Ethan Mollick：如何打造 AI 优先的组织

Ethan Mollick 提醒，面对新技术，组织可以选择压缩成本，也可以利用新增能力扩大事业。他担心太多企业会选择较小的目标。

Mollick 回忆，他在 AI 寒冬时期就读 MIT 工商管理硕士，曾帮助研究者向外界解释工作。当时的项目包括观察婴儿和 Marvin Minsky 的《心智社会》；他觉得讽刺的是，大语言模型最终从海量语言训练中出现。

Joel Hellermark 问，增强智能还是替代智能等早期问题，如今有哪些仍然相关。Mollick 说，这些曾经假设性的问题已变得现实：强大但有限的系统迫使组织决定人的位置。

Mollick 认为 AGI 的定义含糊，旧有智能测试也不适合 AI。他更倾向于实际问题：智能体能否赚钱、完成工作，或发现并验证新知识？他预计这将是一个渐进阶段，而非公认的单一时刻。

将模型连接到公司系统和流程，可能比单纯聊天更有用。但公开基准主要关注数学和编程，重要的商业能力较少得到衡量。

Mollick 建议企业建立自己的评估：衡量会计错误率，或请有经验的人评价报告、战略建议和选拔决策。Hellermark 同意，测试智能体并找出知识缺口一直很困难。

被问到如何为 AI 重设计一家千人企业时，Mollick 说，现有组织结构反映了几个世纪以来围绕人类劳动进行协调的经验。1855 年铁路组织图、流水线和敏捷方法都解决过特定历史问题。

他认为，许多继承下来的假设都需要重想，例如智能以人的规模出现、管理者只能管理有限人数。领导者应试验组织设计，而非把所有决定交给软件供应商或顾问。

核心选择是替代人还是增强人，以及建立高生产力的小团队，还是在组织内广泛部署 AI。Mollick 担心，如果只把它当作普通的提效技术，企业会过早裁员。

员工最了解工作，能够识别有用的应用；但如果担心被解雇或惩罚，他们可能隐藏效率提升。Mollick 将其比作早期酿酒商使用蒸汽动力：要么减少每桶酒所需人员，要么像 Guinness 一样扩张。

Hellermark 指出，AI 比许多人预想得更早进入创造性和知识工作，而琐碎工作的自动化仍然困难。Mollick 说，工作由多种任务组成：教授要教学、研究、提供指导和管理，不可能每项都同样擅长。

一种增强方式是交出个人不擅长的任务；另一种是在自己已擅长的工作上借助 AI 更进一步。他认为，判断和塑造输出仍需要专业知识。

Mollick 说，当 AI 能生成大量选项，品味和筛选就变得重要。他将这种作用比作管理：给出方向、选择追求什么；但最终结果取决于未来系统的能力。

他用参差不齐的能力边界来描述现状：模型可能擅长复杂任务的一部分，却在另一部分失败。有经验的人可以在薄弱处介入，因此他预计有限自主与人类指导可能持续相当长时间。

专门的研究智能体已在法律、会计、市场和金融的信息搜集上展现潜力，尽管缺少私人数据访问仍会限制它们。Mollick 说，企业既要绕过当前弱点，也要避免围绕可能很快消失的限制建设永久系统。

在采用 AI 时，Mollick 提出三个相互连接的要素：领导层、实验室和全体员工。领导者必须确定组织想成为什么、亲自参与，并解释与智能体协作对员工日常工作意味着什么。

全体员工需要获得工具，也需要有动力分享发现。人们可能因为担心裁员、希望获得认可或想保留节省的时间而隐瞒 AI 使用；领导者必须回应这些原因，不能假设发现会自动浮现。

实验室可以把有前景的个人提示词转化为产品或智能体工作流，并验证它们是否有效。领导、实验和员工参与必须相互促进。

Mollick 认为，构思、总结、翻译和不同抽象层次之间的转换，都显示出 AI 增强工作的价值。他特别关注缩短从想法到原型的周期。

他勾勒了一个快速流程：生成想法、制定评价标准、模拟反馈、完善概念并制作可运行的原型。但如果组织缺少制造或部署能力，几十个原型又会形成新的瓶颈。

Hellermark 问，如果科学产出激增，监管机构等制度能否适应。Mollick 预计收益与摩擦都会出现：监管、现实世界的执行、机器人技术和组织结构的变化速度各不相同。

即使智能体在现实世界的瓶颈处停下，在此之前提供有前景的候选方案仍然可能很有价值。它们最终能获得多少自主权仍不确定。

谈到哪些角色更有价值时，Mollick 提到有系统思维的领导者、领域专家、知识广泛的通才以及有判断品味的人。他认为，与平均从业者比较可能掩盖顶尖专业能力的持续价值。

