Tom Critchlow：AI应用应从降本转向提升组织吞吐量

也许工作的未来是……白蚁？听我解释。

目前很多公司正试图用 AI 来自动化低吞吐量的工作流——本质上是用 AI 工作流（或者你想说得花哨一点，叫“智能体”）来取代人类任务。故事是这样的：AI 能让搭建落地页更快，或者更快地回复每一张客服工单。这是一个效率故事“让我们用廉价的 token 取代昂贵的人类！”

但我觉得这既无聊又平庸。更有趣的问题是：当 AI 改变工作流本身的吞吐量时，会发生什么？不要只做一个落地页，做 1,000 个。不要只总结一次客户访谈，持续总结每一次客户互动。不要只做一次竞品分析，实时监控市场。

这就是“工作流自动化”显得格局太小、缺乏想象力的地方。机会不在于更快、更小的机器——而在于成为一个群落：一个人类、智能体、机器人、脚本、仪表盘、工作流、警报、记忆和权限的混合群体，全部通过本地信号进行感知和行动。

在群落式公司中——信息素的踪迹在哪里？

利润陷阱

从根本上说，很多关于 AI 转型的讨论仍然困在旧的工作单位经济学里。流程的形状保持不变，只是其中一步变便宜了。过去由人类起草的东西，现在由 AI 起草。过去由人类分析的东西，现在由 AI 分析。

但这毫无想象力——而且实际上也不是很多公司需要或想要的。早在 AI 出现之前，让工作流变得更高效就是可能的：外包和自动化一直存在。但大多数时候，公司没有选择让工作流更高效，而是选择投资于增长。

让现有流程更高效是一种利润策略：产出相同，成本更低。但我参与过的很多（大多数？）企业宁愿保持利润率稳定，转而推动营收增长。

我认为工作流自动化是一个利润陷阱：AI 让降本变得如此显而易见，以至于我们错过了更奇特的增长举措。我们问的是如何用更少的人、更少的步骤和更少的时间来完成现有的工作流。更好的问题或许是：当这个工作流不再稀缺时，会发生什么？

落地页曾经是一个项目。客户研究综合曾经是一份演示文稿。竞品扫描曾经是一项季度工作。但如果这些东西变得足够便宜，它们就不再是离散的项目，而开始成为持续的组织感官。公司不是在“做研究”，它拥有研究代谢。公司不是在“做活动”，它拥有活动生态。

AI 不仅降低了工作的成本，它改变了组织的承载能力。

白蚁与 Token

像蚂蚁、白蚁和蜜蜂这样的群落，其协调成本结构截然不同。它们不像典型组织那样进行规划和运作，而是通过分布式的本地行动来运作。智能存在于行动者与环境之间的关系之中。

这或许是智能体工作的一个更好意象——不是 AI 取代现有工作流，而是智能体在整个组织中蜂拥而至，扩展每一个工作流的吞吐量——每个任务变成 1000 种变体，通过计算机与人类的混合方式进行判断、评估和测试。但其发生的频率和数量足以改变组织的形态。

问题就不再是“哪些工作能被 AI 取代？”，而更像是“当微小的认知行为变得廉价时，什么样的集体行为成为可能？”

James March 的探索/利用框架在这里很有用。

A central concern of studies of adaptive processes is the relation between the exploration of new possibilities and the exploitation of old certainties. Exploration includes things captured by terms such as search, variation, risk taking, experimentation, play, flexibility, discovery, innovation. Exploitation includes such things as refinement, choice, production, efficiency, selection, implementation, execution.

只进行探索而排除利用的自适应系统，很可能会发现自己承担了实验的成本，却没有获得多少实验的收益。它们会表现出太多未成熟的新想法，以及太少的独特能力。反之，只进行利用而排除探索的系统，则很可能发现自己被困在次优的稳定均衡之中。

因此，在探索与利用之间保持适当的平衡，是系统生存与繁荣的首要因素。 

效率与增长之间存在权衡。用 token 取代人类主要是利用：优化、效率和执行。用 token 增强人类则更具探索性：新的工作、新的市场、新的实验、新的组织注意力形式。效率的故事比增长更清晰。成本节约立竿见影，且深受 CFO 青睐。来自新工作流的增长则模糊得多，它需要想象力。

我认为到目前为止，讨论太多集中在效率和利用上——而对增长关注不够。AI 能带来哪些新机会？

组织的信息素

在智能体蜂群的时代，有用的概念是 stigmergy（痕迹协调）：通过留在环境中的痕迹进行协调。蚂蚁有信息素路径，组织则有 CRM 字段、Slack 表情回应、问题队列、标签、警报、仪表盘、审批状态、置信度评分、会议记录和客户对话记录。

