本文来自微信公众号： HavenlonLabs ，作者：HavenlonLabs
当所有人都在谈论AI，怀疑本身开始成为一种职业风险
AI被视为这个时代最理性的工具。它能处理更多数据、比较更多方案、发现更隐蔽的关联，减少情绪与经验局限对决策的干扰。按此推论，它应当让组织变得更理性。
现实要复杂一些。相当多企业对AI的投入，并非建立在清晰的问题、充分的验证与明确的价值之上，而是建立在另一种更模糊的压力上：别人已经开始了。
竞争对手宣布了AI战略，董事会开始追问进展，投资人关心叙事，客户期待产品带上AI标签，员工担心自己所在的部门被视为落后。一家公司启动AI，未必因为已经知道它能解决什么，而可能只是无法承担"没有部署AI"的解释成本。
最理性的工具，正在进入一个并不总按理性运行的组织。
问题未必出在AI身上。真正需要讨论的是：当AI进入组织，它不只被用来分析现实，也被用来证明组织正在跟上现实。从那一刻起，它就不再只是工具。
我们习惯用理性叙事描述企业决策：发现问题，评估方案，计算投入产出，选择最优工具。
真实的组织很少如此纯粹。每个重要决策同时受到多重力量牵引——管理者的职业风险、部门之间的资源竞争、市场叙事的变化、同行的集体行动，以及一个人在公开场合是否敢于承认自己没有答案。技术是否有效只是其中一个变量，有时甚至不是权重最高的那个。
组织社会学对此有过描述：在高度不确定的环境中，机构倾向于模仿同类的做法，因为模仿本身就能提供合法性，而不必等待效果被验证。这被称为"模仿性趋同"。当一项技术成为行业共识，采用它需要的理由会越来越少，不采用它需要的理由却越来越多。
其中的关键是风险不对称。跟随共识失败，可以被归结为行业判断失误；违背共识失败，则容易被归结为个人能力不足。于是最安全的选择往往不是最合理的选择，而是最容易被组织理解的选择。
组织有时不是因为相信一件事而行动，而是因为没有人承担得起不相信它的代价。
这解释了为什么许多技术浪潮进入企业后，会迅速从"解决问题的工具"变成"证明没有落后的证据"。企业不再首先追问它究竟解决了什么，而是追问：我们是否已经部署？覆盖了多少部门？能否写进下一次汇报？
一个旁证是预算流向。MIT媒体实验室2025年发布的企业AI状况研究指出，AI预算高度集中于销售与市场部门，尽管运营与财务环节的回报表现更好。销售与市场恰恰是成果最容易被看见、也最容易被讲述的地方。
理性的技术采用应当从问题出发：先知道自己遇到了什么困难，再判断AI是否合适。在不少组织中，这个顺序被倒置了——先确定必须使用AI，再去寻找一个可以被AI解决的问题。
于是部门接到的任务不是改善某个明确结果，而是"探索AI场景""完成AI化""打造AI能力"。这些表述听起来积极，却缺少最关键的一项：成功的定义，以及失败的定义。
如果一个项目没有失败标准，它几乎永远不会被宣布失败。模型不够准确，可以说数据还需优化；员工不愿使用，可以说培训尚未到位；成本超支，可以说这是长期基础设施投入；没有业务价值，可以说战略价值暂时无法量化。项目于是进入一种悬置状态：没有真正成功，也无法正式结束。
当一个项目不被允许失败，它就不再是实验，而是承诺。
管理学中把这种现象称为承诺升级：投入越多，退出的心理与政治成本越高，继续投入反而成为更容易辩护的选项。启动一个AI项目意味着进取与创新，终止它则可能被理解为判断失误甚至战略退缩。
外部研究提供了这一状态的量级参考。MIT那份研究称，在约300到400亿美元的企业生成式AI投入中，约95%的试点未能带来可衡量的损益影响，仅约5%的深度集成项目产生了显著价值。这一数字被广泛引用，但也受到方法论质疑：它把成功定义为试点后六个月内出现可测的损益改善，样本包含52场访谈与153份高管问卷，报告自身也说明结论"基于个别访谈，方向性成立"，并未覆盖效率改善、流失率下降等间接收益。
把95%当作精确的失败率并不稳妥。但即便打上折扣，它所描述的结构仍然成立：高采用率与低转化率同时存在。
AI对组织的另一重影响，是改变了责任的表达方式。
过去管理者作出决定需要说明理由：为什么选这个候选人，为什么拒绝这笔贷款，为什么削减这个部门。AI参与之后出现了新的措辞——这是模型推荐的，这是数据得出的，这是系统预测的结果。
这些说法听起来更客观，却不必然让责任更清晰。管理者说自己只是参考系统，技术团队说模型只给概率，数据团队说数据来自业务方，供应商说最终决策权属于客户。每个环节似乎只承担了一部分，但结果是完整的：一个人仍然被拒绝，一个团队仍然被裁撤，一笔预算仍然消失。
算法可以分散决策过程，却不能分散后果。
这里需要注意的是因果方向。AI并没有创造这种倾向，它只是给了一个既有倾向更体面的表达。一个鼓励质疑的组织会用AI提出更多假设、比较更多方案；一个害怕失败的组织会用AI为已定方向寻找证据；一个只看短期汇报的组织，会把AI变成生产指标与故事的工具。
