你的AI用得越好，員工可能想得越少——企業AI管理撞上了三道牆

一組研究結論讓我讀完之後坐了一會兒。研究人員發現，反覆用AI做摘要、改寫、資訊綜合的員工，正在逐漸喪失對原始材料的理解和判斷力。這不是個別現象，是組織級的趨勢。更刺眼的結論在另一篇文章裡：用裁員讓AI接管工作的企業，如果裁員前沒有捕獲員工的組織知識，AI只會「更快地搞砸事情」。

這些結論來自CIO.com 6月22到23日連續發的幾篇深度文章。配合AIEC大會上浪潮信息提出的「Humagent」組織概念一起看，企業AI管理正在撞上三道牆。這些牆不是技術問題，是管理問題。

AI越能幹，組織越不會思考

Taryn Plumb在CIO.com上的文章標題很直白：你的AI策略可能正在訓練員工停止思考。核心論點來自研究人員——當員工反覆用AI做摘要、改寫、綜合資訊時，對原始文本的理解能力在退化。

我自己也有體會。習慣了讓AI總結一份50頁的報告之後，你對報告細節的把控力確實會下降。你拿到的是AI提煉後的「結論」，但失去了在原始材料裡發現意外資訊、形成獨立判斷的機會。這個過程是漸進的，你甚至不會察覺到自己正在變「懶」。

問題在於，越"成功"的AI部署，這個退化越快。一個全員都在用AI做資訊處理的組織，表面上效率在漲，實際上組織的原始知識密度在降。等有一天你需要員工對AI給出的結論做判斷時，發現他已經沒有判斷的基礎了。

反直覺的地方在這：AI採納率越高、使用量越大，組織思考能力退化的風險也越高。你儀表板上那個一路向上的AI使用量曲線，可能同時在畫另一條向下的曲線——組織的獨立判斷力。

Karan Gupta在另一篇文章裡點出了相關的陷阱：用員工token消耗量來衡量AI成熟度，是在「獎勵活動而非價值」。你的儀表板上顯示員工AI使用量翻了兩倍，你覺得部署很成功。但可能只是員工把原本自己能幹的活外包給了AI，真正需要流程現代化的地方根本沒碰。用token消耗量考核AI成效，就像用敲鍵盤次數考核程式設計師——數據很漂亮，意義約等於零。

知識在AI接管前就被掏空了

Kash Mehli的文章標題更狠：防止AI時代的組織失憶症。核心論點是：用裁員讓AI接管工作是個陷阱，如果你還沒有捕獲員工的組織知識。

組織知識是什麼？不是文檔裡寫的SOP，不是Wiki上的操作手冊。是那個在供應鏈幹了十年的老員工，閉著眼睛知道哪個供應商交期不靠譜、哪個客戶的需求變更總在最後一刻提。這些隱性知識從來沒有被結構化記錄，人走了就沒了。

把這些人裁掉，讓AI接管他們的工作，AI接管的只是「流程」，不是「判斷」。沒有上下文的AI只會用更快速度做出更蠢的決策。Mehli的原話是「AI只會更快地搞砸事情」。

這句話值得貼在每個CIO的辦公室牆上。正確的順序應該是：先捕獲知識，再部署AI，最後才考慮人力調整。很多企業把順序搞反了——先裁員省成本，再讓AI補位，然後發現系統頻繁出錯，最後花更多錢請回來的人也補不回丟失的知識。

Naren Gangavarapu在CIO.com上提了一個框架叫"Rewire or Rebuild"。他說別在「修補現有系統」和「從零搭建」之間二選一。正確做法是用快速AI小勝利來資助和規劃重大架構變革。具體一點說：別一上來就搞全公司AI大改造，先找一個數據歸屬明確、業務痛點清晰的場景，用AI做出可衡量的改進，再用這個小勝利去推動更大的變革。

