技术如何进入真实组织？

最近接触一些新的 AI 工具时，我观察到一个很有意思的现象。

工具已经发给了每个人，公司也希望大家使用，但真正持续使用的人并不多。

少数对技术感兴趣的人会主动研究、不断尝试。大部分人可能简单问几个问题，或者尝试过几次，最后又退回了原有的工作惯性。

从表面上看，工具已经进入了组织。

账号分发了，通知下达了，培训可能也组织了，该完成的管理动作似乎都已经完成。但如果继续追问：它究竟改变了哪一项工作？沉淀了什么方法？提高了多少效率？很多时候又很难得到明确答案。

工具进入了组织，技术却没有真正进入工作。

当“推动使用”本身成为目标，新技术就很容易变成另一种形式主义。

使用量，不等于组织能力

我见过一种很典型的衡量方式：统计一款 AI 工具使用了多少 Token、产生了多少费用，以此判断组织是否真正使用了它。

但 Token 只能说明工具被调用过，不能说明工作方法发生了变化。

一个人向 AI 提出大量问题，当然会消耗很多 Token。但这些问题是否解决了真实工作？有效的方法有没有被保存下来？其他人能不能重复使用？这些问题仅靠使用量无法回答。

相比消耗了多少 Token，更值得统计的可能是：

• 有多少经验被沉淀成了稳定的提示词、CLI 脚本或 Skill？
• 有多少重复工作变成了可以复用的流程？
• 有多少原来依赖个人能力的任务，开始能够被组织稳定完成？

