11月11日,哈佛商业评论HBR发了一篇文章,题目叫《The Hidden Costs of Delegating to AI》——把任务交给AI的隐性成本。作者是哈佛商学院的 Nitin Nohria 和 Hélène Hannecart。
先说材料来源,因为它决定了这篇的分量。2025到2026年报税季,四家会计师事务所通过Current平台用AI做报税。样本约7,000份中等复杂度的个人和信托报税单,包含出租房产和K-1收入。结果很漂亮:AI平均帮报税人员省下三分之一的时间,同期总交付量(吞吐量)涨了约 50%(也就是说一个人干同样的活,从做1份变成能交1.5 份)。有一家所靠多出来的产能,在季末多接了大约30万美元的活。
按常规写法,到这儿就该”AI提效,快上车”了。但这篇文章真正有意思的地方,恰恰是从这组漂亮数字后面才开始拆的。

有一点必须先摆出来:这篇文章的作者之一的Nohria是Thrive Capital的董事长,其子公司Thrive Holdings是Current的所有者之一——这层关系让他们拿到了数据文章写得也坦白:时间和吞吐量由公司自报,Current核对了事实描述,但没有参与分析和结论。换句话说,这批数据可信,但不完全独立。后面所有讨论,都建立在这个前提上。
先说结论:别在任务层面算账,要在组织层面算总账。 HBR的原话是——委派AI完成任务的总成本,等于执行成本,加上围着它转的一切(the total cost of delegation: execution plus everything that surrounds it)。
省下的那三分之一时间,并没有凭空消失,而是换了个地方花出去:多一轮审核、多几次对齐,或者多一场关于”我还算什么”的对话。
快的地方变快了,慢的地方没变
报税这件事拆开看,是两段:准备和审核。AI把”准备”这一段吃掉了一大块——读W-2、1099这样的表格,把信息填进报表的对应位置,都是结构化、有规则的活,AI干得快。有个对比很扎心:AI做一份税表的时间,比审核员看一遍的时间还短。
问题就出在这儿。审核员要做的事变了。他不能只核对最后那个数,他得搞明白 AI是怎么得出结果的,尤其是遇到奇怪输入的时候,AI是怎么处理边缘情况的。比如,老会计看报表是有肌肉记忆的——干了几十年的人扫一眼就知道哪儿不对,因为人的错看多了有套路。可AI的错不走这个路子,人的肌肉记忆用不上。结果就是:审核时间只小幅下降,有些案子根本没降。
文章里那句话,值得抄进管理者的备忘录——生产率提升只是把瓶颈挪了位置,并没有把它消掉。(The productivity gain moved the bottleneck rather than eliminating it.)
打个不那么客气但贴切的比方:这就像给流水线前端换了台超级机器,后端质检还是老样子。东西全堆在质检口,整条线的速度,仍然由最慢的那一环说了算。
有意思的是后面的应对。这些事务所看得多了,发现AI的错反倒是集中的——人的错是各错各的,而AI的错总重复在同一类单据、同几种边缘情况上。
摸清这个规律,就能反过来重新设计审核流程:让AI的产出更容易追溯,给审核员标出该看哪儿。文章打了个比方很准,就像经理知道自己手下哪个人擅长什么、容易在哪儿出错。摸清了AI的脾气,验证成本才慢慢降下来。
七笔隐形成本,三张账单
这篇更大的价值,是把”把任务交给AI来完成”这件事系统地拆成了七种隐形成本,我根据自己的经验分成了三组。
第一组 · 关于工作本身
| 成本 | 含义 | 放到场景里 |
| 说明成本(Specification) | 把任务讲清楚让系统能做 | 规则清楚、结构化的活成本低;模糊、全是例外的活成本高 |
| 验证成本(Verification) | 快速可靠地判断结果对不对 | 报税的例子就是活证据:审得比做得还慢 |
| 学习与锁定成本(Learning & lock-in) | 教Agent、喂上下文要花力气(学习);用得越深越贴合,换掉越难(锁定) | 原文一句很妙:学习成本下降的时候,锁定成本可能正在上升 |
第二组 · 关于组织怎么反应
| 成本 | 含义 | 放到场景里 |
| 激励错配(Incentive misalignment) | AI 改变了”把活交出去”对个人的得失 | 按工时计酬的人,你给他压缩工时的工具,他凭什么积极 |
| 身份威胁(Threats to identity) | 专业的人觉得自己的专业性和自我价值被动了 | 抵触往往不是”AI 干得好不好”,而是”那我还算什么” |
| 目标错配(Goal misalignment) | AI 只顾优化你给它的那个指标 | 冲着短期产能去,慢慢磨掉客户体验与员工体验 |
第三组 · 关于结果归谁
| 成本 | 含义 | 放到场景里 |
| 问责成本(Accountability) | 向别人解释结果,出错时承担后果 | 报税填错了,IRS 查下来谁负责?原文很直白:AI 能大幅加快工作,但一点都不会减轻这个负担 |
数据来源:HBR《The Hidden Costs of Delegating to AI》(2026-11-11),据原文框架整理。
这七笔隐形成本并不是并列的,而是互相咬合的。举个例子,一个AI执行起来很轻松的任务,但是如果结果是很难验证,那么你把任务给AI去执行其实仍旧很贵;再比如,一个准确率很高的系统,但是激励机制要逼着员工做超出验证需要的重复劳动,那么这个AI所创造的价值也会被吃掉。
所以管理者真正应该思考的是——这个任务交给AI之后,我们要付多少成本去说明它、验证它、替它负责?(what will it cost our organization to delegate that work to AI?)
