什么是能力悬置，组织该做什么？

能力悬置是什么

首尔大学计算机工程系李在旭教授在最近一次访谈中提到了能力悬置这个说法：AI 模型的成熟度提升得非常快，而使用者的能力平均而言增长得慢得多，结果是把 AI 用得极好的强用户和用得一般的用户之间，生产力差距被大幅拉开。

先拆开词。能力（capability）是工具能做到的事；悬置（overhang）原指像屋檐那样探出、悬在下方之上的部分。合起来就是工具已经具备、但人还没学会取用的性能——像屋檐一样悬在头顶的余量。

打个比方。公司给每个人发了一台最新的相机。相机每年都在变好，但摄影水平不会以同样的速度提升。多数人只用自动模式，少数人去调光圈和快门，把相机本来就能给的结果取出来。相机越好，这两群人的照片差得越远。AI 工具眼下发生的就是这件事。

关键在于，悬置不是工具的缺陷。工具在正常工作。没被用起来的性能之所以堆积，是因为取用它所需的判断力还没长到那个程度。所以这个问题不可能靠买更好的工具来解决。

为什么工具越好，差距越大

直觉上似乎相反：工具越聪明，新手和高手的差别应该越小。在某些领域确实如此——拼写检查、翻译这类正确答案唯一的工作，工具变好，所有人就趋于同一水平。

但 AI 工具由人来决定“交办什么”。可交办的清单越长，结果就越取决于你知道多少条。工具能做十件事时，知道与不知道的差距在十件之内；能做一百件时，这个差距就拉到一百件的幅度。性能越高，“知道多少就用多少”的振幅越大。

再加上复利。用得好的人靠工具省下时间，又把这些时间投回去熟悉工具；用得一般的人省下的时间少，能投入的也少。一个月过去，两人的距离比起点更远。

用得好的人到底差在哪

李在旭教授给出的条件有两个。第一，清楚知道这个工具究竟能承担哪一类工作。第二，清楚知道它做不到的边界在哪里。这两点区分了强用户和一般用户。

值得注意的是，其中没有“把提示词写得漂亮”这一项。这不是文笔问题，而是你手里握有多少这个工具的地图——哪里是工具的地界，哪里开始是人的地界。

两者之中更难的是边界。能做的事，看别人做就能不断加进清单；做不到的事则不然。能把多少信任交出去，只有真正交办过、并且收到过一个听起来很像样却是错的答案的人才知道。这种直觉不是听课能得到的。

在实务里，两种人的差别通常这样显现。

全员发了许可证，组织为什么没变

很多公司把 AX 当成引入工具的项目：签合同、发账号、统计使用率，使用率上去就算成功。理解了悬置之后，这幅图的问题就看得见了——账号平均发下去，能力不会平均长上来。

实际发生的往往是：本来就善于抓新工具的少数人快了很多；处在中间的多数人拿着账号，把它当更好用的搜索框或润色工具；还有一些人试过一两次，收到奇怪的答案后悄悄放弃。使用率的数字在涨，产出却只往少数人那边集中。

放着不管会产生两种成本。看得见的是闲置的账号费。看不见的是，用得好的人摸索出来的方法只留在他自己身上——学到东西的是个人，不是组织。

于是真正的课题变了。不是接下来要引入什么，而是已经引入的东西谁用到了哪一步，以及如何缩短彼此之间的距离。

对个人：边界只能从失败里学

在个人层面，缩小差距的办法出乎意料地简单：挑一件手头真实的工作，整件交给 AI 试试。做成了，“能做的事”清单加一条；结果不对，“做不到的事”清单加一条。哪一种都不亏。

李在旭教授对非计算机专业的人也给了同样的方向：先假设自己面对的大部分问题都能用 AI 解决，然后哪怕是很小的项目，也真的用 AI 去解一次。反复几次之后，就会对这个工具擅长什么、不擅长什么有感觉。

具体可以这样开始。第一，挑出这周实际要做、单次超过三十分钟的重复性工作。第二，把它当成交给新人一样交出去，连同所需资料和判断标准。第三，不要直接用第一版结果，指出哪里错了再跑一遍。第四，来回三轮还是不行，就把它记为“暂时做不到”。

第四步才是关键。多数人到这里就放弃了，什么也没留下。可“暂时做不到”清单恰恰是工具变好之后最先该拿出来重试的资产。半年后再丢一遍，其中一半已经能做了。

组织该看的是分布，不是使用率

既然问题是差距，衡量就得看差距。使用率只告诉你谁登录了，不告诉你谁变得能做什么。平均值也一样：少数强用户就能把均值拉起来，哪怕中间层原地不动。

所以要看分布。不是排在前面的几个人做成了什么，而是处在中间的人这个月比上个月多会做了什么。答得上来的组织是在管理 AX；答不上来的，只是买了工具。

衡量不必兴师动众。每人每季度两行就够：上季度成功交给 AI 的一件事，交出去却失败的一件事。这些行累积起来，谁在什么位置、整个组织在哪一类工作上卡住，就都显出来了。

如果要一个数字，那就数“这个人现在能独立处理的工作种类增加了几种”，它比使用次数诚实得多。次数量的是习惯，种类量的是能力。

缩小差距的四个装置

第一，把用得好的人的屏幕公开出来——公开过程，不是成品。他怎么交办、第一版答案错在哪、又用什么话纠正的。只分享写好的提示词等于什么也没留下：人们要学的是判断的顺序，不是那句话。

第二，把失败当资产。以团队为单位保存“暂时做不到”清单，每季度重试一次。如前所述，工具每进步一次，这份清单就有一半变成能做的事。删掉失败的组织拿不到这份收益。

第三，把时间做成制度。差距的很大一部分不来自天赋，而来自时间分配。用得好的人已经省出时间并把它投回学习；还没跟上的人没有那份时间。在工作时间内哪怕每周留三十分钟做实验，也比让人下班后自学更可靠。

第四，让懂领域的人站到前面。李在旭教授提到，近来 AI 竞赛中获奖的人里，很多是手上握有某个特定领域好问题的人。组织内部也一样：出结果的往往不是最懂工具的人，而是知道哪个问题值得解的人。

三个常见误解

“做培训就能解决。”只对一半。能做什么的范围可以靠培训迅速扩大，但边界感只能来自亲手交办并收到错误答案的经验。所以培训要留下东西，就得让各人带着自己真实的工作来做实操，而不是听讲。

“出了更好的模型就能追上。”恰恰相反。模型越好，可交办的清单越长，知道这份清单的人和不知道的人之间距离也随之拉大。工具的进步是拉开差距的力量，不是缩小差距的力量。

“把活集中给做得好的人就行。”短期确实有效率。问题在于那个人所知道的东西并没有留在组织里。人一走，能力也跟着走。管理差距首先不是公平问题，而是让学到的东西留在组织里的问题。