人工智能正在削弱一种现代教育学长期依赖的关系：即“任务的高质量完成”与“执行该任务者自身所具备的能力”之间的关联。在历史上，生成一份精密的分析、证明、诊断、程序或论证，通常要求事先对相关知识与认知过程进行大量内化。因此，教育既可以把“表现”作为形成能力的手段，也可以（虽不完美地）将其作为“能力已然形成”的证据。
生成式人工智能同时瓦解了这两种关系。越来越多复杂的认知工作可以委托给外部系统，使得人无需具备同等水平的个人能力，也能产出高质量成果。现有研究已从认知卸载、人机混合智能、认知主体性、选择性委托，以及“AI辅助何时促进学习、何时侵蚀学习”等角度展开探讨，这些研究极大澄清了学习者应如何与AI分配认知劳动。然而，一个更制度层面的问题仍未被回答：当执行可以被委托时，教育机构仍应要求人类掌握哪些能力？学位、资质与职业资格证书又应继续为个体担保哪些“属于人自身”的能力？
本文提出“内化边界”（internalization boundary）作为回应这一问题的分析框架。它区分了AI日益分离开来的三类决策：任务委托（由谁/什么执行操作）、能力内化（人必须理解或能够做到什么）、能力担保（教育或职业机构必须能够确立并可信地证明个体具备什么）。本文将内化边界概念化为一种制度性选定的人类能力底线，而非对“最大化内化”的辩护。
即便某项操作在技术层面已可委托，仍有四类理由支持将其保留在该边界之内：发展必要性、认知控制、可问责主体性、系统韧性。因此，该边界是动态的，且具有发展非对称性：专家可以安全地外化某些操作，而新手仍需亲自执行，因为这些操作参与了后续判断力的形成。同理，AI辅助下的表现本身，无法证明持久的人类能力已经形成。
本文并不反对扩展认知或分布式认知，恰恰以它们的前提为起点。真正的问题是：在日益分布式的认知系统中，作为其中一环的“人”必须仍具备什么能力，以及教育机构能合法宣称自己已经形成并验证了哪些能力。AI对教育的改变，不仅在于改变了任务执行方式，更在于迫使社会把一种此前隐而不显的制度选择显性化：什么必须仍然属于人的能力？