“编者按：当AI那颠覆性的「苦涩教训」，遇上企业内部混乱的「垃圾桶现实」，我们该何去何从？这篇文章深刻地剖析了过程至上与结果导向这两种范式在AI时代的根本性对决。
ETHAN MOLLICK
2025年7月28日
我最欣赏的组织学论文之一，来自学者 Ruthanne Huising。
它描绘了这样一个场景：：一个团队接到任务，要为公司绘制一份完整的流程图，忠实记录从原材料到成品的每一个运作环节。
然而，随着绘图的深入他们发现，公司里充斥着大量看似荒谬和无序的工作。
他们挖出了一整套产出物根本无人问津的流程，发现了许多用于办成事的非官方“野路子”，还目睹了海量的重复劳动。
许多参与这个项目的员工，本是公司寄予厚望的骨干，在看清真相后，信念纷纷崩塌。
流程图的真相
让我们听听 Huising 教授的亲口描述，看看后来发生了什么：
“一些人还心存幻想，觉得高层总该有一两个人知道这些问题吧。但这种乐观很快就被现实击得粉碎。
比如，一位经理拿着流程图向 CEO 汇报，为他揭示了一个前所未见的景象：公司的战略与运营早已严重脱节，内部设计一片混乱。
这位 CEO 听完汇报，一屁股坐下，把头埋在桌上，过了许久才说一句话：“这状况比我想象的还要烂得多。”
他这才坦承，自己不仅对公司的实际运营失去了控制，甚至连过去那点所谓的掌控感，也纯粹是自己的幻觉。
对许多人来说，这番景象或许并不令人意外。凡是研究过或亲身在组织里待过的人，都会明白一件事：所有组织，本质上都有点乱。
事实上，组织学里有一个经典理论，就叫「垃圾桶模型」。
这个模型把组织比作一个混乱的垃圾桶，里面一股脑地塞满了各种问题、解决方案和决策者。
所谓的决策，往往只是这些要素在某个时刻的随机碰撞，而非什么深思熟虑的理性产物。
当然，这个观点也不能走极端。组织毕竟有其结构、决策者和流程，这些都实实在在地发挥着作用。
关键在于，这些结构并非出自精心的设计和清晰的记录，而是在长期的演变和人际博弈中，慢慢生长出来的。
在「垃圾桶模型」的世界里，潜规则、个人经验、以及那些复杂又没留下文档的流程，才是命脉。
这也正是人工智能难以在企业中大规模应用症结所在。尽管 43% 的美国员工都用过 AI，但大多是零敲碎打地解决自己的问题。
想在整个企业推广 AI，难于登天。因为传统自动化依赖清晰的规则和固定的流程，而这恰恰是垃圾桶型组织所没有的。
要让 AI 真正落地，就必须针对具体场景，耐着性子构建 AI 系统，摸清那些混乱的真实流程，再对症下药。
这是一个艰巨而缓慢的过程，也预示着企业拥抱 AI 的道路将无比漫长。
至少，如果我们坚持认为 AI 必须像人类一样，先去理解我们组织的运作方式，那结论就是如此。但 AI 研究者们，早已得到了一个完全不同的，甚至有些「苦涩的教训」。
苦涩的教训
计算机科学家理查德·萨顿，在 2019 年一篇影响深远的文章中，首次提出了「苦涩的教训」这一概念。
他指出，AI 研究领域存在一个反复上演的模式：每当研究者试图解决一个难题，例如在象棋中战胜人类，他们总是从那些充满智慧和技巧的优雅方案入手。
他们研究开局策略，评估棋子位置的优劣，总结攻击的战术范式，建立庞大的残局数据库。程序员将人类数百年的象棋智慧，一行行地手工编写进软件里。
然而，第一台击败人类世界冠军的电脑「深蓝」，其核心武器并非这些人类知识，而是每秒搜索两亿个棋局的暴力计算。
到了 2017 年，谷歌的 AlphaZero 横空出出世。它在对各种棋类规则一无所知的情况下，通过海量的自我对弈，不仅征服了国际象棋，还一并拿下了将棋和围棋。
人类数百年积累的优雅知识，在它面前变得无足轻重。纯粹的算力规模，结合通用的学习算法，就足以碾压一切。
这就是那个苦涩的教训：把人类的理解强行灌输给 AI，其效果远不如放手让 AI 自己探索，并为它提供无穷无尽的算力。
为何有两个版本的图？为何它们略有出入？答案即将揭晓。
这个教训之所以苦涩，是因为它揭示了一个残酷的事实：我们穷尽一生经验所建立的对世界的理解，在用 AI 解决问题时，可能并没有那么重要。
研究者们数十年如一日，小心翼翼地将人类的专业知识编码，其最终成果，却不如简单粗暴地堆砌算力来得有效。
如今，我们即将亲眼见证，这个苦涩的教训是否也适用于整个商业世界。
智能体
个人使用聊天机器人就能受益良多，但在企业层面，真正的兴奋点在于「智能体」。
这是一个尚显模糊的术语，我把它定义为：能够自主行动以达成特定目标的 AI 系统。
你不再需要一步步地下达指令，而是直接将任务委派给它，由它独立完成。
然而，过去的 AI 系统还远不足以应对真实世界里五花八门的混乱。
因此，一年前我们创建第一款 AI 教学游戏时，必须为智能体系统中的每一步都进行精细的手工设计，才能处理好那些范围狭窄的任务。
尽管 AI 的自主工作能力正在飞速提升，但在绝大多数复杂工作上，它们离人类水平还相去甚远，并且很容易在多步骤的复杂任务中迷失方向。
