The New Problems AI Is Creating (And How People Are Solving Them)

去年这个时候，AI 还是一个很不一样的局面。

GPT-5 刚刚发布，但几乎没有得到什么好评。

大家对 GPT-4o 要被弃用这件事非常不满，而且说实话，围绕 AI 泡沫可能性的讨论和担忧也越来越多。

除此之外，还有一些公司仍然在试图说服自己，AI 被过度炒作了，而且根本不会成什么气候。

现在，一年过去了，讨论已经完全不一样了。

不只是模型进步了，不只是使用场景转向了 agentic，开始兑现多年来一直潜藏着的承诺；那些正在利用 AI 的企业，在提出的问题上也变得成熟得多。

事实上，在过去一年里，很多情况下我们已经从连正确的问题都还没问出来，发展到开始积极解决一些新问题，而这些新问题正是随着 agentic AI 带来的新工作模式出现的。

生产太容易，导致了 AI slop 问题？

那就制定一套新的 AI 写作政策。

顶级模型用得太多，成本太高？

那就想出新的办法，把 tokens 和 intelligence 分配到组织里的不同部分。

今天，我们不仅要深入聊聊 AI 目前面临的挑战，还要聊聊公司实际上是怎么解决这些问题的。

The AI Daily Brief 是一档每日更新的 podcast 和视频节目，关注 AI 领域最重要的新闻和讨论。

好了，朋友们，开始之前先快速说几个通知。

我喜欢我们现在所处的这个 AI 时刻，其中一点是：我们已经走过了第一波很多可以说没那么有用的讨论。

即使在去年的这个时候，关于 AI 这东西到底会不会成气候，仍然有大量争论。

当然了，在我们这边，这其实并不算什么争论，但你还是能看到各地的企业多少还抱着一种希望，希望这只不过又是一个趋势，而他们因为没有深入投入进去，反而会得到回报。

当然，现在来看，事情并没有这样发展。

在过去一年里，尤其是过去八个月里，我们一路飞速穿过了 AI 的第一阶段，进入了 agentic 时代，并且带来了各种相伴而来的后果。

现在正在发生的很多事情都非常强大。

各种规模、各种类型的企业内部，很多工作都在于搞清楚怎样利用那些以前根本不存在的能力。

然而，任何新技术，包括 AI 在内，无论多么强大，都不可能只是在解决问题。

相反，新技术会解决很多旧问题，同时在很多情况下，也会通过它们创造出的机会带来新的挑战。

所以当我们讨论 bot-sitting 或者 AI slop 这样的话题时，我们其实就是在认真讨论：该怎么处理那些伴随 AI 机会一起出现的问题。

今天，我们会看看公司和企业，尤其是在 AI 方面的思考方式发生了哪些变化，以及他们正在做什么来解决其中一些问题。

为了开启这个话题，我们会先从 EY 的一篇文章讲起，题目叫《Four AI Misconceptions That Deserve Greater Scrutiny》，并且会特别关注前三个误解。

