AI越快，组织越要制造“摩擦”：一场MBA课堂实验揭示的生产力陷阱

领导者偏爱AI，图的是知识复用省事：草稿随要随有，代码即时生成，分析转眼做完。可研究指出，知识越容易复用，背后越藏着代价。

我们研究的是组织怎么学习。近期发表在《管理科学》（Management Science）上的论文里，我们用正式分析模型——一种数学框架，用来分析组织中的个体如何在“自主探索”与“复用他人成果”之间取舍——去看当“足够好”的答案几乎零成本可得时会发生什么。模型给出的预测是：知识复用程度一高，独立探索就减少，团队成员慢慢都挤到少数几种相同的方法上。说白了，生产力上去了，创新却悄悄停住了。

实证研究里也能看到类似的情况。凯文·布德罗（Kevin Boudreau）和卡里姆·拉哈尼（Karim Lakhani）2015年发表在《研究政策》（Research Policy）的论文发现，计算生物学家之间一旦能无障碍拿到彼此的中间解法（intermediate solutions），大家就把更多精力花在完善现有方案上，独立实验反而做得少了。探索空间于是越收越窄，这跟我们预测的“生产力陷阱”对得上。

我们自己在日常工作中也撞见过这种情形。为了跟上AI的发展曲线，我们所在机构设了每周例会，分享最新工具和应用案例。起初来的人很多，时间一长，团队里新发现越来越少，参与讨论的人也越来越少，会议内容慢慢变成介绍最新的AI工具——不这么科普，其他人压根没有足够背景去理解那些新颖应用。结果是少数人一直在探索，多数人等着从这些成果里获益。这套机制确实推动了知识共享，却压低了人们投入高成本探索的积极性，而新洞见恰恰来自这种探索。

生成式AI其实改写了学习的经济账。一份看着像样的战略备忘录几分钟就能生成，愿意花几天去做那些偏难、却能出原创洞察的活的人就少了——跟客户交流、交叉验证数据、反复检验假设，都算这类活。当“足够好”的答案免费时，肯为“更优答案”掏成本的人自然减少。到头来，企业里可能挤满了能快速调取各种AI输出的人，却找不到能判断这些结果可不可靠、能按实际情况调整、甚至敢推翻结论的人。

要绕开这个坑，得从根本上换一种看待努力的方式。

在我们的模型里，在个人层面给知识共享加点摩擦，反倒能建起学者们说的“吸收能力”（absorptive capacity），把集体层面的知识总量抬上去。所谓吸收能力，指的是评估、调整和改进想法的本事，而不只是复制想法。人得费点劲才能用上别人的成果时，就会多做独立检查与调整。这份投入既帮他们向他人学习，又能产出新知识供别人借鉴。整个系统的长期知识存量因此更高，长期平均绩效也跟着上去。

受这个发现启发，我们在MBA和博士班研讨课上试了一套“摩擦协议”（friction protocol）。规则很简单：想参加分享环节，先证明自己独立试过。成功案例我们欢迎，但更看重“失败提示词”（failed prompts）——那些走进死胡同的尝试，以及AI出现幻觉的情况。从网上抄别人的成功很容易，只有真探索过，才记录得下一段失败的历程。这套做法眼下看着拖慢了团队，实际上让每个人都变好了：更多人带着针对同一问题的“局部解决方案”到场，团队再把这些局部解法拼成更完善的做法。

逼着参与者先跟工具“搏斗”，他们就此建立起吸收能力。这样一来，某个突破性成果被分享时，参会者不光明白它为什么有效，还知道怎么调整、怎么用。我们分享的不只是提示词，整个团队的知识总量也跟着扩了一圈。

培养吸收能力，是我们的研究想指向的东西。

这项研究基于正式模型，而非实地实验：模型证明，向他人学习得先有一定的理解，长期知识生产因此提高——更多不同做法得以保留，彻底放弃探索的人更少，组织也更不容易困在少数几个“足够好”的解决方案里。我们揭示的核心机制——吸收能力——建立在数十年的研究基础上，它指出既有知识能提供概念框架，帮个体对新信息进行编码并加以运用。儿童学语言时把新词汇搭在已掌握的词语上，专业人士积累专长也是这个道理。