当组织开始用“消耗量”代替“能力沉淀”，AI 推广就很容易变成形式主义。

大家都在使用，但组织并没有因此真正获得新的能力。

每个人都有工具，方法却仍要自己摸索

现在的 AI 还处于快速变化的阶段。

工具很多，能力不断更新，使用方法也没有完全收敛。它不像微信一样，打开以后几乎不需要学习就能使用。

要让 AI 真正完成一项复杂工作，使用者必须不断摸索：

什么任务适合交给它？怎样描述要求？怎样判断结果是否可靠？怎样让输出符合自己的工作习惯？

这些事情都有学习成本。

我自己处理总结、文字和汇报类工作时，基本都会使用 AI。但我也不是直接把一个模糊要求交给工具，然后等待结果。

很多时候，我会先把自己的想法和思路交给 Grok，让它帮助我整理成更适合执行的提示词，再交给另一个 AI 工具完成任务。

经过几次调整，生成内容的结构和形式才会逐渐接近我的预期。

现在回头看，这其实是一套由我自己摸索出来的方法。但如果把同样的工具直接交给另一个人，他未必知道应该这样使用，也未必愿意投入同样的时间重新走一遍。

在没有成熟方法、系统引导和持续跟进的情况下，学习成本最终都会落到个人身上。

眼前的学习成本是确定的，未来的效率提升却还只能依靠想象。

真正感兴趣的人会主动探索，其他人即使知道 AI 可能有价值，也很难仅仅因为一句“它可以提高效率”，就改变已经熟悉的工作方式。

看见火，不等于学会用火

我有时觉得，AI 的出现和人类最初遇见火，有一种奇妙的相似。

一道闪电落下，火焰突然出现在眼前。它展示出巨大的能量，也让人感到危险。

ChatGPT 出现时，同样带来过强烈的冲击。人们第一次如此直观地看见：机器可以理解自然语言，可以写作、总结、分析，也可以参与人的思考过程。

但看见火，不等于会用火；看见 AI 的能力，也不等于组织已经知道怎样使用 AI。

人类依靠工具不断进步，却又会天然害怕陌生的工具。

熟悉的工具代表确定性。我们知道怎样使用它，也知道投入以后大概能够得到什么结果。

新工具则意味着不确定。

它要求人重新学习，也可能让一个原本熟练的人暂时变得笨拙。你可能投入了时间，却得不到想要的结果；也可能按照它给出的答案行动，最后才发现结果并不可靠。

人最初面对火时，感受到的不只有光和温度，也有被灼伤和失控的可能。

但总有人愿意接近它、观察它、尝试控制它，并逐渐找到稳定使用它的方法。

真正改变人类的，不是火出现的那一刻，而是人开始理解火，并把用火的方法传递了下去。

新技术早期需要少数探索者

组织面对新技术时，最容易犯的错误，是马上要求所有人同时学习、同时使用。

这看起来公平，也容易形成全面推进的氛围。但它忽略了一个现实：

探索新技术和使用成熟工具，是两种不同的任务。

探索者面对的是不确定性。

他们需要测试工具的边界，寻找真实场景，总结方法，也要接受很多尝试最终没有结果。

普通使用者需要的是确定性。

他需要知道这个工具能解决什么问题，具体应该怎样操作，投入十分钟以后能不能真正节省半小时。

如果组织把探索者的任务交给所有人，就等于要求每个人独自承担相同的学习和试错成本。

最后继续使用的，通常还是那些本身有兴趣、有好奇心，也愿意不断琢磨的人。其他人则会把新工具理解成一项额外任务。

从这个意义上说，新技术最初确实属于勇敢者。

这里的勇敢，不是做一件惊天动地的事情，而是在多数人还在观望时，愿意先走进去看一看；在方法还没有收敛时，愿意反复尝试；在暂时没有标准答案时，仍然保持好奇。

组织不需要所有人一开始都成为技术先锋。

它首先需要找到少数愿意探索的人，给他们时间、空间和真实问题，让他们验证：

• 哪些真实工作最适合先交给 AI？
• 怎样提问，才能得到值得继续验证的结果？
• 哪些环节可以自动执行，哪些判断必须由人完成？
• 哪些经验可以整理成提示词、脚本或 Skill？
• 怎样让没有参与探索的人也能低成本使用？

探索由少数人完成，成果才能被更多人使用。

从个人经验到组织方法

一次有效的 AI 使用，只能证明一个人完成了一项任务。

只有当这种使用方式能够被重复、被传递，并在不同的人手中获得相对稳定的结果，它才可能成为组织能力。

我曾经和一些技术从业者讨论过这个问题。

他们提到一种思路：先用自然语言把一套工作方法讲清楚，再把它固定下来，变成一个可以重复运行的脚本。

这里有一个很重要的转变。

组织不再要求每个人从头学习一套复杂的方法，而是把少数人已经验证过的经验固化下来。

后来的人不需要重新走完所有弯路，只需要进入这个流程，就可以按照相对稳定的方式完成工作。

这个过程可能需要经过几步：

先由少数人自由探索，从中找到真正有价值的场景；再把有效方法整理成提示词、模板、脚本或者 Skill；最后把它嵌入原有的沟通、汇报、复盘和协作流程。

到这一步，使用 AI 才不再是一项额外任务。

它开始成为完成工作的一部分。

最近使用微信输入法时，我发现它会自动整理口述内容，把一段话拆成一、二、三点，并通过分行的方式呈现出来。

这个动作看起来很小，却已经在帮助我整理讲话的逻辑。

使用者不需要专门提醒自己“现在应该使用 AI”，技术已经进入了原来的输入动作。

好的技术，最终会逐渐消失在工作中。

组织既要点火，也要建立消防队

即使人类已经掌握了用火的方法，今天依然需要消防队。

我们不会因为火可能造成危险，就停止使用火；也不会因为已经学会用火，就认为它从此不会失控。

火进入社会越深，我们围绕它建立的规则就越完整：什么地方可以用火，什么地方禁止明火，建筑应该怎样防火，发生危险以后由谁处理。

我们一边享受火带来的能量，一边控制它失控的代价。

AI 未来可能也需要类似“消防队”的角色。

这不一定是一个真的叫“AI 消防队”的部门，而可能是一套由人、制度和技术共同组成的风险控制机制：

什么信息不能交给 AI？哪些结果必须经过人工验证？哪些决定不能直接交给模型？出现错误以后由谁负责？

当 AI 只被少数人尝试时，一个错误可能只影响一份文档。

但当它进入组织的沟通、汇报、分析和决策流程以后，一个未经验证的结论可能被快速传播，一份不该上传的资料可能离开原有边界，一个听起来合理的判断也可能影响真实的用户、员工和资源。

AI 的能力越强，组织越不能只讨论如何使用它，也必须讨论如何约束它。

这种约束不是为了压制技术，而是为了让它能够被更放心、更长期地使用。

就像消防队的存在不是为了消灭火，而是为了让整个社会能够安全地使用火。

组织既需要点火的人，也需要看火的人。

如果只有看火的人，新的尝试可能因为害怕风险而被提前扑灭；如果只有点火的人，技术又可能在缺乏边界的情况下迅速扩散。

真正需要寻找的是一种微妙的平衡：

既不因为害怕失控而拒绝点火，也不因为渴望效率而忘记火会伤人。

我目前的阶段性结论

关于技术如何进入真实组织，我目前有几个判断：

• 工具分发给了每个人，不代表技术已经进入组织
• 使用量不能代替方法、流程和能力的沉淀
• 新技术早期需要少数保持好奇、愿意试错的人先行探索
• 组织不应该让每个人重复承担相同的学习成本
• 个人经验只有被整理成提示词、脚本和 Skill，才可能逐渐成为组织能力
• 探索能力和风险控制能力需要同时建立

新技术最初属于那些愿意在答案尚不明确时，先走进去看一看的人。

但一个组织真正掌握技术的标志，不是出现了多少勇敢的个人，而是它能否把少数人的探索，沉淀成多数人可以安全使用的方法。

看见火，不等于掌握火。

把火种变成能力，同时把危险控制在边界以内，技术才算真正进入了组织。