第5章 AI 究竟改变了什么？

要判断 AI 会不会改变组织，不能从“AI 很厉害”直接跳到组织结论。先要确定它作用于哪类劳动，再看它改写了成本表上的哪几项。

这里讨论的不是某个模型或应用，而是 AI 作为一种技术能力如何作用于认知劳动。只有把作用对象说清楚，后面的成本变化才有可检验的含义。

5.1 两个常见的误区

相关讨论常从两个角度开始，但它们都不足以说明组织发生了什么变化。

第一个角度是“AI 写代码很快”。这把 AI 视为一种更快的工具，和 IDE、搜索引擎、Stack Overflow 属于同一类，只是能力更强。如果变化仅限于某个工具变快，第四章的历史对照已经给出判断方法：先看它压低了哪项成本，再看其他成本是否仍然约束着组织。单项效率提高可能带来流程和岗位调整，却不足以单独证明组织均衡已经改变。

第二个角度是“AI 会取代多少岗位”。这会把组织问题缩减为就业问题。岗位是组织结构的结果，不是原因；从岗位出发讨论 AI，就像从烟囱出发讨论能源革命，看到的是结果，而不是正在变化的条件。

本章从更底层的问题开始：AI 作为技术能力，作用的对象是什么。

5.2 开始直接承担认知劳动的技术

从过去两百年的技术史看，可以按主要直接作用对象区分几类通用技术。蒸汽机和电力主要扩展了物理生产可调用的动力；电报、电话、互联网让信息传得更快、更远；计算机把存储、检索和计算交给机器处理。这种划分不是说一种技术只影响一件事，而是用来区分它首先压低了哪一类成本。

这里需要划清范围。计算与检索在计算机出现之前也由人承担，其中相当一部分活动可以被规则充分指定，交给机器后不需要它判断任务的含义。另一类工作则不同。比如，一个客户只说“结账太慢”，接手的人不能立刻照句子执行：他要追问慢在哪里，判断是页面、支付系统还是业务规则出了问题，找出不能破坏的约束，再把这些理解变成方案。本章把这类需要理解问题、辨认约束并把意图转成行动，而且很难事先用完整规则写清楚的活动，称为认知劳动（Cognitive Labor）。

这些技术当然改变了企业做什么、怎么做，却通常不直接承担这类认知劳动。理解问题、做出判断、写分析、设计方案、把模糊意图翻译成具体产出——这些工作在此前仍主要由人完成。人可以借助工具，但关键的理解与判断步骤仍由人完成。

AI 的不同之处在于，它开始直接承担这一步中的一部分活动。[D] 在刚才的场景里，它不只加快打字或检索，还可能整理客户反馈、对照日志与代码、提出原因假设、生成修改方案，并调用工具完成其中一些动作。把这些动作拆开，才会看到它的能力结构：生成，把意图变成文本、图像或代码；推理，在给定约束下做多步推导；搜索与综合，从大量材料中定位并整合相关信息；翻译与转换，在自然语言、专业语言和形式语言之间转换表达；工具调用与执行，则把若干步骤串成任务链。

这些能力并非在每个场景里都同样可靠，也不意味着 AI 已经拥有人的全部理解与判断。更准确地说，它们把过去主要由人完成的部分理解、综合和转换活动，变成了可以通过技术系统调用的能力。

这就是本书所说的认知能力冲击（Cognitive Capability Shock）。它的意义不在于 AI 是否在某个单项上超过人，而在于“认知只能由人提供”这一组织设计前提开始松动。前三章说明，传统组织中的许多分工、层级和流程，都建立在认知由分散的人提供、每个人只承担其中一小段这一条件上；这项条件变化后，结构就需要重新检验。

“前提松动”不等于“前提消失”。AI 能力仍受可获得性、质量和可靠性约束，完整生产也不等于其中某一环的局部执行。

5.3 能做了，不等于做得好，更不等于能稳定地做

谈论 AI 能力时，需要区分三个性质：可获得性（Availability）——它能不能做这件事；质量（Quality）——它做得好不好；可靠性（Reliability）——它能不能稳定、可预期地做好。

这三者的差距在今天是实质性的。AI 能写代码（可获得），在相当多的情况下也写得不错（质量），但它仍可能自信地犯错，在长任务中偏离目标，或者对相近的问题给出不一致的答案（可靠性缺口）。平均表现不错，不能直接推出每一次都可以依赖；组织还要知道错误出现在哪里、能否被发现，以及失败会造成多大损失。因此，可靠性不能只凭一次演示或总体印象判断，而要放进具体任务、输入条件和验证机制中检验。

对组织来说，关键是第三个性质。企业生产需要的不是“能做”，而是“可依赖地做”。只有可靠性在具体任务中足够高，能力才能编入生产流程，并减少逐步复核；可靠性不足时，它仍然有用，但往往要搭配验证环节，而验证成本会抵掉一部分能力成本下降的收益。第六章将具体讨论这笔成本。

