当机器给出越来越多的答案，人还要决定什么？

答案充裕之后，目的需要更清楚

未来推演。 一家企业准备调整客服体系。AI很快给出几套方案：缩短回复时间、减少人工班次、为高价值客户提供专属服务。每套方案都有成本测算，也都能写出充分理由。

经营者仍然要回答：企业希望怎样对待等待中的客户？哪些问题值得保留人工判断？节约下来的时间用于接待更多人，还是改善服务？这些选择包含对人的承诺，无法仅凭一张效率表完成。

本文提出一个治理判断：当机器能够生成更多可行路径，企业需要更明确地保留目的设定与责任归属。这是一项管理主张，不能由模型表现直接推出，更不意味着所有人的所有能力都天然优于机器。

研究已经发现了什么

已发生的实证结果。 2025年正式发表于《经济学季刊》的《Generative AI at Work》，研究了5172名客服人员所在场景中AI助手的分阶段引入。以每小时解决问题数衡量，平均生产率提高15%，不同经验与技能群体的收益存在明显差异。该场景中，员工可以编辑或忽略建议，继续负责对话。论文正式发表版

另一项涉及758名顾问的随机实验，正式发表于2026年的《Organization Science》。在研究设定的能力范围内，使用GPT-4的参与者平均用时减少25.1%；在一个被选为能力范围之外的复杂管理任务上，使用AI的参与者答对概率反而下降。研究原文

这些结果来自特定模型、组织与任务。它们支持按任务检验效果，不能证明AI会使每一家企业增长，也不能证明保留一个人工审批按钮就足以保证判断质量。今天部署的新系统，同样需要自己的证据。

选择权可能悄悄移动

由上述结果出发，可以提出一个需要在企业内验证的风险：当系统负责整理信息和生成备选方案时，它也可能影响人看见哪些问题。审批者即使握有最后的确认权，也未必见到了关键的反对意见。

假设客服方案只用平均处理时长评分，复杂投诉就容易被视为拖累。若再加入客户问题是否真正解决、转接是否顺畅，方案排序可能改变。指标的选择已经包含价值判断，应由业务负责人解释，并接受受影响者的反馈。

因此，人机关系需要同时安排建议权、决定权与质疑权。员工应当知道何时可以偏离建议，主管应当有能力检查依据，客户应当能够提出异议。组织若只奖励与系统一致的决定，名义上的人工把关就可能失去实际作用。

在方案进入会议之前，管理者还可以要求保留一个尚未解决的问题，以及一种被放弃的路径。这样做的价值在于，让选择过程留下可讨论的空间。若每份报告都只呈现一个流畅结论，成员就很难看见代价由谁承担，也难以判断还有没有更合适的安排。

效率收益也有分配问题

机制推演。 假如同样的团队能够处理更多请求，新增价值可以成为更高利润、更低价格、更短等待时间，也可以成为员工学习和休息的空间。技术提供了选择的可能，采用哪一种分配方式，要由组织作出决定。

这也影响专业经验的价值。如果AI建议吸收了资深员工积累的知识，企业就应讨论谁负责维护这些知识、如何认可贡献，以及新人通过什么工作继续形成判断力。否则，短期效率提高与长期能力建设之间可能出现张力。

企业家需要关注这种关系的变化。把员工定位为纠错者，却不给足时间、信息和否决权，责任就可能大于能力；把系统输出直接当作绩效标准，也容易忽略指标之外的工作。

让责任落到能够行动的人身上

企业试验建议。 部署前可以先写明要改善的问题、不能牺牲的条件，以及哪些承诺必须由谁批准。试验阶段保留对照任务，分别记录速度、质量、返工与投诉，避免用单一效率指标决定是否扩展。

复核者需要访问原始依据，有时间提出异议，也有权暂停流程。高风险决定应留下当时的备选方案、选择理由与批准人。这样的安排才能让责任与实际控制能力相匹配。

观察人的位置是否得到改善，可以看新人能否逐渐独立解释判断，资深人员的异议能否改变结果，客户的特殊处境能否进入决策，以及节约的资源最终流向哪里。这些信号比登录次数更接近组织真实的变化。

机器可以持续扩展可选路径。企业依然需要有人说清要抵达哪里，愿意为谁付出什么，以及出现偏差后如何回应。人的位置，就在这些能够被追问、被修正的承诺之中。

资料核验日期：2026年10月28日。研究结论按原始任务范围引用；文中的组织设计与价值分配判断为编辑分析。