一份2025年的研究数据挺扎眼：在AI工具选型上，人类偏见对系统评估的影响，已经和对系统构建的影响相当了。换句话说，我们选工具时有多不理性，和造工具时差不多。
这解释了为什么技术圈最近火药味这么重。不是模型参数的战争，是人的战争。
工具即身份：你用的AI，就是你的立场
《AI与社会》期刊今年发了一篇研究，标题很学术，结论很直白：人类偏见强烈影响AI系统的评估和信任方式。研究者没说的是，这种偏见在从业者身上反而更严重。
你在技术社区待久了，一定能听到这种话："不是X架构的，不算正经项目。""我们只认这个模型的输出。"整个方案被否掉，不是因为逻辑错了，是因为用了"错误"的工具栈。
讽刺的是，这发生在一个以实验精神定义的领域。
有个产品经理跟我吐槽过，他们团队花了三周重构一个文档处理流程，用的全是内部熟悉的工具链。后来他发现，竞品用的是一个开源方案，三天搭完，效果还更好。"但我们不可能换，"他说，"换了等于承认之前三个月白干了。"
这就是工具部落化的核心机制：一旦工具选择和身份绑定，客观性就悄悄退场。
研究里提到一个概念叫"认知吝啬"——大脑为了节省能量，会把熟悉的东西标记为"正确"。在AI这个变化速度以周计算的领域，这种机制直接变成了技术债。
"恐龙问题"：经验如何变成包袱
很容易把锅甩给老员工。但问题不在年龄，在沉没成本。
当你花了五年精通一套工具，它就成了你的一部分。质疑这套工具，等于质疑你这些年的投入。于是我们看到固定的行为模式：用熟悉的栈重构解决方案、忽视替代方案、把熟悉度放在效果前面。
一个做了八年NLP的工程师跟我说，他去年才开始认真看某开源框架的文档。"之前觉得那是学生用的，"他顿了顿，"其实是不想看自己那套复杂方案被简化成几十行配置。"
这种心理防御机制，在技术圈有个更体面的说法："我们要做得properly。"
但"properly"往往翻译过来是：用我们习惯的方式，走更长的路，花更多的时间。在这个速度就是一切的赛道，这不是严谨，是拖延。
arXiv今年另一篇论文对比了开放和封闭AI系统：开放系统增加访问、实验和审查；封闭系统集中控制，强化门槛设置。两个路线都有合理场景，但人的选择很少基于这种理性分析。
更多时候，选封闭是因为"我们不一样"，选开放是因为"他们不懂"。
秘方的幻觉：你知道的没那么特别
layer in something even more interesting.
AI民主化喊了这么多年，我们还是在藏东西。"具体prompt不能给""内部workflow有特殊性""关键不是工具，是用法"——这些话术你熟悉吗？
真相是，大多数"秘方"没那么秘。
它们是迭代、组合、经验。三个工程师独立摸索三个月，得出的结论大概率相似。但承认这一点，就打破了"我知道你不知道"的身份优势。
《AI与社会》那篇研究还提到，权力结构和激励机制决定了AI知识是分享还是保留。这不是道德问题，是系统设计问题。当绩效考核看重"不可替代性"，人自然会制造不可替代的假象。
我见过一个团队把简单的RAG流程包装成"认知架构"，写了四十页内部文档，设了三层权限。后来一个实习生用公开教程复现了80%的功能。"他们知道，"那个实习生说，"但文档已经写成那样了，改起来更丢人。"
开放系统的副作用是暴露这种尴尬。当所有人都能试，"独家"就失去了溢价空间。所以阻力不会表现为"这是对的"，而是"我们不信任那种做法"——一种无法证伪的否定。
历史在循环，只是换了个界面
每一次技术范式转移都经历过这个阶段。开源运动早期被当成业余爱好，云计算被大企业嘲笑过"不安全"，新编程语言总要先被质疑"有没有大厂用"。
AI工具战争不是新问题，是旧问题的新版本。区别在于速度：以前一个周期要五年，现在五个月。
这意味着纠错的窗口更短，也意味着固执的成本更高。
有个数据点很少被讨论：2024年以来，AI工具的平均生命周期在缩短，但团队迁移成本在上升。不是因为技术更难，是因为绑定更深。工具选择成了政治站队，切换就成了背叛。
研究者N. Mert Aydın在分析这种现象时用了个准确的描述：我们不是在使用工具，我们是在通过工具确认自己。
这解释了为什么最理性的群体——工程师、产品经理、数据科学家——会在工具讨论里表现出非理性的防御性。不是不懂逻辑，是逻辑和身份冲突时，身份赢了。
一个可能的出路：把"我用的工具"和"我是谁"解绑。但这需要组织层面的设计，比如轮换制、强制实验期、把"尝试新工具"写进OKR。听起来极端？看看现在浪费在重复造轮子上的工时，可能就不觉得了。
最后问个实际问题：你们团队上次认真评估替代方案，是什么时候？不是那种"我们看过，不适合"的走过场，是真的让不同工具同台竞技、用同一套标准打分的那种。
如果答案是"很久以前"或者"从来没有"，那你们可能已经在战争里了，只是还没意识到对手是谁。
热门跟贴