Karim Lakhani：与 AI 工作时如何保持学习和判断

Marina Mogilko 介绍哈佛商学院教授 Karim R. Lakhani，并询问人们如何使用 AI 而不失去学习能力。对话涉及他与 BCG、Procter & Gamble 和 H&M 等组织合作的研究，以及他教授管理者的经验。

Lakhani 表示，在可预见的未来，他仍认为人和 AI 的结合很重要。在他看来，即使模型承担更多执行工作，它们仍需要方向、筛选和判断。他预计组织和职业都会重新配置，但表示目前尚未看到机器完全取代人。

Mogilko 询问涉及 BCG 咨询顾问的研究中描述的三种模式：与 AI 紧密协作、在人和机器之间分工，以及几乎完全委托。她引用了一组咨询顾问的大致比例；Lakhani 将其置于一项涉及约 800 名咨询顾问的更大实验背景中。

Lakhani 将第一种称为“半机械人”工作：人与 AI 共同解决问题。“半人马”根据各自优势划分任务，并监督返回的结果。按照他的描述，“自我自动化者”则按下开始后不再参与；他表示在所讨论的研究中，这组人的学习最少。

他认为紧密协作提供了学习机会，但分工者必须随着模型能力变化重新审视分界。这些类别描述的是研究中观察到的工作方式，不是给人贴上的永久标签，也不能保证某种方式适合所有任务。

Mogilko 提到“参差不齐的能力边界”：AI 可能完成一项任务，却在看似相似的任务上失败。Lakhani 说，模型有说服力的语言可能让人轻易接受不完美的答案。他建议用有挑战性的任务测试工具、保持怀疑标准，并随着模型变化更新判断。

对话转向模型受到质疑后反而更坚持原有观点的情况。Lakhani 建议先要求反方论证、找出薄弱环节，并检查论点的置信程度。这类提示有助于批判性审查，但不能证明模型自述的置信度或推理准确。

他把与 AI 工作比作指导助手：人既要要求系统挑战假设，也要自己提出质疑。他说自己的研究习惯包括尝试推翻自己的结论，营销、研究或金融领域的人员也需要类似的审查习惯。

在实际使用中，Lakhani 建议要求针对提案提出多个反对论点、进行进一步研究并寻找潜在风险。他说自己很少接受第一个答案，而是要求替代方案或继续追问。目的是拓宽搜索并加以检查，而不是将最终决策责任外包。

赞助环节之后，Mogilko 问到模型无需详细工作流程就能自行选择如何使用数据的情况。Lakhani 欢迎这一能力，但担心缺乏审查时，模型可能选择不适合用户具体问题的通用方法。

他以一人产品团队为例。AI 可以帮助工程师进行设计、访谈和测试，但这个人仍需要足够的设计知识和品味来评估结果。在他看来，要求一个著名人物风格的设计，不能代替对工作的理解。

谈到研究时，Lakhani 说模型可能提出多种回归方法，却仍选错方法。他建议学习基本原理、要求替代方案，并让系统检查利弊。人仍需要专业知识来判断这些比较。

被问及独立工作者如何辨认优秀成果时，他强调责任：最终作品署的是人的名字。他说自己曾解雇把糟糕结果归咎于 AI 的人员。他更广泛的观点是，复制答案不等于审查答案或培养判断。

Mogilko 问，如果基础任务被自动化，初级员工如何培养品味。Lakhani 表示自己的问题多于答案，并考虑两种可能：AI 可能移除职业阶梯最初的几级，也可能成为向上的跳板。他认为，无论哪种情况，人都需要对基础学习负责。

他讲述了一个归于 Stephen Wolfram 的积分例子：学生可能需要先手算一些积分以理解方法，然后通过观察机器生成的大量例子继续学习。Lakhani 将它作为结合初始练习与更广泛观察的一种思路，并非适用于所有学科的已验证规则。

他说，当人们承担更广泛的工作时，必须继续学习监督和质疑工具所需的基础。Mogilko 指出，过早求助机器与需要学习更多内容之间存在张力。Lakhani 强调学会如何学习，并审慎使用 AI 的解释或测验。

被问及哈佛 MBA 学生时，Lakhani 表示，必修 AI 课程会随着能力变化迅速调整。教学团队认为，学生不应只讨论 AI，还应动手构建并面对真实商业问题。

他说，课程包括检索增强生成、评估和多智能体系统，学生通过构建项目代替传统期末考试。他表示约 900 名 MBA 学生在 AI 协助下创建了解决方案。这些是他对课程和结果的描述。

技术项目与经济学、战略、组织变革和案例讨论结合起来。Lakhani 表示，动手实践帮助学生理解工具能力及其对公司和职业的影响。他说这种转变对教师和学生都有挑战。

Mogilko 问校外人士能否参加课程。Lakhani 说有一些在线课程，但没有将其描述为与校园课程深度相同。随后对话转向高管工作坊：他要求高级领导者针对自身业务问题构建应用。

