你还在用AI提高效率?也许忽略了更重要的事

最近，我发现一个挺有意思的现象。

职场里，大家都在研究怎么用AI提高效率。以前写一份周报要一个小时，现在一分钟就能搞定；以前做PPT要大半天，现在十分钟就能完成；以前想开发个软件，得先学编程或者找程序员，现在不懂代码的人，也能Vibe Coding。

效率提高了十倍，甚至几十倍。大家都很兴奋。

但我突然想到一个问题：我们为什么一定要写周报？

你可能觉得，这有什么好问的？你以为我想写啊。

可管理者真正想要的，是一份写得漂漂亮亮的周报，还是及时了解工作进展、发现问题、作出决策？

假如AI能够直接从业务系统获取信息，随时告诉管理者项目进展如何、哪里出现了风险、哪些问题需要决策，那么，周报这种东西，是不是根本可以不写了？

一种思路是让AI把周报写得更快，另一种是利用AI改变信息的获取方式，让写周报这件事可能变得多此一举。

前者在提高效率，后者在改变规则。

这两种思路看起来只有一步之遥，却可能把我们带向完全不同的地方。

一、金锄头已经到手了，我们还在忙着耕地

以前听过一个笑话。

一个农民想象皇帝的生活，觉得皇帝那么有钱，耕地的时候肯定用的是金锄头。

好笑的地方在哪里？

不在于农民不知道皇帝有多富有，而在于他的想象力再丰富，也没有跳出自己熟悉的生活方式。

在他的认知里，耕地是生活不可缺少的一部分。所以，他能想象最昂贵的锄头，却很难想象一种根本不需要自己下地的生活。

仔细想想，我们今天使用AI的方式，多少也有点这个意思。

过去手工写报告，现在AI自动写报告；过去自己整理会议纪要，现在AI自动整理；过去花几个小时做PPT，现在让AI几分钟完成。

锄头已经变成金的了，我们还在琢磨怎样把地耕得更快。

技术发展史上同样有类似的故事。

早期工厂依靠蒸汽机提供动力，一台巨大的蒸汽机，通过复杂的传动轴和皮带，驱动整座工厂里的机器。

后来，电动机出现了。不少工厂最初只是用电动机替换原来的蒸汽动力，继续沿用旧的传动系统。

动力先进了，工厂的布局和生产方式却基本没变。

但电力真正具有革命性的地方，是它允许每台机器拥有独立的动力。工厂不必再围着庞大的中央传动系统转，机器可以按照生产需要重新排列，整个生产组织方式也可以重新设计。

经济史学家保罗·戴维研究过这段历史。电力从开始应用到充分释放生产率潜力，经历了漫长的技术扩散和组织调整过程。原因不仅是技术本身，还包括旧设备、旧厂房以及旧生产方式带来的限制。

1990年，管理学家迈克尔·哈默在《哈佛商业评论》发表了一篇文章，标题很有冲击力：《Don't Automate, Obliterate》，大意是：不要只想着自动化旧流程，要敢于推倒重来。

