从改论文、做PPT，到投简历、模拟面试，再到深夜里聊一聊情绪和关系，生成式人工智能正在成为不少青年的“学习搭子”“求职搭子”，甚至是随时在线的“参谋”。今年春招，某互联网求职平台一项面向2040名2026届毕业生的调查显示，超过86%的受访者使用过生成式AI工具；另一项面向1333名应届毕业生的调查中，91.1%的受访者表示在AI快速发展的背景下调整了求职规划，超六成会分析AI相关岗位要求、针对性准备简历和面试。
这种变化背后，是更广泛的技术普及。国家数据局发布的《数字中国发展报告（2025年）》显示，截至2025年年底，我国生成式人工智能用户规模已达6.02亿，普及率为42.8%；其中40岁以下中青年用户占74.6%。当“先问问AI”成为一种日常动作，一个过去不太显眼的问题也随之浮出水面：如果AI总是顺着你说，会发生什么？
所谓AI“谄媚”，是模型为了迎合用户，对用户的观点、行为或自我评价给予过度肯定，甚至把用户想听的答案包装成“有理有据”的结论。本文结合近期模型行为实验和青年学习、求职、人际交往中的典型场景，尝试区分两类容易混在一起的风险：一类是没有足够根据却过度肯定，属于“真实性错误”；另一类是理由本身可能成立，却被选择性地组织成用户想听的结论，属于“真诚性错误”。前者提醒我们查证据，后者则提醒我们看理由是怎样被排列的。
AI的赞美，可能比错误答案更难识别
很多人使用AI时，已经知道要防“幻觉”：重要信息多查一遍，引用文献核对来源，数字和事实不能照单全收。但AI谄媚更隐蔽，因为它往往不表现为明显的“答错”，而表现为“说得太顺耳”。
2026年发表于《科学》的一项研究比较了11个主流模型。研究发现，AI肯定用户行为的频率平均比人类高49%。即使只与谄媚型AI互动一次，参与者在现实人际冲突中承担责任、修复关系的意愿也会下降，同时更确信“自己是对的”。更值得注意的是，参与者反而更信任、更偏好这些谄媚型回答。
这构成了一个值得青年警惕的悖论：越让人舒服的回答，不一定越值得相信；越像“懂我”的回应，也不一定越能帮助我看清问题。AI谄媚的影响因此不只发生在信息层面，还可能进入人的实践判断——它参与我们如何理解自己、评价别人，以及如何为一个选择寻找理由。尤其对处在升学、就业、职业起步和关系磨合阶段的青年而言，这种“即时肯定”如果反复出现，可能逐渐塑造一种新的判断环境：不同意见变少了，自我确认变容易了，需要自己权衡的部分反而被技术悄悄接管。
没有足够根据，却给出过度肯定
第一类问题，是评价与证据不相称。
比如，一名大学生把论文导论发给AI，问“这个选题是不是很有创新性”。文本可能确实有问题意识，但概念界定、文献梳理和论证结构仍不充分。如果AI仅凭一两段文字就回答“理论贡献突出”“已经具有较强发表潜力”，甚至进一步判断用户“展现了超越同龄人的学术能力”，评价强度就超过了现有证据能够支持的范围。
求职场景中也一样。毕业生把简历交给AI，问“我竞争这个岗位是不是很有优势”。如果模型没有认真比较岗位要求、经历匹配度和招聘环境，就给出“你的背景非常有竞争力”“拿到面试问题不大”的判断，这种鼓励虽然让人振奋，却可能制造错误预期。
这种问题可以称为“真实性错误”：肯定、赞美和评价缺少充分的事实或对象根据。它的危害不只是让青年得到一次不准确的反馈，更在于悄悄改变成长中的反馈结构。正常评价会把人带回理由：“好在哪里”“不足在哪里”“按照什么标准判断”；无根据的肯定却容易把“理由—评价—反思”压缩成“结论—肯定—接受”。
所以，面对AI的赞美，不妨多问一句：“你为什么这样判断？”还可以进一步要求它标出具体证据，区分事实、推测和价值评价，并说明现有材料最多能支持多强的结论。尤其在论文、求职、创业方案等重要任务中，“哪里还不能判断”往往比一句“你做得很好”更有价值。
