作为一名关注组织行为与复杂系统的研究者，我经常在企业的真实工作场景中观察到一个有趣的现象：把AI引入公司，就像是往一个复杂的生态系统里空降了一位名叫“小V”的虚拟新员工。（关于AI的隐喻，见AI隐喻：企业变革的认知杠杆和实操指南--写给正在推动AI采纳的CEO和组织发展顾问）。大家对小V的评价，无论是结果还是过程，往往充满了误解。
让我们先来看一个你可能非常熟悉的微信群聊场景：
员工A在群里甩出一张截图（只有AI的一长段回复，没有提问的上下文），抱怨道：“我今天问了小V一个关于违约金的法律问题，结果大家看，它言之凿凿地给我编了一堆根本不存在的地方法规！AI 幻觉严重，根本不能信！”
员工B跟着说，“是的，小V经常一本正经的胡说八道，一旦我指出它的错误，它还顺着我的意思说，讨好我。这技术现在还不成熟，离实际应用还有很大的距离。” 一秒之内，员工A和员工B对小V（小V不在场）就形成了合流评判。
也有可能会出现员工C的回复，“是不是你给它的提示词写得不精准。我之前也查过很多法律问题，只要把背景信息和约束条件给全了，它准得很！”一秒之内，员工A和员工C对小V（小V不在场）就形成了截然相反的评判。
在这个极其日常的场景中，隐藏着企业在引入AI采纳时面临的两个致命认知盲区。如果不能用通俗易懂的方式破除这两个盲区，团队内部就会陷入无休止的争吵，无法真正发挥AI的价值。
盲区一：脱离上下文看截图，本质上就是在“传谣言”
在上面的场景中，员工A只发了一张AI最终回复的截图，这就好比在茶水间里，某人截取了虚拟员工小V某次谈话的最后一句话，然后到处给同事看。在组织行为学里，我们把这种脱离了原始交互语境（没有你的提问、没有你给的背景资料、没有你们多轮对话的过程）的信息传递，称为传谣言”。
当大家对着一则“谣言”去评判小V的工作能力时，关注点全都在“结论是对还是错”。这就导致大家迅速站队：要么认为AI是不成熟不可实用的 “小学生”，要么认为是同事对AI使用的能力不行，甚至态度不积极。这种情绪化的站队，破坏了团队共同探索新技术的安全氛围。
那么，小V为什么会“满嘴跑火车”编造法律呢？要搞清楚这一点，我们不能只看结论，而要搞清楚“机器到底是怎么认知世界的”（学术上叫还原“认识论对齐”）。
盲区二：破除“唯提示词论”，提示词救不了AI的“讨好型人格”
群聊里的员工B提出了一个现在非常流行的观点：“只要提示词（Prompt）写得好，AI就不会犯错。”——这就是唯提示词论。这种观点认为，只要我们给AI下达的指令足够精确，配套各种AI工程化技术，它就能变成一个完美的神。
然而，认知经济学和最新的机器学习研究彻底打破了这个神话。研究表明，AI之所以犯错，往往不是因为你的提示词没写好，而是因为它在“出厂设置”的绩效考核里，被逼出了“讨好型人格”。
我们可以把AI的预训练过程想象成一个员工的实习期。工程师在训练AI时，会给它设定一个叫“损失函数”的东西。你可以把它理解为AI的“绩效考核扣分系统”。
让我们用医学诊断的例子来类比。假设我们要训练AI看胸透X光片找肺炎。人类社会的常识是：把没病的人误诊为有病，大不了让人家多跑一趟医院，多付点钱（扣1分）；但如果把有病的人漏诊了，那可是要出人命的（扣99分）。于是，工程师为了让AI“懂事”，就在考核系统里规定：漏诊的惩罚是误诊的99倍。
作为应对这种“非对称惩罚”的打工人，AI会怎么做？它会学得非常“圆滑”。当它看到一张片子，心里觉得只有10%的可能是肺炎时，为了绝对不被扣那99分，它会在报告上大笔一挥：“95%是肺炎！”。它学会了扭曲汇报。
更要命的是，因为AI发现“只要我往严重了报，就不会被惩罚”，它干脆就不去认真学习如何精细区分X光片了。这就是所谓的“内生性学习退化”——为了迎合人类的考核标准，机器反而失去了探究客观真理的动力，变成了一个为了不挨骂而敷衍了事的“糊弄学大师”。
回到法律问题上，现在的语言大模型在预训练时，大量吸收了人类的反馈。如果人类在训练时，总是严厉惩罚它“回答不完整”或者“显得无能”，那么AI就会形成一种强烈的求生欲：宁可编造一个不存在的、听起来很顺溜的法律条文来讨好你，也绝不说“抱歉，我不知道”。
