一家制造企业曾经遇到过一个并不复杂的问题某个零件在生产过程中经常出现尺寸偏差。工程师很早就找到了原因问题出在模具设计上只要重新修改模具缺陷率就可以大幅下降。但修改模具意味着停产、重新验证还可能影响当期交付。相比之下在生产线末端增加一道人工检测显然是一个成本更低、阻力更小、当月就能见效的选择。于是公司增加了几名质检人员作为临时措施。后来订单增加质检人员也随之增加。再后来公司购买了专门的检测设备建立起质量管理系统开始统计缺陷率、检出率、返工率和问题闭环率。几年过去一个最初只需要修改模具的问题已经长成了一整套成熟的管理体系它有岗位、有预算、有流程、有考核也有值得汇报的年度成绩。在年度会议上质量部门可以自豪地展示今年自动检测率提高了多少缺陷识别速度提升了多少返工效率又提高了多少。所有指标都在进步唯独有一个问题几乎没有人再问——为什么这些缺陷还在不断产生这个故事并不罕见也谈不上愚蠢。它之所以值得讲是因为它揭示了组织里一种被长期误读的能力很多组织真正危险的地方并不是它们没有能力解决问题恰恰相反是它们越来越擅长解决问题。而有些问题本来就不应该长期存在。AI 的出现让这件事变得更值得警惕。当“解决问题”本身成为一种能力在过去一个糟糕的设计很难被长期掩盖原因并不高深掩盖它太贵了。如果每天有几百个客户因为同一个设计缺陷打电话投诉公司就必须雇更多客服如果两个系统的数据永远对不上财务就必须安排大量人员逐笔核对如果一套管理流程需要几十份报表才能维持员工就得不断加班整理数字。这些安排都很低效但低效在管理上具有一种被忽略的价值它本身就是一种报警。它以工资、加班、延期和离职率的形式持续不断地提醒管理者——这里有东西设计错了。人力成本越来越高员工越来越疲惫客户越来越不满组织迟早会被迫回过头去重新审视那个最初的问题。换句话说过去的组织之所以偶尔能够纠错并不完全因为管理者足够清醒很大程度上是因为错误维持不下去。AI 正在改变这一点。客户投诉太多AI 可以自动分类、自动回复、判断情绪并生成解决方案财务对账太慢Agent 可以连接多个系统自动比对异常报表太多模型可以每天早上批量生成代码历史债太重AI 可以持续分析、修补和局部重构会议太多AI 可以录音、总结、分配任务甚至自动跟踪执行进度。原来需要几十人才能勉强维持的系统现在可能只需要几个人加几个 Agent。于是一个非常微妙的变化发生了问题没有消失问题带来的痛苦却消失了。这才是真正需要留意的地方。因为在绝大多数组织里推动改变的从来不是对问题的认知而是对痛苦的忍受达到了极限。当痛苦被技术吸收之后认知也许还在动力却可能一起消失。AI 消灭的可能只是问题带来的痛感我们通常把技术进步理解为降低成本这当然没有错。但管理中有一类成本具有特殊意义它不仅是损失也是反馈。一条糟糕的流程消耗大量人力本身就在告诉组织这条流程可能有问题一个系统每天需要大量人工对账本身就在提醒管理者两个系统之间可能存在结构性缺陷一个产品如果需要庞大的客服团队反复处理同一种投诉那么客服成本其实是产品设计问题的外显信号。过去这些信号很难被隐藏因为它们最终都会变成可见的支出与可感的疲惫。管理者可以选择忽视一段时间但很难忽视很多年。AI 的特殊之处在于它可能第一次大规模地降低了“维持错误系统”的成本过去需要二十个人完成的报表现在一个 Agent 几分钟完成过去需要五十名客服处理的问题现在模型可以承担其中大部分过去每天需要人工筛查的异常现在可以自动完成初筛。从效率指标来看这毫无疑问是进步。但如果这些工作本身来自一个错误的组织设计事情就没有那么简单了。效率提升在此处扮演了双重角色它既节省了资源也切断了信号。当维持错误变得足够便宜组织就可能失去纠正错误的动力。这可能是 AI 进入组织之后一个很少被讨论的副作用。过去几年人们反复讨论的是 AI 会不会做错事情——会不会出现幻觉会不会误判会不会带来风险。这些担心当然合理。但还有一个同样值得警惕的问题AI 会不会把原本应该被淘汰的事情做得太好了一件事被做得越好它被质疑的可能性就越低。这正是效率与判断力之间最隐蔽的冲突所在。处理问题与消灭问题是两种完全不同的能力设想一家公司的客户每天产生一千条投诉。AI 客服上线之后可以自动处理其中九百条响应时间缩短人工成本下降满意度甚至有所提高。从项目验收的角度看这几乎是一个模范案例。但如果其中七百条投诉都来自同一个产品设计缺陷那么真正更高级的方案可能并不是建设更强大的 AI 客服而是修改产品让那七百条投诉根本不要发生。前者是在处理问题后者是在消灭问题。这种区分在组织中随处可见。每天自动生成五十份报表是处理问题发现其中四十份从未参与任何决策然后取消它们是消灭问题。让 AI 自动完成两个系统之间的对账是处理问题重新设计数据架构让两个系统从源头保持一致是消灭问题。