# 个人变强不一定能让团队变强

前两篇文章都在拆解同一个幻觉。第一篇讲“产出物幻觉”：AI 让人更容易做出东西，也更容易让人把“东西做出来了”误认为“问题被解决了”。第二篇讲通用 Agent 的大众市场困境：普通人当然需要 AI，但大多数人既没有意愿，也没有必要亲自维护复杂的 Agent 工作流。

到了团队和组织层面，这个幻觉会变得更麻烦。现在很多人接受了这样一个说法：个人 AI 提效很明显，组织 AI 提效却很缓慢。个人开始使用 AI 以后，材料迅速丰富起来，以前做不出的代码和图片也能很快产出。组织看起来仍然迟钝，流程还是那个流程，会议还是那个会议，领导还是那个领导。于是大家很容易得出结论：优秀的个人已经起飞了，陈旧的组织还在被它的官僚和傲慢束缚。

我对这个说法很怀疑，因为“个人提效明显”本身就经常被高估。个人最容易确认的是自己的爽感：我做出了以前做不出的东西，材料也写得更快、更丰满了。组织却无法消费爽感，只能消费被团队吸收之后的结果。个人的 AI 成果如果不能服务团队目标，也没有减少团队的误判，它就只是多了一份材料或链接，再次验证了“产出物幻觉”。

从组织视角看，问题应该换一种问法：个人变强之后，团队到底得到了什么？

## 更多中间产出物可能增加团队成本

AI 对个人最直接的帮助，是把尚未成型的东西扩写成可展示材料。一个粗糙想法很快就能被包装成文档、报告或方案，这至少可以帮助人启动一项工作。但团队面对的是共同目标和实施成本，不是一张自由书写的空白答卷。

第一篇里我讲过，“产物增强”和“能力增长”之间有很长的距离。到了团队里，验收还会更严格。个人成果不再由生产者的成就感确认，而要进入后续的决策和执行。它必须减少不确定性，让团队更容易采取下一步行动。否则，所谓个人提效只是把成本向后转移，把判断负担交给更多人。

产品经理的需求文档就是一个典型例子。过去有人提交一句话需求，大家会批评它太粗糙。这个批评未必成立，有些“一句话需求”其实是高度凝练之后的判断。AI 介入以后，同一个想法很快就能变成一份看起来好得多的“完整需求文档”，背景、用户故事、验收标准和边界条件都很丰富。材料变得完整，也更容易让人产生组织终于规范起来的错觉。

篇幅无法替代密度，结构也无法替代判断。没有经过验证的用户场景，扩写以后只是变得更像确有其事；原本应该在会议里被追问的假设，写进文档以后反而获得了形式上的可信度。问题往往要到实现阶段才接二连三地暴露，阅读和执行材料的人为此付出更多成本。AI 没有消灭成本，只是改变了成本由谁承担。

如果团队没有明确的目标和验收机制，AI 很可能只是让错误以更完整的形式流动起来。

还有一个大家不太愿意提及的现实：很多组织并没有那么执着于效率。有些部门由历史惯性留下，有些流程同时承担权责平衡和风险分摊的作用。它们也会使用效率语言描述自己，但效率未必是决定其行为的变量。AI 无法替一个组织回答自己为什么存在，也无法替某项职能证明它应该被保留。

因此，组织提效不该从“每个人都用 AI”开始。组织需要先回答：我们到底希望更快完成什么？

## 组织提效要从目标倒推流程

组织愿意回答这个问题，AI 才有明确的作用对象。目标需要转化为团队认可的工作流程，个人的产出也要在这套流程中接受评价。到这一步，AI 的价值会变得具体：它不再依赖某个人偶然发现的技巧，而是进入会持续发生的工作。

这里的顺序很重要。组织先确定结果，再研究决定结果的核心流程，把触发方式和决策边界说明白，尤其要确定人必须介入的位置。数据和权限也随之获得了明确用途，不再是一场脱离目标的基础设施建设。

客服团队是最直观的例子。回复写得漂亮只是很小的一部分，团队关心的是系统能否把问题分流到合适的解决路径，无法处理时再交给相应的人。销售和研发也遵循同一原则：客户摘要和代码产量都只是中间结果，销售最终要提高转化，研发则要减少需求偏差并提高交付效率。

这条路径没有“每个人都有一个 AI 同事”那么有启迪心灵的宿命感，却更可能带来可计算的 ROI。它不要求组织立刻推倒重来，也不要求每个人都变成可以在小红书发帖的 AI 专家。组织只需要先明确既有目标和流程，再让 AI 承担其中适合自动处理的部分。

