洞察
职场中的 AI 贡献惩罚
我最近读到过的一位分析师花了一整年时间解决一个问题。她与负责该流程的人员坐在一起，收集了没人写下来的抱怨，起草了备选方案，了解其中哪些会在下游引发问题，最终为雇主带来了一项价值巨大的变革。在那一年的某个时候，她使用 AI 助手进行了几天的起草工作。
当这项工作呈交给高层领导时，她的经理要求她突出 AI 的作用。在会议上，他打断了她的演示，说这一切都是那个工具干的。
我一直在回想那个时刻，因为这其实并不是一个关于糟糕经理的故事。这是一个关于某个组织的故事：一旦机器触及了工作的任何部分，它就失去了看到人类贡献的能力。现在有大量的证据表明，这种错误是系统性的。
在包含 4,439 名参与者的四项预注册实验中，研究人员发现，在工作中运用 AI 的人，比在不使用 AI 的情况下做同样工作的人，预期和收到的能力与动机评价都要更差。这种惩罚并非凭空想象。它真实地体现在求职者的评估中。
另一项包含 3,846 名参与者的 11 项实验项目发现，评估者给使用 AI 辅助的工人的报酬更少——这贯穿了任务类型、雇佣状态、支付形式，甚至在产出质量保持恒定或经统计控制的情况下也是如此。该机制得到了直接衡量：人们认为使用 AI 辅助的工人应获得更少的赞誉，这一判断约占薪酬削减的百分之六十。在另外十三项关于披露的实验中，无论在主管、下属、教授、分析师还是创意人员中，声明自己使用 AI 的行动者比未声明者更不受信任。这背后的解释不是准确性，而是合法性：披露将这项工作标记为社会不当行为。
采用这些工具
把这些情况综合起来，你就会发现一个组织在悄悄运行两条相互矛盾的指令：采用这些工具。但不要让人看到你在使用它们。
对于任何留心观察的人来说，理性的反应是隐瞒。而隐瞒的代价高昂，且永远不会出现在资产负债表上：没有人分享什么管用，没有人报告什么失败了，该组织关于其最重要的全新能力的集体学习完全在私下进行。
底层的会计错误
更让我感兴趣的是其底层的会计错误。我们构建了衡量产出并从中推断努力程度的评估系统。当产出更快出现时，推理机制就会得出贡献较少的结论。但在那个分析师的故事中，她实际贡献的几乎没有一个是执行层面的。她贡献了一整年的注意力。她贡献了辨别哪位利益相关者的反对是真实的、哪位是出于地盘争夺的洞察力，以及舍弃三个纸面上看起来很好的备选方案的判断力。AI 负责起草。她负责决定。
一个无法区分这两者的评估系统，将系统性地低估并少付那些正变得越来越稀缺的能力。
文献中的一个充满希望的发现
文献中有一个充满希望的发现。当人类明显参与其中——审查、调整、结合语境、对结果负责时，这种惩罚会显著减轻。这表明，问题不在于人们拒绝给 AI 辅助的工作记功。而在于人在 AI 辅助工作中做的大部分事情目前都是隐形的，而组织还没有建立任何方式使其显形。
这是一项设计任务，而不是价值观问题：根据行使的判断而非被取代的小时数来描述贡献。在评估中询问个人决定了什么，而不是他们产出了什么。经理应该能够具体说出同事贡献了什么，如果说不出来应该感到尴尬。
一个无法说出其员工贡献了什么的组织，最终将停止为之付费。这不是出于恶意。而是出于盲目。