數據所有權比技術更致命

Scott Smeester的文章標題精確點到了痛點：為什麼你的AI試點死在了數據所有權會議上，而不是演示中。

他描述的場景很多CIO應該很熟悉。AI試點演示跑得完美，老闆滿意，準備推廣。然後卡住了。不是技術卡住，是開會時發現數據歸屬說不清楚。客戶數據歸銷售部還是市場部？生產數據歸工廠還是IT？誰能授權把數據餵給AI模型？這種會議能拖幾個月，把項目勢頭完全耗光。

Smeester的判斷我同意：AI的技術門檻在快速下降，但組織內部的數據治理門檻一點沒降。技術團隊一週搭好一個RAG系統，讓三個部門同意數據使用邊界可能要開六次會。技術越快，管理的慢就越顯眼。

這個問題的根子不在AI，在企業一直沒有真正解決數據治理問題。AI只是把這個問題從「可以拖」變成了「必須解決」。以前數據歸屬不清，大家各用各的，相安無事。現在AI要跨部門調數據，歸屬不清就直接卡死。

Humagent和你的AI管理清單

AIEC大會上，浪潮信息董事長彭震提出了「Humagent」（Human+Agent）組織概念：企業從管理Human進化到管理Humagent，重新定義崗位、角色、權限、責任邊界和績效評價。

美的集團給了這個概念一些實感。美雲智數副總裁魏曉剛說，美的已構建1.3萬個Factory Agent，覆蓋研產供銷服全鏈路。1.3萬個智能體在工廠裡跑，做的是多場景、多角色、多業務鏈路協同。

1.3萬美的Factory Agent數量研產供銷服全鏈路覆蓋

國家信息中心單志廣的判斷也值得記住：Token正從大模型技術單位變成貫通電力、算力、模型服務和應用價值的新型經濟單元。以後衡量企業AI運營成本的基本單位可能不是伺服器，不是人天，是Token消耗量。

清華大學的彭凱平給了一個更人文的視角：智能體承擔標準化執行，人類聚焦審美創造、戰略決策與情感聯結。這個分工方向是對的，但前提是你的組織真正做到了「知識捕獲在前、AI部署在後」。不然你讓AI承擔標準化執行，發現它連標準都沒學到。

回到CIO的實操層面，幾條建議：

做一次「AI依賴審計」。列出哪些崗位的員工在用AI做資訊處理（摘要、改寫、分析），評估他們的獨立判斷能力是否在退化。對高風險崗位，設一個「無AI日」——每週至少一天要求人工處理核心資訊，保持組織的原始思考能力。這不是開倒車，是防止組織思考能力的肌肉萎縮。

裁員之前先做知識捕獲。如果你在考慮用AI替代某些崗位，在裁員之前花兩到三週做結構化知識萃取：讓員工口述決策邏輯、記錄例外處理流程、整理非正式協作網絡。這些隱性知識是AI接管的必要前提。Mehli說得很清楚：沒有這些上下文，AI只會更快地搞砸事情。

把數據治理放到AI專案的第一步。技術團隊寫第一行程式碼之前，先拉法務、業務、IT三方開數據歸屬會議。明確每類數據的owner、使用邊界、AI訓練授權範圍。這個會議可能比開發本身還長，但它決定專案能不能落地。Smeester的觀察是準確的——AI試點不是死在演示裡，是死在數據歸屬的會議上。

重新設計績效評價。組織裡有了Agent，評價員工的標準不能只是「完成任務的數量」——AI可以幫你完成任務。你需要評價的是判斷質量、例外處理能力、知識傳遞貢獻。美的有1.3萬個Factory Agent在跑，美的評價員工的方式一定也在變。你不變，Agent越多，人越不知道自己在幹什麼。

AI管理的三道牆說到底不是AI的問題，是管理的問題。AI只是把一直存在但被忽略的管理缺陷放大了。誰先正視這些缺陷，誰就能在AI這波浪潮裡真正拿到回報。