Ethan Mollick：AI 智能体、学徒制与组织重塑

Ethan Mollick 首先提醒人们不要过于确定：尽管他与 AI 实验室和首席执行官交流，他说没有人拥有完整的操作手册。Lauren Crichton 问，自他约一年前与 Sana 的上一次对话以来发生了什么变化。

Mollick 将 AI 大致分为三个时代：2022 年之前用于预测的机器学习、与 AI 来回聊天的“共智”时期，以及人们将较长任务交给智能体的时代。他仍认为需要人在流程中参与，但表示模型现在可以比早期聊天机器人更独立地行动。

令他惊讶的是转变的速度。公司从询问 AI 是否值得使用，转向询问如何使用，而模型能力持续提高。他说，能力不均衡的形状决定了 AI 在哪里有用，以及在哪里难以融入工作。

Crichton 问到“参差不齐的边界”：系统可能擅长困难任务，却在出人意料的简单问题上失败。Mollick 提到共同作者的贡献，并表示这条边界会移动。推理模型弥补了一些早期缺陷，其他能力则更稳定地进步。

在 Mollick 的体验中，长篇小说仍是弱项：他发现其中有重复的陈词滥调、相似的声音和薄弱的情节。与此同时，当前模型可以将他的一目录研究资料整理成相当不错的博士水平论文，但他认为模型在选择有趣主题时缺少想象力。

他敦促人们在自己的工作中摸清更细小的能力边界。模型提供商无法告诉每一位供应链经理或播客设计师哪些任务效果好；熟悉工作的专家需要随着技术变化亲自测试。

两人讨论读者是否会在意小说是否由人创作。Mollick 预计，对真实性的渴望与个性化娱乐的便利之间会有张力。他愿意为人类艺术付费，但不认为所有用途都需要手工创作的产品。

Mollick 把与智能体合作比作与巫师合作：人们交付任务，看到令人印象深刻的结果，却未必理解它如何产生。他说，沃顿商学院的实验发现，信息顺序或注明来源等变化，可以不可预测地改变 AI 的推荐。

他预计某种程度的不透明性会持续存在。即使系统展示可复现的过程，人们也未必检查；未来的内部推理也不一定继续使用人类可读语言。Crichton 问他如何看待开发人们可能无法完全理解、还可能改进其他系统的技术。

Mollick 将递归自我改进这一宏观问题与日常使用 AI 的体验区分开。他说，没有人知道快速自我改进会是什么样子，而能力不均衡可能限制一些结果。日常工作中，他觉得可以把系统当作有些古怪的合作者来理解，同时记住它们不是人。

Crichton 问，当大量背景信息只存在于人的头脑中时，智能体如何在组织中工作。Mollick 说，组织本来就在协调不完美的人，也可以结合人和 AI 来相互检查。更困难的是传达不成文的激励、关系和历史。

与简单指令相比，项目历史可以为 AI 提供有用背景。Mollick 说，一些组织需要记录更多信息，另一些则可能选择从头重新设计流程，而不是直接把现有的人类工作流程翻译成智能体任务。

作为极端实验，他介绍了 StrongDM 的软件暗工厂。Mollick 说，人提供产品方向，却不编写或检查代码；AI 系统编写代码，对抗性 AI 进行测试，最后由人决定是否发布。他说，这种方法还需要大量 Token 支出。

Mollick 认为，最终完全移除人并不是正确答案。人的参与可以带来变化，并保留有意义的决策，而不是让一个模型的偏好塑造一切。他预计，许多组织会在传统编程与完全自主工厂之间找到某个位置。

Crichton 提出一个悖论：人们委托任务时，可能失去培养判断输出能力所需的练习。Mollick 说，已有专家受益，因为他们能够评估结果并委托执行。更难的问题是如何培养下一代专家。

专业能力来自试错、指导和逐渐变难的工作。传统学徒制让管理者获得成本较低的帮助，也让初级员工学到明文和不成文的规则。Mollick 认为 AI 打破了这些激励，因为双方都可以通过委托模型更快得到结果。

重建学徒培养，需要组织把学习与即时产出区分开来，并容忍一定的挣扎。Crichton 问初级员工实际上有多少选择权。Mollick 说，个人主动性部分取决于组织激励：如果同事都使用 AI，拒绝使用的人可能处于劣势。

学校可以通过不使用 AI 的考试、作文或角色扮演来激励学习。组织也可以保护不使用 AI 的工作时间，并评估由此形成的技能。他说，领导者不能假设模型完成所有工作后，人们仍会自然获得全部所需技能。

AI 助手被设计成乐于提供答案，但得到答案不等于学会。Mollick 认为，消除所有障碍是错误的：在恰当的地方有意识地增加障碍，可以帮助理解和培养主动性。

孩子对不同学科有不同的内在兴趣，因此教育也使用外部激励来确保广泛学习。Mollick 提到一项研究：不受限制地使用 AI 让学生感觉自己学会了，实际上却没有；而专门设计的 AI 导师改善了学习结果。

他设想 AI 导师在课外提供帮助，课堂时间用于讨论、主动学习和评估。教育的变化仍然缓慢且复杂。在工作场所，他认为组织可能需要更正式的评估，因为管理者对 AI 输出印象深刻，并不能说明员工学到了什么。

可能的工作场所评估包括接受提问、为演示答辩，职业资格式的测试，或有保护的不使用 AI 的工作。更广泛的设计问题是，组织除了生产率之外还应奖励什么。

Mollick 警告说，如果生产率是唯一目标，组织可能只会产生更多低价值输出，例如多得多的演示文稿，而结果并没有改善。即使软件开发也必须围绕更快的 AI 辅助编程改变流程；如果每天只汇报模型完成了工作，例会就很难增加价值。

