《AI进入工作之后》· 第二季“从个人工具到组织能力”· 第八篇
一名新员工过去需要几个月学习怎样回复复杂客户问题。现在，AI根据历史对话给出建议，新人第一周就能写出接近资深同事的回复。部门生产率提高，培训时间下降。
一年后，管理者却发现另一个问题：当AI无法回答、资料相互冲突或客户处于例外情况时，部分员工不知道怎样独立分析。他们学会了选择和修改建议，却没有经历过形成这些建议所依赖的基础工作。
AI可能缩短经验曲线，也可能移除经验曲线中的学习环节。组织必须区分“更早产出合格结果”与“更早形成可独立判断的能力”。
现有研究确实显示新人可能获得更大收益
对5,179名客户支持人员的研究发现，生成式AI助手使每小时解决问题数量平均提高14%，对新手和技能较低人员的提升达到34%，而对高经验、高技能人员影响较小。研究者认为，系统可能把优秀员工的做法传播给新人，并提供了可能促进学习的证据。NBER：《Generative AI at Work》
这是AI作为知识扩散工具的重要价值。它能在工作发生时提供示例和建议，减少新人必须等待专家帮助的时间。
但这项研究处于具体客服环境，不能证明所有职业都会产生长期学习。建议使员工当下表现更好，不必然说明员工在没有建议时也获得同等能力。
专业知识不仅是“知道答案”
专家能够完成标准任务，但更重要的是识别标准何时不适用。他知道哪些事实缺失、哪个规则彼此冲突、什么时候应停止，以及错误将影响谁。
这些能力常在处理低层工作时形成。初级律师阅读大量文件，程序员调试自己写错的代码，分析师核对原始数据。重复任务有时低效，却也让人接触事实形成过程、常见错误和系统边界。
如果AI直接提供成品，组织可能保留结果而移除诊断过程。新人学会“看起来对不对”，却没有形成从原始材料重建答案的能力。
不是所有基础工作都有教育价值
保留学习路径不等于浪漫化机械劳动。复制格式、手工搬运数据和重复搜索未必培养判断，反而消耗本可用于学习的时间。
关键是识别哪些步骤形成能力。可以问：这一步是否让员工接触重要证据？是否训练发现异常？是否帮助理解因果和规则？是否提供及时反馈？如果答案是否定，自动化可能同时提高效率和学习质量。
如果答案肯定，组织不能只删除步骤，而应设计替代学习：让新人解释AI建议、比较不同方案、处理刻意保留的例外，并在低风险环境中独立完成部分任务。
过度依赖会改变专家供给
一个部门今天可以让少数资深人员监督大量AI辅助新人。但如果新人很少独立判断，几年后谁来成为下一批监督者？
这是组织能力的时间问题。短期看，专家审核集中化提高吞吐；长期看，组织可能形成“细腰结构”：顶部少数专家，底部大量依赖系统的操作人员，中间缺少逐步成长的岗位。
OECD《AI and skills》指出，AI采用受到技能不足限制，同时提高了对高层技能、数字能力、数据解释、管理与问题解决的需求，并强调工作场景化培训和终身学习。OECD：AI and skills
OECD Skills Outlook 2025也指出，AI既可能补充新人能力，也可能减少某些入门任务和机会；培训、员工协商与技能发展会影响结果。OECD Skills Outlook 2025
把AI设计成教练，而不只是答案供应器
如果目标包括能力形成，系统应改变交互方式。
在低风险任务中，可以先让员工提出自己的判断，再显示AI建议；要求标记双方差异和依据。对于关键建议，AI应链接原始资料，让新人能够看到答案怎样形成。系统也可以生成反例和追问，但最终由导师确认反馈。
定期安排“无AI复核”不是为了禁止工具，而是测量员工是否能在系统故障、罕见例外和高风险情境中独立工作。考核应包括问题定义、证据核查和升级判断，而不仅是产量。
资深人员的隐性知识也要被保存为案例、失败模式和评测标准。否则，AI只能模仿历史输出，组织仍然不知道专家为何作出那些选择。
重新设计初级岗位，而不是简单减少
当AI承担部分例行工作，初级岗位可以减少纯执行，增加监督下的分析：检查AI引用、调查异常、维护测试集、比较客户结果、记录新例外。这些工作既对系统有价值，也训练未来需要的判断。
OECD关于AI就绪公共部门人才的研究强调，培训应与工作情境结合，并通过实践、引导和学习环境支持长期效果。OECD：Building an AI-ready public workforce
如果组织只提供一次通用AI课程，却把日常学习机会全部自动化，培训证书无法替代经验形成。
学习成本不能全部推给员工
当组织要求员工提高AI产量，却让他们在私人时间学习新工具、核查错误和保持专业能力，所谓效率收益部分来自转移成本。员工需要获得正式训练时间、导师支持和可安全试错的环境。
管理者还应记录不同群体能否平等获得这些机会。资深员工可能有权选择复杂任务，新人却被固定在审核AI草稿的狭窄岗位；合同工和兼职人员可能只能接触工具，却不能进入形成判断的会议。如果成长路径分配不均，AI会扩大组织内部的能力差距。
培训指标也应从“完成课程”转向能力证据：能否解释一次建议、发现一项错误、独立处理例外并正确升级。学习是AI运行成本的一部分，不是员工为保住工作自行承担的附加义务。
这要求组织把学习能力当作需要衡量的产出。除了速度和错误率，还应观察新人能否解释结论、发现故意植入的异常、在没有AI时完成关键步骤，并随时间承担更复杂判断。如果即时产量上升而这些能力持续下降，组织是在消费过去积累的专家知识，却没有补充它。短期效率不能成为削弱未来复核能力的理由。
结论：AI应缩短无价值劳动，不应切断判断形成
AI帮助新人更快达到当前质量标准，是一项真实收益。问题不在于新人是否亲手完成每一步，而在于组织是否仍能培养发现新问题、处理例外和承担监督的人。
因此：
自动化可以移除不产生学习的重复劳动，但凡某一步承担了形成专业判断的功能，组织就必须用案例、解释、独立练习、导师反馈和渐进责任替代它。
衡量成功不能只看新人第一周产出多少，还要看一年后能否在AI不确定或错误时作出独立判断。组织今天节省的训练成本，不应变成明天缺少专家的能力债务。
主要资料
- NBER：Generative AI at Work
- OECD：AI and skills
- OECD Skills Outlook 2025
- OECD：Building an AI-ready public workforce
继续阅读：浏览《AI进入工作之后》系列文章
了解 Geoffrey Chen 的更多信息
订阅后即可通过电子邮件收到最新文章。