夜雨聆风作者提示：个人观点，仅供参考
一个也许有点奇怪的说法
前两篇里，我说了两个理由：AI 动了流程与组织赖以设计的地基；以及，人的职责变了。这一篇是第三个理由——如果不改，组织本身会生病。
先抛一个也许有点奇怪的说法：组织，其实很像一个「学习系统」。它像人一样会学习，但也像一个模型一样——会生病。
组织是怎么「学习」的
1991年，管理学者James March 写过一篇很经典的论文。他把组织想象成一个双向学习的系统：组织有一套「共识」（也就是这家公司沉淀下来的共有做法与判断），一方面，新人在向这套共识学习；另一方面，这套共识也在向那些做得更好的人学习。
这听起来抽象，其实就是每家公司每天都在发生的事：新人在学「我们这儿是怎么做事的」，而少数人的好想法，会慢慢改变「我们这儿是怎么做事的」。
一对永恒的矛盾：探索与利用
在讲组织会生什么病之前，得先说清March 那篇论文真正的主题。它讲的其实是一对永恒的矛盾。
一边叫「利用」（exploitation）：把已经知道怎么做的事，做得更好、更快、更省。它的回报是确定的、就近的，通常为正。
另一边叫「探索」（exploration）：去试那些还不知道行不行的事。它的回报是不确定的、遥远的，而且常常是负的。
两者争夺的是同一批资源——同样的时间、预算和注意力。所以它们之间，必须做取舍。
March的警告是：一个只做利用、不做探索的组织，会掉进他所说的「能力陷阱」——把一个正在死去的模式，优化到极致。
那么AI 在这对矛盾里，起到了什么作用？
它让「利用」变得极其便宜。已经知道怎么做的事，交给AI，又快又稳。于是资源会自然地流向利用那一侧。这听起来当然是好事——但如果March 是对的，那么「利用变便宜」本身，就在悄悄把天平往陷阱那一边推。
它会引发的第一种病：想得太整齐划一，就僵住了
March用模型推出了一个让我印象很深的结论。如果所有人都学得又快又整齐，组织会很快收敛到一套「稳定、但未必正确」的共识，然后——停止进步。因为改进只能来自「和共识不一样的人」，而大家都一样了之后，就没有人能再拉动它了。
更糟的是，世界还在变，它的信念却停滞了。March 的原话是：
“the accuracy of belief reaches chance ... The process becomes a random walk.”信念的准确度最终跌到随机水平……整个过程变成一场随机游走。
— James G. March, Exploration and Exploitation in Organizational Learning (1991)
翻译成大白话：
万众一心地自信，却完全（近乎）错误。
而AI，可能会让这个病来得更快、更彻底。当一家公司里所有人都对齐到同一个AI 大脑，那种「想得太整齐划一」的收敛，几乎是一瞬间完成的。
这张图是March 当年跑出来的：横轴是个体向共识趋同的速度，纵轴是组织最终达到的知识水平。两条曲线都在下滑——趋同越快，知识越低；而「异质」那条（有人快、有人慢）始终高于「同质」那条。
March的模拟结果，加上我标注的AI 位置
我把AI 的默认部署标在了图上：人人对齐同一个大脑，既「同质」又「趋同极快」——恰好落在整张图最差的那个角。而它的对角线另一端，才是最优。
有意思的是，微软2026 年那份《工作趋势指数》的前言里，也提醒了同一个风险：
“AI can extend capability, but it can also create overconfidence.”
AI能扩展能力，但它也可能制造过度自信。
— Microsoft, 2026 Work Trend Index Annual Report
学过机器学习的人，也许会觉得眼熟
这个病，如果你接触过机器学习，可能会觉得似曾相识——它很像「过拟合」：一个模型把过去的数据背得太死，一遇到新情况就失灵。
我越来越觉得，这不只是个比喻。组织本身就是一个学习系统，所以它会得学习系统的病；反过来，机器学习里防这些病的办法，也许可以借来当组织设计的思路——留一点「不被同化」的空间、拿真实结果不断检验、持续用新数据更新、刻意保持多样性。这些后面几篇会慢慢展开。
「学得最快的组织会赢」？我有点不同意
同一篇前言里，还有一句话我读了两遍：
“the organizations that learn fastest—not just those that deploy fastest—will be best positioned to lead.”