这是以 80% 的成功率为门槛的测试结果
要了解当前最顶尖的智能体系统，可以看看 Manus。它采用了一系列巧妙的方法，来构建能完成实际工作的 AI 智能体。
Manus 团队分享了许多构建智能体的宝贵经验，其中包含了大量有趣的工程细节和极为精巧的提示词设计。
在写这篇文章时，我向 Manus 提出了一个需求：我需要一张漂亮的图表，对比从现代象棋电脑诞生到 2025 年，人类顶尖大师与最强电脑的 ELO 等级分。
系统立刻开始运作。它先是创建了一个待办事项列表，然后收集数据，编写文件，在我提出微调后，最终生成了文章开头左侧的那张图。
它为何要遵循这个顺序？因为 Manus 是被手工精心打磨出来的，旨在成为当下最强的通用智能体。
它的系统提示里，包含了数百行量身定制的指令，其中就有关于如何创建待办清单的详细说明，这些都凝聚了开发者来之不易的宝贵知识。
你是否看到了问题的关键？精心打磨、量身定制、宝贵知识——这正是「苦涩的教训」告诫我们应该极力避免的工作，因为它们终将被更通用的技术所淘汰。
现在，证据似乎已经出现。OpenAI 最近发布的 ChatGPT agent，就代表了一种根本性的转变。
它并非通过学习人类的工作过程来接受训练；恰恰相反，OpenAI 直接用最终结果的好坏来对它进行强化学习。
比如，他们可能不会教 AI 如何像人一样一步步制作 Excel 表格，而是只负责评价它最终生成的表格质量，直到它自己摸索出制作优秀表格的方法。
为了展示两种路线的异同，我把完全相同的指令也发给了 ChatGPT agent，它生成了右边那张图。
但这一次，没有待办清单，没有预设脚本。智能体只是遵循其内在的、神秘的决策路径，为我呈现出它根据训练所能达到的最佳输出。
你可能会注意到，除了外观，两张图在数据上也存在差异。
例如，它们对深蓝电脑的评分就不同。这是因为深蓝的 ELO 分数从未有过官方测定。Manus 的数据来自一次简单的网络搜索，最终指向了一个论坛的猜测。
而接受了结果导向训练的 ChatGPT agent，则找到了更可靠的信源，包括一篇《大西洋月刊》的深度文章来佐证其数据。
同样，当我要求两者生成一个功能完整的 Excel 文件时，ChatGPT agent 的版本完美可用，而 Manus 的版本则包含了错误。
我无法断言 ChatGPT agent 已全面超越 Manus，但我深信，它的迭代速度将会快得多。
Manus 的进步依赖于更多的人工打磨和定制化开发。而 ChatGPT agent 的进步，只需要更多的芯片和更多的优质数据。
如果「苦涩的教训」依然成立，那么长期的胜负似乎已无悬念。
更重要的是，这两种智能体的对决，向所有企业提出了一个根本性的问题：面对 AI，我们到底该如何布局？
垃圾桶里的未来
让我们再次回到那个混乱的商业世界。
当个体在拥抱 AI 的浪潮中如鱼得水时，企业却仍在垃圾桶的泥潭里苦苦挣扎，耗费数月光阴去梳理内部的混乱流程，然后才敢小心翼翼地部署 AI 系统。
但万一，这个顺序从一开始就错了呢？
苦涩的教训在向我们暗示，或许我们很快就不再需要关心一家公司如何产出，而只需聚焦于产出本身。
我们可以直接定义一份完美的销售报告应该是什么样，一次满分的客户互动该如何体现，然后训练 AI 去达成这个结果。
AI 将在企业内部的混沌中，自己找到一条路。这条路或许比人类摸索出的所有官方路径都更高效，尽管我们可能完全无法理解其过程。
如果未来果真如此，那位曾把头埋在桌上绝望的 CEO，其实大可不必。他无需去理顺每一个打结的流程，他只需要定义清楚何为成功，然后放手让 AI 在那片混乱中自行导航。
这么看来，苦涩的教训或许反而是甜蜜的解药：所有那些不成文的流程、非正式的网络、心照不宣的规则，可能通通都无关紧要了。
唯一重要的，是当一个好的结果出现时，你拥有识别它的能力。
若真如此，那个垃圾桶依然存在，但我们却再也无需亲手在里面翻找。商业竞争的壁垒将被重新定义。
企业过去在优化流程、沉淀知识、打造卓越运营护城河上所付出的一切努力，其价值可能远比想象的要低。
如果 AI 智能体仅靠学习最终结果就能成长，那么任何一个能定义清楚好结果并提供足够多范例的组织，无论其内部管理是井井有条还是混乱不堪，都有可能达到相似的高度。
当然，也存在另一种可能：垃圾桶理论最终胜出。人类社会的复杂性，以及那些在混乱中野蛮生长的流程，对于 AI 来说过于错综复杂，若不深入理解便无法驾驭。
我们究竟身处一个什么样的问题之中？它更像是一盘可以用算力暴力破解的象棋，还是某种从根源上就更为混沌的存在？
我们即将找到答案。押下不同赌注的公司已经纷纷入场，而我们，也终将看清这场游戏的真实玩法。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
