近日，我前往北京，与青萍之末创始人兼产业组织顾问舒书会面。我们探讨了Solo独立开发者社区、WorkBuddy与AI的结合，以及播客相关话题。舒书老师在朋友圈中写道：“一顿家常简餐，聊组织协作的坑，聊业务增长的取舍。”

对我而言，这次北京之行留下了一个值得深思的问题。我既做产品，也运营独立开发者社区，很容易观察到AI如何拓展个人能力：过去需要他人协作的任务，现在有机会独自完成初版。但当这些能力融入团队后，一个人的效率提升，如何转化为一群人更快的交付？

表面完成，为何迟迟无法交付？

在具体工作中，这个问题更直接地呈现：一个页面已能打开和操作，为何开发仍表示需要时间？一份方案已写得详尽，为何业务方仍不愿确认？AI使开发和分析更快产出成果，也让项目进度多了一种易引发误解的信号：成果看似已就绪，工作却并未终结。

以一个用于客户演示的页面为例，界面和交互能快速搭建，但进入实际业务后，还需处理权限、数据、异常状况及验收标准。演示者关注它已能实现的功能，交付者则需确保其在各种条件下不出错。双方看到同一页面，对“完成”的定义却可能大相径庭。

若这些标准未提前明确，展示的功能越完整，后续工作越易被视作拖延。需求方认为只剩收尾，执行方却清楚业务规则未确认、数据需接入、边界情况待验证。讨论易从“还有哪些工作”滑向“为何还没做好”，真正影响交付的问题未解决，双方先耗费在解释进度上。

这种分歧本就存在。AI的新影响在于，将看似完整的结果更早呈现给所有人。在需求未澄清的项目中，视觉上的完成度可能提前引发进度上的乐观。工具节省的时间，能否转化为团队提前交付的成果，取决于大家是否将演示、可用与验收通过分别说明。

最近，一位用户对AI产品的反馈也让我注意到这一差距：“感觉它还是比较像一个大脑，执行还得自己去执行。”这句话虽讨论产品体验，却提示了一种更实际的衡量方式：拿到结果后，使用者还需做多少工作，事情才能继续推进？企业同样需问这个问题。一个环节的输出变快，不意味着接手者能立即使用它。

研究已提供个人提效的证据。《Shifting Work Patterns with Generative AI》覆盖66家企业、7137名知识工作者，进行了为期六个月的随机实地实验。实验后半程，获得工具并实际使用的员工每周处理邮件时间减少约两小时，常规工作时间外的工作也有所减少。但研究未检测到，仅为个人提供AI工具会使任务数量或构成发生变化。

员工减少重复劳动、降低对私人时间的占用，是明确收益。至于公司是否因此更快交付，需另行观察。例如，一份报告提前完成，仍需等到固定评审日才被处理，局部节省的时间未必改变整个周期；若评审者能更早介入、发现问题，后续返工才可能减少。

这使企业面临比“员工会不会用AI”更具体的问题：工作流程能否接住工具带来的变化？若执行环节提速，需求确认、审核和决策仍按原有节奏运行，待处理的结果便可能集中到这些环节。管理者看到更多产出，执行者感到更忙，交付却仍停滞在等待中。

AI产出结果，谁来确认其可用？

除等待外，一些工作始终不易被察觉。一个可演示的页面，容易让人关注布局、文案和交互；权限判断、数据一致性和故障处理，往往在出问题时才受重视。一份语言流畅的报告，也易让人先接受结论，再发现数据版本或引用依据需核查。

这些工作并未消失。开发或分析环节提速后，核验和修正仍需时间。若团队将“已产出结果”视为“任务基本完成”，便可能低估这部分工作。问题发生后，又将此前被忽略的工作重新归为个人执行不力。

还有一部分成本发生在执行之前。企业中的任务背景，可能分散在合同、聊天记录、旧文档和个人经验中。同一项目名称未变，客户要求、业务口径和数据范围却可能已调整。使用者需找到足够信息，判断哪些仍有效，再让AI开展工作。