他在文章中提到，一家保险公司的地区办事处长期向总部提交各种报告，后来才发现，这些报告送到总部后只是被归档，根本没人使用。

想想看，如果当年那些员工就有AI，会发生什么？

他们可能兴高采烈地宣布：我们把报告生成效率提高了90%！

可一份根本没人看的报告，生成得再快，又有什么意义？

三十多年前，人们用计算机加速旧流程。今天，我们是不是又开始用AI重复同样的事情？

我们总能想象一个工具的升级版本，却不太容易想象一个根本不需要这种工具的世界。

二、同样是用AI，其实有三个不同的层次

第一层：替代工具。

以前员工自己写周报，现在让AI帮忙写。从一个小时缩短到一分钟，效率大幅提高。但周报依然需要写，员工依然需要提交，管理者依然需要阅读。

工具换了，原来的工作方式基本没变。

这一层解决的是：怎样把原来的事情做得更快？

第二层：重构流程。

有人开始琢磨：写周报为什么那么麻烦？因为员工需要收集工作记录、整理项目进度、总结遇到的问题，再组织成文字。

但这些信息，很多本来就存在于企业的业务系统里。既然如此，为什么还要让员工重复整理一遍？

于是，在数据权限和准确性得到保障的前提下，让AI直接读取相关业务数据，自动汇总工作进展。员工不必再手工收集大量材料，管理者也不必等待层层汇总。

这时，AI不只是替人写周报，而是让周报生产中的许多步骤消失了。

这一层解决的是：为了得到同样的结果，哪些步骤其实可以不做？

第三层：重新定义需求。

到了这一层，问题又变了。

我们为什么一定要有周报？

管理者真正需要的，是每周五收到一份文档，还是及时了解业务情况、发现风险、解决问题？

如果是后者，为什么一定要等到周五？为什么必须通过一份报告来了解这些信息？

假如AI能够持续分析业务数据，在项目出现异常时主动提醒管理者，还能随时回答有关进度、风险和决策的问题，那么，在某些工作场景下，固定周期的周报可能就没有必要了。

这时候，改变的已经不只是工作效率，也不只是工作流程，而是整个管理信息的获取方式。

第三层思考的是：我们为什么一定要做这件事？真正想要的结果究竟是什么？

同样是AI，同样是写周报，三种思路却可能把我们带向完全不同的地方。

第一层改变工具，第二层改变流程，第三层重新定义问题。

区别在于，前两层主要是在改进已有的解决方案，而第三层开始怀疑：我们一直在努力解决的，究竟是不是那个真正的问题？

对于创业公司来说，这个问题可能更加值得琢磨。

现在借助AI，开发软件、制作产品原型、生成营销内容，都比过去容易得多。一家创业公司原来需要三个月才能做出的产品原型，现在可能几天就能完成。

但如果没有搞清楚用户真正需要什么，结果可能只是：以前花三个月做出一个没人需要的产品，现在三天就做出来了。

比如，一家创业公司准备开发客户管理软件。它可以利用AI让销售人员更快地填写客户资料、生成拜访记录。但客户真正需要的，也许不是更方便地填表，而是不遗漏重要商机、更及时地跟进客户。

如果AI可以在获得授权的前提下，从客户沟通中自动识别重要信息，在关键时刻提醒销售人员，那么，原来那些烦琐的录入环节，是不是可以重新设计？

这已经不只是让一款软件变得更好用，而是在重新思考产品应该为客户解决什么问题。

当实现一个想法越来越容易时，判断这个想法是否值得实现，反而越来越重要。

而且，一个值得注意的变化是：当AI让现有产品的某些核心功能变得容易实现时，创业者可能还需要重新思考，客户未来是否仍然愿意为这些功能付费。

这或许是AI给创业者带来的另一个挑战：不仅要考虑怎样利用AI改进自己的产品，还要考虑AI会不会改变客户对产品价值的判断。

三、汽车之后，是传送机；传送机之后呢？

假设你人在北京，需要去上海见一位客户。

在马车时代，这可能是一场漫长的旅行。后来有了火车、汽车、飞机，从北京到上海越来越方便。

这些技术解决的，都是怎样更高效地完成空间移动。

到了科幻世界，传送机出现了。你走进一扇门，瞬间出现在上海。

这当然是惊人的进步。它甚至让传统意义上的旅途消失了。

但传送机虽然取消了旅途，却没有改变一个前提：你必须到达上海。

那么，如果继续追问：你为什么要去上海？

因为要见客户。

为什么要见客户？

因为要讨论合作。

如果这次合作沟通完全可以通过视频会议完成，那么，去上海这件事本身，是不是就可以省掉了？

汽车、飞机和传送机，都在努力解决“怎样去上海”的问题。而视频会议，在适用的情况下，直接改变了“为什么必须去上海”这个前提。

有意思的是，解决这个问题的，甚至不是一种交通技术。

有时候，一个行业真正的颠覆者，根本不是来自这个行业。

流媒体没有发明一种更快的光盘配送方式，而是改变了人们获取影音内容的方式，让配送实体光盘不再是观看影视作品的必要环节。

消失的不是需求，而是实现需求的某些旧路径。

那么，为什么我们总是如此执着于改进一条路，却很少想过，自己是不是真的需要走这条路？

我觉得，问题可能出在我们对“需求”的理解上。

一个人说他需要一份周报，可能只是因为过去只能通过周报了解工作进展。一个客户说他需要某项软件功能，可能只是因为他不知道还有别的办法解决自己的问题。

我们常常把过去的解决方案，误认为今天的真实需求。

而当一种新技术出现时，如果仍然以这些旧方案为起点，就很容易把巨大的技术潜力，局限在原有框架里。

四、手里拿着未来的工具，脑子里却装着过去的说明书

其实，许多习以为常的工作方式，最初都有它们存在的理由。

过去，管理者无法实时掌握业务动态，所以需要员工定期汇报；过去，信息难以高效共享，所以需要把相关人员召集到一起开会；过去，开发软件离不开专业编程技能，所以想做软件就得学习编程，或者雇用程序员。

