ARTICLE · 1318299
哈佛商学院教授:最容易受到AI冲击的人,可能和你想的不一样
导读 |
作者 | Capihom
来源| 晚点再听LaterCast
“这是 AI 给我的。”哈佛商学院教授 Karim R. Lakhani 在访谈中说，他曾解雇过用这句话解释工作结果的人。在他看来，把任务交给 AI，并没有把对结果的责任一起交出去。如果人只负责复制、粘贴，再把答案递给别人，问题就已经不只是这一次做得好不好。
Lakhani 与同事研究过波士顿咨询公司（BCG）等企业怎样使用 AI。他最关心的区别，是有些人在使用过程中继续积累能力，有些人完成了工作，却退出了思考。与此同时，他也不接受“初级员工必然最先被淘汰”已经成为定论：在他接触的组织里，一些中层管理者更抗拒改变，可能面临更大的风险。
这期访谈从员工怎样在提效时继续学习，谈到经理如何更新经验，再到老板怎样判断团队是不是真的做得更好了。这三件事，需要放在一起看。
同样用AI，有人继续学习，有人只剩交作业
在一项涉及 244 名 BCG 顾问的研究里，研究者观察到了三种协作方式，并用 Cyborgs、Centaurs 和 Self-Automators 命名这三类人。区别在于，人怎样参与工作，又把哪些部分交给了 AI。
第一类人会在工作过程中不断与 AI 讨论，补充信息、质疑回答、再调整方案。第二类人保留比较清楚的分工，知道自己擅长什么，把部分任务交给 AI，拿回来之后仍然检查。第三类人则更像按下启动键，等待一个可以提交的结果。
"从学习的角度看，把自己自动化的那群人表现最差，因为他们已经停止思考，也不再参与。"
完全委托是否合适，要看任务。在哈佛商学院的研究说明中，研究者指出，常规任务或能力范围内的工作，完全委托可能带来即时效率收益。需要判断问题、比较不同解释时，人若也一并退出，就可能不再发展自己的专业知识和 AI 使用能力。
明确分工也不是一劳永逸。Lakhani 提醒，模型能力一直在变，过去认定必须由自己完成的部分，可能已经可以重新分配。如果人与 AI 的分工长期固定不动，同样会错过新的用法。值得留意的是，完成几次类似任务后，自己有没有更清楚地理解问题，也更知道 AI 在哪里会出错。
它说得有道理，不代表它做对了
想保留判断，难处在于 AI 往往不是一眼就错。Lakhani 与同事把模型能力形容为“锯齿状边界”：两项看起来难度相近的工作，它可能擅长其中一项，却在另一项失手。它又很会表达，甚至在用户提出质疑后，继续为错误答案给出更有说服力的辩解。
他因此会主动要求 AI 反驳自己：先别相信我的前提，找出方案为什么可能不成立，再去补充研究、寻找危险信号。让模型列出不确定的地方，是为了给人更多检查线索，而不是把它自报的信心当成正确率。
"我从不接受第一个答案。要么我已经在系统提示里要求它回去给出替代方案，要么我会自己继续追问。"
他谈到一人产品团队时，把这个问题落到了设计上。工程师借助 AI 能生成页面，并不等于已经懂得设计原则、能判断不同方案的好坏。要求模型“做得像乔布斯”也不会自动补上这种能力；需要先理解一些基础，再决定自己要哪种设计方向，为什么这么选。
所以，继续追问不只是把提示词写得更长。可以让 AI 提出不同做法、说明各自依据，再拿这些差别去检查资料和学习概念。如果只是让它反复保证“这个答案没问题”，人仍然没有获得判断所需的依据。
蓝线表示AI能力边界，虚线串起难度相近的任务；有的点仍落在边界外，不能只凭难度判断AI能否完成。
新人少做了重复劳动，也得补上理解的过程
主持人追问得很现实：如果基础工作都被 AI 接过去，新人靠什么积累经验？Lakhani 没有把这个难题说成已经解决。他说，自己仍有许多疑问，但也在尝试新的教学方式，让学生既理解基础，又能用工具处理以前够不到的复杂问题。
他转述了 Stephen Wolfram 关于积分学习的一个比喻：先亲手做一些，理解运算怎样发生；掌握基础后，可以观察机器处理更多例子，从中辨认规律。他借此提出的教学思路，是先理解原理，再利用工具扩大能接触的问题范围，不必把大量时间都花在同一种手工运算上。
落到实际学习里，他看重的是能否借助 AI 听到不同解释、接受提问和测验，而不只是拿到一份作业答案。模型越能帮人扩大工作范围，人越需要弄懂新范围里的基本概念，才知道什么时候该反对它。
"我们不能只在商学院里谈 AI，我们必须动手做 AI。"