我觉得这些都是很好的例子，说明围绕这些事情的主流看法正在迅速转变，而且是在向好的方向转变。

EY 指出的第一个误解是：AI 会立刻带来一轮生产力繁荣。

他们写道，认为 AI 会立刻带来生产力激增的这个假设，很难和经济史相吻合。

重大的技术革命很少会在一夜之间带来整个经济范围内的收益。

蒸汽机用了将近一个世纪，才在英国转化为持续的生产率增长；电力用了大约五十年，才重塑工业生产；而计算机革命也用了差不多十年，才在整体生产率上带来可衡量的提升。

他们解释说，任何技术革命的第一阶段，都是建设支撑它的基础设施。

就 AI 来说，这意味着要扩建数据中心、半导体制造、电力生产、云计算能力，以及数字基础设施。

在这些技术能够扩散到更广泛的经济领域之前，还需要培养部署和管理这些技术所需的人才。

所以在这一部分，EY 其实是在用两种非常不同的方式谈生产率。

他们谈的是那种会体现在整体宏观经济数字里的、可衡量的生产率；但我觉得，至少对我们这次讨论来说，更相关的部分，是组织内部立刻出现的生产率爆发。

我认为，大多数组织正在发现的是，AI 的能力是参差不齐的，AI 带来的生产率提升同样也是参差不齐的。

有些领域，只要一个组织在 AI 上投入过哪怕一点时间，收益就会立刻显现，而且非常清楚、非常巨大。

但也有一些领域，即使人们相信 AI 最终会影响到那里，它们依然顽固地停留在过去一贯的做事方式里。

此外，组织还在经历一个混乱、复杂、又耗时的过程：弄清楚如何把新的 agentic 工作方式，和新型的人类监督与管理结合起来。

我们并没有看到有些人想象中的那种一对一切换，也就是从人类做工作，直接变成 agents 做工作。

所以，弄清楚如何利用所有这些新机会，本身又创造出了一整套新的工作；至少在短期内，在很多情况下，这些新工作会填满你原本因为之前任务生产率提高而省下来的时间。

这并不是说这一切都互相抵消了，也不是说生产率最终会保持不变。

我们非常明显地处在一个过渡阶段，而在通往新常态、通往新的做事方式的路上，就是会有海量的工作要做。

总体来说，我接触到的组织都已经完全接受了这个事实，现在正在一个一个地解决这些挑战，这样它们才能真正利用好 AI，而不是坐在那里哀叹为什么没有从 AI 身上得到自己期望的那么多。

EY 指出的第二个误解，是围绕这个话题更进阶的讨论中的一个关键部分；对我们 AI Daily Brief 来说，尤其是在今年年中的那段时间，它一直是我们讨论的核心内容之一。

那就是一个误解：AI 几乎是免费的。

他们写道，认为采用 AI 成本很低，这种假设忽视了一个重要的经济现实。

不同于传统的企业软件，AI 每次被使用时，都会产生实实在在的边际成本。

对很多企业来说，许可证、基础设施和培训上的初始投入，仅仅只是开始。

每一次 prompt 都会消耗 tokens、算力和电力。

随着 AI 被嵌入到组织的各个环节，成本会迅速累积，把 AI 从一次性的技术投资，变成一项经常性的运营开支。

很多早期采用者已经在发现这个现实。

有几家公司报告说，由于员工使用量超出预期，年度 AI 预算在几个月内就被用完了，于是不得不引入 token 预算、使用上限，以及更严格的治理。

与此同时，frontier AI providers 还在不断推出能力更强的 reasoning models，而这些模型更高的性能，往往伴随着更高的 token 消耗和更大的运营成本。

