一个人用AI很成功，为什么组织仍然可能无法复制？

Geoffrey Chen

《AI进入工作之后》· 第二季“从个人工具到组织能力”· 第一篇

一名资深分析师开始用AI准备每周报告。他知道数据藏在哪些文件里，也知道哪些数字只是暂估、哪些结论不能公开。AI帮他整理表格、比较变化、写出初稿，他再凭经验删掉不可靠的段落。过去需要一天的工作，现在半天可以完成。

管理层看见成果，决定把同样工具推广给整个部门。几周后，结果却并不一致：有人把旧文件当作现行资料，有人不知道怎样发现缺失数据，有人直接采用AI写出的因果解释。报告数量增加了，复核时间也增加了。原先的成功没有被复制，只是把一个人的熟练实践变成了许多人的不稳定尝试。

这不是员工“不够会写提示词”。最初的成功包含大量没有写下来的条件：分析师的业务知识、文件路径、判断习惯、错误警觉和非正式补救办法。组织复制了工具，却没有复制这套工作结构。

个人成功往往依赖隐性条件

一个人使用AI取得好结果，至少可能依赖五类隐性资源。

第一是任务知识。他知道报告真正用于什么决定，而不只知道表面要求。

第二是组织知识。他知道哪个系统是权威来源、哪个表格经常迟到、谁能确认例外。

第三是质量判断。他能从一句看似正常的话里发现口径、日期或因果问题。

第四是关系网络。资料不完整时，他知道向谁询问，也有权要求修正。

第五是个人承担。他愿意在采用前逐项检查，因为最后署名和解释责任落在他身上。

这些条件不在模型里，也不一定写在提示词中。它们分散在经验、制度、关系和工作记忆里。把一个提示模板发给全体员工，并不能把这些条件一并传递。

试用证明“可能有用”，没有证明“可以稳定运行”

个人试用最适合发现机会：某个步骤能否加快，某种材料能否被整理，某类重复劳动是否可以减少。但它通常无法回答组织采用所需要的问题。

不同员工、不同数据和高峰期是否仍然有效？新人能否发现错误？敏感资料怎样控制？工具版本变化后结果是否一致？原使用者离职以后谁能继续？发生投诉时能否重建当时的输入和批准？

这些问题要求从演示转向运行。NIST的AI风险管理框架把治理、情境映射、测量和管理贯穿AI系统生命周期，正是因为一次成功输出不能代表持续能力。NIST AI RMF Core

ISO/IEC 42001也把AI作为管理系统问题处理，要求组织建立、实施、维护并持续改进相关政策和过程，而不是只选择一个技术产品。ISO：AI management systems

研究中的个体收益为何没有自动变成组织变化

一项覆盖66家企业、7,137名知识工作者的随机现场实验，向部分员工提供嵌入日常办公应用的生成式AI工具。使用工具的参与者后来每周少花约两小时处理电子邮件，也减少了非正常工作时间。但研究没有发现仅靠向个人提供AI，就明显改变了任务数量或构成。NBER：《Shifting Work Patterns with Generative AI》

这项研究不能概括所有AI采用，却说明一个重要差别：个人节省时间，与组织重新配置工作不是同一件事。省下的两小时可能变成更从容的工作，也可能被新的会议、邮件和产量要求吸收。如果上下游流程、批准规则和衡量方式不变，局部速度不会自动改变整体结构。

OECD对企业AI采用的研究同样把技能、数据、组织能力和治理视为影响采用的条件，而不是把模型可得性视为唯一变量。OECD：《The Adoption of Artificial Intelligence in Firms》

从“复制用法”转向“提取工作结构”

组织不应先问：“怎样让每个人照着这名员工做？”更有用的问题是：“这次成功依赖了哪些可以显性化的条件？”

可以把个人实践拆成一份用例说明：任务目的是什么；输入来自哪里；哪些资料具有权威；哪些步骤由AI完成；使用者在哪些位置作出判断；常见失败是什么；什么证据证明完成；哪些结果需要批准；错误怎样撤回。

其中一些条件可以写入系统：自动读取正确版本，限制敏感数据，要求重要主张附来源，保存操作记录。另一些条件必须通过角色和培训保留：识别异常、处理例外、与受影响的人沟通、承担最终决定。

复制的对象因此不是“某人的提示词”，而是一条经过解释的工作链。

先建立可重复的最小单元

组织化不等于立即全面推广。更稳妥的单位是一个边界清楚的用例，而不是一个全能AI入口。

这个最小单元至少包括：一种具体任务、一组允许的数据来源、一个输出标准、一套测试样本、一名业务负责人、一条技术支持路径和一个停止条件。先让不同能力的使用者在真实但受控的范围内运行，再比较质量、时间、复核负担和异常。

如果只有原来的专家能够获得好结果，组织得到的结论不是“培训大家成为专家”，而是系统仍然依赖尚未编码的专业知识。此时可以缩小任务、增加结构化资料、改善界面，或者明确保留专家复核。

可重复性不是要求所有人产生完全相同的文字。它要求关键事实、规则和决定不因使用者不同而失去稳定性。

推广还需要决定收益归谁

个人采用常由好奇心和自我减负推动。组织推广却会改变绩效目标、岗位边界和监督方式。如果员工发现节省的时间只会换来更多产量，或者他们提供的好方法被抽取后用来削弱岗位，就可能隐瞒真实用法或拒绝共享经验。

因此，组织需要说明AI收益怎样使用：减少加班、改善质量、承担过去无法完成的工作，还是提高产量。员工也应参与用例设计，指出正式流程没有记录的例外和风险。

AI能力的扩散不仅是技术转移，也是工作关系的重新协商。

结论：组织要复制的不是个人速度，而是可说明的能力

个人成功值得重视，因为它让组织看见新的可能。但它只能作为发现阶段的证据。

真正的组织能力必须在原使用者不在场时仍能运行；换一批资料和使用者以后，结果仍能达到明确标准；出现错误时，可以找到记录、负责人和补救办法。

所以判断是：

组织不能通过分发同一个AI工具来复制个人成功。它必须把成功背后的任务知识、权威资料、判断位置、验证方法和责任关系转化为可重复的工作结构。

当这套结构建立以后，AI才从个人技巧变成组织能力。在此之前，推广得越快，复制的可能不是成功，而是个人试用中尚未暴露的偶然性。

主要资料

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。