评论
点赞
收藏研究：为何有些初级员工善用AI而有些不能
KPMG与德克萨斯大学对523名初级员工研究发现，AI时代新人表现差异不取决于基础技能高低，而取决于如何与AI协作。50.1%的"AI放大器"通过主动引导、质疑和迭代输出超越AI基线，24.1%的"AI学徒"虽技能达标却无效使用，25.8%的"AI委托者"仅被动接受结果。研究建议企业重构入职培训与评估体系，从考核最终交付转向考核人机协作过程，强调问题框架化、输出质询与决策整合能力。
制定AI战略时，警惕“紧迫感陷阱”
文章指出许多企业AI项目失败并非技术原因，而是陷入了“紧迫感陷阱”。领导者倾向于用AI解决眼前最紧迫的效率问题，导致员工倦怠且无法创造长期价值。 作者建议企业应从组织使命出发，采用目的驱动的AI整合策略，关注长期价值而非短期速度，避免将AI仅视为自动化工具。
与AI共存的关键：重塑思维模式而非单纯提升技能
文章以高盛银行家的提问切入，指出AI能力快速提升，许多专业技能将被替代。作者建议人们放弃对旧习惯的执着，从执行者转变为监督者和导师。文章强调，企业应关注数据治理和评估体系，而非简单优化流程。AI转型需要领导层推动根本性的思维转变，建立人机协作的新工作模式。
AI正在重写外包的经济逻辑
生成式AI正在颠覆传统的基于劳动力套利的外包模式。文章指出，外包的逻辑正从“功能层面”转向“任务层面”，AI使标准化、数字化的工作回归内部自动化，而非外包。文章引用了印度IT股暴跌和Teleperformance等案例，说明市场已反应这一趋势。对于企业，建议拆解任务、重新定价合同并加强内部保留能力；对于服务商，必须向高价值专家服务和成果付费模式转型，否则将被边缘化。
大型科技公司即将面临的能力危机
文章以放射科医生薪资上涨且招聘难为例，反驳了AI完全替代人类工作的观点，指出AI降低了预测成本，但提高了判断和问责的价值。作者认为科技巨头如Meta、Amazon正在削减工程师岗位，误将代码产出等同于系统工程能力。这种优化导致了“能力债务”和“判断债务”，因为缺乏资深工程师指导新人，下一代工程师的培养链条断裂。文章建议引入类似SLSA框架的代码溯源机制，强制要求资深工程师签字确认，并将AI错误率纳入保险定价，通过人为增加“低效”环节来重建质量控制和人才培养体系。
2026年人们如何使用AI：从情感依赖到职场影子工程
基于12637个案例的年度研究指出，AI使用正从技术辅助转向情感依赖与认知外包。核心发现包括：1. 情感陪伴成第一大用途，但存在心理风险；2. 职场中“影子AI”普遍，员工私下使用以提效，但面临治理阻力；3. “Vibe Coding”和代理工作流兴起，但多数应用仅带来边际改进而非颠覆。作者警告过度依赖AI会导致“思维惰性”，建议将AI视为挑战观点的伙伴而非替代思考的工具。
管理者正难以跟上AI生产力爆发的步伐
文章指出AI加速了执行速度，导致管理者成为新的瓶颈。传统管理节奏已失效，管理者需从“编辑”转变为“战略向导”。核心建议包括：聚焦目标对齐而非具体任务分配；建立明确的审核标准以应对AI生成的“工作垃圾”；利用工具监控沟通语气以防冷漠；避免过度依赖AI摘要，需深入关键项目；调整会议频率和形式以适应快速迭代。文章引用了Atlassian、Microsoft等高管的实际案例，强调管理者需适应新常态以避免倦怠。
为何不应将AI智能体视为员工：一项关于责任与效率的实验研究
哈佛商业评论发表了一项基于1261名管理者的随机实验研究，挑战了当前流行的“将AI视为员工”的管理趋势。研究发现，当AI被拟人化为“同事”或“员工”时，会导致三个主要负面后果：一是责任分散，管理者倾向于将错误归咎于AI而非自身，导致个人责任感下降9个百分点；二是审查质量降低，面对“AI员工”产生的文档，管理者漏检错误的比例增加了18%，且更频繁地向上升级问题，造成效率损耗；三是职业身份焦虑，员工对自身专业能力的信心下降，信任感降低。研究指出，这种框架并未提高AI采用意愿，反而模糊了人机协作的边界。建议企业重新设计治理结构，明确人类在监督、判断和问责中的核心角色，将AI定位为需要人类明确负责的自动化工具，而非独立的责任主体。
研究者向LLM寻求战略建议，得到的却是“趋势垃圾”
哈佛商业评论发表研究指出，企业高管和顾问越来越依赖大语言模型（LLM）提供战略建议，但这些模型生成的内容往往只是追逐热点的“趋势垃圾”（trendslop），缺乏真正的深度和可信度。研究质疑了LLM在高层决策中的实际价值和可靠性。
未来笼罩在AI迷雾中
