AI 进来以后,原来的分工还成立吗?

动不动就接AI之前，不妨先问一句：哪些我们一直当作固定条件的东西，现在值得重新讨论了？

这一年到处都在说 AI。可回头看看手上的工具，好像又没那么神。有人觉得工作方式彻底变了，有人还在想：我用到的顶多算个 BI，是不是还没拿到那个 A。

"模型太厉害了"和"我的工作没变"，两句话可以同时成立。前者看的是能力，后者看的是能力有没有变成自己手里的收益。

能力、工具、组织结果，三者有关，但不会自动画等号。我这一步快了，后面仍要等人确认、等别的团队接手，整件事就未必更快。

所以我想讨论的是：AI 进入一段已有的工作以后，原来的安排还适不适合？

一、看起来固定的安排，其实是限制下的选择

老式工厂头顶有一根传动轴，皮带把动力分送到每台机器。机器摆在哪，不只看生产顺不顺手，还得看动力接不接得上。后来电动机普及，到 1930 年前后，工厂逐步变成每台机器单独驱动，机器才可以按工序来摆。

换电机本身就有收益，但更大的变化是：原来看起来固定的位置，其实是在某个限制下做出的选择。 限制变了还坚持原位，就得问一句：是因为仍然合理，还是只是没重新比较过？

办公室里也有这样的"传动轴"，只是不显眼。王慧文在清华产品课里讲过：有些传统零售企业不养商业分析团队，需要时找咨询公司，因为分析师太贵，需求又不频繁。可一旦行业变快，偶尔要回答的问题变成天天要回答，这笔账就得重算。

有没有一个部门，不是天然如此。 组织安排有理由，但理由应该说得清，也能被重新检验。

二、项目成功，不等于问题关闭

我做过一个 AI 客服项目。上线后相关客诉率下降，我也因此拿了公司内部的奖。听起来是个标准的成功案例。

但客服最初找我们，还有一个原因：后台不好用。我们和客服各有一套后台，同一份答复要维护两次，他们希望合并。整合估计要占用半年以上的研发资源；而当时用 AI 已是定好的前提，老板要求一个月上线。

所以真实的决定不是"比较完所有方案，AI 最优"，而是在这些条件下，先确定能做哪一段。 我们没动后台，只在原有客服路径里加了 AI 问答：用户不用再一篇篇翻资料，解决不了的仍可转人工。

结果是：用户拿答案更容易了，客服还是要维护两份。 同一个项目，有人觉得变化很大，有人觉得日常没变，不是谁不懂 AI，而是各自承受的那段工作真的不同。

一个范围内的成功，不代表最初的问题都关闭了。

三、AI 想往前走一步，碰到的是组织的边界

我还关心我们整个组的核心目标导出量，也就是用户最终有没有做完一条作品。客服反馈过有用户找不到按钮，我就想：AI 能不能在剪辑过程中帮一把？

同样一句"找不到"，背后可能是两件事。熟练的人知道要裁切、调速，只是不知道工具在哪，缺的是入口；新手还没想清楚下一步做什么，缺的是从意图走到动作的判断。后者如果要 AI 帮忙，就得接触用户的剪辑状态，甚至改剪辑界面。

这时 AI 的角色，从"回答问题"变成了"参与一段工作"。

问题是我在中台。剪辑路径不归我管，模型选型也不归我管，我不能改别人的界面，也不能给别人排期。

这其实是一个老规律，叫"康威定律"。1968 年，计算机科学家 Melvin Conway 观察到：一个组织做出来的产品，往往会长成这个组织内部分工和沟通的样子。 几个团队分头负责，产品就被切成几块，每一块的边界，正好就是团队的边界。

放到我身上：AI 客服做在客服入口，本来就是中台的事，顺理成章。可我想让 AI 进到剪辑过程里，就跨进了另一个团队负责的范围。产品按团队切开，AI 也容易只长在各团队自己那一块里；需要跨过边界的想法，反而没有天然的负责人。

AI 的能力可以跨过部门边界，但它被接入的位置，仍然由部门边界决定。大家都认导出量这个目标，可共同的目标不会自动决定谁先改、谁让资源、做到什么程度算有用。如果每个人只动自己那一小段，却期待完整体验发生变化，中间就会有缺口。

我也得承认两件事要分开：这个想法有没有价值，我不知道，也许改清楚入口就够了；而要验证它，需要客服、剪辑、技术团队一起参与。找不齐人不代表想法没价值，想法有价值也不代表别人该放下手头的事。