在低吞吐量的组织中，这些信号大多是协调的残留物。在高吞吐量的智能体组织中，这些信号就变成了操作系统。一个智能体注意到流失模式，因为某个 CRM 字段发生了变化。另一个智能体起草跟进邮件，因为某个支持工单超过了某个阈值。一个仪表盘触发了预算审查。一份销售对话记录变成了产品研究。一个 Slack 讨论串变成了一个工作流。

这就是“制作 1,000 个着陆页”变得有趣的地方。重点不在于把 1,000 个着陆页当作垃圾内容。重点在于组织是否拥有能从这 1,000 个着陆页中学习的信息素系统。哪些变体吸引了注意力？哪些细分市场有响应？哪些主张建立了信任？哪些信息造成了困惑？哪些页面应该被砍掉？哪些应该被复制？

聪明的人已经开始关注 “公司世界模型”。这将是一条非常有趣的探索路径，并将改变组织的运作方式——但是/而且，也许我们可以跳过把 Slack/Jira/Drive 连接起来构建公司世界模型的步骤，直接跳到事件流？

如果 AI 能看到客户交易的流动——也许整个公司的战略都可以被重新推导出来？

吞吐量，而不仅仅是产出

约束理论为我们提供了另一个有用的参考框架。局部效率并不等同于系统吞吐量。优化每一个步骤并没有价值。关键在于理解那个制约整个系统创造价值能力的约束。关于 约束理论 的一个有用概述将吞吐量定义为系统通过销售产生金钱的速率。

所以问题不在于：AI 能否提高产出？当然能。问题在于：产出什么，受制于哪种约束，通过什么反馈回路？

大多数 AI 工作流自动化都是成本世界的思维。它问的是我们能否在这一步降低运营支出。更好的问题是吞吐量世界的思维：我们能否提高系统创造价值的速率？

公司作为殖民地与新型管理问题

Gareth Morgan 的 Images of Organization 给了我们经典的隐喻：组织作为机器、有机体、大脑、文化、政治系统、心理牢笼、流动与统治工具。也许智能体组织解锁了一个新隐喻：组织作为殖民地。

这就是管理开始看起来不那么像流程优化、而更像生态学的地方。工作不只是分配任务，而是设计那些局部规则、信号、约束和反馈回路，让有用的工作得以涌现，同时不让殖民地吞噬自身。

组织作为殖民地引发了一系列值得思考的新问题：

• 当每个人都能做任何人的工作时，组织架构图是什么样的？
• 当每个个体都能产出更多时，你如何控制协调成本？
• 当环境不断变化时，你如何保持一张实时的战略地图？
• 你如何为工作系统而非个人产出来做设计？
• 在智能体群和殖民地的世界里，哪些技能组合是有价值的？
• 当智能体必须决定如何行动时，它们会参照哪些约束和价值观？

Erik Brynjolfsson 的 Turing Trap 在这里很有用：我们有强烈的动机去构建模仿和替代人类劳动的 AI，即使更有价值的路径可能是增强人类的能力。

As noted above, both automation and augmentation can increase productivity and wealth. However, an unfettered market is likely to create socially excessive incentives for innovations that automate human labor and provide too weak incentives for technology that augments humans.

经济学的第一福利定理指出，在特定条件下，市场价格会导向一个帕累托最优的结果：也就是说，在这个结果中，若要让某人变得更好，就必然会让另一个人变得更糟。但我们不应对此过于安心。当存在改变生产可能性集的创新，或影响市场之外人群的外部性时，该定理并不成立。

AI 的边际故事是：用 token 替代人类。增长故事是：用 token 让新形式的人类能动性在经济上变得可行。

但一旦这种情况发生，管理就改变了。在机器型组织中，管理负责分配工作。在殖民地型组织中，管理负责设计让有用工作涌现的条件。什么可以行动？什么可以做决定？什么可以花钱？什么可以联系客户？什么可以重写文档？什么需要审批？什么会留下痕迹？什么可以复制自身？

最后一个问题很重要，因为危险不在于某个智能体把某件事做得很糟。危险在于一种能动性模式在整个组织中复制。一个糟糕的提示词被复制到十个工作流中。一个有缺陷的指标被五个团队使用。一个临时的自动化变成了基础设施。一个幻觉生成的摘要变成了董事会幻灯片。一个凭感觉编写的脚本悄然变成了记录系统。

殖民地之所以强大，是因为局部行为可以扩展，但殖民地之所以危险，也是因为同样的原因……

也许第一波 AI 采用关乎边际。第二波关乎吞吐量。第三波关乎新的组织形式。

–

编者注：我刚刚在 Alephic 开始了一份新工作，所以期待更多关于 AI 和工作未来的观点！