从手写到 AI

组织层面，2025 年成为「AI 兑现焦虑」的转折点。MIT NANDA 项目估计企业界在生成式 AI 上投入约 300—400 亿美元，而约 95% 的试点项目未产生可测量的损益影响；报告的更有信息量的结构性发现是：从专业供应商购买并嵌入流程的方案成功率约为自建方案的三倍（约 67% 对 22%），且仅约 40% 的企业购买了官方许可、约 90% 的员工却在用个人工具——影子 AI 成为真实的生产力发生地（Fortune/MIT NANDA）。需要说明，该报告并非同行评议研究、多数试点缺乏部署前的损益基线，「无可测量影响」部分是测量缺席的默认结果而非失败的直接证据；但其方向与 2025 年多项独立调查一致。与此同时，「workslop」（看似成形却缺乏实质、需要接收者返工的 AI 产出）进入管理词汇：一项对约 1150 名美国桌面工作者的调查估计约 40% 的受访者近月收到过此类产出，每次平均耗费接收者约 1 小时 56 分钟（HBR/BetterUp）。这是「形成材料」环节成本趋零之后，成本向「复核审批」环节转移的直接证据——正是五阶段循环第四阶段的当代形态。

责任维度上，生成式 AI 窗口在三年内完成了前几轮用几十年才完成的法律确权。2024 年 2 月，加拿大不列颠哥伦比亚省民事仲裁庭裁定加航须为其网站聊天机器人虚构的丧亲票价政策负责，驳回「聊天机器人是独立法律实体」的辩解，仲裁员称之为「非同寻常的抗辩」（CanLII/Moffatt v. Air Canada）。2023 年 6 月，纽约南区联邦法院对两名提交 ChatGPT 虚构判例的律师处以 5000 美元制裁（Reuters）。2025 年，德勤澳大利亚因交付政府的报告中包含 AI 生成的虚构文献引用而被迫部分退款（The Guardian）。三个案例的共同点：法院与市场对「谁签字谁负责」的原则没有丝毫松动，松动的只是签字者实际履行核验义务的能力。制度层面的回应同步展开：欧盟 AI 法案第 14 条要求高风险系统具备有效的人类监督设计（EUR-Lex/AI Act），GDPR 第 22 条则赋予个人不受「完全自动化决定」支配的权利（GDPR Art.22）。欧洲法院 2023 年 SCHUFA 案进一步裁定：当信用评分对放贷决定起决定性作用时，评分的生成本身就构成自动化决定，事后橡皮图章式的人工确认不构成「人工介入」（EUR-Lex/C-634/21）。

把六个窗口叠放在同一条六环节流程上，可以看到机器承担的环节是按特定顺序推进的，而这个顺序本身就是一部「劳动可编码性」的历史。最先被机器接管的是分发执行（誊写机、复写纸、电子邮件——信息复制的边际成本最先归零）与搜集/归档（打孔卡、数据库——结构化信息的汇总与检索）；随后是形成材料（打字机→文字处理→生成式 AI）；最难被接管的是接到任务（理解组织意图、权衡目标）与复核审批（核验、授权、担责），直到生成式 AI 才以「草稿生成+人类复核」的混合形态渗入后者。图 3 用热力图展示这一迁移，编码为作者基于前文历史证据的定性重建（0=纯人工，1=机器辅助，2=机器为主·人工复核，3=机器闭环·人工监督担责），它不是计量数据，而是对正文论证的可视化摘要。

热力图透露了两个文字不易表达的结构性事实。其一，迁移是从流程两端向中间挤压的：存储与传输（归档、分发）最先机器化，判断与担责（审批、任务设定）最后被触碰，且即便在生成式 AI 窗口，后两个环节仍停留在「机器辅助」而非「机器为主」——这不是技术做不到，而是组织的责任结构不允许：欧盟 AI 法案第 14 条与 GDPR 第 22 条把这种不允许写成了法律（EUR-Lex/AI Act，GDPR Art.22）。其二，生成式 AI 的特殊性在于它第一次同时抬高所有六个环节的颜色，包括此前从未被机器触碰的「接到任务」（自然语言下达目标）与「复核审批」（AI 辅助核验与比对）——这意味着第五阶段「收益显现或停滞」的赌注也第一次覆盖全流程，任何环节的瓶颈都会锁死整体收益，这与电子表格只需改造一个环节就能兑现局部收益的历史完全不同。

流程视角还纠正了一个常见误读：工具革命的净效应不等于各环节提效的加总。打字机加速了「形成材料」，却通过副本制度增加了「归档」的体量；电子邮件消灭了「分发」的等待，却创造了「复核审批」环节的海量抄送负担；生成式 AI 消灭了初稿成本，却把成本转移为核验负担——workslop 的 1 小时 56 分钟清理时间发生在接收者端，而非生成者端（HBR/BetterUp）。每一轮革命的会计真相都是：成本没有被消灭，而是在六环节之间、在不同岗位之间被重新开票。谁在流程的下游，谁就为上游的提效付费——这是理解「为什么个人快、组织慢」的第一块基石。

