AI 的能力边界为什么像一条锯齿线？

边界内，AI 同时提高速度、完成量和人工评分质量

在 18 项模型擅长的任务中，使用 GPT-4 的顾问完成速度提高超过 25%，完成的子任务数量增加 12.2%，人工评审给出的质量分提高超过 40%。工具帮助顾问更快生成备选方案，覆盖更多分析维度，并把零散材料整理成结构完整的产物。

低基线顾问获得的提升更大。模型把一些写作、框架和信息组合能力放到了每个人手边，缩小了参与者之间的表现差距。企业在标准化报告、第一轮创意和资料综合中，可能因此提高整体下限，让原本需要大量指导的员工交出可评审初稿。

提升也带来同质化风险。模型常从相似的知识和表达模式中组织答案，许多顾问会得到结构接近的建议。企业若要寻找少数非共识机会，应当额外比较方案之间的差异，并保留独立思考阶段。平均质量变高，并不保证团队获得了更丰富的选择。

边界外，顾问更快完成了一份错误的建议

复杂业务判断任务给出了相反结果。不使用 AI 的顾问正确率达到 84.5%；两个使用 AI 的组分别约为 60% 和 70%，合并后比对照组低 19 个百分点。模型生成的分析看起来像一份专业咨询报告，许多顾问因此沿用了错误线索，没有回到原始材料核对。

速度在这里制造了假象。只使用工具的一组耗时减少约 18%，接受培训的一组减少约 30%。如果企业仪表盘只记录交付时间和文档数量，这项任务会被判断为成功；只有把建议与正确业务结论对照，管理者才能看到工具让团队更快走向了错误方向。

短期提示培训没有修复问题。边界外任务中，接受培训的一组相对对照组的正确率下降 24 个百分点，只使用工具的一组下降 13 个百分点。培训提高了顾问调用模型和组织提示的能力，却没有给他们增加识别错误线索所需的业务证据。熟练使用工具甚至可能放大信任：模型回答更完整，员工也更愿意把它当成已经验证过的分析。

企业需要用自己的工作样本画边界，并把复核成本算进生产率

“顾问可以使用 AI”或“财务暂时不适合使用 AI”都过于粗糙。同一个岗位包含起草、检索、核算、解释和决策，多项任务可能分布在边界两侧。企业应从真实工作产物中抽取样本，保留原始材料、验收标准和最终业务结果，再让员工用现有工具重新完成。

评审者需要在不知道产物来源的情况下分别评价事实准确性、完整性和可执行性。生成时间之外，还要记录员工花在核对引用、修正计算和重新组织方案上的时间。模型五分钟生成、专家四十分钟复核的报告，不能被记成五分钟产出。企业节省的是从任务开始到可以安全使用的总时间。

错误后果决定授权方式。营销创意可以允许多版本生成和人工抽检，合同条款、财务判断和客户承诺需要证据出处与明确责任人。低风险任务可以让员工自由选择工具，高风险任务应固定输入、复核和审批流程。边界地图为每类任务规定具体使用条件，避免用一个“可用”标签覆盖所有情况。

企业评测要回答三个问题：模型拿到了什么上下文，员工怎样发现错误，错误发生后谁承担后果。

模型在进步，旧评测仍会过期；关键任务需要持续重跑

实验使用 2023 年春季的 GPT-4，当前模型、检索系统和工具调用能力已经变化。真实项目也拥有更多内部数据与协作环节，可能把部分任务推入能力范围，也可能引入新的错误。研究没有跟踪建议执行后的收入、成本和客户影响，读者不能把短期产物评分等同于经营结果。

企业可以保留一组稳定任务观察模型升级，也要定期加入新业务和历史失败案例。模型版本、知识库和流程发生变化时，团队重新运行关键任务，比较正确率、复核时间与错误类型。一次通过只能授权当时的组合，无法替未来版本背书。

这项研究改变了评估 AI 的尺度。岗位级判断太粗，速度指标也不够。管理者需要把工作拆到可验收的任务，识别模型在哪些条件下可靠，再根据错误后果安排人工复核。速度只有在结论正确、复核成本可控时才会形成经营价值。