、润色、做 PPT。这些当然有价值，但还停在“让 AI 给我一个答案”的阶段。真正高阶的用法，是让 AI 参与任务拆解、方案比较、交叉验证和流程执行。
03. 论文写作已经很少从空白页开始，但这不等于写作能力变强了。
80.2% 的学生会在写论文时使用 AI。43.4% 会让 AI 先生成大纲，再自己修改；25.8% 会先自己写，再让 AI 润色；20.5% 承认会直接让 AI 写大部分内容。问题不在用不用，而在学生是否真的参与了论证。
04. 真正的断层不在年龄，而在使用深度。
报告把 AI 使用深度分成五级：搜索替代、特定任务工具、学习辅助者、协作伙伴、Agent 或工作流系统。一个学生天天用 AI，也可能只是停在第一层。一个中年人如果会搭流程、会校验、会复盘，反而可能比他用得深。
05. 会不会核查，才是“真会用”和“假会用”的分界线。
70.3% 的问卷受访者遇到过 AI 幻觉，15 位访谈对象里有 13 位明确讲过翻车经历。文献编造、事实错误、推理错误、内容瞎编，都出现过。真正翻过车的人，才开始知道 AI 不是答案机器，而是需要管理的合作者。
06. 学生不是没有道德感，而是没有清楚的操作边界。
15 位访谈对象里，没有一个人简单认为“用了 AI 就是作弊”。他们的判断标准变成了：有没有自己的想法？有没有参与过程？有没有审查修改？最后能不能在考试或答辩中说明白？这说明学生要的不是放任，而是可执行的边界。
07. 学校如果只查 AI 率，等于抓错了问题。
64.5% 的问卷受访者支持建立某种形式的 AI 使用规范。访谈里也有 73% 支持引导性规范或主动教育。但没有一位访谈对象支持一刀切限制。学生并不是反对规则，他们反对的是无法解释、无法执行、只靠检测和惩罚的规则。
08. AI 最危险的地方，不是错，而是错得很像对。
报告里有个判断很有意思：学生抄同学答案时，天然知道那可能不可靠；但看到 AI 生成的答案，会更容易默认它“像真的”。AI 的危险不只在错误，而在它把错误包装得很顺。
09. 就业压力让学生不得不用，但学校没有真正教会他们用。
越接近就业的学生，越容易把 AI 当成必须掌握的生存技能。教育部披露，2026 届全国普通高校毕业生规模预计 1270 万人。微软 2026 年 Work Trend Index 也把能否指挥 AI、判断输出、从中学习，作为衡量个人 AI 能力的重要维度。学生感受到的压力，不是凭空来的。
10. 这群人值得被研究，因为他们代表未来职场的真实起点。
他们不是传统意义上的“数字原住民”那么简单。他们在学校、平台、就业市场和 AI 工具之间自己摸索规则。对雇主、研究机构、产品团队和咨询公司来说，这是一群即将进入社会、但 AI 能力参差不齐的人。
为什么这件事值得你看一眼
过去我们谈大学生和 AI，经常落到两个极端。
一种说法是：学生都偷懒了，作业不能信了。
另一种说法是：年轻人天然会用 AI，不需要教。
这份报告让我觉得，两个判断都太粗，也都不够狠。
更真实的情况是：学生确实在大量使用 AI，但大量使用的背后，是非常浅的使用方式。
有人把它当百度，有人把它当老师，有人把它当搭档，还有人已经把它想象成“给自己打工的 agent”。这些隐喻背后，是完全不同的学习方式。
所以，看这份报告时，最该盯住的不是“有多少学生用 AI”。这个问题已经没什么悬念了。
真正该看的，是这几个问题：
他们到底会不会把一个问题问清楚？
他们会不会判断 AI 答案是真的还是假的？
他们会不会把 AI 接进一个完整工作流？
他们在用 AI 的时候，还有没有自己的判断？
更关键的是，学校的规则没有跟上。
UNESCO 在生成式 AI 教育指南里也提醒过，公开可用的生成式 AI 工具发展很快，教育机构普遍需要补上政策、隐私、伦理和教学设计。微软 2026 年的工作趋势研究也在讲类似问题：很多个人已经开始用 AI 重塑工作，但组织的规则、激励和流程没有同步。
这和学生现在的处境很像。
他们已经开始用 AI 完成任务，却还没有得到足够清楚的训练：什么可以用，什么必须标注，什么必须自己完成，什么需要交叉验证，什么时候应该停下来重新思考。
于是，学生会自己发明规则。
有人很谨慎，怕被检测误伤。有人很大胆，能交就行。有人慢慢形成工作流。有人在翻车后开始核查。这个过程很真实，也很危险。
它危险的地方在于： 一个人可以每天都用 AI，却从来没有真正训练过 AI 能力。
对学校：不要再把“检测 AI”当成 AI 教育
如果学校只靠检测工具来处理 AI 使用，最后很可能两边都不满意。
老师觉得学生规避检测。学生觉得自己被误判。真正的问题没有被解决：学生有没有学会提出好问题，有没有学会验证信息，有没有保留自己的观点和责任。
