当我们遇到不了解的事情时，找到答案需要时间。我们查找资料，阅读必要的部分，并比较不同的解释。当人工智能缩短了这一入口阶段，我们可以比以前更早得到一个答案。这是很大的优势。但看到答案出现在屏幕上，并不等于我们自己已经理解了它。我们可能明白词语的意思，却仍然不知道为什么这个说法成立、在哪些条件下并不适用，以及它与自己的问题有什么关系。
例如，假设人工智能给出了关于某种机制的简洁解释。读完后，我们可能觉得自己已经了解了大致内容。但是，当我们试图把它应用到另一个例子时，就可能不知道同样的思路可以用到什么程度。这种犹豫并不意味着最初的解释没有意义。它意味着，我们从知道一个答案，进入到以可使用的形式理解这个答案的阶段时，一个新的问题出现了。
如果获得答案所需的时间变短，那么之后如何使用时间就变得更加重要。立即转向下一个问题，可以让我们在短时间内收集大量信息。另一方面，我们也可以围绕一个答案思考：“它有哪些前提？”“有没有反例？”“在我的情况下有什么不同？”人工智能加快了入口，因此，我们可以把深化理解的时间提前。
知识并不会只随着答案数量的增加而增长。新的信息只有在整理它与已有知识之间的联系、遇到矛盾时停下来思考，并在必要时改变原来的理解之后，才会成为可以使用的知识。人工智能越能在短时间内展示大量信息，人就越需要选择的不只是“记住什么”，还包括“要检查哪些关系”。
这时，留下的余裕就会发挥作用。如果快速得到答案后还有时间，我们可以比较另一种解释，自己想一个具体例子，或者再次询问仍然不清楚的部分。我们也可以确认第一个答案是否可能有误。相反，如果每次快速得到答案后都立即进入下一条信息，我们也许知道了更多，却可能越来越少有时间去确认每一条信息的含义。
与人工智能对话时，问题本身也可能在理解过程中发生变化。起初，我们可能想知道“这是什么？”。读完解释后，我们可能会开始在意“为什么需要这个条件？”。继续思考后，我们甚至可能发现：“对于我真正想理解的问题，也许另一个问题更合适。”理解并不是回答最初的问题一次之后就结束的直线过程；它也是一个由答案不断更新问题本身的过程。
Sai＊aus所重视的“不是答案，而是理解”并不意味着要让答案变慢。人工智能能够快速回答的部分，可以快速处理；而由此产生的时间，可以让人检查前提和差异，并在必要时改变问题。速度不必成为理解的替代品，而可以用来增加理解得以展开的空间。
快速找到答案和快速理解并不是一回事。但两者也不必互相对立。如果人工智能缩短了通往答案的入口，我们不必把节省下来的全部时间都用来收集更多答案，而可以留出一部分“答案之后”的时间。在这段时间里，人可以确认含义，重新连接关系，并在必要时修正最初的理解。由速度产生的余裕，可以成为把答案转化为知识的时间。
不是答案，而是理解。