他们写道，回头看，新技术的扩散，受到的限制与其说是技术能力，不如说是部署经济性。

AI 也不会例外。

采用速度不仅取决于这项技术能做什么，还取决于每一个 token 创造的价值是否超过它的成本。

他们说，这背后的含义很清楚：AI 应该像任何其他资本配置一样来管理。

我觉得这个所谓的“误解”有意思的地方在于，它其实早就已经在一步步逼近了；只不过到了今年，我们终于生活在这个我们早就知道会到来的现实里。

在 ChatGPT 出现之后，AI 发展的最初几年里，各个组织还可以把它当成又一个 SaaS 订阅来对待。

价值这笔账就是：员工人数乘以每个席位每月的成本，再乘以一年十二个月，然后看这个数是不是低于大家创造出来的价值。

不过，agentic AI 当然彻底改变了这个等式，让它不再那么像软件，而更像一种新型劳动力。

现在，我并不认为这对各个组织来说是什么令人震惊的意外。

我觉得如果说有什么让人意外的话，那就是尤其是那些被赋权的员工，实际消耗大量而且昂贵的 AI token 的速度有多快。

这一点比其他任何事情都更能为 AI 接下来必须回答的一整套问题和挑战设定背景。

但媒体围绕这件事的讨论，说实话，真的让人火大。

这种讨论往往把企业说得像一群无能的乡巴佬，好像有一天醒来才震惊地发现，AI 和他们原来以为的东西完全不一样。

这些讨论把 token 预算和使用上限之类的东西，描述成企业在疯狂追赶一列已经失控的火车。

但真实世界里的真实组织，事情根本不是这样发展的。

基本上，我在任何规模的组织里接触过的、只要对 AI 稍微认真一点的人都明白，这是一个新的挑战；事情已经不再像以前那么简单，不是把最强大的模型丢给他们所有的问题，不管问题有多难就行；他们需要为不同类型的问题，真正搭建一套完整的架构，里面包括不同类型的模型和不同类型的结构。

而且组织内部不同的人，需要获得不同数量、不同能力级别的智能。

你们一直听说的那些给使用量和 token 预算设上限的组织，并不是这么做完之后就把手指塞进耳朵里说，别跟我讲。

他们同时也都在建立路径，让人们可以申请更多预算，或者证明自己配得上更多预算。

事实上，如果说有什么值得注意的话，那就是各个组织适应这套新挑战的速度，应该让人对整个企业界非常受鼓舞。

我认为，企业部门这么快就转向并理解这是他们面对的新挑战，这非常值得肯定，也说明这件事并不是突然从天而降；过去几年里，他们至少在会议、圆桌讨论和意识层面，已经一直在为这个新的 agentic 阶段做准备。

