生成式AI正在让员工丧失独立思考能力

生式AI这股浪潮，来得迅猛，但随之而来的问题也相当棘手。最典型的一个，就是AI产出的大量低质内容，正在悄然侵蚀企业内部的效率与信任。一个残酷的现实是：员工对这些内容的依赖程度，还在与日俱增。

哈佛商业评论最近的一篇博客直接点破了这个危险信号——员工正在变懒，效率下滑，质量管控失效，甚至连职场诚信都开始动摇。专家们给出的结论很直白：企业必须立刻行动，否则局面将彻底失控。

牛津大学赛德商学院教授马蒂亚斯·霍尔韦格，与分析师托马斯·达文波特，专门写了篇文章剖析这个问题。他们给这种现象起了个名字：

。

他们的原话是这样的：“当‘劣质化’在企业流程中大规模、连锁式蔓延，这些流程本身及其产出就会开始退化。久而久之，员工将对赖以完成工作的流程失去信任。”这正是“知识衰减”定义的核心——它不是个体问题，而是组织层面的系统性退化。

知识衰减的三大挑战

要防止知识衰减，霍尔韦格和达文波特认为必须直面三大核心挑战：核实、验证与熵增。先别被这些术语吓到，它们背后的问题都很具体。

核实：剥离真实与虚假

核实，说白了就是把真实人工内容从可能存在明显错误的AI生成内容中剥离出来。听起来简单，但操作起来却耗时耗力。你需要动用批判性思维，做额外调研——这些投入，往往直接抵消了AI带来的效率收益。

举个招聘的例子。现在的求职者用AI写简历已经不算新鲜事。更“高级”的操作是：优化提示词来迎合算法排名，甚至在面试时暗中借助AI实时生成答案。结果呢？企业可能录用到能力不足或不匹配的候选人。最后，招聘方不得不在无法使用AI的线下面试上花更多时间来做二次验证。绕了一圈，效率反而更低。

验证：人类价值的再确认

知识验证的核心问题是：在AI介入的工作流程中，人类到底在哪个环节创造了真正的价值？以咨询公司为例，客户付费购买的是专家的人工洞察，而不是AI批量生成的报告和PPT。两位作者强调：“人类专家不仅要证明输出成果的质量，还要证明这是真正由人类智力劳动产出的。”这一步很关键——它直接定义了你凭什么值这个价。

熵增：一场“基于AI的高风险传话游戏”

知识熵增，这个比喻非常妙：每经过一次大语言模型的处理，知识就会进一步偏离最初的“原始真实”数据。“经过大语言模型迭代的次数越多，内容就越偏离原始信息，”两位作者指出。原因很简单：大语言模型是概率性、无上下文感知的统计模型——它没有事实或真相的概念，只是在预测最可能出现的输出。

更麻烦的是，当大语言模型用其他模型生成的合成数据进行训练时，这些数据在反复迭代中会影响模型的准确性与稳定性。这种现象被称为“生成式近亲繁殖”或模型坍塌——相当于让AI自己和自己传话，每传一次就错一次。

如何重建AI使用规范

面对这些挑战，两位专家给出的建议很直接：企业在模型架构设计与使用规则制定上，都需要实现“根本性的跨越式转变”。

首先，最困难也最关键的一步是：

。AI应当只被应用于真正能创造价值的场景，而不是无差别地渗透进所有流程。比如在招聘中，与其让求职者自由撰写AI生成的简历，不如要求其填写结构化表单，回答那些AI无法代劳的具体问题，比如具体担任的职位、完成的项目、协作团队成员、服务的客户及管理的预算等。这样一来，AI就不太容易“代笔”。

当生成式AI的使用不可避免时，企业应当明确它所创造的价值，并对使用方式保持透明。两位作者的建议很清楚：“内容不必完全由人工创作，但如果使用了AI，就应清楚说明为何使用、如何使用。”

在绩效评估中，管理者可以这样操作：先从团队成员和客户处收集具体、详实的信息，再借助AI进行综合归纳——而不是直接生成千篇一律的通用要点报告。后者看似高效，实则埋下了知识衰减的种子。

在跨组织流程中，比如收入周期管理，所有参与方都应就AI的使用方式及介入节点达成共识。问题的核心不在于AI是否比人类更擅长某项任务，而在于它是否真正在提升效率、而非简单替代人工。

从架构层面看，企业应当追踪结构化与非结构化数据的来源，识别并记录“原始真实”信息，确保内容可追溯、可验证。这就好比给每一项知识内容都贴上“来源标签”，记录它在被AI处理前的样子。

两位专家的最终警告值得重视：若企业不能遏制生成式AI在业务流程中的无序扩张，极有可能重蹈半世纪前企业计算机普及时“生产率悖论”的覆辙——技术投入持续增加，实际生产效率却并未显著提升。

人力资本与Token资本的融合

其他专家同样认为，解决问题的关键不在于排斥AI，而在于找到人类优势与AI优势的最佳融合点。

微软CEO萨蒂亚·纳德拉提出了一个非常有启发的思路：把“人力资本”与“Token资本”结合起来。所谓人力资本，就是人类的知识、判断力、人际关系、创造力与模式识别能力；而Token资本，则是企业自建和拥有的AI能力。两者融合，应该形成一个持续迭代的学习闭环。

在这个闭环里，人类负责引导AI系统、设定目标、识别规律，防止AI“原地打转”。内部评估机制则可以依据企业自定义的基准，衡量AI是否在持续进步，从而积累可查询的机构记忆——既减少Token消耗，又为企业节省成本。

纳德拉的原话总结得很到位：“每一个经过优化的工作流程都能产生更好的训练信号，进而加速积累企业特有的隐性知识。”换句话说，人机协作的效率是分层次、可积累的，关键在于建立正确的迭代机制。

Q&A

A：知识衰减是当生成式AI在企业流程中大规模应用后，内容质量逐步下滑、员工批判性思维退化、流程可信度降低的组织层面现象。牛津大学教授霍尔韦格与分析师达文波特指出，这会导致员工对日常工作流程失去信任，质量管控失灵，长期来看会损害企业的知识积累与运营效率。

A：专家建议从三方面入手：一是限制AI仅用于真正能创造价值的场景；二是在允许AI介入时，明确其使用目的与方式，保持透明；三是从架构层面追踪数据来源，记录“原始真实”信息，确保内容可溯源。此外，应在跨部门流程中统一AI使用规范，避免知识在多次AI迭代中失真。

A：微软CEO萨蒂亚·纳德拉提出，未来企业竞争力来自“人力资本”（人类的判断力、创造力、人际关系与模式识别能力）与“Token资本”（企业自建的AI能力）的结合。两者应形成学习闭环：人类引导AI目标与方向，AI通过持续优化工作流程积累机构专有知识，最终实现效率提升与成本节约。