同样的技术进入不同企业产生完全不同的结果，原因往往不在技术。技术不会自动带来理性，它只是让组织原有的行为方式获得了更强的执行力。
"数据驱动"常被等同于理性。但组织首先决定的不是如何分析数据，而是什么可以被记录为数据。
员工是否真正信任系统，很难量化；客户是否因为自动化而感到疏远，很难量化；一个团队是否因为被AI监控而变得保守，同样很难量化。相比之下，调用次数、生成条数、节约工时、使用覆盖率都能轻松进入报表。
组织会自然地关注可测量的部分，不可测量的影响则逐渐退出管理视野。企业因此拥有了更多指标，却不一定看见了更多现实。一旦指标本身成为目标，它作为衡量工具的有效性也会随之下降——这一点在管理学中早有共识。
数字能提高判断的分辨率，却不能替组织决定应该看向哪里。
一家公司可以精确统计员工每天调用多少次AI，却难以据此证明他们完成了更有价值的工作；可以计算模型节省了多少写作时间，却不容易判断生成内容是否让表达变得更空洞。风险在于，理性很容易被表面的精确所模仿：只要有足够多的图表、概率与评分，一个决定就会看起来经过了充分论证。
组织最严重的错误，通常不是算错答案，而是从一开始就问错了问题。
驱动这一切的底层情绪，是对落后的恐惧。企业担心对手更早找到效率，管理者担心经验贬值，投资人担心错过下一轮增长。这种恐惧并不荒谬——AI确实在改变大量行业。但它容易让企业把"保持开放"误读为"必须立即投入"，把"积极实验"误读为"不能质疑方向"。
值得注意的是，2026年以来，压力的方向正在移动。
多份来自不同机构的调查指向同一趋势：S&P Global的数据显示，2025年放弃多数AI项目的企业比例从上一年的17%升至42%；Gartner在2026年4月发布的一项针对782名基础设施与运营负责人的调查中，仅28%的用例被认为完全成功并达到回报预期，20%彻底失败；摩根士丹利在2025年第四季度的统计中，仅约21%的标普500公司能够指出可衡量的AI收益。Forrester则预测部分企业会把2026年计划中的一部分AI支出递延到次年。这些口径不一、定义各异，不宜简单叠加，但方向一致：董事会开始要求证据。
这意味着解释成本正在换边。过去需要解释的是为什么不投入，如今越来越需要解释的是投入换回了什么。
但机制本身没有变。如果企业此刻开始收缩，同样可能不是因为完成了独立评估，而是因为收缩变成了新的共识。从追赶转向审慎，未必意味着组织变得更理性——它可能只是换了一个更安全的姿势。
真正稀缺的能力，不是比别人更快行动，也不是比别人更早撤退，而是在所有人催促时仍然按自己的证据决定节奏。
组织的理性不能只依靠更好的模型，它需要一项制度条件：说出不同意见的人，不会因为指出问题而承担不成比例的风险。
这里存在一种被称为"多元无知"的状态——很多人其实看到了问题，但每个人都以为别人仍然相信。员工以为管理层态度坚定，管理层以为市场必须如此，市场以为投资人只接受这一种叙事。最终，一个未被任何人完全相信的共识，因为所有人都在配合而持续存在。
危险的不是所有人都相信AI，而是没有人愿意成为第一个公开怀疑的人。
破解方式并不神秘，关键是把摩擦制度化，而不是依赖个人勇气：
当一个项目获得一致赞成时，指定角色专门提出反对理由；
在立项阶段做"事前验尸"——假设两年后项目已经失败，倒推可能的原因；
要求汇报同时提交失败数据、不适用场景与隐性成本，而不只是最佳案例；
给每个项目预设终止条件，让"结束"成为一种正常结果而非事故；
允许有人提出那个让所有人不舒服的问题：如果不使用AI，会怎么样。
最后一问并不意味着保守。它的作用是帮助组织区分：哪些改变来自真实需要，哪些来自集体压力。
流程希望统一，管理希望确定，技术希望规模化，汇报希望结论清晰——组织天然倾向于消灭摩擦。但如果没有摩擦，错误也会获得极高的执行效率。
一个没有反对声音的智能组织，可能只是一个自动化程度更高的盲目组织。
AI可以让信息处理更快、表达更完整、预测更精细。它不会自动让一个组织更诚实，不能保证管理者愿意面对失败，也无法替企业建立清晰的责任归属。这些从来不是计算问题，而是文化、权力与制度的问题。
AI进入企业后会迅速学习企业的数据。在更深的层面上，企业也会把自己的性格投射到AI身上。
AI放大的未必是组织的智能，而可能是组织最不愿承认的那部分自己。
因此，值得追问的不只是"我们的模型有多强"，还包括：我们是否有能力承认某个项目没有价值？是否允许它真正结束？是否有人能够推翻系统建议？当结果出问题时，是否仍然找得到一个愿意解释、愿意承担的人？
组织真正的理性，不体现在它是否采用了最先进的工具，而体现在它是否仍然能够对工具说：这个场景不适合，这个结果不能接受，我们需要停下来重新判断。
本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4878224.html?f=wyxwapp