这些方法，在当时的技术条件下，可能都是合理的选择。

但一种方法使用得足够久，就容易从“解决问题的手段”，变成我们认知中“理所当然的前提”。

久而久之，我们甚至忘记了它最初为什么存在。

当AI这样的技术出现时，我们的第一反应往往是：太好了，终于可以把原来那些麻烦事做得更快了！

却很少停下来想想：当初迫使我们采用这些方法的技术限制，是不是已经发生了变化？

如果限制改变了，原来的方法还有没有必要原封不动地保留下去？

这可能是AI时代一个特别有意思的现象：

我们手里拿着属于未来的工具，脑子里却还装着过去的工作说明书。

更麻烦的是，这种思维惯性不仅存在于个人身上，还可能隐藏在企业的管理制度、行业惯例，甚至衡量工作价值的标准里。

一个员工写完十份报告，显得工作很饱满。另一个员工发现其中八份报告根本没有必要，反而可能让人觉得他没做多少事。

一家创业公司不断推出新功能，看起来产品迭代很快。但如果这些功能并没有解决客户真正的问题，那么越快的迭代，可能只是越快地消耗资源。

我们似乎太习惯用“做了多少”来衡量工作，却不太习惯追问“到底创造了什么价值”。

今天，AI正在让许多工作的执行成本迅速下降。以前一天只能写一篇文章，现在可能生成十篇；以前一周只能制作一个视频，现在可以制作更多。

但如果一份报告本来就没人需要，把它的制作时间从一天缩短到一分钟，究竟创造了多少价值？

如果一款产品从一开始就没有找准用户需求，那么开发速度提高十倍，又能改变什么？

我并不是说提高效率不重要。能够把一件有价值的事情做得更快、更好、更便宜，本身就很有价值。

但这里有一个前提：

那件事情，首先得值得做。

否则，我们就可能陷入一种尴尬的局面：以前花很多时间做一些不必要的事，现在却能用极高的效率，做更多不必要的事。

这不是技术的问题，而是我们怎样理解工作、理解需求、理解价值的问题。

当执行一件事情变得越来越容易时，判断究竟应该做什么，反而可能变得越来越重要。

五、下一次打开AI，不妨先换个问题

现在，各种AI工具层出不穷。我们忙着学习如何使用和研究，尝试各种自动化工具用于自己的既有工作当中。

这些当然值得学习。

但我越来越觉得，在研究怎样使用AI之前，也许可以先多问几个问题：

我为什么需要做这件事？真正想获得的结果是什么？如果不受现有工作方式的限制，有没有更直接的方法获得这个结果？

问完之后，再去考虑AI可以怎样帮助自己。

也许最后，你仍然会选择让AI帮你写一份报告，因为那确实是完成这项工作的最佳方式。

但也有可能，你会突然发现，自己一直努力提高效率的那个环节，只是过去某种技术限制留下的产物。而今天，我们已经有机会不再受它束缚。

这才是我认为AI时代真正令人兴奋的地方。

它不仅让我们拥有了过去难以想象的工具，还给了我们一次重新审视那些习以为常的工作方式、产品逻辑和商业规则的机会。

技术可以快速迭代，但人的认知不会自动升级。面对一种足以改变旧规则的新技术，我们仍然习惯按照旧规则想象它的用途。

就像那个拥有金锄头的农民，就像那些把蒸汽机换成电动机、却仍然保留旧传动系统的工厂。

我们最容易犯的错误，也许不是缺乏想象力，而是用全部的想象力，去改进一个本该被重新审视的答案。

汽车之后，可以是飞机，可以是传送机。

但别忘了，还有一种可能：

你根本不必出发。

参考资料：Michael Hammer，Reengineering Work: Don’t Automate, Obliterate，Harvard Business Review，1990；Paul A. David，The Dynamo and the Computer，American Economic Review，1990。