把前文各窗口的标志性工具放在「个人/任务层面见效年限」与「组织层面兑现年限」两个轴上，得到图 5 的矩阵。位置的数字是作者基于前文引用证据的量级估计（如打字机个人普及约十余年、组织重构约半个世纪；电子表格个人提效约两年、宏观兑现落在 1995—2004），它们是历史解释的定位工具，而非精确计量。矩阵的左上区域（个人快×组织慢）异常拥挤：打孔卡制表机、个人电脑、电子表格、电子邮件、生成式 AI 个人工具全部落在这里。个人快的原因恒定——单个任务的局部提效不需要任何人的许可；组织慢的原因也恒定——兑现需要第四阶段的权责重新谈判，而谈判成本与受影响的岗位数成正比。

矩阵的右下区域（个人慢×组织快）几乎是空的——历史上不存在「个人很难用但组织迅速兑现」的办公技术，因为组织的兑现永远以个人采用为前提。ERP/群件落在「个人慢、组织也常失败」的位置，原因在于它颠倒了顺序：要求全员先改变行为（录入、流程合规）才能产生任何个人收益，违反成本—收益对称原则（Grudin/ACM）。生成式 AI 企业系统被画成虚边气泡，表示其位置是当前争议的对象而非历史事实：MIT NANDA 的读数把它放在「组织兑现未发生」处（Fortune/MIT NANDA），而布林约尔松等人的「生产率 J 曲线」理论则预言，通用目的技术的无形投资先压低统计、后集中释放（Brynjolfsson et al./AEJ Macro）。两种读数哪一个对，正是第八节可证伪信号要裁决的问题。

本报告拒绝「组织迟缓=组织愚蠢」的默认归因，也拒绝「迟缓都是必要的审慎」的反向辩解。这两种成见各有其意识形态功能：前者为技术供应商的推销服务，把每一次失败都说成客户「变革意愿不足」；后者为既得利益服务，把每一次抵制都包装成「稳健治理」。历史证据支持把迟缓拆成四种机制上不同的成因——它们在历史上的表现、在当代 AI 部署中的对应形态、以及各自要求的组织对策完全不同，混用对策本身就是转型失败的常见根源：

区分四种成因的实践价值在于它们需要相反的组织行为：对合理约束要耐心，对利益阻力要谈判，对基础条件要投资，对无效投入要砍除。历史显示的系统性错误是把四者混为一谈——用对待利益阻力的政治手段去压合理约束（强推无纸化），用对待合理约束的耐心去容忍无效投入（让失败的 ERP 项目无限续命）。当前企业 AI 部署中最常见的配置错误，是把「基础条件不足」误诊为「员工抗拒」，于是用培训预算去补数据地基的窟窿；或者把「无效技术投入」误诊为「转型阵痛」，于是给注定失败的项目追加投入。快慢机制矩阵的正确读法不是「如何更快」，而是「先诊断慢的类型，再决定该不该快」。

假说分两个命题：其一，工具系统性地剥离执行性劳动，把人类推向目标设定、核验、授权与担责；其二，这一过程的终点是人成为「终极担保人」。下表把六个窗口的证据按支持与反证分列——结论不是简单的成立或证伪，而是：命题一在五个窗口中得到强支持，但命题二始终被一个反向机制削弱——担保人脚下的技能与控制地基被同时掏空。

支持列的权重是明显的：每一轮工具都把一类执行劳动的价格打到接近零，并把人类劳动的相对价值推向「设定目标、判断好坏、承担责任」。客服研究提供了一个特别干净的微观机制：AI 助手把顶尖客服的对话模式传递给新手，新手增益 34% 而顶尖员工无增益——组织内的隐性知识被显性化、编码化、再分配（Brynjolfsson et al./NBER）。这正是耶茨所描述的 19 世纪「系统性管理」的数字版：组织不断把个体头脑中的判断搬进制度与机器（Yates/MIT Sloan）。

但反证列揭示了命题二的系统性弱点，可以归纳为三条。第一，剥离从不彻底：被剥离的执行总会以「操作新工具、喂养新系统、清理新废料」的形式回流——打孔员、数据录入、收件箱、提示词、workslop 清理，都是剥离的返程票。第二，担保能力依赖执行经验：航空自动化的研究早已表明，长期监控自动化系统的操作员会丧失手动处置技能，而当自动化失效时恰恰需要这些技能——法航 447 航班事故调查中，机组在自动驾驶断开后的处置失误成为致命环节，这被概括为「自动化的讽刺」：试图消除操作员的设计，最终把设计者无法自动化的任务连同萎缩的技能一起留给操作员（Bainbridge/Automatica，BEA/AF447）。第三，担保权与控制权的分离：当组织的高层为系统输出担保却不再理解系统的行为逻辑，担保就退化为仪式——Elish 称之为「道德挤压区」（moral crumple zone），事故发生时责任被挤压到离系统最近、控制力最弱的人身上（Elish/ESTS）。三里岛核事故中操作员为设计缺陷背锅的历史，是这一机制的办公场景外但结构相同的标本。