但这就把我们带到了第三个误解：AI 会让劳动力变得多余。

这就有点偏离我们今天的话题了，也就是 AI 带来的、公司正在解决的新问题，因为这个说法就是彻头彻尾错的。

它其实不是一个需要解决的问题，因为它根本就不是一个问题。

过去几年里，有两类人一直非常坚决地说 AI 会让劳动力变得多余。

第一类是领先 AI labs 的领导层，他们把不成比例的媒体曝光都花在谈这件事上，尽管最近至少其中一些人已经开始试图收回这种说法。

第二类一直相信这一点的人，我其实甚至不相信他们真的曾经相信过；那就是那些需要好借口来解释自己为什么裁员的商业领袖。

我当然相信，任何老听众都知道，AI 会影响工作和职业的形态，也会对劳动力市场产生影响。

但我认为，过去一年左右，有些公司把百分之四十甚至更多的裁员归咎于 AI，这完全就是胡扯。

那只是一个市场愿意买账、愿意接受的方便借口。

就像我在最近一期节目里说的，我觉得这个借口现在已经不管用了。

而且我认为，你看到越多公司不得不把之前解雇的人再招回来的故事，就越会给这个误解的心脏永远插上一刀。

但就像我说的，我感兴趣的不只是这些误解，而是大家意识到 AI 创造出了一整套新的挑战，以及人们正在如何应对这些挑战。

所以现在我们来谈谈 AI 出现后随之而来的一个大问题，也就是大量糟糕的 AI 写作泛滥。

一开始真的很酷，AI 居然能围绕你提出的任何具体想法或任务，产出那么多文字，而且看起来甚至还挺有说服力。

当然，人们都想尽可能快地把尽可能多的工作做完，然后去忙别的事，不管是更多工作，还是完全不同的事情，所以大家真的在不断试探，看看 AI 写作到底能用来做多少事。

现在，这种模式当然也蔓延到了社交平台上，而这些平台都在处理各自版本的 AI 垃圾内容问题。

这件事之所以从来没有像让其他一些人那样让我那么焦虑，其中一个原因是，在我看来一直很明显，机构或者社会层面的免疫系统会对此做出反应。而这正是你现在开始看到的情况。

你会看到 AI 检测工具开始出现在 Substack 这样的平台上，虽然我对此仍然非常怀疑。

但你也会看到一些更有利于社群的做法，比如 LinkedIn 帖子上那个新按钮，你可以点击表示你正在读的某些内容，引用一下，‘看起来像 AI 垃圾内容’。

像这样的系统出现得越多，人们就越没有动力去制造 AI 垃圾内容，也越不容易在使用 AI 写作时偷懒。

而且，出现这类回应的地方不只是社交网络。

你也开始在公司内部看到这种变化。

Clay 的联合创始人 Varun Anand 就在这周发帖说，公司已经在他们组织内部制定了一项正式的 AI 写作政策。

有意思的是，一开始这项政策只针对工程团队，但其他团队觉得它很有帮助，于是他们把它扩展成了全公司的政策。

这四条指导原则里，第一条是，当你写下某些内容时，你必须为其中的每一个观点、每一句话负责。

用 Varun 的说法，在你分享之前，你有责任确保整份文档都代表的是你自己的想法。

第二条原则是，写作就是思考——花时间经历写作过程，会让你更了解自己的主题；如果你绕过这个过程，你对这个主题的理解就会更浅。

第三条原则是，写一份文档所花的时间，应该比阅读它所花的时间更多。

他说，如果你用一个很短的 prompt 生成一份文档，然后要求读者去读那份更长的输出，那就是不尊重他们的时间。

如果他们愿意，他们自己也可以去跟 ChatGPT 对话。

第四，也是最后一点，更长并不等于更好。

他指出，AI 让生成长文档变得很容易，而且它很喜欢往里面塞那些什么也没说的句子。

如果你是用一个很短的 prompt 生成文档，那不如考虑直接分享那个 prompt。

现在，你会注意到，这里并不是在说不要使用 AI。

它并没有因为人们使用 AI，就给他们打上一个耻辱的标记。

它甚至也没有制造一种反对使用 AI 的微妙社会压力。

这是一条告诫：不要偷懒，要意识到，在很多情况下，产出某个东西的过程，和它最终创造出来的结果一样有价值。

在这一点上，它正是一个完美的例子，说明我们正在如何解决 AI 带来的新挑战，而这些挑战现在在我们的公司和组织里，实际上是不可避免的。

而且，Varun 把整份政策都发了出来。考虑到已经有八千三百七十七个人给它点赞、鼓掌或者点了爱心，你完全可以相信，未来几周，这类政策会出现在更多组织里。

那么，单靠这些就能挡住 AI 垃圾内容的浪潮吗？

当然不能！

但社会规范和职业规范可以很快适应——我觉得，甚至比我们有时预期的还要快。

我每天都在这个节目里讨论 AI 的潜力和 AI 的现实之间的能力差距。

大多数公司仍然还在摸索该怎么开始。

让 AI 如此令人兴奋的一部分原因在于，它是一种全新的体验，而我们所有人都在同一时间一起经历它。所以很多人都在一路分享他们的最佳实践和学到的东西，这样大家就不用一遍又一遍地犯同样的错误。

随便哪一周，你都可以刷 LinkedIn，或者基本上任何其他社交渠道，看到一大堆来自企业或商业领袖的文章，分享他们最近弄明白的、关于怎么让 AI 为自己所用的新经验，同时也很明确地说明，现在还没有人完全知道这件事到底该怎么做。

很多时候，这些评论本身就来自正在创造 AI 的那些 labs。

OpenAI 的 CFO Sarah Friar 这周发表了一篇文章，题目叫《What Building an AI-Native Finance Function Taught Me》。她在文中认识到，AI 不只是把他们过去的工作做得稍微快一点，而是带来了全新的机会。

