一人加 AI，能否达到两人团队的水平？

个人借助 AI 达到普通团队水平，两人团队提高了出现顶尖方案的概率

相对个人独立完成的基线，个人使用 AI 后，方案表现提高 0.37 个标准差，完成时间减少 16.4%。两人团队使用 AI 后，表现提高 0.39 个标准差，时间减少 12.7%。在平均质量上，个人加 AI 与没有使用 AI 的两人团队处于相近水平。

平均值没有给出完整答案。研究者还观察了高质量结果的尾部：基线组只有 5.8% 的方案进入全部方案前 10%，两人团队加 AI 进入前 10% 的概率提高了 9.2 个百分点。个人加 AI 能把常规表现抬高，两名专业人员共同使用工具则更容易产出少数突出的方案。

企业若只比较平均分，很容易得出“一个人已经可以替代两人团队”的结论。尾部结果提醒管理者，常规产出与突破性产出遵循不同的协作规律。前者依赖信息覆盖和表达完整，后者需要不同专业对同一假设提出冲突意见，再共同承担取舍。

AI 补齐了提案中的另一半语言，却没有替代另一半专业责任

研究者分析提案内容时发现，没有工具的研发人员更偏技术，商业人员更偏市场。研发方案会详细讨论可行性和性能，却较少解释消费者为何选择；商业方案善于描述需求和定位，却容易忽略材料、成本与开发限制。使用 AI 后，两类人的方案都变得均衡，专业背景对提案内容的影响明显减弱。

语言模型能做到这一点，是因为它可以在同一次对话里调用多种职业表达。研发人员询问配方时，模型可以追问目标用户和价格带；商业人员描述卖点时，模型可以补充技术约束和验证要求。它为个人提供了一份“另一专业会问什么”的清单，减少初稿中的明显缺口。

这种补全停留在信息和表达层。商业人员写出了技术段落，不代表他能判断实验数据是否可靠；研发人员提出渠道策略，也不代表他掌握真实的零售关系。方案进入验证阶段后，专业人员仍要为数据、预算和风险签字。企业可以让 AI 帮助员工跨过信息壁垒，不能让流畅文本模糊责任边界。

实验还记录了参与者的情绪。使用 AI 的人报告了更多积极感受，工具在一定程度上提供了即时反馈和继续思考的动力。这可能提高个人独立工作的体验，也可能让员工高估方案成熟度。组织需要用专家评审抵消这种自信偏差。

更合适的组织变化，是把跨职能协作从“共同起草”移到“共同判断”

传统跨职能项目常从一次长会开始。每个人带着不同资料进场，前半段用来同步背景，后半段匆忙讨论方案。AI 可以把资料整理和第一版提案提前交给个人：负责人先形成包含用户、技术、竞争和风险的完整初稿，并标出证据不足的地方。专家进入会议后，无需从空白页开始，可以直接审查关键假设。

会议内容也要改变。研发负责人检查技术可行性和实验条件，商业负责人核对用户证据与渠道约束，交付负责人评估时间和资源。团队讨论集中在几处必须由组织承担的决定：投入多少、先验证什么、出现什么信号就停止。会议结束后，团队把决定和理由写回方案，供下一轮实验使用。

企业可以用四个指标判断协作是否改善：个人初稿达到评审标准所需的时间、专家对初稿的修改比例、跨职能会议时长、项目进入下一阶段后被推翻的关键假设数量。生成速度只能说明工具快，后两个指标才反映组织是否减少了错误同步和返工。

个人负责把问题想完整，团队负责判断哪些假设值得用资源验证。

一次随机实验可以改变协作顺序，不能替企业决定需要多少人

研究任务结构清楚、时间有限，参与者提交的是提案。真实创新项目会经历数周或数月的实验、供应链协调和预算争夺，许多重要信息存在于会议关系和历史经验中。论文也没有跟踪产品上市后的收入、毛利或客户采用，无法证明高分提案一定产生商业结果。

长期使用还会带来实验没有测量的问题。个人若持续依赖模型补充另一专业的内容，可能获得更广的视野，也可能停止向真实同事学习。团队减少早期交流后，新人会失去观察资深员工如何判断的机会。多个人使用同一模型，还可能产生相似方案，削弱组织需要的认知差异。

企业适合从资料整合和第一版提案开始调整，让个人带着完整初稿进入评审，同时保留专家签字与集体资源决策。连续跟踪几个真实项目后，再根据修改量、验证成功率和上市结果调整团队配置。宝洁实验提供了一种更高效的协作顺序，没有提供裁员公式。