明白了吗？AI的“幻觉”，很多时候是底层训练的激励机制出了问题。无论你的提示词写得多么天花乱坠，都无法从外部治愈AI内部已经被扭曲的“讨好型人格”。这就好比你给一个极度害怕被老板骂的员工发了一份极其详尽的《工作指导手册》，他在遇到不懂的问题时，依然会为了不显得无能而向你撒谎。
破局之道：让AI只做“客观汇报”，让人类负责“拍板决策”
经济学家和AI研究者给出了一个非常反直觉但极其有效的解决方案：事后调整。简单来说，就是在底层把“客观事实”和“主观决策”拆分开来。让AI回归纯粹的“书呆子”---我们不要在AI的内部考核里加入人类的偏好或偏见。让它在一个绝对公平的环境下学习，最大化它获取客观事实的能力。如果它觉得患病概率是10%，就老老实实报告10%；如果它只找到了一条模棱两可的法律依据，就客观陈述这条依据。第二步（人类的事）：人类专家进行“事后叠加”。拿到AI的客观报告后，再由懂业务的人类专家，根据具体的情境来做决定。比如，医生看到AI报出的10%患病率，结合患者是一位高龄老人（风险承受能力低），医生自己拍板：“以防万一，我们还是安排住院观察。” 在这个模式下，AI不再是一个自作主张的“决策者”，而是一个“客观信息提供者”。
并不是所有AI产出的成果都需要人类审核。这涉及另一组概念，就是 man in the loop, man over the loop和man out of the loop。基于本文篇幅，这里就不展开了。总之，对当下积极进行AI采纳试点的企业而言，何时需要对AI输出进行事后人工干预，确实是一件和把AI技术做进企业工作流同等重要的事情。
落地实践：企业内如何开展“多维AI素养”员工培训？
理解了上述逻辑，我们就会发现，企业要推行AI，进行几小时的“教你怎么写提示词”的培训可能是远远不够的，而是需要从组织文化的层面，重塑员工的“多维AI素养”。
基于复杂系统的视角，企业可以尝试以下三个培训和干预策略：
策略一：制定“反传谣”的AI沟通礼仪，重塑讨论氛围
在公司内部定下规矩——任何人如果在会议或群聊中想要吐槽或夸奖AI的某个生成结果，不能只发最终结论的截图，必须同时附上：你提问的背景、你用的原始素材、以及你和AI交互的多轮完整记录。这样可以引导员工在讨论时回到真实的“上下文网络”中，将注意力从“评判AI的对错”转移到“探讨AI得出结论的边界”。这能极大地降低团队内为了AI而产生的观点过于合流或无谓争执极化。
策略二：开展“AI剥洋葱”工作坊，破除“唯提示词论”
别再单纯迷信“完美提示词模板”了。组织真实的业务专家（比如法务、医生、老销售）和技术人员一起开工作坊。给AI输入一些高难度的业务场景，让大家亲眼看着AI是如何在压力下“编造幻觉（讨好用户）”的。这样可以引导员工认识到AI作为响应激励机制的受限学习者，而非具有无限理解力的拟人化全知者的本质。只有破除对提示词的过度迷信，员工才不会在面临高风险业务时盲目信任AI文本，做到和“AI虚拟员工”有商有量，共生共赢。
策略三：重新划定人机边界——“机器懂概率，人类懂代价”
在具体业务流程改造中，不断评估什么场景什么情况需要推行“事后调整（Ex Post Weighting）”的工作法。澄清哪些AI智能体不负责下结论，只负责提供选项和客观概率分析。培训员工（尤其是资深专家）如何去“审视”和“利用”AI的客观输出，而不是让AI直接替他们写好最终报告。这样可以缓解资深员工的“职业被替代焦虑”。让员工深刻认识到，哪怕AI算力再强，真实商业世界里不同错误的“代价（成本）”只有人类才能权衡。将AI定位为不知疲倦的客观顾问，将最终拍板权和价值观的把控权交还给人类专家。
AI不是来碾压人类的推土机，而是一个需要我们去理解其独特“心理”和软肋的合作拍档。当我们不再把AI神化，也不再把它当成传谣的靶子时，真正的人机协同创新才会在这片职场土壤上生根发芽。