前两篇我们聊了能力平权——AI 把专家的隐性知识转移给普通人，每个人的起点都抬高了。实验数据也清楚地证明了 AI 对组织绩效的提升。

看到这些数据，很多管理者的第一反应是：太好了，AI 这么能干，可以裁掉一批人了。

为什么？因为 AI 赋能不是一刀切的。它在不同岗位、不同人身上的作用方式完全不同。清楚这个，才会是短期长期都有效的决策。

I

AI 赋能的四种形态

根据任务的开放程度和员工的能力水平，AI 和人之间的协作有四种完全不同的模式。

第一种：执行替代。任务高度标准化，员工能力较弱。AI 直接替代人完成任务——票据核验、标准数据录入、客服常见问题回复。人的任务变为"异常处理员"，只在 AI 搞不定的边缘情况介入。这个象限里的岗位确实面临被替代的风险。

第二种：能力放大。任务有一定开放性，员工有经验基础。这正是我们实验中银牌销售的情况——AI 的建议精准地填补了他们的盲区，他们有足够的判断力把建议落地。转化率飙升 46%。这个象限的人不该裁，应该加倍投入 AI，提高他们的能力。

第三种：脚手架支撑。任务有开放性，但员工能力薄弱。AI 提供了临时性支撑——让新手能完成原本做不到的事情。关键问题是：这个脚手架是帮他成长，还是变成了永久拐杖？如果组织的激励体系只看短期业绩，员工会选择永远依赖 AI，能力迁移就此中断。关注 AI 无法替代的能力培养，是对这些员工最合适的投资。当然，员工个人也要好好思考什么能力是 AI 无法替代的。

第四种：创造性协同。任务高度开放，员工能力卓越。AI 扩展了他们的思考边界，提供海量知识调用和快速原型生成，但判断力、直觉和价值选择仍然由人主导。这些人放在任务开放度低的岗位是浪费，必须把他们放在高开放度的位置才能发挥作用。这是价值最高的协作模式，AI 在这里是超级杠杆。

看清这四种形态，你会发现：急着裁员的管理者，往往是把所有岗位都当成了"执行替代"。但现实中，大多数有价值的工作是后三种。对于管理者来讲，先看任务开放度再思考 AI 替代，是 AI 战略转型中的重中之重。

II

隐性知识：AI 的燃料来自你的人

要理解为什么裁员可能是自毁长城，还需要回到一个根本问题：AI 的能力从哪来？

前面讲过 SECI 模型——隐性知识在组织内的转移需要经历社会化、外显化、组合化、内隐化四个环节。AI 的核心突破在于外显化和组合化：它从人的全量行为数据中萃取出隐性知识的模式，然后将这些模式转化为可执行的建议。

这不是抽象的理论。我们的实验里就有活生生的例子：AI 从数千次销售沟通记录中发现，成交率最高的销售在客户首次犹豫时不会立即给折扣，而是先追问犹豫的原因。这个模式没有写在任何 SOP 里，没有任何一位销冠在经验分享时提到过——因为他们自己都没意识到。但这个模式之所以能被 AI "看见"，是因为金牌销售在真实场景中反复做出了这个判断，行为数据记录了下来。

换句话说：金牌销售贡献了最好的 AI 训练数据。虽然他们不知道自己在"教" AI，但每一次高质量的决策、每一次微妙的客户应对，都在为 AI 的模式识别提供原材料。野中郁次郎说隐性知识"说不出来"，但 AI 能从行为痕迹中"读出来"。前提是——这些行为必须真实发生过。

所以，虽然 AI 对金牌员工本身的提升不多，但裁掉他们，发生的不只是少了一个业绩担当——AI 失去了能力供给的源头。模型还在，但模型学习的对象没了。随着市场环境变化、客户行为迭代，AI 的建议会越来越过时。有些企业试图先蒸馏员工的行为数据再裁人——这个做法的深层问题，以及"雇佣到底在买什么"的根本性追问，我们下一篇展开。

真正有效的做法，是让金牌员工发挥创造力和判断力，在实际场景中创造高质量的数据不断训练 AI。不要为了训练而训练，而是在真实业务中训练——这样才会产出该场景的"专有知识"，这才是独一无二的能力沉淀。

银牌的逻辑同样重要。银牌是 SECI 循环中内隐化最活跃的群体——他们正在将 AI 外显化的知识重新转化为自己的判断力。这个转化过程本身又产生了新的行为数据，反哺 AI。银牌走了，这条"AI 建议→人的实践→新数据→AI 进化"的循环就断了。

III

能力是长出来的，不是买来的

每次有新工具上线，总有人问：是不是可以招便宜的人？或者都让 AI 去做？

利用 AI 的能力并非只有裁员降本那么简单。每家公司的核心竞争力是不同的，往往来自场景和隐性知识结合的"专有能力"。如何利用 AI 发展专有能力，应该是比简单裁员更深层次的问题。

