AI 在职场中的隐性风险：个人跑得更快，团队却越来越碎

很多组织觉得自己遇到了“AI 难题”，因为落地情况参差不齐：有的团队跑得很快，有的却迟迟跟不上，整体进展看起来七零八落。

但很多时候，这并不是能力问题。

而是传播问题。

问题不在于大家会不会用 AI，而在于他们学到的东西、搭建的工具、发现的技巧，能不能真正在组织里流动起来。

我是怎么注意到这个问题的

一开始，我研究的不是 AI。

我想弄明白的是：为什么有些团队感觉很“顺”——有创造力、彼此连接、好像大家都在一起解题；而另一些资质差不多的团队，却显得迟缓又割裂？

这让我读到了 Alex Pentland 的《社会物理学：好想法如何传播》（Social Physics）。书里有个观点简单却有力：

创新不只来自聪明的个体，而来自想法在群体中如何流动。

这个框架围绕三个核心展开：

• 探索（exploration）：发现新想法
• 参与（engagement）：一起打磨想法
• 社会学习（social learning）：把有效的方法传开

起初我只是觉得有意思。现在天天和 AI 打交道，才发现它几乎是命脉。

我反复看到的现象

在我们组织里，各个领域都不缺厉害的人，但同样的模式却一遍遍上演：

• 不同团队在跑几乎一样的 AI 实验
• 类似的工具被重复造了好几遍
• 同样的坑，不同的人反复踩

这不是因为大家没能力、没干劲，而是因为信息没有流动起来。

用“社会物理学”看，问题一下子清晰了

当我用《社会物理学》的视角来审视，问题变得清楚很多。

探索（Exploration）是充分的。

大家都在试，AI 让实验变得又快又便宜。

参与（Engagement）很弱。

想法往往分享得太晚——等东西做出来了才给别人看，而不是在成型过程中就拉人一起琢磨。

社会学习（Social learning）更弱。

那些把 AI 用得最溜的人，未必会把自己的思路、workflow、踩坑过程分享出来。结果就是，别人跟不上。

最后的局面是：组织表面上看起来很忙、很创新，但作为一个系统，它并没有真正进化。

AI 是怎么悄悄把团队搞“碎”的

在健康的环境里，想法会经历一个循环：有人探索，大家一起打磨，然后快速扩散。

AI 可能打断这个循环。

探索变成了私人行为，发生在小团队和模型之间的黑箱里。

参与来得太晚，等输出已经做完了，才进入协作环节。

社会学习变得极度不均——一小撮人突飞猛进，剩下的人连尾灯都看不见。

于是，AI 没有增强集体智慧，反而在暗中把它割裂了。

我曾经错在哪里

有段时间，我只盯着个人效率。

学快点、搭快点、跑快点。

AI 让这一切变得异常简单。

但久而久之，我意识到我只是优化了系统里的一个环节。我在放大“探索”，却没有真正贡献“参与”和“社会学习”。

所以，系统没有变好，只有我个人变强了。

我做了哪些改变

我开始换种方式做事。

我做更多的现场 demo，带着别人一步步过 prompt 和 workflow。我展示失败的尝试，而不只是精修后的成果。

不是因为这样做在当下最高效。

而是因为，它在补回那个缺失的东西。

它创造了更多参与——让大家一起思考问题；也改善了社会学习——让过程可见，而不只是结果。

目标从：

“看我搭了什么。”

变成了：

“这东西是怎么运作的，你也可以这么用。”

只有这样，想法才开始传播。

重新理解“好绩效”长什么样

AI 时代，人很容易只盯着“尖子生”。

那个效率翻了十倍的人；那个快速搭出工具、一骑绝尘的人。

我理解这种关注很诱人。但那不是真正的目标。

一个团队赢，不是因为某个人变成了 10x 工程师；而是因为十个人能一起以 2x 的速度前进。

这只有在彼此学习、共同打磨想法、快速扩散有效做法时，才会发生。

传播一旦跑通，整个系统就跟着动了。

团队真正需要做的转变

大多数组织都在努力拥抱 AI。

但很少有组织在守护那些让“大规模落地”真正生效的前提：

• 探索（exploration）
• 参与（engagement）
• 社会学习（social learning）

这才是真正的风险所在。

不是缺能人。

也不是缺好工具。

如果我们不解决想法如何流动的问题，AI 并不会让组织在本质上变得更聪明。

它只会让某些个人变得更快。他们学得更快、搭得更快、产出更多。但如果这些经验被困在他们手里，整个组织不会因此更强，只会更失衡。

这就是 AI 在职场中的隐性风险。

不是大家不会用 AI，而是有些人一骑绝尘，团队却在他们周围越来越碎。

个人更快，团队更碎。

如果这个模式持续下去，组织拿不到 AI 的全部价值。他们得到的是孤立的收益，而不是共同的进步。而随着时间的推移，这道鸿沟会越来越难弥合。