领导者之所以热爱AI，是因为它让知识的复用变得很容易：即时生成草稿、即时编写代码、即时完成分析。但研究显示，让知识变得易于复用，隐藏着一种代价。
    我们研究组织如何学习，在近期发表于《管理科学》（Management Science）的研究中，我们采用正式分析模型（一种数学框架，用于分析组织中的个体如何在“自主探索”和“复用他人成果”之间做选择），以考察当“足够好”的答案几乎可以零成本获得时，会发生什么。模型预测显示：随着知识复用程度提高，独立探索行为会减少，团队成员会逐渐趋向于采用少数几种相同的方法。简单来说，生产力提高了，但创新却在悄无声息中停滞。
    我们也在实证研究中看到类似的观察。例如，在凯文·布德罗（Kevin Boudreau）和卡里姆·拉哈尼（Karim Lakhani） 于2015年发表在《研究政策》（Research Policy）的论文中，他们发现，当计算生物学家能够无障碍地获取彼此的中间解法（intermediate solutions）时，人们会将更多精力投入到完善现有方案，而不是开展独立实验上。结果，探索空间变得越来越狭窄，这与我们预测的“生产力陷阱”高度一致。
    我们在自己的日常工作中，也体会过这种情况。为了跟上AI的发展曲线，我们所在的机构设立了每周例会，分享最新工具和应用案例。起初出席率很高，但随着时间推移，团队提出的新发现越来越少，参与讨论的人越来越少，而会议内容也逐渐变成介绍最新的AI工具，原因是如果没有这些科普，其他人根本没有足够的背景知识去理解那些新颖的应用。结果变成少数人在持续探索，而大多数人则等待从这些探索成果中获益。这个机制确实促进了知识共享，却削弱了人们投入高成本探索工作的积极性，而这种探索，才是新洞见产生的源头。
    由此可见，生成式AI改变了学习的经济逻辑。如果一份看似合理的战略备忘录几分钟内就能生成，那么愿意花上几天时间去做那些相对较难却能产生原创性洞察工作的人就会越来越少，例如与客户交流、交叉验证数据，以及反复检验假设等。当“足够好”的答案变得免费时，愿意为寻找“更优答案”付出成本的人就会减少。最终，企业里可能充满了能够快速调取各种AI输出的人，却缺乏能够判断这些结果是否可靠、根据实际情况加以调整，甚至推翻其结论的人。

避开生产力陷阱

    解决这一问题，要从根本上转变我们看待努力的方式。在我们的模型中，在个人层面为知识共享增加一些摩擦，反而能构建学者们所说的“吸收能力”（absorptive capacity），提升集体层面的知识总量。所谓吸收能力，是指评估、调整和改进想法，而不只是复制想法的能力。当人们必须付出一定的努力才能使用他人成果时，他们就会进行更多的独立检查与调整。这种投入，既能帮助他们向他人学习，又能产生新的知识供他人借鉴。结果就是，整个系统内的长期知识存量更高，并带来更高的长期平均绩效。
    这一发现促使我们在MBA和博士班研讨课上试行了一套“摩擦协议”（friction protocol）。我们制定了一条简单的规则：若要参与分享环节，必须先证明自己独立尝试过。我们乐见成功案例，但我们更看重那些“失败提示词”（failed prompts），即那些走进死胡同的尝试，以及AI出现幻觉的情况。从网上复制别人的成功很容易，但只有经历过真正的探索，才能记录下一段失败的历程。
    虽然引入“策略性摩擦”的做法在当下似乎拖慢了团队，但它实际上让每个人都变得更好。更多的参与者带着针对同一问题的“局部解决方案”来到现场，团队随后便能将这些局部解法组合成更完善的做法。通过强制参与者先与工具“搏斗”，他们建立了吸收能力。这样一来，当某个突破性成果被分享时，参会者不仅能理解它为什么有效，还能明白如何去调整和应用它。我们分享的不仅是提示词，更拓展了整个团队的知识总量。