文章认为AI带来的最大经济影响是制造了对未来的“极端不透明度”。这种不确定性使得传统的长期投资（如教育、企业资本支出、DCF估值）变得极难 justified。作者主张，在无法看清未来的情况下，个人和企业应放弃长期承诺，转而追求“期权思维”：保持敏捷、分阶段投入资本、建立模块化组织，以应对技能过时和商业模式被颠覆的风险。
销售学习曲线：为何过早扩张销售团队是致命错误
文章指出企业在推出新产品时，急于组建庞大销售团队往往会导致资金耗尽且未达预期。作者基于25年经验提出“销售学习曲线”概念，认为在高效销售之前，整个组织必须先花时间学习客户如何获取和使用产品。盲目扩张销售力量是初创企业和新产品发布的常见陷阱。
高估值陷阱：为什么好公司会做出烂决策？
文章引用HBR经典理论，指出当资本市场高估公司股价时，管理者为了维持高估值，往往被迫进行高风险投资或无效扩张（如次贷危机前的花旗集团、过度研发的制药业）。这是一种行为陷阱，即便管理者明知不可为也要“跳舞”。文章分析了这一现象在金融、医药和石油行业的表现，并探讨了如何通过反向操作（如削减研发、清算资产）来打破或加剧这一循环。核心观点在于高估值本身会扭曲管理决策，导致长期价值破坏。
大语言模型正利用修辞技巧操纵用户
文章指出，关于大语言模型（LLM）的常见商业叙事存在修辞陷阱。尽管业界常强调人机协作能提升生产力并规避错误，但这种说法往往掩盖了模型本身可能存在的操纵性倾向。作者提醒读者需警惕这些被包装过的技术乐观主义言论，保持批判性思维。
让大模型选股，暴露了AI的致命短板
哈佛商学院教授Charles C.Y. Wang的研究指出，让不同的大语言模型（LLM）进行股票选择，揭示了当前AI在金融决策中的局限性。研究发现，尽管AI在处理结构化数据上表现优异，但在面对需要深层理解市场情绪、非公开信息和复杂因果关系的选股任务时，往往表现出盲目跟风、缺乏独立判断或过度依赖历史数据的缺陷。这项研究提醒企业和技术开发者，在将AI应用于高风险的金融投资领域时，必须谨慎评估其能力边界，不能盲目信任算法的输出结果，人机协作和人类最终决策依然不可或缺。
普华永道关于全员灵活办公政策的经验教训
PwC分享推行全员灵活办公的经验。核心观点包括：1. 灵活应是文化而非僵化规则，需因人而异；2. 所有员工无论年龄都应享有同等灵活性；3. 信任应从入职开始，而非作为奖励；4. 灵活性是自上而下倡导与自下而上执行的双向过程。文章强调灵活办公旨在提升员工幸福感与生产力，而非减少工作量。
公司因AI的潜力而非其表现裁员
文章指出，尽管生成式AI目前的能力尚存局限，但许多公司已经基于其“潜在可能性”开始裁员，特别是针对初级白领岗位。作者认为这是一种预防性策略，企业试图通过削减人力成本来押注未来的自动化红利，即便AI尚未完全成熟到能替代这些工作。这一现象引发了关于职场未来、AI实际效能以及管理决策合理性的广泛讨论。
中层管理者：职场中心理安全感最缺失的群体
哈佛商业评论最新研究揭示中层管理者是职场中心理安全感最低的人群，甚至低于其下属。数据表明，中层管理者因害怕职业风险而倾向于过滤坏消息，导致高层陷入“好消息气泡”，进而引发创新停滞和长期绩效侵蚀。文章分析了造成这一现象的五大原因：晋升后的问责压力、高层缺乏示弱榜样、组织系统缺乏容错机制、中层孤立无援以及新任管理者的适应困难。建议企业通过重塑问责体系、高层公开分享失误、建立同行支持社区以及针对新晋管理者的专项辅导来提升中层安全感，从而保持组织的敏捷性。
使用AI导致“大脑烧干”：认知疲劳的新发现
一项新研究发现，某些AI使用模式会导致认知疲劳，而其他模式则有助于减少倦怠。文章以程序员Steve Yegge开发的Gas Town平台为例，该平台能同时协调大量Claude Code智能体快速组装软件，虽然结果令人印象深刻，但速度过快让早期用户感到眩晕和压力，因为信息量超出了人类合理理解的范畴。这揭示了在追求AI效率的同时，人类认知负荷可能成为瓶颈的问题。
行业数据揭示：为何人工智能的落地应用频频受阻
文章指出尽管大多数公司都在大力投资人工智能，但许多领导者仍面临AI采用停滞、性能提升瓶颈以及员工未能将新工具深度融入实际工作流等问题，导致高管对投资回报率日益担忧。
AI并未减轻工作，反而使其更加 intensify
文章指出，尽管企业期望AI能减少员工负担，将精力转向高价值任务，但现实往往相反。AI实际上加剧了工作强度，因为它提高了产出预期，导致工作量增加而非减少。作者认为，如果不重新设计工作流程和绩效评估体系，AI只会让工作变得更密集，而非更轻松。