落到实践里，吸收能力就是“拿到一个答案”和“能拿这个答案做事”之间的差距。

有吸收能力的管理者，不会照单全收AI生成的竞争对手分析报告，而是能挑出其中缺漏，拿观察到的市场情况去验证，再按自身情景调整建议。没有吸收能力的管理者，则会把AI输出原封不动地转发出去。

在研讨课程里试行“摩擦协议”时，我们追踪了实施前后的两项指标：一是分享环节中浮现的问题和应用场景的多样性，这是衡量独立探索的代理指标；二是被分享内容的调整深度——参与者交回来的，是一段照搬的提示词，还是一套为特定目的调整过的工作流程？要求提供独立尝试的证据之后，变化很明显。实施前，学生提出的原创问题很少，几乎没人分享尚未成熟的局部解决方案；规则一引入，每位学生平均贡献两个不同的问题，并针对每个问题给出约一个局部解决方案。由于人人事先独立试过，讨论活跃了不少，分享内容也体现出真正的再创造：带来的是改过的工作流程，而非简单复制的提示词。大家能迅速在彼此的阶段性成果上往下推，经常在讨论中拼出完整的解决路径。这正是模型预测的结果：摩擦不会减少学习，反而让被分享的知识数量更多、质量更高。

想判断团队吸收能力有没有长进，管理者可以盯住几个能观察到的行为：员工能不能看出AI输出里的错误、遗漏或者不合理的假设，并且讲清楚原因；最后交出来的东西跟AI最初给的有没有实质差别，有没有补进新事实、新约束和新反例；员工会不会拿出自己的一手观察，比如客户反馈、内部系统数据、对手动向，而不只是通用提示词；换个场景之后，他们能不能把先前学到的东西用上，而不是每回都从头来。这些行为越来越多，就说明团队的吸收能力在往上走。

可惜的是，眼下不少企业上AI的路子，恰好把“人还得去理解”这件事给省掉了。领导者盯的多是采用率和使用门槛，结果无意间把组织的吸收能力削薄了。真想保住长期的创新劲头，就得回头掂量那套“越顺手越好”的逻辑，有意识地把“策略性摩擦”重新设计回组织系统里。

引入策略性摩擦

目的不是把工作搞得难受，也不是多设几道官僚关卡，而是要确保知识复用建立在能力之上。关键在于让人在过程中付出足够的努力，从而持续学习。我们的研究显示，组织里存在一个最合适的吸收能力水平。摩擦太少，探索会被削弱；摩擦太多，什么都慢下来。而且不是每项任务都值得加摩擦，像整理会议记录这种判断要求低的常规活，快才是要紧的。策略性摩擦该留给那些组织真需要员工思考和学习的任务，别用在只求产出的工作上。

放到企业里，这意味着从“神谕模式”（oracle model）转向“互惠模式”（reciprocal model）：前者是用户提问、系统给答案，后者是用户先贡献理解，再从中提取智慧。转变的办法不少，从简单的策略调整到更有雄心的系统设计都行。领导者不妨从下面几处下手。

定下规则，要求记录独立尝试。比如用AI写市场分析之前，分析师得先交出自己的初步判断，不完整没关系，但得说明已经掌握了哪些信息、卡在哪些问题上。这种摩擦最容易落地，因为不用改造系统。我们在学术研讨课上用的就是这个办法：证明不了自己真试过，就不能参加分享环节。

让AI先要用户输入，再生成完整输出。比如分析师要它做竞争对手分析，AI不会马上给报告，而是先让对方提供3条关于对手近期定价策略的具体观察，然后把新信息整合进分析结果里。这就逼着分析师在拿答案之前先去调查，既练了吸收能力，也能收集一线情报，免得AI反复嚼旧信息。当然，用户仍然是通过提示词输入信息，所以这种摩擦相对温和。

