夜雨聆风
如果你管着一个知识密集型团队，2026年的两组AI数据大概会同时冲击你的认知。
一边是： 美国知识工作者调研显示，用AI的人效率提升了3倍——90分钟的任务压缩到30分钟。丹麦全国性调查中，65%的市场人员、64%的记者、30%的律师已经在用AI工作。ChatGPT排到了全球网站访问量第四。
另一边是： 全球企业AI支出今年预计达到6650亿美元，但73%的AI项目没达到预期ROI。79%的企业在落地中挣扎。Deloitte连续追踪数千家企业发现，AI投资一直在涨，但"执行差距"不缩反扩。
个体的火箭已经升空，企业的火箭还在地上。
问题出在哪？
一、个体效率 ≠ 组织效能
答案很直接：个体效率提升不会自动变成组织绩效改善。 不是技术问题，不是培训问题，是组织设计问题。
Wharton教授Ethan Mollick追踪了数百家企业的AI落地，结论让人不安："企业搞组织创新的肌肉已经萎缩了。"
过去二十年，公司把组织变革外包给了顾问和软件厂商——SAP、Oracle、Salesforce提供标准流程模板，买来适配就行。这个模式让大多数公司失去了自主创新工作流程的能力。
AI带来一个前所未有的局面：没有人掌握关于"怎么在你公司最好地使用AI"的特权信息。
AI公司自己发布模型时，也不完全知道这些模型该怎么被最优利用。每个企业都得自己重新发明轮子。Mollick说的"组织创新肌肉萎缩"，这才是要害。
更有穿透力的判断来自Expedia集团产品高级副总裁Ritcha Ranjan。她在Wharton的访谈里说了一句话，值得每个管理者停下来细想：
"AI移除了执行约束，判断力成了新的瓶颈。"
这句话点出了一个根本变化。过去，企业流程围绕"执行速度是瓶颈"来设计。AI大幅降低了执行成本后，瓶颈就从"做出来"转成了"决定做什么"。
问题是，企业的管理系统——考核、激励、审批、培养——还在围着"更快地执行"转。结果就是错配：AI让执行变快了，决定"什么值得执行"的能力没跟上。
二、"判断力"为什么成了新瓶颈？
要理解"判断力瓶颈"有多严重，需要放大到三个层面来看。
2.1 决策层面：产出暴涨，判断能力没涨
2026年，管理者的典型困境是这样的：
过去，团队一周能出3份高质量的市场分析。现在，有了AI，同样的团队一周能出30份。但你没时间去判断哪几份扎实、哪几份是幻觉、哪几份对决策真有价值。
这不只是"信息过载"的旧问题——过去筛选的代价是搜索成本；现在筛选的代价是把AI产出的东西和自己的判断做交叉验证的认知成本。
RAND最新的研究提出了更深层的担忧：AI会系统性地侵蚀人的"主体性"——你越来越难分清，哪个决定是自己独立判断的，哪个是被AI的输出方向一步步引导的。每周处理30份AI辅助的报告，你还能保持独立判断力吗？
2.2 组织层面：激励系统没有重置
Wharton的AWARE框架揭示了一个被严重低估的事：31%的美国知识工作者在主动抵制公司的AI计划。Gen Z里，比例冲到41%。
不是因为这些人"抗拒变化"，而是公司忽略了一个关键问题：员工用AI效率上去了之后，公司怎么对他们？
如果效率提升被解读成"可以裁员了"或"可以加更多活了"，员工就没有理由公开分享用法。Mollick的调研显示，公司官方AI聊天机器人的使用率只有20%，但私下用的员工超过40%。这些"秘密赛博格"在偷偷用AI提效，公司层面却看不到回报。
激励怎么设计，比工具怎么采购，重要得多。
2.3 心理层面：AI触发了员工的"心理契约"断裂
HBR的《AI采纳的心理成本》指出，AI对员工的影响不止技能层面，更是心理层面——威胁到三个核心需求：
• 胜任感：怕自己多余了
• 自主权：工作节奏和方法的掌控感在丢失
• 归属感：AI挤掉了同事间的交流，团队关系在弱化
员工的感觉是"威胁"不是"赋能"时，工具再好也没用。
Wharton的AI Agent采纳蓝图说得更具体：对控制权的担忧（怕没法审计Agent的决策过程）在采纳决策中占了26%的权重。 每四个AI工具采纳决策里，就有一个取决于用户能不能保持对结果的把控。
三、赢家已经在做的事：重建判断系统
好消息是，有少数企业已经走在前头。数据证明，做法确实有效。
Writer和Deloitte的联合调研发现：围绕AI重新设计工作流程的企业，效果是做纯工具采购的3倍。 这是一个数量级的差距。
这些赢家在做什么？三个方向同时推进。
3.1 从"效率指标"转向"判断质量指标"
传统KPI看产出数量——完成了多少任务、处理了多少工单、写了多少代码。AI能10倍速干这些事时，这些指标基本没用区分度。
赢家在建立新的标准："这个决定做得好不好"替代"这件事做得快不快"。
Expedia的做法：为每套AI系统建立反馈回路。Ranjan说，"怀疑不是Bug，是特性"——团队持续验证AI是不是在做好工作，有没有让人的参与形成机制。这不是不信任AI，是重视判断力。
3.2 从"个人优秀"转向"判断力网络"
HBR一篇讲"别复制明星员工"的文章提出了一个反常识的判断：在AI加持的组织里，复制单个明星的生产力是走错了方向。AI已经让"基础执行能力"民主化，真正的差别在于组织内部能不能形成"判断力网络"——多个节点之间的判断传递、验证和校准。
MIT Sloan的研究印证了这一点：AI能加速某些创新流程，但复制不了人类的直觉、跨领域综合判断和组织学习能力。AI时代，这些"难规模化"的能力，才是竞争优势的来源。