Friar 说，我们设定了两个大胆的目标：零天结账，以及自动化、持续更新的预测。

她接着说，零天结账背后的想法，是让领导者能够实时看到公司财务状况的视图，而且这个视图是已经对账、并且可追溯的。

持续预测是在这个基础上进一步发展，展示业务正在如何变化，接下来可能会发生什么，以及哪些决策可能改变结果。

这很有挑战。

她指出，这推动我们超越了静态电子表格、手动搜索支持性记录，以及做演示文稿这些方式，转向基于公司完整背景和数据构建的实时工具。

更重要的是，她指出，要做到这一点，需要的不只是采用新技术。

这需要围绕真正重要的决策来重新设计工作，给人们留出实验空间，把清晰的责任机制嵌入每一个工作流，并衡量 AI 稳定完成的工作，从而给出清楚的 ROI。

那么，她认为其他人也可以借鉴的五条实用经验是什么呢？

第一条是，先让每个人都能用上，然后再创造一个使用它的理由。

Friar 认为，人们需要有自由在自己的工作语境中探索 AI，而当这种访问权限和围绕真实问题的结构化实验结合起来时，才能创造最大的价值。

说实话，公司内部的 hackathon 几年前我觉得还会被人嗤之以鼻，但现在已经变成了一种真正有用的组织架构，我看到它在各种公司和场景里不断出现。

不过，对 Friar 来说，简短总结就是：你既需要自下而上的实验，也需要自上而下的战略。

顺便说一句，回到我们刚才讨论的 token 预算问题，我认为，当我们设计更复杂的方式来分配 token 这种稀缺资源时，这会成为一大挑战。

事情不会简单到让每个人都为每一个 AI 使用场景证明 ROI 就行，除非人们只想要那些最容易证明 ROI 的使用场景。而在很多情况下，那些场景会是非常简单的生产力提升，而不是对工作方式的彻底重构。

Friar 的另一个经验是，各行各业的专业人士，除了原本的专业能力之外，正越来越多地成为 builders。

她写道，更大的转变在于，财务专业人士现在可以自己构建工作所需要的工具。

OpenAI 最近的研究显示，财务专业人士的专业化 AI 使用中，有百分之四十涉及传统财务之外的工作，有百分之二十二涉及工程相关任务。

她说，我团队里的每个人都在用 ChatGPT Work 和 Codex 构建定制的 AI dashboard 和工具。

工作正在从静态的 Excel 模型和 PowerPoint 文稿，转向建立在公司完整背景和数据之上的实时 dashboard。

这些工具可以把一项分析继续推进下去，回答后续问题，并随着底层信息的变化而更新。

如果你想用一种简单方式来概括每一个充满知识工作者的组织都将面对的整体技能升级挑战，那就是，正如 Friar 所说，如何帮助人们弄清楚，怎样使用这类工具，以及怎样利用它们的新能力，让自己现有的专业能力走得更远。