因此，他介绍的哈佛 MBA 课程已经把期末考核改为动手项目，让约 900 名学生借助 AI 编程做解决方案。下一轮课程中，他还计划增加大量构建练习，包括连接资料的检索系统、模型评估和多个智能体协作。
动手之外，课堂仍然讨论经济逻辑、战略和组织改变。能做出一个工具以后，还要知道它对客户、业务和岗位意味着什么。对刚入行的人，这种练习提供了一条可尝试的路：先把一个熟悉的问题做出来，再把自己说不清、验不明白的部分找出来继续学。
中层的风险，可能藏在“我已经知道了”里面
Lakhani 对中层管理者的担心，来自他在企业中看到的抵触。他认为，一些有经验的人不愿改变工作方式，而一些年轻员工吸收新工具很快。但他也明确说，初级岗位是否正在被 AI 大量替代，仍有争议；早期职业市场疲弱可能有多种原因，不能全部归给 AI，也有其他学者更担心新人。
他同样见过愿意学习的资深管理者与年轻人合作，做出很强的表现。因此，值得追问的是一个人有没有亲自尝试，还是只凭过去积累的经验认定，这件事不值得改变。
他做高管培训时，经常听到“我们已经了解 AI 了”。他会要求高管在约 90 分钟里，为自己的业务动手做一个应用。有些人做出初版后才意识到，过去提了几年需求的东西，如今自己已经能搭出来，随之也重新认识了模型能做到什么。
"如果我自己都不动手用 AI，又怎么指导团队去用 AI？"
公司内部的差距也可能被平均数遮住。Lakhani 说，他们观察到一些组织里高频使用者与中位使用者之间，有十到二十倍的使用量差距。他随即补充，这批数据尚未建立使用量与绩效的关联。因此，这个数字不能写成“多用二十倍 AI，就能多干二十倍活”。它说明的是，同一家公司里，接触和探索工具的程度可能已经很不一样。
公司需要业务目标，不是AI使用量指标
发现差距之后，如果公司的回应只是增加调用量、要求人人交几个 AI 案例，也未必碰到了工作本身。Lakhani 主张，先说清楚客户体验、研发、产品推出或运营需要怎样改善，再反过来问 AI 能帮哪一段。
他鼓励领导者设有挑战性的目标，也用“争取十倍、最后做到七倍”与“只争取两倍”作比较，说明目标怎样影响团队的尝试范围。这些是假设性的目标设定示例。要改善的仍然是业务结果，团队才知道面对大量可能的 AI 用法，该把精力花在哪里。
"这些不是 AI 目标，而是业务结果的目标，比如收入增长。然后倒过来想：如果它要成为现实，还有哪些条件必须成立？"
这也要求领导者提供达到目标的环境。个人需要摸清模型的能力和限制，组织则需要决定哪些工作值得重新安排。把“我们要用 AI”留给一线自己解释，却不说明服务谁、要改善什么，员工很容易忙着试工具，原先的问题却没人解决。
他把两方面的责任分得很清楚：员工不能等待公司替自己完成学习，高层也不能把理解 AI 的工作全部外包给顾问，或者推给组织里更年轻的人。要改变业务，两边都得亲自参与。
模型升级后，你的工作更有价值了吗
讨论接近结尾时，主持人提出一个判断公司是否容易被模型替代的问题：下一代模型发布，你的生意会因此变得更好，还是被模型吸收掉？她说，这是 OpenAI 总裁 Greg Brockman 曾向她提出的思考角度。Lakhani 赞同这种问法，并提醒领导者，这件事需要自己想清楚。
Lakhani 把类似的问题也抛给个人。专业知识更容易从模型获得以后，只把模型答案转交出去，很难解释人为什么还需要你；更值得发展的，是自己与 AI 配合后能解决哪些更复杂的问题。主持人据此问，是不是只有已经站在行业顶端的人才值得继续做？他把话题拉回实际工作：要动手、持续练习，才能发现自己能把能力推进到哪里。
"这是靠亲身体验获得的东西，不是我讲给你，你就能学会的。你必须持续使用这些工具，自己摸索。"
谈到工作会怎样变化时，Lakhani 也承认，自己仍有许多问题没有答案。就连在教育和研究中，他也会掉进轻信 AI 的陷阱，需要不断追问“如果我们错了呢”。
因此，这期访谈里对新人和中层的判断，都不该读成“年轻人安全、经理危险”。一个新人若只剩复制粘贴，也在他批评的范围里；一个有经验的人若愿意亲自学习、重做工作方式，过去的专业积累依然有用。要检查的是自己正在怎样工作，而不只是处在哪个职位。
写在最后
—— · END · ——
重磅推出：
中国管理咨询的开拓者和领先者
彭剑锋、黄卫伟、包政、吴春波、杨杜、孙健敏领衔
战略丨营销丨研发丨生产丨运营丨品牌
企业文化丨组织人力丨AI应用
为了便于您收到最新推送，敬请星标本公众号，合作、投稿：hanyong896。