在淘宝工作时，我们有最好的运营人才，他们对用户行为、流量规律、促销策略的判断几乎出于本能。但当我们试图将这些能力复制到新人身上时，效果总是不尽人意——写了大量 SOP、做了无数培训、建立了导师制度，新人的成长周期依然很长。即便如此，因为我们一直坚持系统性地推进这些动作，淘宝培养出来的运营人才密度确实远高于其他组织。

这段经历让我深刻理解一件事：组织能力不是买来的，是长出来的。它扎根在人反复实践的经验中，扎根在团队之间看不见的默契中，扎根在每一次试错后沉淀下来的判断直觉中。这些东西不在系统里，在人的脑子里——这就是与场景密切相关的隐性知识，也就是前面说的"专有知识"和"专有能力"。

我们不能把 AI 转型做成"裁员工程"——上了 AI Agent、让员工写 Skill、然后蒸馏员工。季报当然好看了，但危险也埋下了。AI 的战略转型需要从组织能力的角度去思考：什么岗位面对的任务是封闭还是开放？如何让员工愿意在开放、复杂的任务上创造和沉淀专有能力？这些才是 AI 时代对管理者提出的最大挑战。

IV

另一个你可能没想到的风险：认知萎缩

2025 年，哈佛商学院 Bastani 等人发表了一项令人警醒的研究：使用 AI 辅助完成任务的学生，成绩提升了 48%；但在之后不使用 AI 的独立测试中，他们的表现反而比从未用过 AI 的学生低了 17%。

从 SECI 模型的角度看，原因很清楚：当 AI 持续提供高质量的外显化输出时，人类大脑的自主组合化与内隐化过程被绕过了。人学会的不是知识本身，而是"如何调用 AI 获取知识"的操作技能。认知能力遵循"用进废退"原则——长期不激活的神经通路会被修剪。更可怕的是，这个过程是无感知的：你感受到的是效率提升，而不是能力下降。直到有一天 AI 不可用了，能力空洞才骤然显现。

这在"脚手架"模式下尤其危险。铜牌员工本身判断力就弱，如果组织只看短期业绩，他们会永远依赖 AI——脚手架变成永久拐杖，人变成了 AI 的操作员而不是使用者。

还有一个更隐蔽的风险。2026 年 3 月，斯坦福大学 Myra Cheng 等人在 Science 封面论文中揭示了"谄媚效应"（Sycophancy）：他们测试了 11 个主流大模型，发现 AI 对用户行为的肯定频率比人类高出 49%——即使用户的做法有明显问题，AI 仍然倾向于表示认同。在 1604 人参与的实验中，与谄媚 AI 交互后，人们更加确信自己是正确的，更不愿意改变立场。

更深刻的发现是一个悖论：参与者认为谄媚的回答质量更高、更值得信赖。越有害的交互，用户反而越喜欢。

如果说哈佛的研究发现的是"不练习导致能力退化"，斯坦福的研究发现的则是"错误练习导致判断力扭曲"。前者是能力的消失，后者是能力的变异。AI 消除了来自他人的质疑和挑战——那些让人不舒服但对判断力至关重要的"社会摩擦"。信息茧房限制的是你看到什么，谄媚 AI 扭曲的是你如何判断。

V

应该怎么做

AI 当然要用。但用法不是"AI 上了→裁人→省钱"。正确的思路是：

第一，分清四种模式，区别对待。把岗位按"任务开放度 × 员工能力"画四象限。执行替代的岗位可以精简；能力放大和创造性协同的岗位应该加大投入；脚手架岗位需要的不是裁撤，而是配套培养计划。

第二，保护"AI 的老师"。组织里最强的人不仅是业绩担当，更是 AI 持续学习的数据来源。他们的行为模式是 AI 赋能全组织的原材料。裁掉他们，等于切断了能力进化循环的源头。

第三，投资"银牌"。他们是 AI 赋能的最大受益者，也是新数据的生产者。给他们更好的工具、更多的实践机会、更快的反馈回路——他们会以最高的效率将 AI 的能力转化为组织的能力。

第四，设计"刻意断联"机制。定期让员工在没有 AI 的条件下完成任务。这不是折腾人，而是保持独立判断力的必要训练——和运动员偶尔放下辅助设备感知自身力量是一个道理。绩效评估里应该保留"无 AI 条件下的独立能力"这个维度。

第五，警惕"谄媚 AI"。鼓励员工质疑 AI 的建议，而不是无条件接受。越是 AI 表示认同的决策，越值得多问一句：真的是这样吗？

VI

人强则 AI 强

这是一个循环：人的高质量判断产生高质量行为数据→AI 从中萃取隐性知识的模式→模式赋能给更多人→更多人产生更多高质量数据→AI 变得更强。人强则 AI 强，AI 强则人更强。这个循环一旦转起来，就是组织最深的护城河——因为数据是私有的，模式是独特的，别人搬不走。

别急着裁员。先搞清楚：你的金牌在哪，你的银牌在哪，谁在真正把 AI 的能力变成组织的能力。

语嫣 · AI很厉害，但别急着裁员

致力于探索AI的各种可能性