5.4 局部执行，不等于完整生产

还要区分局部环节与完整生产：AI 大幅降低的可能只是某些环节的成本。

仍以软件为例。“编码成本趋近于零”是一个流行的说法。它至多描述了其中一个环节：给定明确的需求和足够的上下文，生成第一版代码确实可以很快，边际成本也可能很低。但软件生产还包括定义问题、获取上下文、设计架构、验证、集成、部署、维护、安全与责任。AI 对编码的影响通常最直接；对设计和分析的影响则随任务而变。至于“什么问题值得解决”“这段代码放进系统里会不会出事”“出了事谁负责”，代码生成得更快，并没有让这些问题自动变得便宜。[D]

局部执行成本和完整生产成本不能混为一谈。后文所说的“AI 降低某项成本”，都指具体环节，而不是“生产变免费了”。生产成本只是重新分布：瓶颈从被压缩的环节转移到未被压缩的环节。第六章将讨论这种瓶颈迁移。

5.5 把 AI 放回成本表

回到第四章的成本表，可以初步判断 AI 触动了哪些项目。

最直接的变化发生在生产成本上。在任务适配、输入充分，而且质量与可靠性达到要求时，认知类产出的执行成本会显著下降。这是目前最容易观察到的变化之一，但这里说的是执行环节，不是完整生产。

与之相邻的信息处理成本也被直接触动。搜索、综合、摘要和转换，是第三章所说的信息处理链中的关键环节，也是 AI 相对擅长的部分。具体能降多少，仍取决于材料质量、任务难度以及结果需要怎样复核。

再往外一层，上下文转移成本可能被部分触动。接入记忆、检索和文档系统后，AI 可以帮助保存、寻找和转换材料，理论上能降低接收者重建理解的部分成本。但“材料找到了”不等于“接收者已经理解”，这件事成立到什么程度，还取决于一些尚未讨论的条件。它是第七章的主题，这里先标记为“存疑，待验”。

协调成本受到的影响更间接，净方向尚不明确。同步状态、整理纪要、翻译表达等协调活动确实在变便宜；但对齐目标、裁决冲突和建立信任，不会因为这些辅助环节变快就自动完成。本章暂不判断两种力量相加后的结果，第八章再专门处理。

剩下的决策成本、监控成本和错误成本，没有随着生成能力自动下降，甚至可能反向移动。AI 能生成选项，但“选哪个”和“选错了谁负责”仍要解决。如果产出因此变得更多、更快，需要验证和监控的内容也可能增加；错误一旦混在这些产出中，也可能以更快的速度进入后续流程。AI 对这些成本同样可能提供帮助，但生成能力本身不足以证明它们已经下降，其中一些还会成为新的次生成本。

综合来看：AI 改变的不是某一项技能的价格，而是过去组织设计所依赖的成本结构；这种改变并不均匀，有些成本被压缩，有些几乎不动，有些可能上升。[D]

5.6 一个不依赖技术预测的承诺

AI 能力仍在快速变化，今天的能力清单明年可能就会过时。因此，本书的论证不依赖某个具体模型能做什么或做不到什么。

本书只需要一个弱得多的前提：认知劳动中相当比例的活动，其可获得成本正在持续下降，并可能在近期继续下降。[H] 即使 AI 能力停留在当前水平，已经发生的成本移动也足以要求重新检验组织结构；如果能力继续增长，分析框架只需调整参数。

本章命题与边界

[D] AI 开始直接承担部分认知劳动，并不均匀地改写组织的成本结构：它在一定条件下压缩执行与信息处理成本，有条件地影响上下文转移成本，却不会自动降低决策、监控与错误成本。组织结构因此需要在新的成本条件下重新检验；变化的方式取决于各成本项的具体移动，而不是“AI 很强”这个事实本身。

证据分级：技术史的分段（体力→信息传递→信息处理→认知）和 AI 能力结构的拆解属于可观察的事实与本书的概括 [E/D]；可获得性、质量、可靠性的三分，以及完整生产成本与局部执行成本的区分，是本书的分析框架 [D]；"认知劳动可获得成本持续下降"是本书明确的待验证假设 [H]，全书论证建立在这个弱前提上。

边界条件：本章的所有判断针对认知劳动密集型生产；实体生产、强监管活动、以物理在场为核心的工作不在本章范围内。AI 对成本表各项的影响程度会随技术能力变化而变化——本章给的是结构判断，不是能力预测。

下一章从被触动最直接的那一项开始：当生产成本——做事本身的成本——快速下降，组织里真正稀缺的东西开始换成别的。瓶颈迁移到哪里，是第 6 章的问题。