AI会先改写什么?一场全球顶尖学者研讨会给出的22个关键判断 | 长江学术

AI是人类历史上的第一次智能革命，这与以往任何一次工业革命的本质都不同。

以往企业数字化中ERP、CRM等软件系统，本质上只是工具——它们处理数据、提供信息，但最终的决策权始终掌握在人类手中。而AI Agent则完全不同：它不仅能分析问题，还能独立做出决策并执行。

需要清晰地认识到：AI不再是辅助人类的工具，而是能够端到端完成复杂任务、类似于人的智能主体本身。这种从“辅助决策”到“独立决策”的跨越，正在推动未来组织架构从“以人类为中心”向“以AI为中心”的转变。

一个前所未有的现象正在发生：大量需要认知智能的工作，正被AI部分或完全替代。这种变化的直接后果是，许多传统企业发现自己积累多年的核心人力资产，正在转化为沉重的负担。

更残酷的是：从零开始搭建AI原生模式，比推动传统企业AI转型容易得多。

基于加拿大20年机器人采用数据的研究显示：高技能和低技能岗位相对安全，面临最大威胁的是中等技能工作者。

更令人警惕的是长期效应：短期内就业可能增长，但中长期将出现职业晋升通道的断裂——从低技能直接跨越到高技能的路径几乎不复存在。社会流动性也将因此面临根本性重构。

尽管AI工具已经渗透到几乎所有行业，但初期统计数据显示，并未观察到AI对美国整体生产力的实际提升。

这与30年前“信息技术悖论”的历史惊人相似——计算机遍布办公室，但生产率数据却迟迟不见起色。问题不在于AI能力不足，而在于组织尚未找到与AI真正匹配的工作流程和管理方式。

企业普遍将数据科学人才短缺视为核心障碍，但真相是：大多数公司仅使用了3%的数据来支撑决策。瓶颈不在供给，而在于管理层对分析技术应用场景的认知不足，无法提出有价值的业务问题。

许多顶尖院校毕业的数据科学家，在企业中实际上只是在“跑报表”。AI时代，最稀缺的不是会用数据的人，而是知道该问什么问题的人。

一个反直觉的实验发现：即使AI在某项任务上的准确率（80%）已显著高于人类（60%），人机协作的最终效果也未必理想。

核心问题在于人类缺乏“元认知”——不知道自己什么时候知道、什么时候不知道。这种缺陷导致人们在简单任务上过度依赖AI，在复杂任务上又不够信任AI。

提升人机协作效果的第一步，不是升级AI，而是升级人类对自身判断边界的认知。

实验发现，当人类长期接受AI建议时，会出现一个危险趋势：团队成员的判断逐渐趋同，原本存在的认知多样性快速消失。

原因在于，当人们观察到AI总体表现良好时，批判性思维会随之关闭，进而无条件接受AI建议。解决方案是让AI变得更“挑剔”——只在真正有把握的时候才提供建议，这样反而能保持人类思维的多样性，最终获得更好的协作效果。

就像Google让人们不再记忆可搜索的信息，大语言模型更丰富的知识库，正在引发人类更深层的认知卸载——人们的信息处理能力、记忆能力都在下降。

更深刻的问题在于：人类通过与他人对话可以质疑、辩论、完善知识；而与AI的互动缺乏这一批判性建构过程。与AI协作获得的是“合成知识”，它高效，但缺少让知识真正内化所需的摩擦与反思。

研究发现，AI在组合创新（组合现有知识要素）方面的投资回报率高达7.3倍，在机器学习与机器人领域甚至达到70倍；但在突破性原创创新上，收益几乎为零。

不过不用沮丧，恰恰相反：77%的经济增长来自组合创新，仅19%来自突破性创新。这意味着当前AI的能力边界，恰好能覆盖经济价值最大的创新区间。

对照实验显示：AI对创意质量的提升程度，与创新任务的“跨度”正相关——越是需要跨越不相关领域的突破性组合，AI帮助越大；越是常规的同类产品改进，AI的作用越有限。

结论对企业创新实践有清晰启示：把AI用在最需要突破性思维的高难度任务上，而非日常的渐进改良。AI不是加速器，而是破壁机。

通过分析标普500企业的创新网络发现，Google等分散式创新结构的企业，在引入AI后实现了显著的“涡轮增压”效应；而Apple等集中式创新结构的企业，收益则相当有限。

原因在于：AI的核心优势是组合创新，而分散式结构天然允许更多元化的知识流动与组合，与AI能力形成良性匹配。同样的工具，结构不同，结果天壤之别。

研究发现，采用扁平化组织结构和精益创业方法论的企业，在AI转型中表现更为出色——这类企业的员工普遍具备更强的跨职能协作能力和快速迭代思维，恰好是AI时代最需要的核心技能。

