当技术进步快于信任建立

最近，我换到了一个新的组织，开始负责新的项目。

虽然还在同一家公司，但更换团队有时很像换了一家公司。新的领导、新的同事、新的业务语境，过去积累的信用很难随组织关系一起完整迁移。曾经与你合作过的人，知道你在哪些问题上值得信任，也知道你说“可以做到”时，大概意味着什么。可对一个刚刚认识你的人来说，这些都只是未经验证的自我陈述。

我当然知道自己擅长什么。过去几年里，我也用一次次真实交付验证过自己的判断。尤其在 AI 这件事上，我知道它已经怎样改变了我的工作，也知道一套真正围绕 AI 重建的研发方式，可以把人的能力推到什么位置。

但我知道，没有用。

问题从来不是“我是否相信自己”，而是别人为什么要相信我。

信任无法随履历自动迁移

管理者可以依靠汇报关系推动改变。你可以把某种工具列为团队标准，可以把新的工作方式写进流程，甚至可以把采用情况纳入绩效。只要权力足够明确，总有办法让团队在形式上执行。

可我并不认为，这是真正有效的改变。

健康的管理关系不能只靠“因为你能决定我的绩效，所以我听你的”来维持。真正有价值的跟随，来自另一种判断：我相信你对方向的理解，也相信你不会拿团队的时间、信誉和职业发展去进行一场没有边界的冒险，所以我愿意试着跟你走。

这样的信任很珍贵，也很缓慢。它通常来自长期合作中的无数细节：你做过什么判断，承担过什么后果；顺利时如何分配功劳，困难时有没有把责任推给别人；你提出的新方向，究竟只是追逐潮流，还是对现实有足够深入的理解。

问题在于，换到一个新组织以后，这些信号几乎要重新积累。

已经获得信任的人，只要表现得不差，通常就能继续得到机会。尚未获得信任的人，则往往要表现得远超预期，才能换来相同程度的认可。旧人享受信任的复利，新人承担证明自己的成本。

这不一定是恶意，也未必是简单的双重标准。面对信息不足的环境，人只能用已有经验控制风险。熟悉的人犯一次错，可能被理解成偶然失误；陌生的人犯同样的错，却容易被当作能力的证明。因为我们真正评估的从来不只是这一次结果，还有它与过去认知是否一致。

我发现，人对人的判断，与我们测试一个新模型时的心态非常相似。

每个新模型都要先参加一场服从性测试

一个新的 AI 模型发布时，我们通常不会立刻接受厂商的宣传。我们会拿出一批熟悉的问题测试它，让它写一段我们已经写过的代码，分析一个我们早已有答案的案例，或者按照一组复杂要求完成任务。

名义上，这是能力评估。心理上，它更像一场服从性测试。

我们先检查它是否理解指令，能否给出预期答案，会不会犯一些在自己看来很愚蠢的错误。只有当它在我们熟悉的领域表现良好，甚至明显超出预期，我们才愿意把陌生而重要的任务交给它。

可这里隐藏着一个悖论：我们只能用自己已经理解的问题，去判断一个可能比自己更有能力的系统。

如果模型提供了一条我们从未考虑过的路径，我们未必会认为它更聪明，也可能把它当成没有听懂。如果它挑战了问题的前提，我们可能觉得它没有服从要求。如果它的能力已经超出我们的评估框架，那么它越领先，反而越难通过这场由旧认知设计的考试。

人在组织里的处境也一样。

一个新人提出新的工作方式时，组织首先要求他在旧体系中证明自己。他需要使用组织熟悉的语言，完成组织认可的任务，按照原有流程交付结果。等到他积累了足够多的信用，才可能获得改变流程的权力。

在技术演进缓慢的年代，这套机制虽然保守，至少还能运转。一个人可以用几年时间做成几个项目，从较小的责任开始，逐步得到更多资源，最终建立足以推动重大改变的信任。

但 AI 留给我们的时间，可能没有那么长。

指数级的技术，线性的信任

AI 能力和相关工作方式正在快速演进，而组织中的信任仍然按照旧速度积累。

领导今天宣布 AI 战略，三个月后就希望看到结果，半年后可能已经开始调整组织方向。一套工具刚被全员推广，下一代模型就改变了原有的最佳实践。真正理解 AI 的人还没有得到足够信任，组织留给这次尝试的窗口可能已经关闭了。