还有一种门槛式界面：先录入信息，才解锁帮助。比如分析师要内部AI生成风险评估报告，系统界面会先要求他上传一个基准假设，并标注3个关键变量或约束条件。这些人工输入完成之后，“生成”按钮才会解锁。AI基于分析师给的信息继续深化分析，而不是直接取而代之。这样每次输出都是人与AI协作，不是把任务简单派出去。这是要求最高的摩擦，需要企业开发定制化的AI工具。

策略层面的事，团队负责人今天就能动手。界面层面的方案要投一些设计功夫，但收益是双份的：既提升使用者的吸收能力，也持续收集业务一线信息，防止AI模型陷进只依赖自身输出的封闭循环。系统层面的做法则是长期投资，但这正是企业该走的方向——设计让人更聪明、而不只是工作更快的AI工具。

如何识别建设者

防止组织停滞的努力，甚至可以从员工登录系统之前就开始。很多企业招人至今还是冲着“正确答案”去的。但在一个AI饱和的环境里，这种本事已经很难拉开差距。真正要紧的是“正确流程”。面试和绩效评估时，管理者该看候选人和员工怎么用AI工具：是把AI输出直接当成完成品，还是会追问、验证假设、加上自己的观察？

近期研究已经让这些模式看得见了。希拉·利夫希茨（Hila Lifshitz）与哈佛大学、麻省理工学院及华威大学的同事做过一项实地研究，分析了244名波士顿咨询公司顾问的近5 000次人机互动。研究盯的是三种不同的人机协作风格，差别主要落在两个问题上：做什么由谁定，怎么做又由谁定？

“半人马”（Centaurs）在两个维度上都留着人的主导权，AI只做针对性协助。“赛博格”（Cyborgs）由人决定“做什么”，但在“如何做”上给AI较大的参与空间，靠持续的批判性对话与AI协同。“自我自动化者”（Self-automators）把两者都交给AI，于是出现研究人员所说的“去技能化”（no-skilling）状态——领域专长没练出来，AI运用能力也没提升。在我们的框架里，“半人马”和“赛博格”就是建设者；“自我自动化者”则是模型所警示的“搭便车者”（free riders）。

这些发现说明，建设者和搭便车者的区别，主要体现在两种行为上。

一是选择性委托（Selective Delegation）。建设者清楚AI擅长什么、不擅长什么。起草文稿、头脑风暴、模式对比这类活他们交给AI，需要高度判断的部分留给自己。翻提示词记录能看出来，他们的提问具体、有针对性，而不是把工作整个外包出去。

二是深度追问（Interrogation Depth）。建设者用AI时会挑战它：要求它解释推理过程、指出矛盾之处，把自己的数据喂进去。他们还会反着用AI——先给出自己的分析，再让AI检验其中的假设。搭便车者则倾向于照单全收。信息往哪个方向流很能说明问题：建设者不断往AI里输入背景和情境知识，搭便车者只是从AI那儿提取现成答案。

评估员工怎么用AI，不光有助于养出更强的吸收能力和更健康的人机协作习惯，也能帮组织认出并投资那些真正创造知识的人，而不只是消费知识的人。

AI能让组织立刻跑得更快，这是现成的。领导者要解的题是另一面：别让这股速度把组织的吸收能力磨掉。办法是在工具、工作流程、人才招聘这几处放进经过仔细拿捏的“策略性摩擦”。这么做的目的，是让组织不只一直在产答案，也一直在产洞见。

作者为刘正威（Chengwei Liu）、耶克尔·丹雷尔（Jerker Denrell）、杰里·鲁科宁（Jerry Luukkonen）、尼克·查特（Nick Chater）。刘正威是帝国理工大学商学院战略与行为科学副教授，与巴拉兹·科瓦奇（Balázs Kovács）合著有《聪明的反向思考者：以不同方式思考“不同方式思考”》（The Smart Contrarian: Thinking Differently About Thinking Differently，哈佛商业评论出版社，2026年）；耶克尔·丹雷尔为华威大学商学院行为科学教授；杰里·鲁科宁是行为科学咨询公司Dectech的首席顾问；尼克·查特是华威大学商学院行为科学教授、英国国家学术院院士，也是Dectech的联合创始人。

廖琦菁 | 编校