一人 + AI 真的等于两人团队吗?五个真实协作场景复盘

场景一：客服座席——新手获益最大，老手边际递减

Erik Brynjolfsson 等人对 5,172 名客服座席的研究（发表于《Quarterly Journal of Economics》2025 年）交错引入了生成式 AI 对话助手：AI 辅助使每小时解决的问题数平均提高 15%，但收益高度不均。低经验、低技能的工作者在速度和质量两方面都显著提升；最高经验组只获得微小速度增益，质量甚至小幅下降。

AI 在这里不是简单的“乘法器”，它的收益曲线偏向新手：把新手托到熟手水平很有效，把熟手变成超人则不行。额外发现是，AI 辅助还促进了工作者学习，尤其提升了国际座席的英语流利度。

场景二：咨询顾问提案——在能力边界内赢，跨出边界就输

哈佛商学院与沃顿研究者同 BCG 合作的实验（700 多名顾问参与）把任务分成“边界内”（GPT-4 能力可及）和“边界外”（GPT-4 会犯错）两组。边界内任务，仅用 GPT-4 的组绩效比对照组高 38%，低技能半数组用 AI 后提升 43%；边界外任务，仅用 GPT 的组绩效下降 13 个百分点——研究者观察到人们会“关掉大脑跟着 AI 走”，错误的推荐更可能被照单全收。

这个场景回答了一个关键问题：一人加 AI 的上限，取决于任务是否落在模型的“锯齿状能力边界”之内。边界内，一人确实可以干两个人的活；边界外，多一个人反而是纠错机制。

场景三：知识工作者日常——省下了时间，但没改变工作

NBER 的另一项研究（Working Paper 33795）横跨 66 家公司、7,137 名知识工作者，把生成式 AI 嵌入他们日常用的邮件、会议和写作应用，实验期长达 6 个月。结果是：实验后半段，80% 实际使用的实验组工作者每周少花 2 小时处理邮件，并减少了正常工作时间之外的工作时长。

但除这些个人层面的时间节省外，研究没有检测到工作任务的数量或构成发生变化。这是对“一人等于两人”叙事的一个警示：AI 带来了可测的时间节省，但没有转化为任务组合或产出结构的改变。个体生产力工具层面和组织产出层面，是两回事。

场景四：跨职能创新提案——平均分追平，顶尖方案仍需团队

宝洁的 776 人随机实验（“The Cybernetic Teammate”）让四种组合完成同一类创新任务：个人借助 AI 达到了普通两人团队的平均水平，但两人团队提高了出现顶尖方案的概率。研究者分析提案内容发现，AI 补齐了另一半专业的语言——研发方案开始讲用户，商业方案开始补技术约束；但商业人员写出技术段落，不代表他能判断实验数据是否可靠。

常规产出靠信息覆盖，突破性产出靠不同专业对同一假设提出冲突意见。AI 擅长前者，替代不了后者。（本站此前对该实验有更详细的解读，见《一人加 AI，能否达到两人团队的水平？》。）

场景五：罕见问题与判断兜底——人是最后的纠错层

回到场景一的研究：AI 的收益在“中度罕见问题”上最大——人类经验少、但系统训练数据充足的场景。而场景二显示，一旦进入模型的能力边界之外，人类若放弃判断，绩效反而下降。

合在一起的结论是：AI 把“中等难度、大批量”的工作接过去了，留给人的恰恰是两端——极高频的标准动作（不值得用人）和极罕见的判断兜底（AI 靠不住）。后者不需要很多人，但需要对的人，并且需要组织明确：什么情况下必须由人签字，什么信号出现就停止。

给管理者的分场景清单

• 信息整合、初稿撰写、客服响应：一人加 AI 可以替代多人，重点是把省下的时间投向更高价值的工作，而不是直接砍人头。
• 边界外任务、突破性创新、长期责任：保留跨专业的人，AI 是参谋不是拍板者；警惕“关掉大脑跟着 AI 走”。
• 组织度量：别只量生成速度，量初稿达标时间、专家修改比例、被推翻的关键假设数——这些才反映协作是否真的变好了。