培养吸收能力

    我们的研究是基于一个正式模型，而不是实地实验：模型证明了向他人学习需要先具备一定的理解，这样一来长期知识生产就会提高，也就是会有更多不同做法得以保留，完全放弃探索的人会更少，组织也更不容易陷入少数几个“足够好”的解决方案之中。我们研究所揭示的核心机制——吸收能力，建立在数十年的研究基础之上，指出既有知识能够提供概念框架，帮助个体对新信息进行编码并加以运用。正如儿童学习语言时，会将新词汇建立在已掌握的词语之上，专业人士积累专长的过程也是如此。
    在实践中，吸收能力体现为“获取一个答案”与“能够利用这个答案做事”之间的差别。一位具备吸收能力的管理者，不会只是接受AI生成的竞争对手分析报告，而是能够发现其中缺漏之处，拿观察到的市场情况去验证其分析，并根据自身情景调整建议。缺乏吸收能力的管理者，则会将AI输出原封不动地转发出去。
    当我们在研讨课程中试行“摩擦协议”时，我们追踪了实施前后的两项指标。第一，是分享环节中浮现的问题和应用场景的多样性——这是衡量独立探索的一个代理指标；第二，是被分享内容的调整深度（参与者回报的，是一段照搬的提示词，还是一套为了特定目的调整过的工作流程？）。在要求提供独立尝试证据后，变化十分显著。在实施“摩擦协议”之前，学生们提出的原创问题很少，几乎没有人会分享尚未成熟的局部解决方案。引入这项规则后，每位学生平均会贡献两个不同的问题，以及针对每个问题给出约一个局部解决方案。由于每个人都事先独立进行了尝试，讨论过程变得更加活跃，分享内容也体现出真正的再创造：参与者带来的是经过修改的工作流程，而非简单复制的提示词。大家能够迅速在彼此的阶段性成果上继续推进，经常在讨论过程中组合出完整的解决路径。这种现象正是我们模型所预测的结果：摩擦并不会减少学习，相反，它提高了被分享知识的数量，也提升了其质量。
    对于希望追踪团队吸收能力的管理者而言，有几项可观察的行为，可以作为验证指标：员工是否能够发现AI输出中的错误、遗漏或不合理假设，并解释其中原因？最终交付成果是否与原始AI输出存在实质性差异，是否加入了新的事实、约束条件和反例？员工是否会贡献原创性的观察，例如客户反馈、内部系统数据或竞争对手动态，而不仅仅是通用提示词？以及，他们是否能够将一个场景中获得的经验迁移到新的问题上，而不是每次都从零开始？当这些行为不断增加时，就说明团队的吸收能力正在增强。
    遗憾的是，如今许多企业部署AI的方式，恰恰在消除人们理解事物的必要性。领导者往往将重点放在提高采用率和使用便利性上，却在无意中削弱了组织的吸收能力。因此，如果希望保护组织长期的创新动力，领导者就需要重新思考那种单纯追求“越容易使用越好”的逻辑，开始有意识地将“策略性摩擦”重新设计回组织系统之中。