综合支持与反证，本报告把假说修正为：「劳作剥离→终极担保人」描述的是组织的正式责任结构，而非实际的控制结构；两者之间的裂缝随每轮工具革命扩大。正式结构上，1870 年的经理为自己的笔迹负责，2025 年的经理为 AI 起草、自己签发的文件负责——责任锚点没有移动，法律甚至更加明确（EUR-Lex/C-634/21）。控制结构上，担保人实际履行的核验却越来越依赖他们无法重建的技术链条：打字稿可以逐字校对，电子表格的公式链已经难以穷举，而大模型的输出在原理上不存在可穷举的验证路径。Parasuraman 与 Riley 的实验心理学研究早已命名了由此产生的行为后果——自动化偏差：人倾向于把自动化系统的输出当作默认正确，省略独立核验（Wikipedia/Automation bias）。Ben Green 对政府算法监督政策的研究则显示，多数「人类监督」政策在制度设计上就注定流于形式——监督者缺乏质疑机器所需的信息、权力与激励（Green/SSRN）。

历史同时表明这不是技术决定论：打字机时代打字员的实质把关权、ERMA 时代系统主管的新权力、电子表格时代分析师阶层的兴起，都证明在「剥离」之后存在第二次分配，而这次分配由组织谈判决定，不由技术决定。今天围绕 AI 的岗位职责设计、核验工时计入、以及「谁有权否决 AI 输出」的制度安排，就是这第二次分配在当代的谈判桌。

把生成式 AI 与此前各窗口的工具沿五个维度并排比较，可以精确说出它「新」在哪里、「旧」在哪里。它的新不在于介入判断——专家系统在 1980 年代就做到了；它的新在于以自然语言为界面介入判断，从而把判断工具的门槛从「组织采购」降到「个人浏览器」，同时把输出的形式从「可检查的结构」变成「流畅但不可直接验证的文本」。

语言维度值得单独强调，因为它是本轮革命速度的根基。历史上每个新工具都要求人学习机器的语言——键盘指法、卡片编码、公式语法、邮件礼仪——而生成式 AI 第一次让机器学习组织的语言。这解释了为什么它的个人采用以月计，也解释了为什么它的风险以「听起来对」的形式出现：此前工具的输出样式本身就标记了其机器来源（打字字体、报表格式），而 AI 的输出在文体上与人类权威文本不可区分，于是「这是机器草稿」这一警示信息在传递中丢失——Mata v. Avianca 案中律师对虚构判例的信任、德勤报告中虚构文献的漏检，都不是技术故障而是这个标记丢失的直接后果（Reuters，The Guardian）。

可验证性维度则解释了为什么「核验」成为本轮的成本中心。打孔卡的汇总结果可以重新打卡核对，电子表格的公式可以逐步追踪，而大模型的断言没有这样的内在审计轨迹——核验者必须回到模型之外的一手来源。这意味着AI 把每份材料的核验成本从「低于生成成本」逆转为「与生成成本无关」：生成越便宜，待核验的体量越大，而核验的单价比率不变。锯齿前沿实验在管理学语境中量化了这一逆转：前沿内质量提升 40%，前沿外正确率下降——使用者无法在事前可靠地区分任务落在前沿的哪一侧（Dell'Acqua et al./SSRN）。

按用户的要求，本报告不预设 AI 首次介入判断，而历史证据清楚地否决了这一预设。

这对照组为当代提供了三点校准。其一，判断的自动化早在四十年前就通过了技术验证，卡住的从来是责任与维护：MYCIN 死于责任，XCON 死于维护，两者都不是死于能力。其二，专家系统的输出是可追溯的规则链（「因为规则 247 与规则 892」），而大模型的输出不具备这种内在可追溯性——在可验证性维度上，本轮技术相对于 1980 年代其实是倒退的，这个倒退被语言流畅性的巨大进步所掩盖。其三，专家系统的兴衰预示了「知识瓶颈」的当代形态：当年是从专家头脑中提取规则难，今天是为模型提供可靠上下文与约束难——工作流碎片化与上下文缺失正是 MIT NANDA 归因于 95% 停滞的首要原因（Fortune/MIT NANDA）。