2026年9月发布的WorkWorlds预印本考察了资料组织方式的影响。在以合成制药企业为主的环境中，研究进行了192次配对评测：当任务所需上下文被专门整理出来时，任务通过率为76.7%；换成完整的岗位可见环境，通过率为68.0%。主要差异出现在智能体是否找到足够证据的阶段。

这是一项有限规模的合成环境评测，不能直接视为企业部署效果。它提醒我们，展示AI能力时，任务相关文件可能已被挑选出来；实际工作中，寻找文件、确认版本、判断适用范围，本身就是劳动。企业若只记录AI处理任务耗时，便可能漏掉此前的资料准备及此后的检查和修正。

当这些准备由每位员工各自完成，公司还会付出重复成本。同一套背景被不同人整理多次，同一决定在不同文档中出现不同版本。更强的生成能力甚至可能将旧口径迅速扩散到更多材料中，接手者需重新核对。企业要获得稳定收益，资料的维护责任和当前有效版本必须明确。

人人有答案，项目在等谁拍板？

独立开发与团队交付之间，还有一个易被忽略的差别：一个人做产品，通常可边做边决定；团队则需让不同的人接受同一套完成标准。判断权如何分配，影响着执行后还需等待多久。

独立开发者决定先上线哪个功能，可同时调整范围和实现方式。进入团队后，销售可能已向客户承诺，产品需守住既定规划，研发要考虑维护，交付要满足验收。大家各有理由，AI也能帮每个人更快整理出完整依据。但形成更多理由，不等于更快形成可执行的决定。

客户定制最易显现这种差别。AI降低了首次实现的成本，一项需求看似更易接受；后续的维护、培训、特殊流程和兼容问题，却需不同团队持续承担。是否接受这笔业务，不能仅凭初版开发速度判断。承诺范围、维护责任和验收条件，需有人统筹决定，否则签约环节增加的收入，可能将未被核算的工作留给后续团队。

这种取舍也不能完全交给工具。AI可帮助补充知识、计算成本、整理冲突，但谁有权修改承诺、谁能够接受某项风险，来自组织的安排。一位员工理解了其他部门的顾虑，不意味着他已获得预算，或能改变对方的考核目标。

当然，AI也有机会直接改善协作。2025年发布的一项宝洁实地实验涉及776名专业人员。在特定产品创新任务中，使用AI的个人，其表现能达到不使用AI团队的水平。这说明，部分跨专业知识可通过工具获得，原本需等待他人提供的建议，有机会更快补齐。

企业应区分这两类情况：缺少专业信息，工具可能提供帮助；已掌握信息，却无人能确认结果或作出取舍，便需调整决策方式。若不区分，公司容易持续为前一种问题购买能力，却让后一种问题继续阻塞交付。

判断AI投入是否有效，也需追踪完整任务，而非只看使用次数。一项业务从提出需求到验收通过，总共用了多久？其中多少时间用于执行，多少用于等待，多少用于返工？在质量要求一致条件下，将这些时间分开，才能知道工具真正缩短了哪里，哪些环节需同步改变。

更早拿到可展示、可检查的结果，本可成为一种优势。团队有机会提前检查假设，让需求方更早反馈，避免等到投入大量开发后才发现理解不同。要获得这份收益，便需借助这些阶段性成果确认需求、验证假设，并在展示时明确说明：哪些已完成，哪些仍需验证，下一步由谁确认。

员工也需让后续工作能被看见。能够演示，不意味着权限已正确；文字完整，不意味着依据已可靠；功能跑通，不意味着异常情况已处理。将这些状态说清楚，管理者才有可能为核验安排时间，为冲突安排决策，而不只是根据眼前成果不断催促收尾。

AI越来越强，公司为何还是做不快？答案需落到具体项目里。有些团队缺少执行能力，有些团队等待资料，还有些团队迟迟未统一完成标准。模型升级可解决其中一部分，流程和责任的调整则决定剩下的工作能否继续推进。

这次北京之行让我更想追问的，也是这种从个人能力到共同结果的转变。社区、产品和内容都需有人推动前进，工具带来的可能性，最终要在具体合作中兑现。下一次看到AI很快做出的成果，我会先问清楚：它完成了哪一步，距离可交付，还剩哪些工作？

本文来自微信公众号“奇点外”，作者：wiwi，36氪经授权发布。