Lakhani 说，一些高管最初会抵触，但动手练习可以让他们看到工具能做什么、不能做什么。他认为，从不使用 AI 的领导者指导团队时基础较弱。这些例子反映他的工作坊经验，而不是对所有公司的测量结果。

谈到采用情况时，他表示科技中心与许多公司的经验水平不同。他的团队研究过大型组织中的提示和使用数据，他描述了重度使用者与中位数之间的巨大差距。

Lakhani 表示，在所讨论的数据中，高使用量群体与中位数相比，使用量约有 10 至 20 倍的差异。他明确说，这些使用观察尚不能证明与绩效相关；他另外提到在其他软件和企业数据中看到的生产力差异。

他建议个人亲自积累提示、理解模型限制和审查结果的经验，而不是以为仅有访问权限就足够。对组织而言，他表示领导层也必须确定方向并重新思考运营模式。

Lakhani 建议，不要只设定 AI 使用目标，而应为客户服务、研发效率、产品推出或运营等结果设定有挑战性的目标，然后问 AI 能如何帮助实现。Mogilko 指出，当其他因素也在变化时，很难将业务结果归因于 AI。

Lakhani 将目标描述为想象力的体现，认为有雄心的目标可以改变团队尝试的事情。他举例对比设定十倍目标、实现七倍与满足于较小目标。这是一种领导经验法则，不是证明此类增长具有代表性的证据。

Mogilko 提到一项 H&M 研究，询问人们是否更难推动 AI 产生的战略。Lakhani 回答说，人应提出并承担目标，再用 AI 强化它。随后两人讨论对失败的恐惧，以及教育者如何鼓励学生追求更大目标。

对话转向专业知识的成本。Lakhani 回顾了自己关于开源软件的研究：贡献者除了金钱还有其他动机，众多参与者可以尝试不同方法。他借此思考广泛可用的 AI 协助可能如何影响知识工作。

他认为开放协作能够从多种尝试中呈现出好的结果，而 AI 可能改变人和工具组合的能力。他将其视为受多个组织研究启发的分析框架，而不是说每个人都会自动成为专家。

Lakhani 将这一变化比作从手工制图转向 CAD：只要人们学会使用和评估工具，就可以尝试更复杂的工作。被问及如何选择发展专业能力的领域时，他强调持续工作，并与 AI 一起学习。

他思考 AI 与以往技术浪潮相比究竟是程度差异还是性质差异，并说自己倾向于后者。他以音乐使用的技术为类比，认为工具可以改变艺术形式，但人仍需要掌握工具或围绕工具协作。

Mogilko 问，人们能否消费效率更高的组织生产出的全部内容。Lakhani 说自己不知道。在软件领域，更多生成的 pull request 可能超过人的审查能力；如果智能体承担更多工作，人们做什么、从哪里获得意义也成为问题。

他推测，个人智能体可能介入视频或其他内容的发现过程，例如阅读文本版本后引导用户关注特定片段。Mogilko 指出，人类观看量仍然重要。两人讨论的是可能的未来行为，而非已经证明能够替代观众的方式。

Mogilko 问到 2030 年的工作，并提及一项比较使用 AI 的个人与团队的 Procter & Gamble 研究。Lakhani 表示，他不认为初级工作会被自动化已经成为定论。在他看来，如果中层管理人员抵触改变工作方式，某些中层岗位可能面临更大压力。

他承认职业初期劳动力市场受到多种因素影响，也有其他研究者担心初级员工。他对组织层级的判断是基于其描述的观察提出的假设，不能证明某个年龄群体或岗位类别会被取代。

Lakhani 认为，仅仅复制模型输出并非持久的角色，并询问企业将如何重新定义工作。他预计，一些初创公司和成熟组织会投入学习新方法，另一些则进展较慢；他说客户和组织惯性可能延迟变化。

他以 Amazon、Kmart 和 Walmart 应对线上零售的不同经历作类比，询问现有企业是在重新思考业务，还是只是给旧模式加上 AI。这是关于战略选择的类比，不是对某家公司的预测。

Mogilko 问，企业如何判断自己是否只是前沿模型的包装层。她转述一个归于 Greg Brockman 的问题：新模型是让企业更有价值，还是吸收了企业所做的事情？Lakhani 表示，领导者不能将这一战略判断外包。

他再次强调亲自使用：依赖专业知识的领导者应试验影响这些知识的系统。他把早期回避使用电子邮件的高管与完全将 AI 交给他人的领导者相比，并表示一些与他交流过的首席执行官如今会用大量会议时间讨论 AI 对业务的影响。

Lakhani 最后将实验与想象力联系起来。在他看来，领导者不仅要考虑竞争对手，也要考虑 AI 如何改变自身价值。Mogilko 感谢他，并鼓励听众继续追问人和企业将扮演什么角色。