Friar 还有一条建议，是关于他们如何评估事情。

她建议衡量每单位 intelligence 所创造的价值。

她写道，CFO 需要一套基于运营表现的 AI 评分卡，当然她说的也可以适用于任何类型的高管。

买更多 seats，或者使用更多 tokens，并不能说明太多问题。

真正重要的是，工作有没有做好，以及它真正的成本是多少。

对每一个工作流程，问四个问题。

AI 有没有完成真正重要的工作？

它的成本是多少，包括员工时间、审核和返工？

结果好到可以使用了吗？

还有，它有没有帮我们更快推进，或者做出更好的决策？

这正是我说的那个意思：现实生活中围绕 AI 真正在发生的对话，比媒体呈现出来的要聪明得多、更成熟、更细腻，也更复杂。

公司并不傻。

他们知道，光看消耗了多少 token 是不够的，但他们也知道，用过于简化的方法去理解 ROI 同样是不充分的。

而且，这种细腻的理解正越来越成为常识。

Section CEO Greg Shove 本周也在 LinkedIn 上发帖，谈到他现在正在告诉 CEO 们的关于 AI 的五件事。

第一点呼应了我在这个节目里经常谈到、甚至在这一集前面也提过的一个观点：AI token 最大化很蠢，但 token 最小化也一样蠢。

你的职责就是下大注。

不要在还没看到收益之前就缩减预算，自己给自己使绊子。

对整个组织的生产力提升做一些假设，投资转型，并接受这样一个事实：一到两年内，你不会看到完整图景。

现在，Greg 讲得更进一步，甚至给出了一个具体做法。

他建议选一个团队，把投入提高十倍。

他写道，大多数员工赋能都是广撒网、浅尝辄止。

虽然这是一个不错的起点，但你也需要一个“灯塔团队”——这是他的说法——在这个团队里，转型发生得更快，成果也更大。

最后，为了提前应对一个常见的、而且将来还会继续出现的挑战，Greg 建议避免陷入十二个月停滞期。

他写道，第一年很令人兴奋。

你推出了工具，开了启动会，也看到一些高频用户冒了出来。

现在大家都在说，这真的值得吗？

不要变得怀疑，而是要变得具体。

哪些团队被卡住了？

是什么卡住了他们？

你可以尝试什么办法，让他们用不同的方式工作起来？

这里再次体现出一种乐观：组织适应的速度有多快。

不管你看哪里，都会看到公司提出的问题正在发生变化：从更简单变得更复杂，从杠杆更低变得杠杆更高。

BCG Global Chair Rich Lesser 捕捉到了 AI 讨论在成熟度上的这种变化。

他写道，我们从 CEO 那里最常听到的关于 AI 的问题，已经悄悄变了。

以前的问题是，我们应该用哪个 model？

现在的问题变成了，我们是不是太早、太多地押注在一个还在演进的生态系统上？

基本上，他以及他提到的那篇配套文章所描述的，是公司正在走出一种思维模式：不再把 AI 决策简单看成只是选择合适的 vendor。

这呼应了 Microsoft 的 Satya Nadella 最近一直在强调的同一种节奏。他们认为，一个组织拥有他们所说的 enterprise cortex：也就是 IP、核心数据、关键业务规则、专有信息，以及对流程如何运作、如何连接到核心业务战略、目标和价值观的编码化理解。

这些是最有价值的内部知识，也是让它的 AI 战略能够成功的关键要素。

组织需要拥有那个承载这一切的 harness。

所以，从非常现实的意义上说，组织正在试图解决的另一个重大转变和新问题，就是从‘该买哪个 model’，转向‘如何创建一个组织层面的 harness’，让它能够使用任何 model，或者多个 model 的组合，同时保留更广泛的组织语境，包括工具、技能、guardrails、治理等等。

而同样让我觉得有意思的是，在人们分享他们如何解决一些由 AI 带来的更明显挑战的同时，我们也开始出现一种看得更远的讨论：在一些 AI 问题还没变得像可能那么糟之前，先提前预防。

Ridges-Younan 指向另一篇 BCG 论文，里面认为，当所有人都使用 AI 时，公司可能会失去关键技能。他写道，大多数领导者没有在追踪的风险，不是 AI hallucinations，不是失业，而是 distributed deskilling——也就是在整个员工队伍中，判断力、批判性思维和问题定义能力的集体性侵蚀；它会在 adoption 数据在 dashboard 上看起来很漂亮的时候，悄悄发生。

BCG 调研的领导者中，有一半说他们已经看到了这种情况；超过百分之六十的人预计，在未来三到五年里，这会成为一个真正的威胁。

他说，正在变弱的那些技能，恰恰就是公司说未来十年最需要的技能。

而虽然在 BCG 那篇文章里，他们把它框定为一个系统设计问题，但这里显然也有一个人才层面的维度。

我们的研究告诉我们，如今不到五分之一的员工对使用 AI tools 感到有信心。

大约三分之二的人说，如果他们使用它所付出的努力能够被认可，他们会更愿意支持变革。

Token 使用量并不是 adoption 的替代指标——信心才是。

而信心不是靠推出一个工具就能建立起来的。

它是在每一次有人选择做困难的事、而不是容易的事的时候，通过围绕这个工具强化正确行为建立起来的。

而虽然我认为，现在说我们已经跨过了某个转折点绝对还太早，但终于开始出现一些认识：我们在 AI 的人这个维度上投入严重不足，却过度偏向了技术维度。

在他们最近的 adaptability report 里，KPMG 认为，领导者在技术上投入过多，而在人才上投入不足。

他们指出，executives 增加对新技术投资的可能性，是投资员工培训的两倍。

虽然百分之五十七的领导者说，提升绩效和效率是他们过去一年里的首要任务之一，但不到百分之十的人说，建设更强的员工培训项目是他们的主要目标之一。

KPMG 写道，这话说出来可能痛得很明显，但仍然需要说：在动荡时期，员工需要更多培训和支持，而不是更少。

Executives 不应该把把资本投向技术还是投向人才看成一种取舍。

当组织把这两者一起推进时，会看到更好的结果。

AI 和技术 adoption 需要 change management，而那些没有投入足够资源去培养员工所需技能、让他们充分利用新工具的公司，往往很难实现这些工具的全部价值。