技术进步可以跳跃，信任却很难跳跃。

更麻烦的是，双方之间的差距有时已经不只是经验多少，而是认知框架不同。领先者展示的东西，对方未必有能力准确判断。最终出现一种很尴尬的局面：真正懂得怎样改变的人知道自己在说什么，掌握资源的人也真诚地想要改变，但两者之间缺少一种能够建立共识的语言。

1793 年，马戛尼使团带着望远镜、天文仪器、钟表、气泵等英国科学与工业制品来到清廷。英国希望借此展示自身能力，推动贸易与外交关系；清廷则主要在既有的朝贡秩序中理解这次出使，把英国使团及其礼物放进一个完全不同的政治框架。

后来的人常常把这段历史简单概括为“清廷把先进技术当成了玩具”。这种说法过于轻率。那些仪器并非完全没有得到关注，双方的冲突也远不只是“一个先进，一个愚昧”。真正值得注意的是：同样一批物品，在两套认知体系里意味着完全不同的东西。英国试图展示工业与科学能力，清廷看到的却首先是一次需要按照既有秩序处理的外邦来访。技术展示没有自然转化为对英国诉求、制度和潜在力量的重新判断。

今天的 AI 当然不能简单类比工业革命初期的中英相遇，但这里有一个相似的危险：当一个人展示新的生产方式时，听众看到的可能只是一套奇怪的工具、一场不够稳定的演示，或者一个过度夸张的承诺。

问题已经不只是“你有没有证据”。有时更困难的问题是：对方是否具备理解这份证据的能力？

当专业能力无法被判断，组织只能依赖代理信号

掌握资源的领导并不一定反对 AI，也未必有意压制真正有能力的人。

他们面对的是一个非常现实的问题：如果自己并不真正懂 AI，又应该怎样判断谁懂？

过去两年，几乎每个人都可以自称 AI 专家。会写几条 Prompt 的人可以，做过几个 Demo 的人可以，能够熟练复述行业术语的人也可以。有人擅长使用工具，有人理解模型边界，有人能改造局部流程，还有人能够重新设计产品和组织。这些能力之间差异巨大，却经常被压缩成同一个模糊标签。

如果领导没有能力直接判断专业水平，他就只能借助代理信号：这个人过去在哪些公司工作，拥有什么职级和头衔，做过什么有影响力的项目，是谁推荐了他，能否讲出一套完整、熟悉、容易向上转述的方法论，以及他是不是一个已经得到自己信任的人。

这并不荒谬。信任本来就是一种信息压缩机制。当我们没有时间或能力完整判断一个人的专业水平时，只能利用过去积累的信号降低决策成本。

然而，AI 正在让其中一些信号迅速贬值。

过去的履历可以证明一个人在旧生产方式中取得过成功，却无法自动证明他能理解下一种生产方式。长期积累的领域经验仍然很重要，但与经验一起固化下来的工作习惯，也可能成为采用 AI 的阻力。一个人非常擅长管理数百人的复杂协作，并不意味着他能设计一套让十几个人与大量 Agent 协同工作的系统。

更重要的是，AI 正在改变“能力”的含义。

过去，我们重视一个人会不会亲手完成某项工作。后来，我们开始重视他能否把工作拆解并交给团队。今天，更重要的也许是他知不知道应该让机器完成什么、如何验证机器的结果，以及哪些事情根本不值得继续做。

前一种能力容易从历史中识别，后一种能力常常只能在实践中显现。

因此，大型组织最后选中的，未必是最懂 AI 的人，更可能是最容易被现有体系识别的人。他有组织熟悉的履历，说组织熟悉的语言，使用组织熟悉的汇报结构，也能够给出一套看起来足够完整的计划。

这通常是旧机制下最安全的选择。可一个曾经帮助组织规避风险的机制，也可能让组织错过下一种生产方式。

为什么“外来的和尚”更容易拿到资源

大型组织的 AI 转型，常常进入一种熟悉的循环。

组织意识到 AI 很重要，却不知道内部谁真正懂 AI。内部员工长期处于领导视野之中，他们做过什么、没做过什么，似乎已经有了结论。那个过去几年一直负责现有系统的人，很难突然被想象成下一场变革的发起者。

