AI 帮不上你的地方，藏着组织没说清的东西

作者：顾青

说件我在带教现场反复遇到的事。

最近一两年，企业里最先对 AI 表现出焦虑的，不是产线的人，也不是基层文员，恰恰是办公室里最会动脑的那批人：做分析的、写材料的、审合同的、看报表的。

他们的焦虑有点反直觉。不是怕被 AI 取代，而是觉得 AI 竟然没有一个地方能帮上自己。

一开始我以为这只是一种失望情绪，与他们合作深入了才发现，这是一句需要企业管理层重视的话。它既说明这一波技术和过去不太一样，也说明大多数组织还有一层功课没做。

AI 到底属于第几波？

三位经济学家今年在 Oxford Economic Papers 上发了一篇论文，搭了一个一般均衡模型，把过去一百年的技术变革分成了三波。

机械化这一波，大约从 1870 年到 1970 年。它的作用是补充体力，制造业就业因此扩张，生产率提高，收入差距反而收窄了。

第二波是计算机化，时间是1970 年之后。论文里有一句话我记得很清楚：计算机化给用脑的人提供了更好的工具，给用手的人提供了更好的替代品。同样是在这段时间里，就业向服务业转移，收入差距开始拉大，劳动收入的占比一路下行。

第三波就是 AI。它替代的是非常规的认知任务，论文点名的三个例子是写作、编码和法律文件审阅，过去大家都觉得这几样最难被自动化。它威胁到的，恰恰是高技能的办公室岗位。

我们回头看这三波会发现，它们的性质并不相同：前两波主要在增强某一类劳动，第三波开始进入替代。它们之间隔着很长的平稳期，真正发生变化的时间却都很短。莫基尔在《富裕的杠杆》里讲技术演化时用过一个说法，演化以短暂的剧变为特征，然后是很长一段稳定期。看明白这一点，我们大概就不会再把 AI 当成一次普通的工具升级，它的性质和我们过去三十年熟悉的那类工具升级并不一样。

为什么先轮到代码？

这里有个细节值得停下来想一想。

按我在现场看到的顺序，最先被切中的是代码，接着是文案，法务和报表排在后面。

如果按任务的认知难度排队，这个顺序是说不通的。审一份合同要动用的判断，未必比写一段代码少。那为什么代码跑在最前面？

一个更说得通的解释是：代码本身就是一种最适合被机器理解的表达方式，训练数据又足够丰富，公司外部是这样，公司内部也是这样，加上整个生态足够开放。从企业AI战略的实施路径来看，不是说代码不需要上下文，而是它的上下文最容易拿到。

这个顺序泄露了第三波真正的变量：AI 能切到哪一层，不看那个任务有多难，看的是那个领域的上下文能不能被拿到。

于是上一波的赢家就成了这一波的靶子，过去三十年靠动脑吃饭的人，他们的护城河正在被重新估价。莫基尔讲技术的生命周期时用过一个有点残酷的说法：青年的活力之后，是中年的谨慎，最后才是老年的衰弱。某些脑力技能组合，大概正在往前挪一格。

AI 帮不上，到底卡在哪儿？

再回到开头那句“AI 没有一个地方能帮我”。

我们应该这么理解和分析这句话：这些人的工作，高度依赖组织内部的上下文和隐性信息。谁能拍板；哪个客户为什么难缠；这份报表背后那次例外处理当初是怎么定的；那份合同当年为什么加了这一条，这些东西从来没有被人写下来过。

AI 拿不到，自然使不上力。

所以这件事跟模型强不强关系不大，问题出在技术这一端之外。我们要做的其实是一件很朴素的事：如何把组织自己都没说清楚的东西，用一种新的方法说清楚。

我在带教里跟企业提过一个可以直接试的做法，把你认为“AI 帮不上”的那些任务列出来。这份清单，某种程度上就是一张待显性化的隐性知识地图。清单越长，说明组织里没被写下来的东西越多。

我们自己处理这类卡点时，通常先把场景铺开，让团队把这份清单写出来。这个动作的好处是便宜：它不需要先买一套系统，也不需要把流程重做一遍，只需要有人把它们梳理出来。

这里还得补一句论文里的判断：自动化对就业的影响，不只取决于任务层面上替代了多少，还取决于劳动力在部门之间怎么再配置。任务说不清楚，就交不出去；交不出去，人就流不动。

配了工具，为什么还算不出收益？

再看企业这一侧，目前产业界反复遇到的情况是，很多企业在部署 AI 的时候，很大程度上还是在给员工配工具。

配完之后，就碰到一个绕不开的问题：收益怎么算。

矛盾的现场通常是这样的。企业觉得自己已经省下了不少钱，却拿不出一个衡量最终效果的办法；员工那边呢，工具确实是拿到手了，可不知道它能干什么，试过几次之后的评价是“好像还不如我自己干得好”。

两边说的其实是同一件事：工具给出去了，上下文没给。工具这一层我们给得向来爽快，上下文那一层却几乎没人负责。

员工那句“还不如我干得好”，我一般会提醒企业，这多半是预期错位。我们很容易把一个 Agent 产品当成天然有智能的生产力，但真正该有的顺序是先把场景摊开：这个场景由哪些环节组成，哪些环节适合 AI 处理，哪些它没法自己干完。挑不适合AI的任务去试，结果当然好不了。

所以与其追问提效了百分之多少，不如换成两个问题：哪些任务真的移交出去了？移交之后，原来做这些事的人往哪个部门走，那个部门接得住吗？

这里有一条判据值得放在心上：如果这件事是让这个人用 AI 干得更快，那是提效；如果是把这个任务交给AI干，人去做别的，那是组织增强。这两件事的账本完全不同，拿前一本账去记后一件事，怎么算都是糊涂账。

要说管理者眼下最该分清的一句话，其实很简单：你现在做的这件事，是提效，还是增强，还是替代？

我们需要先看清楚这一轮技术变革替代的是什么，再谈它能帮上什么。每一波被替代的，都是一类任务的总和；只是这一轮，第一次轮到了动脑的那些任务。三波走下来，决定先后的分水岭从来不在任务有多难，而在上下文能不能被拿到。代码先由AI来写，是因为它的上下文最容易获取；很多办公室里的脑力劳动还没动，是因为它们的上下文还锁在人的脑子里、锁在流程的例外里。

技术从来不是匀速前进的，它是跳着走的。这一跳的落点，每家企业都不会一样，所以我们需要实事求是。

顾青，互联网老兵，【顾青谈增长】主理人，DTALK.org 创始人，北斗导航创新研究院高级顾问，《富裕的杠杆 – 技术革新与经济进步》译者，如果你的企业也在算这笔账，欢迎通过公众号后台聊聊。

企业级AI课程报名通道

如果你已经开始用 AI，却还不确定团队的第一个项目该从哪里起步，欢迎参加我和团队两年打磨的《企业级AI启航课》。

第一天建立共同认知、拆解业务流程；第二天借助模板走一遍在线业务的运营和增长案例，把问题、数据、工具与结果评估连接起来。无需编程基础，带着一个业务问题来，在案例练习中把方法用起来。

长按下方二维码直接报名，或点击文末“阅读原文”。

填写报名信息

课程咨询请联系王老师微信 13817350334。

添加王老师微信，并回复“企业 AI 落地与转型实战课”（企业内训同），咨询课程安排与团队参训。