熟练的无能

克里斯·阿吉里斯（Chris Argyris）在哈佛花了数十年时间研究为什么聪明、有能力的人一直在解决错误的问题。如果你是那些有能力的人之一，他的答案会让你感到不舒服。

他发现，最不可能质疑自己假设的是高绩效者。他称之为"熟练的无能"（skilled incompetence）。他的逻辑很简单。如果你擅长某件事，你通常已经擅长很久了。你因此得到了回报、辩护、改进，并在此基础上建立了身份认同。所以当出了问题时，你会求助于这些来之不易的技能。然而，你几乎从不质疑目标本身，因为质疑目标意味着质疑你最擅长的事情。

你的能力是真实的，但无能来自于无法看透它。

熟练的无能是一种随着任期而加剧的偏见。对公司而言，这意味着同样的长期经验同时产生两样东西：让你最有经验的员工值得留任的判断力，以及让他们被视为过时而被淘汰的僵化。

现在把AI加入其中。

向AI提出一个由你的假设塑造的问题，它会返回一个全面、可信、推理充分的答案来证实你的假设。不是因为它在奉承你。而是因为你问题的好答案就是这样的。框架已经融入了你所问的问题中，而算法完美地尊重了这个框架。

于是，AI成为了高绩效者本来就容易倾向的东西的流畅性生成器。你相信战略是正确的。你基于这个信念提问。机器为你已经选择的方向返回了精心打磨、极具说服力的支持。目标从未被触及。没有什么能反驳它。而且这种确认现在比你自己能产生的任何东西都更有说服力，这让你更难以质疑。

看看当前工作环境的现实。

有两种方式无法提出正确的问题，而大多数公司现在同时采用了这两种方式。

经验丰富的员工拥有提出问题的原材料。多年的模式识别、满是项目出错原因的记忆（那些原因没人记录下来）、对计划悄悄出错的直觉。这正是从任务中抬起头来说"我们正在解决错误问题"所需要的。而同一个人承受着最沉重的熟练无能的负担，因为这些材料来之不易，并与他们的身份融为一体。他们能够提出正确的问题。但偏见使他们最不可能这样做。

新员工则相反。还没有偏见。没有什么可押注的，没有什么可捍卫的，乐于质疑任何事情。但没有可以用来质疑的参照库。质疑目标是否正确不是一种性格特征。它依赖于见过足够多的目标最终被证明是错误的才能识别出这种模式。适应AI是另一种技能。AI让新员工从第一天起就变得快速、自信和高效，而这恰恰是那种完美执行却从不质疑目标的人的画像。擅长提示、擅长判断输出、擅长迭代，却无法判断驱动这一切的问题本身是错误的。

因此，质疑目标的稀缺能力——意愿和能力——在两端都很薄弱。在经验丰富的员工中它存在但被压制了。在新员工中它还没有建立起来。最有可能发现问题的人是那些已经努力克服自身偏见的经验丰富的员工。他们并不多，而且是昂贵的那些。

这就是市场值得关注的地方。

公司把经验看作一件事：成本。经验丰富的员工是一项昂贵的开支。AI刚刚让他们工作中可见的部分——执行、回忆、产出——变得廉价可复制。所以数学计算看起来很明显。用一个更便宜的人加上一个处理流畅输出的模型来替换昂贵的人。人力成本下降。衡量的生产力保持或上升。仪表板上的每个数字都朝着正确的方向移动。做出这个决定的高管因为如此有远见而得到回报。

没有出现在任何仪表板上的数字是刚刚被裁掉的那个。没有一项开支是用于发现公司正在解决错误问题的能力。它不会出现在产出、速度或单位成本中。它只在缺失时显现——几个月后，表现为一个从一开始就错误的方向上的执行良好的推进，由没有基础质疑它的人和一台永远无法质疑的机器快速而自信地交付。

用阿吉里斯的框架重新审视整件事，画面完全吻合。这家公司是一个高绩效者。它擅长削减成本。它因此得到了回报、改进了这一点、并在此基础上建立了战略。所以当它需要省钱时，它调整执行、削减昂贵的投入，却从不问自己是否刚刚移除了一个防止它优化错误事情的功能。这种偏见不仅限于个人。一个组织可以大规模地运行同样的模式，并将其归类为效率。

两个层面上的信号是一样的。

流畅性。当一个答案完美地契合、证实了你已有的想法、并且对你毫无要求时，那就是该怀疑而非满足的时刻。当一个计划顺利通过是因为房间里每个人都流畅表达、没有人有立场或历史来质疑前提时，那就是同一层面上的信号。

个人习惯很小，几乎不花任何成本。在你改进一个你喜欢的答案之前，让机器攻击问题本身而不是答案。不是为解决方案做魔鬼代言人，而是为框架做魔鬼代言人。假设你设置这个问题的方式是错误的。什么是更好的设置。有时你会发现问题本身没问题。有时你会在20分钟后发现，你即将优化的是错误的东西。

组织习惯更难养成，但仍然比犯错便宜。在房间里保留一个人，其立场不依赖于计划是否正确，见过足够多的情况知道什么时候不正确，并且之所以昂贵恰恰是因为那种判断力花了数十年才建立起来。那个人就是对目标的制衡。为了季度报表好看而裁掉他，就是悄悄地移除了这个制衡，而且没有一项开支可以为之哀悼。

这就是现在的新游戏。AI让好答案几乎免费。稀缺的技能不再是产出一个好答案。而是愿意在提问之前停下来，问它是否是正确的问题。机器永远不会为你做这件事。新员工也不会，因为他们还没有获得能让他们这样做的模式识别能力。这是唯一仍然依赖经验的一步。做出裁员决定的高管运行着同样的偏见。他们正在为自己设定失败的条件。

原文链接: Skilled Incompetence

汇智网翻译整理，转载请标明出处