更重要的是，这可不只是某种让人感觉良好的说法。总体来看，有百分之二十五的商业领导者说，过去三年收入增长了百分之二十或更多；而在那些增加了对员工队伍投资的领导者中，这个数字是百分之三十七。

当然，AI 培训并不简单。

它并不容易。

它当然也不只是给他们最好的视频课程，再给他们一个可以放到 LinkedIn profile 上的 certification 就行了。

这需要非常艰苦的努力，也需要在实际任务上花时间。

并且从根本上去调整流程。

但至少，这现在已经是我们正在进行的那类对话了。

而且随着越来越多的公司找到有效的方法，比如 Sarah Friar 在她那篇帖子里分享的经验，其他公司能参考的模板就会越来越多，也就更容易回应正在出现的实际挑战。

随着 AI 不断演进、采用率持续提高，尤其是当我们真正全面拥抱它那些具有变革性的方面时，我们也会发现新的、涌现出来的挑战。

前进的路径在于：我们要能够识别这些问题、给它们命名，并且把它们放到公开场域里一起解决。

这周我看到 Zara Zhang 在 X 上发了一个特别值得思考的话题，来自最近一篇叫做 The Tragedy of the Cognitive Commons 的论文。

这篇论文给一个你可能已经本能地感受到的问题起了一个很高级的名字：the tragedy of the cognitive commons，也就是“认知公地的悲剧”。

检查 AI 的输出需要很深的专业能力。

而深厚的专业能力，来自多年做那些基础、繁琐的活儿。

可这些基础活儿，正是 AI 最先吃掉的东西。

所以我们正在构建一些需要专家监督的系统，同时又在拆掉目前唯一已知的、培养专家的过程。

这篇论文把人类专业能力的共享池称为 cognitive commons，也就是“认知公地”。

每一个行业都从中汲取资源。

但没有人在往里面补充。

通过取消初级岗位，每家公司单独来看都做得完全理性。

那集体结果是什么呢？

一个行业再也抓不住 AI 的错误，因为它从一开始就没有学过怎么真正做这项工作。

换句话说，十五年后，谁来检查 AI 的作业？

当然，当我们谈论这种很遥远的问题时，我不觉得我们应该毫无疑问地接受它们一定会像人们现在描述的那样成为现实问题，但它们确实值得我们思考、值得花时间研究，因为世界上没有哪个问题是完全没有答案的。

Zara 认为，深厚的专业能力只能来自多年做基础活儿，但这在专业领域里是一条自然法则吗？还是说这只是过去一直以来的做法？

有没有其他方式可以培养这种专业能力？又有没有激励机制能让公司把人放到可以发展这种能力的位置上？

这些都不是简单轻松的问题，但它们都是值得提出来的好问题。

我觉得真要到关键时刻，如果你非要让我用一个很大的 TL;DR 来概括我对过去一年 AI 在企业内部演进的感受，那就是：我们已经从非常频繁地问那些不太有用的“会不会”的问题，比如 AI 到底会不会成为一件大事，转向了更有价值得多的“怎么做”以及“怎么把它做好”的问题。

我想鼓励大家继续提出这些问题，并且尽可能公开分享你们的答案，这样每个人就不用都自己从头解决一遍。

这是本周末这一集留给大家思考的内容；不过现在，今天的 AI Daily Brief 就到这里。

一如既往，感谢你的收听或观看，我们下次再见，peace。