检测只能告诉你“像不像 AI 写的”。它不能告诉你，学生有没有真的学会。
比起单纯禁止，更值得做的是四件事。
第一，给出可执行的场景规则。 比如资料检索、语言润色、大纲讨论、代码解释、文献核查、最终成稿，哪些可以用，哪些必须声明，哪些必须由学生独立完成。
第二，把 AI 幻觉识别做成基础训练。 不要等学生在论文或实习里翻车。可以设计“安全翻车课”，让学生亲眼看到 AI 怎样编造文献、混淆概念、给出看似合理的错误。
第三，按专业教 AI。 理工科需要代码审查和工程验证，商科需要数据与案例核查，文科需要论证和引用规范，设计类需要创意版权和风格边界。通识课要有，但不能只有通识课。
第四，用声明制度补充检测制度。 让学生写清楚自己在哪些环节使用了 AI，如何修改，如何核查，哪些判断来自自己。学术诚信应该从“有没有碰工具”，转向“有没有承担过程责任”。
对企业：别被“年轻人都会 AI”骗了
企业很容易犯一个错：看到年轻人天天用 AI，就以为他们进公司后能马上把 AI 用进业务。
这不一定。甚至大概率不一定。
会让 AI 写一段话，和会把一个业务问题拆成可验证的工作流，是两回事。会让 AI 做 PPT，和会判断一页分析有没有逻辑漏洞，也是两回事。
很多新人会带着“我会用 AI”的自信进来，但企业真正需要的不是自信，而是可交付的判断力。
未来招聘新人，可能要多看几个能力。
他能不能提出清楚的问题？能不能把一个任务拆成步骤？能不能识别 AI 胡说？能不能把多个工具串起来？能不能知道什么时候该相信机器，什么时候该回到原始资料？
这些能力，比“会不会用某个工具”更稳定。
对产品和咨询公司：这里有一片被误读的真实需求
如果你做 AI 产品，这群学生值得认真研究。
他们不是统一的人群。有的人需要写作辅助，有的人需要考试复习，有的人需要代码解释，有的人需要面试准备，有的人需要一套能防止自己盲信的核查机制。
更重要的是，他们需要的可能不是“更聪明的聊天框”，而是更具体的任务系统。
如果你做咨询，这也是一个很好的观察入口。
大学生是未来组织中的新人供给。他们带着 AI 使用习惯进入公司，也带着学校没有解决的问题进入公司。谁能更早理解他们的能力结构，谁就能更早设计新人培训、岗位评估、组织流程和知识管理方式。
这也是我想把这份报告拿出来分享的原因。
它不是一份完美研究，但它抓住了一个正在发生的变化： 大学生不是不会用 AI，而是很多人只会浅浅地用 AI。
这个判断，比“大家都在用 AI”重要得多。
最后，真正的 AI 能力应该这样练
如果你正在上大学，或者刚进入职场，不要把 AI 能力理解成“提示词写得漂亮”。那只是入口。
更稳的路径，是把每一次使用 AI 都变成一次能力迁移。
先自己定义问题。不要一上来就问“帮我写”。先写出背景、目标、限制、判断标准。你能不能定义问题，决定了 AI 能不能帮上真正的忙。
再让 AI 给出多个方案。不要只拿第一版答案。让它列假设、给反例、指出风险。你要训练的不是服从工具，而是调度工具。
然后做交叉验证。重要信息回到原始资料，关键事实找第二来源，专业判断请真人或权威文件复核。真正的 AI 素养，不是相信 AI，而是知道怎样让 AI 不那么容易骗过你。
最后，把过程留下来。记录你用了什么工具，问了什么问题，删掉了什么，保留了什么，为什么这么改。这个记录会变成你的学习证据，也会变成你未来向老师、雇主和团队解释自己工作的能力。
AI 会降低很多任务的起点，但不会自动抬高一个人的上限。上限来自你的判断、品味、责任感和持续学习能力。大学生真正要练的，不是“让 AI 替我做完”，而是“我能带着 AI 做出更好的东西”。
这件事对学校重要，对雇主重要，对产品公司重要，对咨询公司也重要。
因为下一代职场新人，已经不是从零开始学习 AI 的新人。他们带着一整套不成熟但真实的 AI 工作习惯进来。我们要研究他们，也要帮助他们。
我建议你认真看一眼这份报告。
不是因为它的样本有多完美，而是因为它把一个很容易被忽略的问题摆出来了： 当所有人都说自己会用 AI 时，我们到底该怎么判断谁是真的会用？
报告里有完整问卷结果、访谈主题、统计分析和学生原话。对做教育、招聘、产品研究、咨询分析的人，真的值得看一眼。
参考资料
1. 《大学生 AI 使用现状与态度调查研究》最终报告，454 份问卷与 15 份半结构化访谈，2026 年 5 月。
2. UNESCO: Guidance for generative AI in education and research .
3. 央视网： 教育部：2026 届高校毕业生规模预计 1270 万人 .
4. Microsoft WorkLab: 2026 Work Trend Index Annual Report .
5. 央视网： 春招现场“抢人”忙 .