最贵的三笔账,都不在财务报表上
七个隐形成本里,我最想请管理者拎出来看的,是三笔——因为它们都不在任何一张财务报表上,却都会在实际落地中出现。
第一笔:激励。有家参与的事务所,原来用可计费工时衡量绩效。而当使用AI之后,压缩了员工的工时,其实等同于在跟用AI的员工作对。所以这家事务所不得不重新设计考核机制,把绩效评估从”花了多少时间”挪到”做出了什么价值和质量”。为什么说AI落地很难,难在哪儿?其实不在在于技术,而在于要动的是一群人吃饭的依据。
第二笔:身份。干了几十年的会计师,突然开始问:我攒了半辈子的专业性,还值钱吗?公司还需要这么多人吗?文章有句话说的很有道理——技术改变的不是他们的工作,而是”什么叫有能力”的这个前提。所以很多时候企业落地AI,员工很多时候抵触的不是让AI干活,而是抵触AI对自己未来的影响。
第三笔:人才培养的通道。这一笔,我个人觉得分量比前两笔还重。我们都知道,在会计这个行业,初级员工是靠做报税、做审核学会这行的:从数据里认模式,从异常里长眼力。而AI把这部分接了,新人练手的机会也就没了。更要命的是上面那层,经理和审核员本来就缺,但这些人几乎全是从初级岗位一步一步成长上来的。如果不需要那么多初级,未来的经理又从哪儿来?
这个不是理论担忧,已经有企业在开始改变了。一家把实习项目改成无AI的”练习模式”,用假报表让新人练手;而另一家企业把年轻人更早推到客户面前,先练人的本事。
上面的三个隐形成本都有一个共同点:它们都不会出现在AI项目的ROI测算表里,但每一笔都足以让那个漂亮的ROI失真。
省下来的时间,不是谁都会花
文章里还有个观察,我觉得很真实。当合伙人手里多了时间,有人拿去更深入地陪客户——有一位合伙人给每个客户都打了电话,把税表里的每个决定讲一遍。但作者也写了:他们发现,不是每个合伙人都同样擅长把多出来的时间,用来做更有价值的咨询,或者去开拓业务。
这句话杀伤力不小。它说的是——AI省下来的时间,本身并不创造价值,你需要有能力把AI省下来的时间创造成价值。而这个能力,在人群里分布得并不均匀。
省时间是原材料,怎么用是另一件事,而且这件事没人替你想。
值得管理者思考的四个问题
文章最后给了一张清单,四个问题。值得每一个管理者去进行深度的思考:
第一,什么样的任务可以放手让AI去做?工作其实是又很多不同的事件组成的,有些事情是一周重复很多次的任务,有些事情是需要去解释和验证的。AI可能只能接走其中一块。别再说要让”AI取代某某岗位”,要说清楚,哪些任务是给AI它能去做的。
第二,把任务给AI去执行的成本有哪些?最常见的认知错误,是以为从某个流程里省下的一小时就真的等于节省了时间。实际上这一小时经常在别处被用掉了——例如多一轮审核,或者重复劳动。
第三,哪些隐形成本是可以降低的?哪些是没有办法降低的?不是所有成本都是固定且一成不变的。更好的可追溯性可以减轻审核负担,换考核指标可以让人愿意用。但有些降不了,例如监管可能仍要求人签字,客户可能仍要一个能拍胸脯的专业人士。
第四,AI省下来的时间能不能创造更多的价值?省时间并不等于创造价值。这个问题没有标准答案,但每个组织、每个人都得自己答。
这篇最值得带走的,其实是一个问法的切换。
以前我们问:AI能干什么?现在该问:这个任务交给AI之后,我们要付多少成本去说明它、验证它、替它负责,以及——教会下一个人?或者教会下一个Agent?
答不上来的时候,省下的那三分之一时间,很可能并没有真的省下来,只是换了个地方花出去,比如多一轮审核,多几轮对齐,或者多一轮等待。
AI转型这件事,工具从来不是变量,人才是;工具也不是杠杆,管理者才是。当AI 把执行变得快速和便宜,组织真正要重新设计的,是人和AI之间那圈”围着转”的工作。
原文链接:https://hbr.org/2026/11/the-hidden-costs-of-delegating-to-ai