在这种场景里，AI 从个人玩具和桌面助手变成了团队流程的一部分。流程规定 AI 可以自动处理到什么程度，也规定何时必须停下来交给人判断。缺少这层共同约束，每个人维护的都只是自己的小型魔法道具，组织最后得到的是一堆互不相通的工作流。

## AI 更适合成为系统，而不是同事

组织确定目标以后，还要决定把 AI 放在什么位置。很多管理者会自然地沿用现有组织结构：这里安排一个 AI 产品经理，那里安排一个 AI 分析师，再加一个 AI 助理。AI 被塞进一个个岗位，讨论也很快转向岗位替代、员工减负，以及某个 Agent 能否独立负责一块工作。

这种理解把 AI 的能力压进了旧岗位的形状。最后我们得到的，可能只是一批用岗位命名的新工具。

我更倾向于把 AI 理解成一个高效率的智能系统。它连接组织的数据并调度流程，在需要判断时请求人介入。人的位置也会随之改变：开始时，人需要逐项确认 AI 的工作；系统逐渐稳定以后，人转而监督它的运行，只在异常和关键决策中介入。这就是从 human in the loop 到 human on the loop。

如果一个组织是铁匠铺，把 AI 想象成另一个铁匠，不仅矮化了它的价值，也会把讨论拖回 AI 和人类抢饭碗的叙事。AI 更像机床和控制系统。铁匠仍然重要，他根据材料设定工艺并操作机器，机器给出不可接受的结果时仍由他判断。

组织里的许多岗位也会经历类似变化。AI 负责数字系统中的数据和流程，人负责处理系统尚未理解的情况，把新的信息映射到数字系统中，并决定哪些权限可以继续交给 AI。扁平化和职责泛化都可能随之发生，但它们只能是结果，不能被当成组织改造的起点。

## 从已被认可的流程开始改造

把 AI 理解成系统，很容易引出另一个诱惑：既然 AI 能处理信息，既然很多流程本来就低效，不如直接重新设计组织，让它从第一天开始就适合 AI。

这个想法是在用设计论对抗进化论。设计论有明确目标和清晰图纸，进化论只是不断适应环境。一个已经成型的组织能够长期运行，未必因为结构最优。更常见的情况是，它在持续妥协中形成了某种可运行状态。里面当然有大量 bug，但 bug 和 feature 经常已经混在一起，外部很难快速区分。

很多价值藏在正式职责之外。某位员工可能知道一条流程为什么不能那样处理，看似重复的确认也可能在分散风险。甚至一些不必要的工作，恰好维持着团队之间脆弱的协作关系。重构者如果只看到流程图上的低效，很容易把维持组织稳定的冗余一起切掉。

所以，AI 改造应该从团队已经认可、目标也相对明确的局部流程开始。先建立反馈，再根据运行结果扩大 AI 的权限。每次调整都要确认团队已经吸收新的结果；如果风险只是被转移，或者人的判断从关键位置消失，这次改造就应该暂停。组织不是代码仓库，不能假设一次 refactor 通过测试就万事大吉。

token 成本也只有在这时才容易治理。模型调用一旦进入具体流程，组织才能知道它服务于什么目标，并把消耗与流程结果对应起来。哪种模型值得使用，某个环节是否应该继续自动化，都可以依据产出和成本作出决定。离开组织流程，token 只是一笔分散在个人账号里的支出，管理者既看不到它带来了什么，也无法判断应该增加还是削减。

## 个人能力要进入组织系统

回到标题，个人变强了，团队也会变强吗？答案仍然是未必。

除去“产出物幻觉”，个人变强最多只是组织变强的前置条件。一个人写得更快，团队不一定理解得更快；一个人自动化了自己的工作，组织也不一定获得了可以复用的能力。只有当个人成果进入共同目标和工作流程，组织才可能吸收这些局部能力。

组织提效的方向与个人使用工具的方向正好相反。它从结果开始，根据核心流程确定必要的数据来源和权限边界，最后才明确每个人应该借助 AI 完成什么。衡量个人提效的地方也不在他的工作台上，而在团队是否因此减少了误判和协作成本。

一旦这个关系成立，AI 就可以进入持续运行的团队流程，组织也能逐步把更多权限交给系统。否则，个人工具的繁荣只会给团队增加更多需要消化的材料。

组织明确目标并确定 AI 应该进入哪套流程以后，还必须找到承担这项工作的人：谁来把业务目标翻译成可以长期运行的 AI 系统？