Mollick 再次强调，没有适用于所有人的 AI 操作手册。他的框架有三个部分：领导层制定方向和激励；员工群体发现用途；实验室从两者收集想法并构建应用。组织必须奖励人们分享原本可能隐藏的用法。

他说，这一框架可以用于大公司和小型初创公司，只是各部分的规模不同。在一家 50 人的组织里，实验室可能是 CEO 的兼职工作。顾问可以提供帮助，但不能代替领导者自己的经验、想象力和责任。

组织经常对产品和营销做实验，却较少试验自身结构。Mollick 建议尝试小型跨职能团队和雄心勃勃、有时间限制的任务，并接受一些实验会失败。新技术起初可能降低生产率，然后收益才会出现，因此领导者必须愿意度过这段时期。

Crichton 问到一篇题为《IT 部门是 AI 消亡的地方》的文章。Mollick 说标题由出版方决定，并扩大了论点：IT、法务和其他职能因降低风险而得到奖励，而领导者可能为一种不适合标准答案的技术寻求令人安心的操作手册。

他担心，组织会把 AI 规范成自然语言搜索文档之类的小型组件，从而错过更激进的用途。他不是主张为了奇特而追求奇特，而是希望组织认识到不寻常的能力，为可能改变产品或结构的实验留出空间。

当传统 KPI 只要求比过去提高一定百分比时，可能限制发现。Mollick 并不是说应该取消所有 KPI；他希望组织留出空间，测试新的组织形式、产品或市场，并允许部分实验失败。

Token 成本确实带来压力。Mollick 说，组织需要领导层支持，并根据任务选择模型和支出，而不是把消耗的 Token 数量当成成就。重新设计工作起初可能花钱，之后可以创造效率，其中也包括更合理地分配 Token。

他建议通过产品或组织实践的变化，而不是仅仅通过数量评估创新。他举例提到 Colgate-Palmolive 的 AI 实验室更快地将想法做成原型，以及一些组织试图缩短耗时很长的旧软件现代化计划。

Mollick 认为，许多工作的界面落后于模型能力。AI 实验室了解编程，也为此开发了有创意的工具；但管理者和其他工作者缺少同样成熟的方式来分配任务、查看智能体做了什么、指导其方法以及审计结果。

他设想系统通过语音、视频、文档和共同控制与人并肩工作，在工作过程中准备信息并提供反馈。他说，自己用 AI 查看邮件并准备草稿，但当时还不愿意发送这些草稿。

被问及人的优势时，Mollick 提到了四个值得培养的方面：深入知识、广泛知识、品味和主动性。品味可以让一个人的工作与众不同，却不能证明只有人类拥有品味。他提醒人们不要轻易断言判断力是人类独有的，因为智能体已经在委托任务中作出决定。

Mollick 预计两年后仍会有白领工作，因为能力依然不均衡，组织中也存在实体活动和不成文的背景信息。即使极其聪明的新来者也无法立即理解每种关系和流程。更长期的前景仍不确定。

他解释了工作的 O 型环模型：一份工作包含许多任务，但关键任务失败可能破坏整个工作流程。当 AI 接管一个瓶颈，另一个就会变得重要。在软件领域，他看到工作从亲自编写每行代码转向分配任务、设计测试和判断结果是否足够好。

这些瓶颈会继续移动，而当 AI Token 昂贵时，人做某些任务仍可能更便宜或更好。Mollick 预计过渡时期会很混乱。他指出，过去的工业革命最终创造了更多工作，同时强调经历这些转型往往十分痛苦。

Crichton 问管理是否仍有价值。Mollick 区分了管理工作这一技能和管理层级。明确任务、写清要求、发现风险并快速评估输出，都能让一个人更有效地使用 AI。

组织层级则是另一个问题：AI 可能减少一些层级，或扩大管理者的管理范围。Mollick 看到一些公司将产品和工程工作合并为“构建者”角色。他提到宝洁公司一项涉及 776 名员工的实验：使用 GPT-4 的个人，表现与未使用 AI 的两人团队相当。

他说，在那项实验中，AI 还模糊了技术和商业贡献之间的区别：参与者提出的想法结合了两个方面。随着职能边界变化，他预计管理角色也会改变。

被问到部门是否可能围绕问题重新组织时，Mollick 说，智能体跨职能工作时仍会遗忘和丢失信息，不过更好的工具和人的检查可能有所帮助。他建议短期内采用小型跨职能项目团队，并追问团队何时应该请律师等专家参与。

对于育儿，Mollick 倾向于在孩子年幼时进行有监督的使用。家长可以询问 AI 如何解释问题、一起创作图像或玩游戏；年长的孩子可以在监控下使用专门的辅导模式。他警告说，如果孩子从不练习，解释可能制造已经学会的错觉。

他不看好为孩子预测某一种安全的未来职业。相反，他建议让孩子追求兴趣，同时培养灵活性、广泛和深入的知识以及主动性。与其他技术一样，他强调家长指导的重要性。

Mollick 说，最大的未解问题是 AI 会变得多有能力，以及进步有多快。今天有关组织的建议依赖当前能力和对未来轨迹的假设；领导者应关注不断变化的边界，而不是只从固定的现状向外推演。

被问及最自豪的事情时，Mollick 提到了通过教育工具和公共写作让 AI 更以人为中心。他认为，管理者、公民和政策制定者应决定如何使用这项技术，而不是把任何特定结果视为不可避免。