引入策略性摩擦

    我们的目标并不是让工作变得痛苦，也不是增设官僚式的障碍，而是确保知识复用建立在能力之上。关键在于，让人们在过程中投入足够的努力，从而持续学习。我们的研究表明，组织中存在一个最适当的吸收能力水平。摩擦过少会削弱探索；摩擦过多，又会拖慢一切。而且，并非每项任务都值得添加摩擦，对于那些对判断要求较低的常规工作，例如整理会议记录，速度是关键。策略性摩擦应当保留给那些组织真正需要员工思考和学习的任务，而不是用在那些目标是产出的工作上。
    在企业情境中，这意味着要从一种“神谕模式”（oracle model），即用户提问、系统给答案，转向“互惠模式”（reciprocal model），即用户先贡献理解，从而提取智慧。实现这一转变的方法有很多，从简单的策略调整，到更具雄心的系统设计都可以考虑。领导者不妨从以下几个方面着手。定下规则，要求记录独立尝试。例如，在使用AI撰写市场分析之前，分析师必须先提交自己的初步判断，不完整也没关系，但必须说明自己已经掌握了什么信息，以及卡在哪些问题上。这种摩擦最容易实施，因为它不需要改造系统。我们在学术研讨课中采用的正是这种做法：如果无法证明真正尝试过，就不能参与分享环节。
    将AI设计成先要求用户输入，再生成完整输出。例如，当分析师要求生成竞争对手分析时，AI不会立刻给出报告，而是先要求对方提供3条关于竞争对手近期定价策略的具体观察。随后，AI再将这些新信息整合进分析结果中。这样做会迫使分析师在获取答案前先调查，在培养吸收能力的同时，也能收集一线情报，避免AI不断重复利用陈旧信息。当然，用户仍然是通过提示词输入信息，因此这种摩擦相对温和。
    建立“先录入信息、才解锁帮助”的门槛式界面。例如，在分析师要求内部AI生成风险评估报告之前，系统界面会要求他上传一个基准假设，并标注3个关键变量或约束条件。只有在这些人工输入完成之后，“生成”按钮才会解锁。AI会基于分析师提供的信息继续深化分析，而不是直接取而代之。这样可以确保每一次输出都是人与AI的协作，而非简单的任务委派。这是要求最高的摩擦，需要企业开发定制化的AI工具。
    策略层面的事，是团队负责人可以立即着手的。界面层面的方案，需要一定的设计投入，但能够带来双重收益：既提升使用者的吸收能力，也持续收集业务一线信息，防止AI模型陷入只依赖自身输出的封闭循环。系统层面的做法，则是一项长期投资，但这正是企业应该前进的方向——设计让人更聪明，而不只是工作更快的AI工具。

如何识别建设者

    防止组织陷入停滞的努力，甚至可以从员工登录系统之前就开始。许多企业至今仍是为了“正确答案”在招聘人才。但在一个AI饱和的环境里，这种能力已较难形成差异。真正重要的是“正确流程”。在面试和绩效评估中，管理者应当观察候选人和员工如何使用AI工具：他们是将AI输出直接视为完成品，还是会追问、验证假设，并加入自己的观察？
    近期研究已让这些模式变得可见。希拉·利夫希茨（Hila Lifshitz）与哈佛大学、麻省理工学院及华威大学同事开展的一项实地研究，对244名波士顿咨询公司顾问的近5 000次人机互动进行了分析。研究聚焦于三种不同的人机协作风格，区别主要体现在两个问题上：由谁决定做什么，又由谁决定如何做？
    “半人马”（Centaurs）在这两个维度上都保留了人类的主导权，AI只提供针对性协助。“赛博格”（Cyborgs）则由人类决定“做什么”，但在“如何做”上赋予AI较大的参与空间，通过持续的批判性对话与AI协同工作。“自我自动化者”（Self-automators）则将两者都交给AI，并出现研究人员所谓的“去技能化”（no-skilling）状态——既没有培养领域专长，也没有提升AI运用能力。在我们的框架中，“半人马”和“赛博格”就是建设者；而“自我自动化者”则是我们模型所警示的“搭便车者”（free riders）。这些发现指出，建设者与搭便车者之间，区别主要体现在以下两种行为上。
    选择性委托（Selective Delegation）。建设者明白AI擅长与不擅长的边界。他们会将起草文稿、头脑风暴和模式对比等工作交给AI，把需要高度判断的工作留给自己。从提示词记录中可以看到，他们的提问是具体且有针对性的，而不是把工作全部外包出去。
    深度追问（Interrogation Depth）。建设者在使用AI时会挑战它。他们会要求AI解释推理过程、指出矛盾之处，并把自己的数据喂给AI。他们还会反向使用AI：先给出自己的分析，再要求AI检验其中的假设。而搭便车者则倾向于照单全收。信息流动的方向足以说明问题：建设者不断向AI输入背景信息和情境知识，搭便车者则只是从AI那里提取现成答案。对员工的AI使用方式进行评估，不仅有助于培养更强的吸收能力和更健康的人机协作习惯，也能帮助组织识别并投资那些真正创造知识的人，而不仅仅是消费知识的人。
    AI能够立即提升组织的运行速度。但领导者的挑战，在于如何避免这种速度侵蚀组织的吸收能力。通过在工具、工作流程以及人才招聘中引入经过精心校准的“策略性摩擦”，能帮助组织不只是持续产出答案，也持续产出洞见。