责任归属维度的比较结论出人意料地保守：法律没有为 AI 发明新原则，只是把旧原则执行得更显眼。Matthias 2004 年提出的「责任鸿沟」（responsibility gap）概念警告：学习型机器的不可预测性会使「制造商负责」的传统链条失效（Matthias/Ethics and IT）。但 2023—2025 年的判例走向了相反方向——法院系统性地拒绝承认鸿沟：加航案把聊天机器人等同于公司网站的一部分，Mata 案把核验义务钉在签字律师身上，SCHUFA 案把橡皮图章式人工确认排除在「人工介入」之外（CanLII，EUR-Lex/C-634/21）。换言之，制度正在宣布：责任鸿沟在规范上不存在，存在的只是事实上的控制流失——签字者被要求担保他们日益无法核验的输出。

这正是 6.2 节修正命题的法律镜像。历史比较给出的预测是：当「担保的形式要求」与「担保的实际能力」差距足够大时，制度会沿三条路径之一演化——或者降低担保标准（为 AI 输出创设有限责任或安全港），或者强制恢复担保能力（要求核验留痕、把核验工时计入成本、保留人工复核的实体冗余），或者接受周期性事故作为系统成本（航空业对自动化讽刺的百年吸收史）。当前欧盟的路径明显偏向第二条；美国目前的判例路径偏向「维持标准、个案追责」；而 workslop 统计所揭示的日常工作现实，则正在第三条路径上滑行（HBR）。

基于前述机制而非技术乐观或悲观的先验立场，本报告给出三个情景。情景划分的依据是前五节的中心发现：第五阶段的收益兑现以第四阶段的权责重组为前提，而这一前提是否成立，与模型能力的强弱没有必然关系——MYCIN 的能力早已越界却死于责任不可指派，电子表格的能力平庸却因权责重组顺利而深刻改变了财务职业。因此三个情景刻意假设相同的模型能力演进路径，让它们的分歧全部落在制度变量上：

以下信号都可以在公开统计或可观察事件中于未来数年内被检验，每一条都标明了它支持或否定本报告哪个判断。设计这份清单时遵循三条标准：信号必须来自独立于本报告的常规统计或司法记录（生产率年鉴、职业手册、判例数据库），信号必须对应本报告的一个具体论点而非泛泛的「AI 成败」，且信号的判断门槛必须在观察时点之前就写死，以免事后解释空间吞掉证伪能力。

这八条信号的共同结构是把「AI 是否会改变一切」这种无法证伪的大问题，拆成八个可以在统计年鉴、职业手册、判例数据库与随机试验中分别裁决的小问题。这份清单刻意包含对本报告自身核心论点的证伪条件——如果个人提效无法复现，或责任原则被法律实质松动，本报告的框架就需要重写。这也是本报告从历史中提炼的最后一个方法论教训：一百五十年的办公工具史从不回答「技术会不会改变一切」，它只回答「谁在新的流程里做什么、拿什么钱、担什么责」——所有三个问题的答案都写在组织记录里，而不在技术参数里。

从瓦特的誊写机到 ChatGPT，办公工具的革命反复上演同一个循环：工具进入，局部提效，新旧并存，权责重组，然后才是收益——或者停滞。个人总是快的，因为个人只需要改变自己手上的一个任务；组织总是慢的，因为组织必须重新谈判分工、权力与责任的整张网络。这份迟缓有四种成因——合理约束、利益阻力、基础条件不足、无效技术投入——它们需要相反的对策，而诊断错误本身就是历史上最昂贵的错误。

「劳作剥离→终极担保人」的假说在正式责任结构层面得到了六个窗口的一致支持：每一轮工具都剥离了一类执行劳动，并把担保集中到更少的人身上，法院今天仍在强化这一结构。但在控制结构层面，担保正在被空心化：担保人核验产出的能力，跟不上产出成本下降的速度。打字稿可以逐字校对，公式链可以费力追踪，而流畅的机器文本没有内在的验证路径——于是核验第一次成为办公流程中最昂贵也最容易被省略的环节，「看起来对」第一次成为系统性风险的标准形态。AI 不是第一次介入判断，MYCIN 与 XCON 在半个世纪前就分别演示了判断自动化的两种死法：死于责任不可指派，死于知识无法维护。今天的技术把这两道旧伤口换成了新形式：责任已被法律强行指派给签字者，而签字者的核验能力正在萎缩。

历史不给预测，只给机制。机制说：第五阶段的收益兑现，永远以第四阶段的权责重组为前提；而权责重组的实质内容，是在「剥离」之后进行的第二次分配——被机器解放出来的时间、被机器创造出来的核验岗位、被机器集中到签字者身上的责任，归谁所有、由谁承担、向谁付费。打字机时代的答案是性别化的低薪打字室，打孔卡时代的答案是垄断数据定义权的制表部，电子表格时代的答案是扩张的分析师阶层。