外部专家则不同。

他的能力边界还没有暴露，漂亮的履历和成熟的话术给组织留下了想象空间。他可能来自一家知名公司，拥有醒目的头衔，讲述过几个成功案例，也能迅速把复杂问题整理成管理层熟悉的框架。面对一个自己无法判断的领域，这些信号会带来珍贵的确定感。

外部专家未必真的比内部员工更受信任。很多时候，只是内部的人已经被“熟悉”消耗掉了想象空间，而外部人的未知能力仍然允许组织投射希望。

于是，资源和权力被交给更容易识别的人。新的负责人带来新的框架，重组团队，启动项目，要求快速展示成果。但他可能不熟悉产品的历史约束，不理解系统里那些看似荒谬、实际由多年事故留下的设计，也不了解组织中未被写进文档的协作关系。

内部员工则发现，自己积累多年的知识没有转化成参与未来的资格，反而成了“旧时代”的象征。一些人开始抵触，一些人选择观望，还有一些人离开。外部专家失去了真正理解问题的人，内部团队也失去了参与改变的动力。

最后，新人无法落地，旧人已经心灰意冷，项目逐渐失去资源。组织从中得到的结论是：AI 转型确实很难。

问题不在于内部人一定比外部人好，或者外部专家都是骗子。组织缺少一种机制，让实际结果能够及时取代履历、头衔和话术，成为分配信任与资源的依据。

可再往下想，也许我们仍然把问题想小了。困难也许不只是组织选错了人，也可能是旧组织的生产方式，已经无法承载它想要完成的改变。

一栋仍然住满人的老楼，很难被彻底重建

我所在的是一个成熟的大型组织，面对的也是已经运行多年的复杂系统。

这样的系统背后有大量存量代码、历史依赖和客户承诺，也有经过长期磨合形成的团队分工、预算流程、合规要求、绩效机制与汇报关系。每一处看似低效的安排，都可能有一个真实的历史原因；每一条多余的流程，也许都对应着过去发生过的一次事故。

要求这样的组织“用 AI 重新思考已经做了十几年的事情”，有点像要求一栋仍然住满人的老楼完成彻底重建。

居民不能搬走，业务不能中断，承重结构不能轻易改变，水、电、管线却都要重新铺设。改造过程不能制造太多风险，也不能让任何重要客户受到影响。每完成一小段，还要证明本季度的收益。

在这种环境中，每个人的保守选择都很合理。

负责稳定性的人不愿意把关键系统交给尚不稳定的 Agent。负责合规的人无法接受边界不清晰的数据流动。管理者需要保护现有交付，因为他本季度的绩效仍然来自这些交付。工程师也没有理由主动否定自己多年积累的工作方式，尤其当组织还没有说明，效率提高以后，他的位置会发生什么变化。

每个人都在自己的范围内做出理性选择。所有理性选择叠加起来，组织却无法完成真正的改变。

于是，所谓 AI 转型很容易退化成给旧流程增加一些工具：写代码时多一个 Copilot，开会后自动生成总结，用聊天机器人查询内部知识，给原有产品增加一个 AI 入口，在不改变职责和流程的前提下，要求每个人提高效率。

这些事情并非没有价值。它们可能带来真实的局部收益，却很难回答一个更直接的问题：如果今天从零开始，我们还会用同样的团队结构、研发流程和产品形态解决这个问题吗？

如果答案是否定的，我们就不该默认 AI 转型只能发生在原来的组织里。

与其改造老楼，不如在旁边建一栋新的

大型组织不应该只有一条 AI 转型路线。

一条路是改造旧系统。它尊重已有客户、存量资产和现实约束，用 AI 提升现有流程的效率。这条路必要，也会长期存在。

另一条路，是在旧系统旁边建立一支真正独立的 AI-native 团队，让他们从零重新解决同一个问题。

这支团队不需要继承原来的组织结构，不按照原有 headcount 设计工作，不把现有 roadmap 当成不可挑战的前提，也不要求复用每一块存量代码。它可以利用旧组织积累的领域知识、客户理解和合规经验，却拥有重新定义产品与生产方式的权力。

这并不是为创新部门换一个更时髦的名字。如果团队仍然需要经过原有的层层审批，仍然用旧组织的短期指标衡量，仍然只能把 AI 添加到既定产品中，那么它只是一个位置稍远的旧团队。真正的独立意味着，它可以质疑原来的问题定义，选择不同的技术路径，并接受一种不同于成熟业务的失败方式。

