AI 进组织的行为工程学

导语

过去两个月，我把 AI 落进组织的六个现场写成了六篇案例。但回看这些案例，真正贯穿的 meta 线不是某个工具，而是一层更深的观察——AI 进组织，往下挖一层是行为工程学。

观察框架：三个迁移

稀缺性迁移：当加工能力不再稀缺，判断力、深度、内化、价值观成为新稀缺。AI 把「会做」变得廉价，于是「值得做、为什么做、为谁做」变成了更贵的部分。

瓶颈迁移：技术进步不消灭瓶颈，而是把瓶颈推向更稀缺、更高阶的地方。一个案例里，瓶颈从操作能力迁到授权与信任——工具越强，卡点越往上走。

认知分工：组织正在走向「人的判断网络 + Agent 执行网络」的双层结构。判断留在人，执行交给 Agent——分工的边界由信任决定，而不是由技术决定。

四个核心命题

AI 是放大器：AI = 杠杆，放大倍数 = 你自己的认知深度。但它放大的不只有能力，也有约束——放大你原有的资产，也放大你未设防的边界：数据里的脏、权限上的洞、你依赖却未内化的上下文，都会被一并放大。它忠实于你，包括你的盲区。

上下文外包悖论：AI 越能替人保存上下文，人越没动力内化。信息可调用 ≠ 经验已内化。一项 26811 名学生的实证研究显示：作业外包短期成绩上升，长期却下降——被惩罚的恰恰是集中分析的能力。

触发 ≠ 处理：Agent 的存活判据：被触发的活着，被想起的死掉。它不会像人一样「想起来」自己该干活——有没有被挂进某个高频循环里，决定了它是助手还是收藏品。

GUI 即 API：Agent 模拟人操作，是对 RPA 的降维打击。过去要为企业系统专门写接口，现在 Agent 直接接管界面——把界面摩擦转移给一个不在意摩擦的 Agent。

行为工程学收口

福格行为公式 B=MAP（行为 = 动机 × 能力 × 提示）在我的田野实践里反复浮现。AI 落进组织的真实抓手，往往不是更聪明的模型，而是更聪明的行为设计。

有效提示的两条路径，本质是同一条——寄生：不新建循环，把自己挂到动机已经富集的地方。「提示是借来的，不是发明的」。

金句池

• 稀缺性：当加工能力不再稀缺，判断力、深度、内化、价值观成为新稀缺
• 放大器：AI 既放大能力，也放大约束；放大倍数=你自己的认知深度
• 行为设计：被触发的活着，被想起的死掉；提示是借来的，不是发明的
• 组织：表是给 Agent 看的，不是给人看的；数据关联治理就是核心基础设施本身