3.3 从"培训工具使用"转向"培训何时不使用"
Wharton的AI Agent蓝图指出，用户搞不清AI的能力边界，才是信任建立不了的关键。 有效的培训不应该只教员工怎么prompt AI，更要教他们识别什么时候AI不可靠、什么时候该人介入、什么时候不该用AI。
Mollick在一个实验里说，让他印象最深的是，Agent自动生成45页商业分析报告后，他发现自己在追问："AI在哪些地方是推测的？"这种"批判性判断力"，将是未来最稀缺的管理能力。
四、边界：这个判断在哪些情况下不成立
"判断力是新的瓶颈"这个判断，必须放在正确的场景下理解。
这个判断成立的条件：
• 你的企业以知识工作为主——产品开发、策略规划、市场分析、内容创作、专业服务
• AI已经能够产生足够数量的输出，超出了团队"认真评估"的能力
• 团队成员的激励结构和AI工具的使用没有对齐
这个判断不成立或重要性较低的场景：
• 高度标准化的操作型工作（简单客服、基础数据录入），在这些场景里，执行速度仍然是最优变量
• AI系统未被实质性采用的企业——你的瓶颈可能还是"AI不工作"，而不是"用了AI但没用好"
• 完全自动化的流程——如果人类判断已经被刻意排除在流程外
最容易出现的误读是： "所以我们应该限制AI的使用，让人来做更多判断。"
正确的表述应该是： "所以我们应该把判断能力系统化，让它跟上AI执行能力的速度。不是少做，而是更好地决定做什么。"
五、对管理者的实际含义
如果你正在推AI落地，这篇文章不是说别买工具。说的是：如果只买工具不重构判断系统，投的钱很难变成真竞争优势。
具体来说，你需要在三个层面采取行动：
第一，诊断你的瓶颈。 问自己一个问题：你的团队现在的问题，是"AI产出不够多"还是"AI产出的东西用不好"？如果是后者，说明判断力已经是你的瓶颈。
第二，重新设计激励机制。 如果你希望员工公开分享他们的AI使用经验，你需要在组织层面明确承诺：效率提升不会导致裁员。Mollick说，"公司要给员工一个安全的理由去试。奖励发现转型机会的人，别惩罚用AI的人。"
第三，投资判断能力，而不仅是技术。 RAND的模型警告：AI对决策者"主体性"的侵蚀是渐进的——今天你相信AI的一个建议，三个月后你可能就不再质疑它的输出了。保持独立的判断力，需要组织设计专门的"质疑机制"（red team、定期审计、人为干预点）。
McKinsey分析AI的"生产率悖论"时说了一个道理：当所有企业都能用AI提高执行效率时，效率本身就构不成竞争优势。 利润池不会因为效率提高而扩大，竞争会通过价格和成本把效率红利转移给客户，留不到企业手里。
真正的优势不来自AI的效率，来自只有你的组织能做出的、不可替代的判断。
这看起来像是给AI时代泼冷水，其实是对管理者最积极的召唤。如果关键变量是工具，决定胜负的是资本和技术；如果关键变量是判断力，决定胜负的是组织设计和人才培养的质量——这两件事，恰是中国企业管理者最擅长也最该认真对待的。
参考来源：
• Ethan Mollick, "Making AI Work: Leadership, Lab, and Crowd," One Useful Thing
• Wharton Knowledge, "Judgment Is the New Bottleneck," Moneyball Podcast
• Wharton Human-AI Research, "Blueprint for AI Agent Adoption"
• Wharton, "AI Adoption Is a Challenge. Here's a Solution" (AWARE Framework)
• HBR, "The Psychological Costs of Adopting AI" (May 2026)
• HBR, "3 Ways AI Can Free Organizations from Legacy Workflows" (May 2026)
• MIT Sloan, "The Innovation Advantage GenAI Can't Give You" (May 2026)
• MIT Sloan, "Calibrate AI Use to the Decision at Hand" (May 2026)
• Writer/Deloitte, "Enterprise AI Adoption 2026"
• Deloitte, "State of AI in the Enterprise" (8th Annual)
• RAND, "A Formal Model of How AI Erodes Human Agency" (May 2026)
• Forbes, "AI Infrastructure Is Scaling Fast. Decision-Making Isn't" (May 2026)
• AI Governance Today, "The $665 Billion AI Spending Crisis"
• McKinsey, "Where AI Will Create Value and Where It Won't"