AI 增加了一种可能，但组织要不要为它调整，仍是一个要做的决定，不会接上模型就自然发生。

四、AI 会不会改变"需要谁一起做"？

上一节里，卡住我的是协作：一个想法要落地，得好几个团队一起动。那AI 会不会改变协作本身？有些以前必须两个专业的人一起做的事，现在会不会一个人就能做？

宝洁的一个实验，测的正是这件事。

2024 年 5 月到 7 月，哈佛商学院等机构的研究者在宝洁做了这个实验。776 名员工被随机分成：单人或两人组（一位研发、一位商业背景），有或没有 AI，完成真实的产品创新题目，由专家评分。

结果是：一个人用 AI，得分和两人组不用 AI 相当。 而且不用 AI 时，研发背景的人偏技术、商业背景的人偏商业；用了 AI，方案都更兼顾两边。

也就是说，在这类任务里，原本要靠研发和商业两个人互相补位的部分，AI 补上了一些。这是一个关于分工的发现，不只是个人效率的发现。

当然，这是特定任务上的专家评分，不是说一个人现在能顶两个人，别回去这么跟老板讲。

但方案"拼得更完整"，不等于"拼得都对"。做出一份看起来完整的东西变容易了，确认它符合真实条件，却不一定同样变容易。

五、拆开一次协作：制作、信息、判断、授权

"组织要重新分工"太大了。不如从一次具体协作问起：为什么这件事需要另一个部门？

我把理由拆成四种：

制作：我不会做，需要你做出来

信息：你知道真实情况，我不知道

判断：做出来后，需要有人辨别能不能用

授权：是否投入、能改到哪，需要有权限的人决定并担责

就算 AI 帮我把剪辑方案写得很完整：用户卡在哪，我仍然需要真实信息；建议有没有用，仍然需要验证；别的团队投多少资源，也不归我决定。方案变完整了，其他依赖并没有消失。

但如果过去找对方，主要是因为我做不了某一段，而现在 AI 能可靠完成，那这次"制作交接"就值得重新看。协作可能有三种变化：

1. 省掉制作交接：自己借 AI 能做、也能核验的，不必再交出去。

2. 调整参与时机：仍需对方判断的，让他先给关键限制，初稿出来再集中核验。

3. 保留必要协作：信息或决定权在对方手里的，方案再完整也不能跳过。

以前是："我这边有个技术方向，商业部分你帮我补。"现在可以是："关键事实先跟你确认，这是基于它们的完整初稿，哪些假设要推翻？"

六、省掉交接之前，先想想判断力从哪来

不过第一种变化有个隐藏成本。

很多人的判断力，是在"制作"里练出来的。设计师画过上百张稿，才知道哪张不对；分析师算过很多次，才对数字有感觉。制作交给 AI 以后，判断还留在人身上，可练判断的机会少了。

1983 年，认知心理学家 Lisanne Bainbridge 在论文《自动化的讽刺》里指出：自动化接走日常操作后，人被留下来处理机器处理不了的异常，但因为平时不再动手，技能反而会退化。

这不只是理论。2025 年发表在《柳叶刀·胃肠病学与肝脏病学》的一项波兰观察性研究发现：四家机构引入 AI 辅助后，医生在不用 AI 的结肠镜检查中，腺瘤检出率从 28.4% 降到 22.4%。研究者也提醒，观察性研究不能排除其他因素的影响。

那是不是每项技能都得保住？也不必。计算尺、算盘早就没人练了，也没出什么问题。

美国海军学院的例子，更能说明什么值得留。学员学了一百多年天文导航，1998 年因为有了 GPS 被取消；2015 年又恢复了，原因是担心 GPS 遭到网络攻击。一位教官说："我们放弃天文导航，是因为电脑很好用。问题是，没有备份。"

所以值得刻意保留的，是同时满足两个条件的能力：AI 出错时需要人来发现或接手，而且出错的代价高。

放回工作里，"省掉制作交接"之前，值得多问一句：这次省下的，是一次交接，还是某个以后要为结果把关的人练判断的机会？ 如果是后者，就给他留一部分"先自己做、再对照 AI"的练习。

结语

下次接到"这个业务要用 AI"，可以连着问三句：

1. 我们希望哪个结果改善？

2. 原来卡在什么条件上，AI 具体改变了哪一个？

3. 因此哪一段可以自己多做，哪一段仍需要别人参与？

交出工作之前，也可以先说清楚："我已经可靠地补上了什么，还需要你提供什么？" 如果这句话和没有 AI 时一样，也许只是个人效率变了；如果不一样，才有依据讨论分工要不要调整。

———————————————————————

参考资料

* Dell'Acqua, F. 等 (2025). The Cybernetic Teammate. NBER Working Paper 33641.

* Devine, W. D. (1983). From Shafts to Wires. The Journal of Economic History, 43(2).

* Conway, M. E. (1968). How Do Committees Invent? Datamation.

* Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6).

* Military Times (2015). Naval Academy reinstates celestial navigation.

* Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy (2025). The Lancet Gastroenterology & Hepatology.