AI应用不只替代人力，还将改变组织任务与责任分配方式

人工智能的经济意义，常被放在替代人类劳动的可能性中来考量：人们假设现有的操作可以移交给技术系统，而原有的目标、组织结构和有效性标准保持不变。在这种模式下，技术主要充当降低成本的手段，其应用成功与否，以任务完成时间和人员开支的减少来衡量。然而，这种视角将一项事实排除在分析范围之外：工作的内容并不能被规章中记录的操作清单所穷尽。它还包括调和模糊的要求、识别环境的变化、解决矛盾，以及维护流程参与者之间的关系。因此，AI 的引入不仅影响工作的执行方式，也影响组织据以确定任务、分配责任和评估结果的依据。

从这个角度看，核心问题在于区分“使用新技术的准备”与“在其应用影响下被改造的准备”。数据、计算基础设施和技术能力的可用性，为自动化创造了必要前提，但其本身并不保证组织层面的可行性。后者取决于能否随着 AI 的使用暴露出既有活动安排的局限，而相应地修订流程、权责和有效性观念。同时，转型不应被理解为企业在无条件地适应最新模型的能力：转型的主体仍然是组织生产具有社会和经济意义的结果，而技术只是改变这一活动条件的因素之一。

规章与现实活动之间的关系，可以视为形式化描述与实践秩序之间的关系。规则保证了可复现性、协调性和可验证性，而实践秩序则由具体行动、相互预期和情境决策构成。这两个方面并不重合，但也并非彼此独立存在。规章通过对经验的选择和概括而产生，而日常实践则在对既有规则的影响之下（连同其他因素）被塑造。

专业能力体现在将一般性规定与具体个案的情境联系起来的能力上。员工可能从若干单独来看并不违反既定要求的特征组合中识别出重大偏差，也可能理解一个形式上正确的流程包含着客户与承包方之间互不相容的期望。这类知识未必是被刻意隐瞒，也并非原则上无法描述；它可能之所以未被表达，是因为相应的区分只在活动过程中才出现，并被有经验的参与者视为不言自明。

然而，隐性知识的存在既不意味着无法自动化，也不意味着人类判断具有无条件的优越性。现代学习系统能够复现那些此前未被表述为明确规则的模式。同时，成功识别某一模式，尚不能确立其适用范围的边界，也不能保证条件变化时质量仍能维持。同样，专家的经验既可能包含有专业依据的区分，也可能包含习惯、过时的假设，或对组织缺陷的适应方式。因此，重要的不是决策属于人还是机器，而是能否确定它基于什么依据作出、在什么条件下仍然可靠，以及如何对其进行复核。

知识的分布式特性带来了特别的困难。生产胜任力往往不属于单个专家，而属于一个稳定的互动系统：一个参与者注意到偏差，另一个理解其技术后果，第三个则能够与客户就变更达成一致。保留少数最有经验的员工，却破坏部门之间的联系，可能并不足够，因为行动能力的承载者是整个协作配置。因此，评估自动化的后果，不仅需要分析单个职能，还需要分析使这些职能获得实际有效性的那些关系。

形式化常被描述为自动化的前置阶段：首先必须描述流程，然后将其执行移交给技术系统。这种顺序适用于足够稳定的操作，但在要求和作业方式在转型过程中本身发生变化的地方，就会变得有限。对活动的描述并不是对既有秩序的中立反映，因为类别、指标和流程边界的选择会影响参与者后续的决策。

例如，引入统一的生产订单格式，不仅便于机器处理，也迫使客户更精确地表达要求，承包方预先界定可允许的偏差，管理层确立解决矛盾的程序。一些审批环节消失了，另一些变得更加可见，新的责任依据也随之产生。因此，形式化改变了原本只是被设想为需要描述的对象。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）