对于 AI，这种独立尤其重要。AI 带来的不只是产品功能变化，还有团队规模、角色边界、协作方式和管理跨度的变化。

传统组织需要几百人维持的系统，一支 AI-native 团队是否能用几十人重新实现？过去需要多个职能部门串联的流程，是否可以由少数领域专家与一组 Agent 完成？一个产品是否仍然需要同样复杂的界面和操作步骤，还是能够直接围绕用户意图组织？

这些问题无法仅靠在旧流程里增加几个工具得到答案。它们需要一块允许新生产方式完整出现的空间。

别再等一条不会出现的最优路径

大型组织习惯在行动之前寻找最优解。要先明确战略，统一认识，选定平台，划清治理边界，建立评估体系，再决定由谁负责。每一步单独看都正确，放在一起却可能变成一种体面的拖延。

AI 还在变化，没人能提前设计出一条两年后依然最优的路线。今天争论应该集中建设还是分散探索，明天模型能力就可能改写技术前提；今天用几个月选择平台，平台选定时，真正领先的团队已经换了下一套工作方式。

大型组织最容易犯的错误，未必是押错一条路，而是总想等到所有问题都有答案才出发。它把没有开始叫作审慎，把时间消耗叫作寻找共识，最后连一次足够深入的失败都没有经历，却宣布转型条件尚不成熟。

其实路不止一条。旧系统可以继续渐进改造，独立团队可以从零重建，不同业务也可以采用不同节奏。这些路线不必先争出唯一的胜者。先选一条走下去，走到结果足以暴露问题，再调整方向。真正的能力来自持续行动后的反馈，不来自行动前越来越精致的路线图。

这种行动也不等于豪赌。组织可以给出一个清晰的问题、一段相对独立的时间、有限但真实的资源，以及事先约定的评价标准。交付速度、总成本、产品质量、用户价值、维护成本与合规要求，都可以拿来判断。重要的是让团队有机会跑完一段完整路程，而不是刚迈出几步，就用旧组织的节奏和标准证明它走不通。

信任也会在这个过程中发生。组织不用先确信谁代表未来，只要给不同的人真实做事的机会，让结果逐步替代履历、头衔和漂亮的话术。尚未获得信任的人有了产生证据的空间，组织也不用在一开始押上整个业务。

比选错更糟的是从未真正选择，比失败更糟的是每条路都只走到 Demo。

想不想错过

AI 转型当然会碰到人的问题。假如十五个人真的重建了原来三百人维护的系统，剩下的人怎么办？旧组织积累的领域知识如何迁移？谁承担岗位变化的代价？这些都必须正面回答。人不是可以随时删除的成本项，转型也不能成为一场给裁撤寻找依据的内部赛马。

但对人的责任，不该成为停止行动的理由。越晚开始，组织越没有时间帮助人完成迁移。等到外部竞争者已经验证了新的生产方式，留给旧团队的往往不再是两三年的学习窗口，而是一次急促、被动、没有退路的重组。真正伤人的，常常不是变化来得太早，而是组织犹豫太久，最后只能把积累多年的问题一次性推给员工。

所以我现在越来越觉得，大型组织面对 AI，核心已经不是能不能找到一条完美的转型路径。没有人拥有那张地图，也不会有人替它消除全部风险。

核心只剩下一个选择：想不想错过。

如果不想，就别再等待那个最值得信任的人，别再等待所有领导形成同一种理解，也别再等待技术稳定到可以写进五年规划。保住必须保住的业务，同时给新的组织、新的团队和新的生产方式真正的空间。走旧路也好，开新路也好，收购外部已经跑出来的团队也好，关键是选一条，投入真实资源，坚持走到能够看见结果。

方向可以调整，路线可以并行，失败也可以重来。时间不会回来。

AI 时代不会给大型组织颁发“最优方案设计奖”。当所有人还在会议室里比较路线时，已经上路的人正在获得只有行动才能产生的经验。等最优答案终于看起来足够清楚，它往往已经属于别人。

别犹豫。开始转型，然后坚持走下去。因为今天真正的问题已经不是该走哪条路，而是几年以后回头看时，我们是否会发现，自己从来没有出发。