学得最快的组织——而不只是部署得最快的——将最有机会领先。
— Microsoft, 2026 Work Trend Index Annual Report
前半句我很同意：部署得快，不等于赢。但「学得最快」这个说法，我觉得可能还差一层。
因为按March 的模型，学得快恰恰是有风险的：个体学得越快、越整齐，组织收敛得越早，可改进的空间反而越小。学得快，有时候只是让你更快地停滞在一个「稳定但未必正确」的答案上。
所以我想把它拆成两件事：
学习，是收敛到一个答案；适应，是持续跟着一个会动的靶子。
学得快，并不保证适应得快，甚至可能相反——学得越快越整齐，越难掉头。真正领先的，也许不是「一次学得快」，而是「能不断重新校准」。
而且适应比学习还多一件事：把已经不成立的旧答案主动放下。这件事很少有人谈，但它可能才是「适应」和「学习」真正的分界线。
一个更深的转变：过去自动发生，现在要靠主动「建设」
这里有一个我认为很关键的转变。
过去，组织靠什么避免僵化？其实很大程度上是「自动」发生的：靠人来人往，靠新人带来的不同视角，靠内部的争论和不同意见。这些多样性，是组织这台机器运转时自然掉出来的副产品。
但AI 似乎正在把这些「摩擦」抹平——并不一定是新人少了，而是新的声音更难冒出来：大家都听同一个AI，不同意见也更容易被同化掉。于是那些过去自动涌现的「健康机制」，现在可能得靠人刻意去「工程化」地重建。
管理的核心，也许正在从「运行组织」，变成「重建那些不再自动发生的反馈回路」。
微软那篇前言的最后一句，我觉得也指向了同一件事：
“If earlier eras of management were defined by the design of scale, this one will be defined by the design of judgment, learning, and coordinated action.”
如果说过去的管理时代是由「规模的设计」定义的，那么这个时代，将由「判断、学习与协同行动的设计」来定义。
— Microsoft, 2026 Work Trend Index Annual Report
注意它用的词是「设计」——学习，也是要被设计出来的。
换个角度：为什么「用AI 不会让你输，也不会让你赢」
March还有一个竞争视角的观察，我觉得特别值得放在这里。他甚至在1991年就直接谈到了「基于计算机的信息技术」：
“the main effect of information technology is to make outcomes more reliable ... the effect on the chance of finishing at the head of the pack may well be negative.”
信息技术的主要作用，是让结果更可靠……但它对「冲到最前面」的机会，影响很可能是负的。
— James G. March, Exploration and Exploitation in Organizational Learning (1991)
把「信息技术」换成今天的AI，这句话几乎不用改。AI 让决策更可靠、更标准、更少犯错——这帮你避免垫底，却也可能悄悄削平了你「偶尔冒尖」的那一端。我把它想成一句话：
用AI，也许不会让你输，但也不太会让你赢。
如果所有对手都用同样的AI、都变得同样可靠，那大家就一起挤进了「可靠的中间」——而中间，往往没有人夺冠。这时候，真正的竞争优势，反而可能来自你和公共AI「不一样」的那些地方。
但「不一样」这三个字，还得再补充说明。
微软那份报告里，把这种独有的组织know-how 叫做「Owned Intelligence」——会随时间复利、为你独有、别人难以复制。听起来全是好处。可如果把它放回March 的模型里看，会发现一个问题：
一套知识完全可以是独特的、不断复利的、别人抄不走的——而且是错的。
而且「别人难以复制」是把双刃剑：别人难以复制，你自己也难以改变。护城河和路径依赖，其实是同一枚硬币的两面。积累得越深、越独特，掉头的成本就越高。
所以：专有的智慧要真的成为优势，得同时满足两条——独特（别人抄不走），以及接地（它还对）。只满足第一条的，可能是：
一条护城河，围着一座空城。
当然，这有个前提：这套逻辑主要在你想「争第一」时成立。如果你的目标只是「别掉队、活下去」，那么AI 的可靠化，恰恰是对的。这个取舍，值得每家企业自己想清楚。
还有一种情况也得说清楚：如果我们的企业现在还在平均线以下——组织的共识本身还很混乱、无序——那么用AI 快速把自己拉到「不会输」的水平，确实是一个有意义有价值的第一步。我只是想提醒：别把「不会输」，当成终点。
所以，这对组织意味着什么
如果组织真的会生这些病，那么我们熟悉的那些词——组织能力、组织设计、数字化中心、管理体系——可能都要重新定义一遍。
这也正是这段旅程后面要一个一个去回答的问题。这一篇，我只想先把「组织会生病」的说法提出来。
有一个判断我越来越倾向于相信：AI 不会自动让一个组织变强；它甚至可能让组织在不知不觉中变得更「整齐」、更僵，而这并不是好事——除非我们刻意去防。怎么防，是后面几篇的事。
参考资料
1. James G. March · Exploration and Exploitation in Organizational Learning (Organization Science, 1991)
2. Microsoft · 2026 Work Trend Index Annual Report（Agents, human agency, and the opportunity for every organization）
3. McKinsey · The State of Organizations 2026
菲利科斯（Felix Wen）
2026年7月