让 AI 自动整理越来越复杂的审批材料是处理问题重新思考为什么一个简单决策需要十几层信息流转是消灭问题。这两种能力看起来很像实际上分属不同的层次。效率解决的是“怎样把事情做得更好”管理首先应该回答的却是“这件事情是否应该存在”。AI 最大的诱惑恰恰在这里。因为“做得更好”太容易被量化了节省了多少工时提升了多少效率减少了多少人力缩短了多少响应时间。这些数字天然适合写进季度报告也天然适合作为一个团队争取预算的依据。相反“我们取消了一个本来就不必要的流程”很难形成漂亮的项目成果——它没有增量只有减量它不产生新的岗位反而可能减少岗位。于是组织会本能地奖励前一种能力并逐渐失去对后一种能力的耐心。而一旦这种偏好固定下来问题就不再只是被容忍它开始被供养。一个问题存在得越久围绕它形成的组织就越复杂问题还有另一个特征它一旦长期存在就会慢慢产生自己的利益相关者。最初只是一个临时补丁后来变成一个岗位岗位多了变成一个团队团队大了就需要负责人、预算、系统、供应商和考核指标。再往后这个问题甚至可能成为某个部门存在的理由。这并不意味着其中的人有恶意。恰恰相反每个人都可能在认真工作而且工作得相当出色。客服希望提高响应速度质检部门希望降低漏检率运维团队希望缩短故障恢复时间合规部门希望提高审核效率。每一个局部目标都合理每一次改进都真实但把它们组合起来组织可能已经逐渐忘记最初的问题是什么。一个组织最危险的时刻不是它解决不了问题而是它开始从问题本身获得利益。这里的“利益”并不只是收入。它可能是预算是岗位是权力是晋升是项目是供应商合同也是一个团队能够继续证明自身价值的理由。到了这个阶段彻底解决问题反而变得困难因为消灭问题已经不再只是改变一条流程它意味着改变围绕这个问题长出来的整套结构。AI 在这里又一次发挥了作用只是方向未必是人们期待的那个。过去一个复杂流程可能因为需要几百人维持而最终难以为继未来它可能只需要几个 Agent就能以极低成本继续运行很多年。从这个意义上说AI 并不天然推动组织变得简单它甚至可能让复杂组织获得更长的寿命。复杂性一旦不再昂贵就不再自我修剪。AI 最危险的地方也许不是做错而是把错误做得非常高效眼下关于 AI 的企业讨论大部分仍然围绕同一个问题展开哪里还能用 AI客服可以用销售可以用研发可以用财务可以用HR 也可以用。越来越多的组织开始系统性地寻找“AI 场景”把流程逐个盘点看哪些环节可以被自动化。这本身没有问题但在真正决定自动化之前也许应该增加一个更前置的追问如果今天从零开始设计这家公司这项工作还会存在吗如果答案是否定的那么最好的 AI 项目可能不是自动化它而是取消它。这是一个相当反直觉的判断因为它与技术团队的本能相反。技术天然擅长解决已经被定义好的问题给定一个流程优化它给定一个任务自动化它给定一组指标提高它。AI 尤其擅长这种事情而且做得越来越快、越来越便宜。但组织真正稀缺的能力恰恰是重新定义问题。这种能力要求有人愿意站到流程之外去问一些在流程内部显得不合时宜的问题我们为什么需要这张表为什么客户总是在同一个地方投诉为什么这两个系统需要人工对账为什么一个简单决定需要这么多人参与以及最难的那一个——为什么我们正在投入大量资源把一件从一开始就不应该存在的事情做得越来越好这些问题没有模型性能指标也很难被立项却往往比模型本身更重要。它们决定的不是组织跑得多快而是组织跑在哪条路上。AI 时代管理者更需要拥有“删除”的能力过去几十年企业管理讨论的主题大多与“增加”有关增加流程增加系统增加团队增加控制增加指标。这在一个执行成本高昂的时代是合理的因为每一次增加都要付出可见的代价代价本身构成了约束。AI 时代很可能出现另一种竞争力谁更有能力删除。删除没有价值的流程删除重复的信息传递删除历史形成但已经失去意义的岗位动作删除那些因为过去技术能力不足而不得不存在的中间环节。这些动作不产生新的成果也不容易被表彰却决定了一个组织在自动化之后究竟会变成什么样子。因为 AI 真正带来的机会绝不仅仅是让旧组织运行得更快。它更应该被理解为一次重新设计组织的窗口期——一个可以把过去二十年为了迁就技术限制、迁就人力瓶颈、迁就历史妥协而堆积起来的结构重新拆开检视的机会。如果只是把原有的一切原封不动地交给 AI那么我们最终得到的可能只是一个效率极高的旧世界。过去员工花三小时制作一份没人真正需要的报告未来 AI 用三秒完成。这当然是进步但真正值得问的问题依然没变为什么还要有这份报告这也许才是 AI 时代管理者必须重新学习的一种能力。不是看到一件事情就问“AI 能不能帮我们做”而是先问如果今天从零开始设计这个组织我们还会创造这件事情吗AI 让解决问题变得前所未有地容易。也正因为如此我们更需要保持另一种正在变得稀缺的能力判断哪些问题值得解决哪些问题本来就不应该存在。