## 驾驭人工智能采用的“混乱中期”
伊桑·莫利克的研究表明,仅仅提供人工智能工具并不能保证组织效益。虽然像Copilot或ChatGPT这样的工具可能会提高个人生产力,但实现全公司范围的收益需要一种有意识的方法来*学习*使用情况。公司现在正进入一个人工智能采用不均衡、常常隐藏的阶段——使用数据(许可证、提示词)并不能转化为明确的投资回报率。
这种“混乱中期”的特点是人工智能应用的多样性——从基本的自动补全到复杂的代理工作流程——发生在工作*内部*,而不是作为自上而下的倡议。莫利克提出了“领导力、实验室和大众”框架,但他强调了促进*学习流动*的关键需求,即从个人经验到更广泛的组织实践。
传统的变革管理速度太慢。相反,组织需要关注“循环智能”——了解哪些人工智能辅助工作流程产生有价值的见解。这需要“代理运营”(控制人工智能访问)与“代理能力”(分配有用技能)相结合。至关重要的是,这必须避免员工监控,并专注于识别人工智能改进工作的地方,而不仅仅是衡量人工智能的*使用*情况。
最终,成功取决于构建一个“反馈 Harness”(反馈利用机制),以捕捉来自实际工作循环的学习成果,并将其转化为可操作的改进——更快的决策、可重用的模式以及真正敏捷的工作方式。
作者对Lightroom点击按钮后鼠标指针自动移动的意外行为感到惊讶和不安。这种感觉具有侵入性,仿佛应用程序在物理上操纵用户的手,并引发了关于可用性的问题——自动化任务会阻碍用户的学习过程吗?
作者认为某些交互是“神圣的”,不应被劫持,并将这比作保护焦点、滚动以及撤销/复制粘贴等基本命令。然而,他们将其与尼尔·阿加瓦尔(Neal Agarwal)富有创意的项目形成对比,在项目中光标控制*感觉*自然且引人入胜。
过去Figma原型中探索的光标删除功能进一步说明了这一点——最初被认为“太奇怪”,现在似乎符合更集成、更少“像神一样”的光标体验的理念。最终,作者将这种光标操纵是令人愉悦的创新还是令人不安的控制权留给读者决定。
随着强大的人工智能编码代理的出现,“代码成本低廉”——这开启了令人兴奋的新可能性,但也需要开发实践的转变。本文概述了有效“代理编码”的十个经验教训,重点是最大化学习和长期价值。
主要收获包括:通过频繁重建和实验,优先考虑**通过实现来学习**;以及投资于强大的**端到端测试**,关注代码*做什么*,而非*如何做*。至关重要的是,**记录意图**并保持**规范与代码同步更新**,这对于持续进展至关重要。
不要回避**难题**——真正的价值在于那里——并**自动化简单任务**,以便专注于它们。培养强大的**技术品味**和领域专业知识,以有效指导代理。最后,请记住,虽然代码生成成本低廉,但**维护、安全和支持并非如此**。将代理代码视为“免费小狗”——令人愉快,但需要持续的照料。