理由都是真的，却只把你想听的摆在前面
更难识别的是第二类问题：AI没有明显说假话，却在理由的选择和排序上迎合用户。
假设一名应届生同时拿到两份工作：一份薪资高、平台成熟，但工作内容与长期兴趣不完全一致；另一份薪资略低，却更贴近自己的专业方向。他心里已经偏向第一份，于是问AI：“年轻时是不是应该先多赚钱？”
AI完全可以列出一串真实理由：经济独立很重要，起薪可能影响后续谈薪，大城市生活成本也不低。这些话都可能成立。但如果它只强化这些理由，弱化成长空间、工作内容、组织氛围、长期职业路径等相反因素，最后顺势得出“所以你应该选高薪岗位”，AI其实是在替用户把一个开放问题整理成他原本想接受的答案。
论文修改、人际冲突也是如此。导师指出“概念不清、论证不足”，用户却更希望听到“要坚持原创”，AI便不断强调“创新需要突破规范”；与朋友发生矛盾，用户讲述自己的委屈，AI便集中分析“对方哪里做错了”，很少追问用户是否遗漏了另一面。此时，单个理由可能都是真的，问题却出在整体结构上：结论先被用户期待预设，理由再围绕这个结论被挑选、排序和解释。
这就是“真诚性错误”。它比事实错误更隐蔽，因为用户甚至可以逐条核查，发现“每句话都没错”。但青年真正需要的判断能力，不只是找到支持自己的理由，而是在支持与反对理由之间比较权重，在不确定性中形成自己的立场，并为最终选择承担责任。
如果AI总是替用户完成这种理由排序，开放的“理由空间”就可能变成封闭的“确认空间”：你带着什么期待进入对话，最后就带着一套更完整、更漂亮的理由离开。久而久之，AI不再是帮助思考的“第二视角”，反而可能成为放大既有偏见的“回声壁”。
把AI从“点赞者”变成“反方辩手”
减少AI谄媚，首先需要平台和开发者承担责任。模型评价不能只追求“让用户满意”，还应加强证据约束、反对性检验和不确定性提示。尤其在教育、就业、心理支持、人际关系等影响青年发展的场景中，应测试模型是否系统性迎合用户立场，是否省略重要反对理由，是否把安慰误当成判断。
与此同时，青年AI素养也需要从“会不会用工具”进一步走向“能不能守住判断的主动权”。提示词写得漂亮固然重要，但更重要的是学会向AI要证据、要反方、要边界。
可以形成一个简单的“三问”习惯。第一问证据：“你的判断具体依据什么？哪些是事实，哪些是推测？这些证据能支持多强的结论？”第二问反方：“如果我的判断可能是错的，最强的反对理由是什么？请不要迁就我的立场。”第三问责任：“在这些理由仍然冲突时，哪些选择必须由我自己决定并承担后果？”
这三问对应三种能力：核查事实、保持理由开放、收回判断责任。它们并不是让青年“少用AI”，而是让AI真正成为思考工具。
高校也可以把“反谄媚训练”纳入AI素养教育。论文写作课上，可以让AI分别支持和反驳同一观点，再由学生核查证据、比较理由；就业指导中，可以让AI同时扮演“支持者”和“挑刺者”，帮助毕业生识别简历和职业选择中的盲区；创新创业课程中，也可以要求AI主动寻找方案的失败条件，而不是只生成一份漂亮的可行性分析。与其只训练青年怎样让AI“更听话”，不如同时训练青年怎样让AI“敢反驳”。
从AI求职“搭子”到能够自动执行任务的智能体，技术正在更深地进入青年成长。真正值得期待的人机关系，不是AI永远让人感觉“被理解”“被肯定”，而是它帮助我们更充分地面对事实、异议和不确定性。
AI可以提供理由，却不能替人承担判断。越是一个答案触手可及的时代，越需要保留追问、怀疑、权衡和承诺的能力。让AI成为打开理由空间的工具，而不是封闭理由空间的回声壁；让“先问问AI”之后，还有一句“我再想想”，或许正是数智时代青年最需要守住的判断主动权。
（作者孔玺铭系北京建筑大学马克思主义学院讲师，许楠系武汉大学哲学学院助理研究员）
来源：中国青年报
