Havenlon | 杂谈：AI时代，最理性的工具，为什么进入了不理性的组织？

当所有人都在谈论 AI怀疑本身开始成为一种职业风险AI 被视为这个时代最理性的工具。它能处理更多数据、比较更多方案、发现更隐蔽的关联减少情绪与经验局限对决策的干扰。按此推论它应当让组织变得更理性。现实要复杂一些。相当多企业对 AI 的投入并非建立在清晰的问题、充分的验证与明确的价值之上而是建立在另一种更模糊的压力上别人已经开始了。竞争对手宣布了 AI 战略董事会开始追问进展投资人关心叙事客户期待产品带上 AI 标签员工担心自己所在的部门被视为落后。一家公司启动 AI未必因为已经知道它能解决什么而可能只是无法承担没有部署 AI的解释成本。最理性的工具正在进入一个并不总按理性运行的组织。问题未必出在 AI 身上。真正需要讨论的是当 AI 进入组织它不只被用来分析现实也被用来证明组织正在跟上现实。从那一刻起它就不再只是工具。一、采用一项技术从来不只因为它有效我们习惯用理性叙事描述企业决策发现问题评估方案计算投入产出选择最优工具。真实的组织很少如此纯粹。每个重要决策同时受到多重力量牵引——管理者的职业风险、部门之间的资源竞争、市场叙事的变化、同行的集体行动以及一个人在公开场合是否敢于承认自己没有答案。技术是否有效只是其中一个变量有时甚至不是权重最高的那个。组织社会学对此有过描述在高度不确定的环境中机构倾向于模仿同类的做法因为模仿本身就能提供合法性而不必等待效果被验证。这被称为模仿性趋同。当一项技术成为行业共识采用它需要的理由会越来越少不采用它需要的理由却越来越多。其中的关键是风险不对称。跟随共识失败可以被归结为行业判断失误违背共识失败则容易被归结为个人能力不足。于是最安全的选择往往不是最合理的选择而是最容易被组织理解的选择。组织有时不是因为相信一件事而行动而是因为没有人承担得起不相信它的代价。这解释了为什么许多技术浪潮进入企业后会迅速从解决问题的工具变成证明没有落后的证据。企业不再首先追问它究竟解决了什么而是追问我们是否已经部署覆盖了多少部门能否写进下一次汇报一个旁证是预算流向。MIT 媒体实验室 2025 年发布的企业 AI 状况研究指出AI 预算高度集中于销售与市场部门尽管运营与财务环节的回报表现更好。销售与市场恰恰是成果最容易被看见、也最容易被讲述的地方。二、当必须用 AI先于为什么用 AI理性的技术采用应当从问题出发先知道自己遇到了什么困难再判断 AI 是否合适。在不少组织中这个顺序被倒置了——先确定必须使用 AI再去寻找一个可以被 AI 解决的问题。于是部门接到的任务不是改善某个明确结果而是探索 AI 场景“完成 AI 化”“打造 AI 能力”。这些表述听起来积极却缺少最关键的一项成功的定义以及失败的定义。如果一个项目没有失败标准它几乎永远不会被宣布失败。模型不够准确可以说数据还需优化员工不愿使用可以说培训尚未到位成本超支可以说这是长期基础设施投入没有业务价值可以说战略价值暂时无法量化。项目于是进入一种悬置状态没有真正成功也无法正式结束。当一个项目不被允许失败它就不再是实验而是承诺。管理学中把这种现象称为承诺升级投入越多退出的心理与政治成本越高继续投入反而成为更容易辩护的选项。启动一个 AI 项目意味着进取与创新终止它则可能被理解为判断失误甚至战略退缩。外部研究提供了这一状态的量级参考。MIT 那份研究称在约 300 到 400 亿美元的企业生成式 AI 投入中约 95% 的试点未能带来可衡量的损益影响仅约 5% 的深度集成项目产生了显著价值。这一数字被广泛引用但也受到方法论质疑它把成功定义为试点后六个月内出现可测的损益改善样本包含 52 场访谈与 153 份高管问卷报告自身也说明结论基于个别访谈方向性成立并未覆盖效率改善、流失率下降等间接收益。把 95% 当作精确的失败率并不稳妥。但即便打上折扣它所描述的结构仍然成立高采用率与低转化率同时存在。三、AI 也提供了一套分散责任的语言AI 对组织的另一重影响是改变了责任的表达方式。过去管理者作出决定需要说明理由为什么选这个候选人为什么拒绝这笔贷款为什么削减这个部门。AI 参与之后出现了新的措辞——这是模型推荐的这是数据得出的这是系统预测的结果。这些说法听起来更客观却不必然让责任更清晰。管理者说自己只是参考系统技术团队说模型只给概率数据团队说数据来自业务方供应商说最终决策权属于客户。每个环节似乎只承担了一部分但结果是完整的一个人仍然被拒绝一个团队仍然被裁撤一笔预算仍然消失。算法可以分散决策过程却不能分散后果。这里需要注意的是因果方向。AI 并没有创造这种倾向它只是给了一个既有倾向更体面的表达。