AI 写论文提速后，经管研究还能靠什么？——我带学生 3 年的 4 个观察
上周我和同系老师一起喝咖啡，他突然来了一句："我最好的一个博士生，现在 DID 跑得都比我快——他几乎全程用 Claude。"我有时也会冒出同样的念头：我平时教的那些内容，会不会很快就变得不那么需要了？"
我当时没有立刻回答。
因为我自己也在反复想这个问题。
如果你是经管博士生，或者和我一样是青年教师——这篇文章，是我过去 3 年带学生、同时用 AI 推动自己论文工作的 4 个观察。它的意思不是"你会被替代"，也不是"你绝对安全"，而是：AI 取代了 3 件事，同时把另外 4 件事的价值放大到原来的 10 倍。
01
AI 已经替代了什么？——那 3 件事，基本是定局
先不粉饰。我在学生身上和自己身上都看到：有 3 件事，AI 做得比人更好：
你现在仍要花很多时间做的这些事，其实是在消耗时间。
我带过的学生里，就有人周末投入 8 小时在做"变量定义表"——而 Claude 2 分钟就能把这部分写完。剩下的 7 小时，应该用在下面那 4 件 AI 无法替你完成、也更关键的事情上。
"AI 替代的从来不是你的整体能力，而是你自以为擅长、但它明显能做得更好的那一类工作。"
02
AI 又放大了什么？——那 4 件事，重要性直接翻了 10 倍
这一部分是全文的重点。带了 3 年学生后，我越来越确信：AI 并没有把差距抹平，反而让下面 4 件事的分量更重了。
能力 1：提出一个"AI 回答不了"的研究问题
AI 的上限通常是"基于既有文献做出合理推断"。因此它生成的研究问题，多半属于"把 X 扩展到 Y 情境"的增量类型。
真正有价值的问题，是 AI 无法轻易回答的
能把既有结论真正撬动（而不是在共识上再加一块砖）
能借助文献尚未注意到的外生冲击或数据资源
能提出一个让审稿人感到"有点新"的切入角度
怎么训练？当你下次看 AI 给出的"研究问题建议"时，强迫自己追问："这里面到底哪个是真问题？哪个只是把文献 recap 换了说法？"
能力 2：判断识别策略是否站得住
AI 可以告诉你"DID、IV、RDD、PSM 是什么"——这类信息已经接近维基百科级别。
但它解释不了的是：在你的研究题目、你的数据条件、以及你的国家情境里，哪一种识别方案最可能让审稿人买账。
这就要求你掌握：
制度背景（相关政策如何形成？）
数据限制（测量误差主要来自哪里？）
审稿口径（这个领域对哪些识别路径更宽容/更苛刻？）
这三项经验，AI 在未来 10 年内都很难比你更懂。
能力 3：看懂回归表里是否在“撒谎”
这是我带学生时最常见的场景——他们先让 AI 生成代码并跑出结果，再拿着一张看起来很漂亮的表来问我"老师，这个能投吗？"
我往往能很快指出不少隐患：
固定效应没加全（漏了行业等维度）
聚类标准误的层级选错了
样本筛选留下了一批本该剔除的观测
R² 高得不合常理（可能存在机械性内生）
这些判断，AI 做不到，因为它无法看到你的数据全貌与真实约束。
能力 4：把"统计显著"翻译成"经济意义"
AI 能帮你跑出 β = 0.032，p = 0.008。
它说不清的是：这个 0.032 放到现实里究竟意味着什么？是 4.3% 的 TFP 提升吗？等于每家企业一年多赚多少？对政策制定者来说有没有决策价值？
这需要你具备：
行业常识（这个 β 相对行业均值是偏高还是偏低）
经济含义（系数的量级能映射到什么经济现象）
政策对话（结论能怎么被工信部/央行/税务总局真正使用）
有直觉的人 5 分钟就能写出那段"经济意义"；没有直觉的人，写一小时也可能还在重复"具有显著正向影响"之类的话。
"AI 可以帮你得到系数，但把系数讲成经济故事的能力，始终是你的。"
03
给博士生的具体建议：做 3 个训练动作
基于上面 4 项能力，我给自己的博士生安排了 3 个每周训练：
训练 1：每周精读 1 篇顶刊，只问 5 个问题
不是让你整本通读，而是带着问题扫一遍：
研究问题是什么？（引言首段第 2-3 句）
它反对谁？（综述第 2-3 段）
识别策略 4 层齐了吗？（方法第 1 段）
基准表有没有经济含义？（表 2 下方）
结论是否落到具体研究对象？（最后一节）
（这 5 个问题的精读方式，就是 D6 那一篇。）
训练 2：每月复现 1 篇顶刊
选一篇近 3 年《经济研究》或《管理世界》的 DID 论文，不看它的代码，自己从零跑一遍。跑完再对比系数差多少：差得多，就回去检查自己到底理解错在什么地方。
这比看 10 本教材更能锻炼"识别判断力"。
训练 3：每周写 200 字，"不能被 AI 替代的思考"
每周把你跑出的一个结果，强迫自己写 200 字"AI 不知道的经济含义"——重点不是统计层面的复述，而是现实意义、政策含义、以及行业直觉。
坚持 1 个月后你会发现，这 200 字其实是你最稀缺的资产。
04
给青年教师的建议（也包括我自己）：别跟 AI 比“快”
我见过太多青年教师陷入一种焦虑：
"我得再学更多 AI 工具，不然就要落后博士生了。"
这种焦虑方向是错的。
博士生会追着学新 AI 工具，是因为他们还不知道怎么提炼研究问题、怎么挑选识别策略、怎么把经济意义讲清楚——所以他们只能先在技术层面加速。
青年教师真正的护城河，是 10 年学术训练沉淀下来的判断力：
看到一个题目就能判断它到底做不做得动
看一段综述就知道作者有没有把文献读透
看一张回归表就能辨别是否在粉饰
这种判断力，AI 10 年内都很难学会。与其和博士生抢“跑代码快”，不如把自己的判断力系统化——写出来、教出来，并最终沉淀成可复用的方法论。
我知道有些老师会对我上面的话表示不同意——尤其是对"AI 10 年内都学不会"这句。也有同学觉得我把"AI 替代"说得太轻了。
评论区欢迎你们拍砖。你自己用 AI 做研究时，最明显体会到"AI 帮不了"的一件事是什么？
"AI 时代的研究者，不是跑得更快的人，而是看得更深的人。"
行动清单：今天就把论文按这 5 步过一遍
END