Hellermark 问，AI 是否让初级员工比资深员工更划算。Mollick 区分了真正的技能成长与初级员工只是转交 AI 完成的工作。

他回忆一项咨询研究：表现较弱的人保留模型答案越多，往往获得的提升越大。与此同时，他认为优秀专家可以用 AI 放大自己的优势，并弥补薄弱环节。

他说，创业者常常在一个领域非常出色，却不擅长其他许多事情。AI 可以在陌生任务中提供有用的基本水平，但如果初级员工的工作都依赖 AI，他们如何成长为资深人才？

Mollick 担心学徒培养链条正在断裂。初级律师、分析师和其他知识工作者传统上通过反复练习、获得纠正和观察导师来学习，即使入门任务本身显得重复。

如果初级员工用 AI 掩盖知识缺口，管理者又直接把工作交给 AI，这种隐性学习可能消失。他建议像体育训练一样，通过刻意练习和指导，更明确地培养专业能力。

谈到大学，Mollick 区分教什么与如何教。他仍重视写作、广博知识和学科深度；几节 AI 技能课不能替代经验与专业能力。

他说，AI 让原有的作弊问题更明显，而检测器并不可靠。学生仍需付出学习的艰苦努力，同时一对一 AI 导师可以按合适的水平教学，加快练习。

在他的创业课程中，学生现在更早地制作可运行产品，而不是最后只交商业计划和幻灯片。他们使用模拟、教导一个刻意设计得不懂知识的 AI 学生，并从 AI 导师及唱反调者那里获得反馈。

他说，这些工具服务于积极参与的课堂，而不是让课堂消失。Hellermark 接着问，组织是否需要首席 AI 官，或在每个团队安排专家。

Mollick 提醒，没有人掌握这一代 AI 的秘密操作手册。过去的 AI 经验可能有用，但它不等同于理解当今语言模型与特定组织的工作。

他认为，组织内部的领域专家最适合判断输出是否可用。在他的咨询研究中，经验更丰富的人更能发现看似精致的备忘录中的缺陷。

让许多员工参与试验，可以发现少数特别擅长 AI 的人。Mollick 建议把这些人带入实验室，尽管管理者可能不愿让高产出的员工离开现有岗位。

激励取决于可信度和文化。值得信赖、注重增长的领导者若承诺利用 AI 扩展业务而非因此裁员，就更容易鼓励分享；员工也需要关于工作风险的诚实回答。

他提到，有的公司为自动化工作发放现金奖励，有的要求团队招聘前先试用 AI 并重新设计职位。具体激励很重要，但对于员工未来工作方式的清晰愿景同样重要。

Mollick 介绍了一项涉及宝洁 776 名员工的研究：研究在真实工作中比较个人与两人跨职能团队使用和不使用 AI 的情况。使用 AI 的个人表现大致与团队相当，参与者也报告体验方面的收益。

使用 AI 的团队更可能提出特别出色的想法。AI 似乎也拓宽了技术与商业专家的方案，使他们的输出在不同学科之间更均衡。

对于未来界面，Mollick 更倾向于围绕团队组织、跨任务保持上下文的系统，而不是每份文档各有一个助手。他认为价值不仅在于自动化孤立步骤，也在于连接不同工作线索。

被问到 AI 何时能产出与他同等水平的研究时，他指出更强的模型和数据连接带来了进步，同时承认幻觉仍然存在。他认为，设计良好的智能体系统如今就能支持更多辅导、研究和培训应用。

他举例说，自己把学术论文输入大上下文模型后，模型找出了他花数月才归纳出的三个主题中的两个。他还说，自己虽然不是程序员，也能把论文变成可运行的游戏。

他的战术建议是大胆一些：让系统尝试完成整个任务，而不只是总结文档。失败可以成为评估未来模型的基准；成功则可能揭示组织未曾预料的能力。

他警告，不要让产品被早期模型的弱点锁定，也不要只优化低延迟和成本。有些决策值得投入更多，模型进步时也应重新评估系统。

Mollick 区分两种协作：人马式工作由人和 AI 分工，半机械人式工作则将双方贡献交织在一起。写作时，他用模型提供句尾选项、反馈和引用检查，同时保留对文章的控制。

讨论一项肯尼亚创业者研究时，他回忆 AI 建议对表现较好的企业帮助更大，而经营困难的企业难以落实。他也担心，依赖单一模型的建议会让想法趋同。

他说，更好的提示和多个视角可以拓宽选择。他建议结合几位顾问的不同观点，而非把任何一个顾问当作最终权威。

组织实验的例子包括让 AI 评议会议、为战略决策提供顾问，以及模拟培训情境。Mollick 无法分享全部案例，但鼓励企业除了提供工具，也要调整激励机制。

对于较好的未来，他想象重复劳动减少、工作更有满足感，人们负责指挥智能体系统。他强调，就业影响仍不确定，社会需要作出再培训和政策选择。

Mollick 担心，只关注遥远的生存风险会掩盖人们现在能作出的决定。企业与社会有能力塑造 AI 的使用方式，而组织往往复杂混乱，不会一夜转型。

他举例说，一部电影制作过程中用模拟演员声音测试配音，但合同保障要求最终版本由演员本人录制。对他而言，保护人的自主权需要明确作出选择。

被问到如何提示 AI 为自己决策时，他会提供个人背景和价值观，生成包括激进方案在内的多个选项，模拟结果，再比较务实和深思熟虑两种视角的论点。

Hellermark 描述了向基于 Steve Jobs 言论构建的模型寻求建议的经历。Mollick 说，创始人的原则可以塑造 AI 建议；建议应被视为一种观点，而非永远正确的普遍答案。

Hellermark 问，如果助手以用户参与度为优化目标，会发生什么。Mollick 担心奉承和争夺注意力会重演社交媒体的问题，并认为社会必须决定如何应对。

谈到衡量，Mollick 认为，早期 AI 研发不应由狭窄的 KPI 主导。优化文档数量或成本节约可能奖励错误行为，还可能在组织理解技术之前就促成裁员。

他建议采用研发思维：在编程等可以衡量的领域承认明确的生产力收益，同时继续探索人和组织能够完成什么，而不是只衡量产出数量。