一个鼓励质疑的组织会用 AI 提出更多假设、比较更多方案一个害怕失败的组织会用 AI 为已定方向寻找证据一个只看短期汇报的组织会把 AI 变成生产指标与故事的工具。同样的技术进入不同企业产生完全不同的结果原因往往不在技术。技术不会自动带来理性它只是让组织原有的行为方式获得了更强的执行力。四、数据更多未必离真相更近数据驱动常被等同于理性。但组织首先决定的不是如何分析数据而是什么可以被记录为数据。员工是否真正信任系统很难量化客户是否因为自动化而感到疏远很难量化一个团队是否因为被 AI 监控而变得保守同样很难量化。相比之下调用次数、生成条数、节约工时、使用覆盖率都能轻松进入报表。组织会自然地关注可测量的部分不可测量的影响则逐渐退出管理视野。企业因此拥有了更多指标却不一定看见了更多现实。一旦指标本身成为目标它作为衡量工具的有效性也会随之下降——这一点在管理学中早有共识。数字能提高判断的分辨率却不能替组织决定应该看向哪里。一家公司可以精确统计员工每天调用多少次 AI却难以据此证明他们完成了更有价值的工作可以计算模型节省了多少写作时间却不容易判断生成内容是否让表达变得更空洞。风险在于理性很容易被表面的精确所模仿只要有足够多的图表、概率与评分一个决定就会看起来经过了充分论证。组织最严重的错误通常不是算错答案而是从一开始就问错了问题。五、恐惧会换方向机制不会变驱动这一切的底层情绪是对落后的恐惧。企业担心对手更早找到效率管理者担心经验贬值投资人担心错过下一轮增长。这种恐惧并不荒谬——AI 确实在改变大量行业。但它容易让企业把保持开放误读为必须立即投入把积极实验误读为不能质疑方向。值得注意的是2026 年以来压力的方向正在移动。多份来自不同机构的调查指向同一趋势SP Global 的数据显示2025 年放弃多数 AI 项目的企业比例从上一年的 17% 升至 42%Gartner 在 2026 年 4 月发布的一项针对 782 名基础设施与运营负责人的调查中仅 28% 的用例被认为完全成功并达到回报预期20% 彻底失败摩根士丹利在 2025 年第四季度的统计中仅约 21% 的标普 500 公司能够指出可衡量的 AI 收益。Forrester 则预测部分企业会把 2026 年计划中的一部分 AI 支出递延到次年。这些口径不一、定义各异不宜简单叠加但方向一致董事会开始要求证据。这意味着解释成本正在换边。过去需要解释的是为什么不投入如今越来越需要解释的是投入换回了什么。但机制本身没有变。如果企业此刻开始收缩同样可能不是因为完成了独立评估而是因为收缩变成了新的共识。从追赶转向审慎未必意味着组织变得更理性——它可能只是换了一个更安全的姿势。真正稀缺的能力不是比别人更快行动也不是比别人更早撤退而是在所有人催促时仍然按自己的证据决定节奏。六、理性需要被制度保护的摩擦组织的理性不能只依靠更好的模型它需要一项制度条件说出不同意见的人不会因为指出问题而承担不成比例的风险。这里存在一种被称为多元无知的状态——很多人其实看到了问题但每个人都以为别人仍然相信。员工以为管理层态度坚定管理层以为市场必须如此市场以为投资人只接受这一种叙事。最终一个未被任何人完全相信的共识因为所有人都在配合而持续存在。危险的不是所有人都相信 AI而是没有人愿意成为第一个公开怀疑的人。破解方式并不神秘关键是把摩擦制度化而不是依赖个人勇气当一个项目获得一致赞成时指定角色专门提出反对理由在立项阶段做事前验尸——假设两年后项目已经失败倒推可能的原因要求汇报同时提交失败数据、不适用场景与隐性成本而不只是最佳案例给每个项目预设终止条件让结束成为一种正常结果而非事故允许有人提出那个让所有人不舒服的问题如果不使用 AI会怎么样。最后一问并不意味着保守。它的作用是帮助组织区分哪些改变来自真实需要哪些来自集体压力。流程希望统一管理希望确定技术希望规模化汇报希望结论清晰——组织天然倾向于消灭摩擦。但如果没有摩擦错误也会获得极高的执行效率。一个没有反对声音的智能组织可能只是一个自动化程度更高的盲目组织。结语理性不是拥有答案而是保留纠错的结构AI 可以让信息处理更快、表达更完整、预测更精细。它不会自动让一个组织更诚实不能保证管理者愿意面对失败也无法替企业建立清晰的责任归属。这些从来不是计算问题而是文化、权力与制度的问题。AI 进入企业后会迅速学习企业的数据。在更深的层面上企业也会把自己的性格投射到 AI 身上。AI 放大的未必是组织的智能而可能是组织最不愿承认的那部分自己。因此值得追问的不只是我们的模型有多强还包括我们是否有能力承认某个项目没有价值是否允许它真正结束是否有人能够推翻系统建议当结果出问题时是否仍然找得到一个愿意解释、愿意承担的人组织真正的理性不体现在它是否采用了最先进的工具而体现在它是否仍然能够对工具说这个场景不适合这个结果不能接受我们需要停下来重新判断。