但与此同时，集中化的治理结构同样显示出明显优势：AI驱动的决策需要清晰的权责边界和更快的执行速度。扁平化的日常运营，加上集中化的战略决策——两者并行，才是新的组织解法。

未来的组织边界将根本性重构：不再是固定的职能部门，而是围绕项目需求，灵活调用人类员工与AI智能体，动态组合成新的作战单元。

在这个结构中，人与AI智能体的协作关系也将随之改变——从“经理管理员工”转变为更接近“监护人培养孩子”的模式：负责分析需求、监督运营、处理异常，并耐心陪伴智能体在使用中持续迭代成长。

机器人和AI被大规模采用的初期，传统中层管理职位大量消失，决策权向CEO和一线员工两端集中。

但最新数据显示，管理者正在以新的形态回归——他们更像“组织内的CEO单元”，拥有更大的决策权和资源配置权限，承担更多战略性职能，而不再主要负责传统的协调和监督。

最佳的人机分工策略不是让AI与人类竞争相同任务，而是实现能力互补：AI承接大量标准化的简单任务，释放出来的人力重新配置到AI无法胜任的边缘案例与复杂决策上。

有现实企业案例验证，银行在用AI自动化常规业务后，反而增加了专门处理复杂案例的人员编制。“替代效应”叠加“分配效应”，能够同时实现成本节约与整体绩效提升。

在软件开发团队中的研究发现，编程AI工具对经验丰富的程序员提升显著，对新手程序员的帮助则相当有限。

这对企业人才策略有直接冲击：依赖AI跳过初级员工培养周期的企业，可能正在以长期人才储备枯竭为代价换取短期效益。

对自由职业平台设计师的跟踪研究显示：转向AI工具后，服务定价平均提升32%。这并非因为完成任务变快了，而是作品本身的质量跃升——画面更复杂，情感表达更到位，审美层次更高。

更耐人寻味的是：强调自身专业功底的设计师涨价幅度最大，过分炫耀AI技术的反而不受市场青睐。AI工具的真正价值，是帮助人类做出以前做不到的东西，而不是替代人类。

在企业落地AI的实际场景中，时常会面临“数据太少”的困境：要么获取成本极高，要么需要等待很长时间才能积累足够样本。生成式AI提供了一个反直觉的解决方案：基于现有数据的内在规律，生成大量合成数据进行训练。虽然合成数据带有噪声，但当数量足够大时，噪声会相互抵消，底层的真实模式反而会被放大。

以金融行业为例，用过去10年的真实数据生成200万个合成数据点进行训练，可以将预测准确率从3%提升至13%。

在AI时代，一旦企业选择了某家AI云服务，基本上就被永久锁定了。这与传统软件时代完全不同——以前企业使用Office不满意可以换Google Docs，迁移成本只是文件格式转换的麻烦。但AI时代，企业的数据不仅存储在云平台上，还被用来训练模型、优化算法；业务流程从数据接口、API调用到模型部署都已深度定制化。这种全方位的技术绑定，让“更换服务商”变成了几乎不可能完成的任务。

最受伤的是中小企业。它们一旦选择某个云服务商，就失去了议价能力和退出权利，只能接受对方的定价和服务条款。

发达国家的数字化经历了一个从容的百年进程：工业革命的流程标准化、信息技术普及、再到AI革命，三个阶段依次展开。新兴市场没有这个时间窗口——许多企业甚至还未建立基本的管理流程和IT系统，就必须直接面对AI转型的挑战。

但危机之中藏着机遇：一些新兴市场国家正在直接跳过传统IT基础设施建设阶段，从零开始构建AI原生的数字体系。与企业同理，没有历史包袱，反而可能是最轻盈的起跑姿势。

以AI人才密度衡量，大多数新兴市场国家仅为美国的十分之一；印度尼西亚、马来西亚等国甚至可能只有百分之一的水平。

这种差距远不止于技术人员数量——更体现在能够判断AI应用方向的领导力、经过积累的数据资产，以及将AI技术与本地业务场景有效结合的能力上。人才稀缺，是新兴市场AI转型最深层的结构性约束。

情商（EQ）与智商（IQ）将在AI时代被重新定义。AI时代的情商将是与智能体协作、完成认识的能力，而AI时代的智商将是创造和架构智能体的能力，这种全新的核心能力——可以称之为AQ——正变得不可或缺。

AQ是AI时代的智商与情商，它的核心不在于会用哪款AI工具，而是一方面，在理性上能去架构以智能体为中心的下一代系统与组织形态；另一方面在感性上理解如何与AI进行有效共创，判断何时信任AI、何时质疑AI，并在人机协同中保持战略主体性和能动性。

未来人与人的差异，将在很大程度上反映在AQ的两个维度上，从现在开始，就需要培养与AI协作的基本素养，越早越好。