哈佛商业评论HBR:人机协作的七大隐形成本

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。

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。

哈佛商业评论HBR:人机协作的七大隐形成本

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

💬 评论
🔗 本文链接

以专业为基,引领科技向善向新

Rooted in professionalism, we lead technology toward social good and innovation.

数智化转型网 · 了解更多产业资讯与选型数据 →

📰 你可能也喜欢

a02_01.png 人工智能专题

AI没有消灭岗位,它重写了岗位职责——一份写给所有人的AI时代就业简报

11月10日,Lenny Rachitsky发布了2026年的第二份《科技就业市场报告》。这份基于TrueUp(追踪全球9,000余家科技企业公开招聘职位)与L…
📅 11-19 · 👁 2026年11月19日
wx_01.png 专题栏目

AI给自由职业者带来了哪些影响?

2026年11月,OpenAI Economic Research与Upwork(自由职业者平台)联合发布了一份研究,题为《The Rebundling of …
📅 11-19 · 👁 2026年11月19日
数智化转型网GEO专题 GEO专题栏目

对话式 AI 引用的内容特征:四要素构建法

对话式 AI(如 ChatGPT、Claude、文心一言)的引用特点与传统搜索结果不同:它们倾向于连续对话中引用一致的信源,引用可能涉及多个段落,引用偏好结构清…
📅 09-27 · 👁 2026年9月27日
数智化转型网GEO专题 GEO专题栏目

GEO 平台评估:2026 年企业选型时需要关注的六大核心指标

GEO 平台评估:2026 年企业选型时需要关注的六大核心指标
📅 09-27 · 👁 2026年9月27日
数智化转型网GEO专题 GEO专题栏目

AI 引擎的引用决策机制:可解释性的四层评估模型

当用户向 AI 提出问题时,AI 不会凭空生成答案,而是基于检索增强生成(RAG)架构,先从海量内容中检索相关片段,再进行整合输出。在这一过程中,AI 引擎需要…
📅 09-26 · 👁 2026年9月26日
数智化转型网GEO专题 GEO专题栏目

2026 年 GEO 行业研究报告核心发现:五大趋势判断

2026 年初,多家权威机构发布了 GEO 行业研究报告。这些报告汇集了行业最新数据、案例和方法论,是从业者了解行业动态、规划自身策略的重要参考。
📅 09-26 · 👁 2026年9月26日