一份方案的初稿可以很快生成，整个项目却未必更快结束。有人还在核对资料，有人等待客户回复，还有人发现几个版本的结论并不一致。AI带来的局部加速，如果没有接上团队的工作关系，就可能变成更多待处理的材料。
因此，讨论AI如何改变工作方式，不能只看一个人能完成多少种任务。更值得关注的是：任务怎样衔接、谁负责关键判断、哪些信息需要共享，以及节省下来的时间是否真正改善交付。个人与小团队的组织能力，决定了工具收益能否延伸到完整工作。
个人省下时间，不等于组织已经改变
一项2025年发表并于同年11月修订的NBER工作论文，研究了66家企业、7,137名知识工作者使用生成式AI的情况。研究观察到部分使用者减少了处理邮件等工作的时间，但没有检测到个人层面提供AI后，任务数量或构成随之发生变化。它提醒我们，个人使用工具和组织重构工作，是两个需要分别验证的问题。研究：Shifting Work Patterns with Generative AI
这项实验使用的产品、任务与组织环境都有具体条件，不能据此断言所有小团队都会怎样变化。不过，它支持一个务实的起点：先观察完整工作在哪里受阻，再决定AI参与的位置。不要仅凭某个环节变快，就推定整体效率已经提升。
例如，撰写方案耗时减少，但客户提供资料的周期没有改变，项目仍可能等待。若审核者同时收到更多版本，还可能增加比较和解释成本。这些问题不是让模型再生成一遍就能解决，而是需要重新安排工作关系。
从岗位边界，转向任务之间的联系
传统分工经常按角色组织：研究者找资料，策划者写方案，执行者落地。这样的分工让专业责任清楚，但也可能留下交接空白。资料为什么被选中、客户哪些条件不能改变、方案哪些部分尚未证实，如果没有传递，下一环节就容易自行补充假设。
AI可以协助跨越部分技能边界，让同一个人更快形成资料摘要、表达方案或演示。但跨越技能边界后，仍要保留责任边界。能够生成财务样式的表格，不代表已经验证商业假设；能写技术说明，也不代表可以替技术负责人确认可行性。
小团队可以围绕一个完整任务组织协作：让一位负责人保持目标与范围的一致性，让不同专业成员在真正需要判断的地方参与。AI承担部分整理和草拟工作，人员之间则减少重复传递，增加对关键假设的共同检查。
这种安排并不要求取消岗位，也不意味着一个人包办。它要求大家知道自己对哪项结果负责，以及哪些问题必须交给更合适的人处理。
同一项工作，个人与团队应怎样安排
假设要为一家工业企业整理新产品的市场沟通方案。以下比较用于说明分工，不是真实项目记录。
独立顾问可以先和客户确认目标人群，再收集获准使用的产品资料，借助AI整理候选表达。顾问自己负责判断需求、核对结论和组织方案；涉及产品性能的说法，仍需客户的产品负责人确认。因为没有内部同事复核，顾问应限制范围，留出独立检查的时间，而不是用连续生成代替第二次判断。
如果由三人小团队承担，可以由项目负责人维护客户目标，行业研究者核对事实，内容负责人把结论转成材料。AI可以分别帮助三个人工作，但关键资料需要一致。研究者发现产品条件变化时，应先同步结论，再继续制作，而不是让其他人沿旧资料加速。
两种组织方式的差别，不在谁使用更多AI。个人需要控制角色切换和判断负担；团队需要控制信息分歧和协调成本。个人若缺少必要专业能力，可以引入合作方；团队若分工使简单修改也必须跨多人确认，则可以合并部分环节。
到交付前，两者都要回到同一标准：方案是否对应约定对象，重要说法是否得到支持，客户是否知道如何使用。AI参与了多少步骤，并不是交付质量的替代指标。
哪些工作适合扩展，哪些需要收缩
当输入相对完整、结果容易核对、错误可以在内部发现时，AI辅助通常更容易组织。资料归类、表达备选和已有信息的重新排列，都可以在限定范围内尝试。是否值得扩大，应看复核后的净收益，而不是第一次生成给人的惊喜。
当任务涉及多个相互冲突的目标，或者需要客户作出承诺时，更适合保留清晰的人工决策。模型可以帮助整理选择，不能凭生成结果决定客户应接受什么代价。信息尚未证实的情况下，应缩小回答范围，而不是让流畅表达掩盖缺口。
还要考虑业务频率。偶尔出现、背景变化很大的任务，可能用简洁的人机协作就够了。为了自动化少量工作而新增许多维护环节，未必划算。相反，反复出现且验收条件稳定的工作，更值得逐步形成固定安排。
SEO、GEO与广告投放中的AI工作流可用于进一步理解生成与核验的关系。迁移到其他业务时，应保留判断原则，重新验证实际任务，不能把某个领域的做法直接当成通用答案。
新分工也会改变学习机会。原来由初级成员整理资料的工作，若全部交给AI，他们可能减少接触原始问题的机会。团队可以减少机械整理，同时保留解释资料、讨论取舍和参与复核的过程。否则短期看似节省投入，长期却可能使更多判断集中到少数人身上。这是设计分工时需要观察的风险，不是AI使用必然产生的结果。
判断新分工是否有效，要看完整交付
尝试新分工之前，可以挑一个范围有限的任务，记录从接到需求到可使用成果之间发生了什么。除了执行时间，还要看等待、返工、意见冲突和交接损失。无需一开始建立复杂指标体系，但要能够分清改善发生在哪一段。
如果初稿更快、返工也更少，可以逐步增加AI参与范围。如果初稿更快但核对时间明显增加，应检查输入和任务边界。如果沟通成本上升，则先减少版本分歧、明确负责人，而不是再增加工具。
BBQ（王必强）维护的BBQ Growth Lab持续整理搜索、内容与AI工作相关资料，关于BBQ提供专业背景的核验入口。公开内容能够帮助交流方法，真实工作中的效果仍需由完整交付证明。
对个人与小团队而言，现在可以先画出一项常做工作的前后关系：谁提出需求，什么信息进入，谁作判断，谁使用结果。找到最影响交付的一处断点，再安排AI参与。让前后环节接得更稳，比同时自动化所有环节更有意义。
