一位顾问用AI设计新产品，方案很快变得完整；接着用同样的工具分析经营材料，建议依然条理清楚，结论却可能错了。最难察觉的转变，往往不是系统突然不会说话，而是它继续说得很好。
这是根据论文问题编写的编辑情境，不是实验中某位参与者的经历。它把我们带到一个具体问题：一个人在什么地方可以借力，又在什么地方需要重新判断？职业名称、任务看起来有多复杂，甚至上一次使用是否成功，都未必足以回答。
Fabrizio Dell’Acqua及合作者与波士顿咨询公司合作，把这个问题放进顾问的工作相关任务里。本文采用2026年《Organization Science》正式在线版，研究使用的是2023年4月底可用的GPT-4。发表年份与所测工具的时间应当分开看。论文题录 ↗
一分钟读懂
- 研究做了什么：758名顾问进入两类互不重叠的任务分支，各自再比较无AI、GPT-4、GPT-4加使用概览三种条件。
- 边界内的收益：完成率相对提高约12.2%，回答质量平均提升约32%；完成前17个子任务的用时也减少。
- 边界外的风险：一项需要结合访谈与财务数据的判断任务中，合并AI条件后的正确率比对照低约19个百分点。
- 阅读边界：这是特定模型、特定任务的实验。它揭示任务差异的重要性，没有画出所有职业的永久能力地图。
01 · 技术边界为什么是锯齿状的
“锯齿状技术边界”（jagged technological frontier）是论文用来描述AI能力分布的概念。人类觉得难度相近的工作，借助AI后可能表现更好，也可能表现更差。不同任务上的能力并没有沿着一条整齐的难度阶梯排列。印刷p.2／PDF3 ↗
我们容易借用自己的经验判断工具：写出流畅长文很难，找出表格中的一个问题似乎简单，于是认为前者都能完成，后者应该更没问题。但模型完成两件事所依赖的条件可能不同。看似简单的判断，也可能要求发现材料之间一个不能忽略的例外。
这里的“边界内”并不意味着毫无错误，“边界外”也不等于任何人都不可能借助工具完成。研究者通过预试选择任务：一类使用较直接的提示就能得到有用、高质量输出；另一类则需要更多人的引导与介入，直接交给模型容易出错。
原文图1把这种不均匀性画成一条起伏的边界。它是一张概念图，作者明确说明并非具体任务和效应大小的实测地图。读者可以用它理解为什么需要逐项检查，却不能在图上找到“教师在里面、医生在外面”之类的职业坐标。
边界还依赖模型和任务安排。更换资料、调整流程或加入复核，都可能改变结果。这也是这篇论文比一句“AI有时会错”更有解释力的地方：问题不止是错误存在，而是人能否识别自己正在处理哪一种任务。
02 · 758名顾问如何进入比较
这是一项预注册的现场实验室实验：参与者是职业顾问，做的是与咨询工作相关、但由研究者组织和控制的任务。它与真实客户项目的长期追踪不同，研究设计用一定程度的情境控制换取更清楚的比较。§3，印刷pp.4–5 ↗
758人先被分到两个分支：385人进入边界内任务，373人进入边界外任务。两组没有人员重叠。每个分支中，参与者先完成不借助AI的评估任务，再分配到三种条件，完成主要实验任务。
第一种条件没有AI。第二种可以使用GPT-4。第三种使用相同工具，并获得提示使用概览，包括介绍如何使用的材料。研究通过公司定制平台提供模型，记录人与系统的互动，而非让参与者各自随意使用不同版本的聊天产品。
作者在尾注17报告，分入AI处理条件的参与者中，97.6%至少使用过一次AI。这说明分配到工具与实际接触之间的落差较小，但不意味着每个人使用频率、提示方式或采纳程度相同。尾注17，印刷p.19 ↗
这套安排使研究者可以比较工具可用性及概览材料的影响，也能参考基线表现。但不能把结果写成同一批顾问先在产品任务成功，再带着刚形成的信任在分析任务失败。这样的故事很顺，却没有对应的个体追踪设计。
控制条件为何重要？假如只看到AI组的方案质量不错，我们不知道没有工具的人本来能做到什么程度；假如只看到有人被AI误导，也不知道在同一任务上独立判断的错误有多少。收益和风险都必须回到相同任务下的比较。
这里还需要留意“专业人士”这一条件。职业顾问能为工作相关任务提供有价值的判断，但他们不是所有知识工作者的缩影。研究的说服力部分来自参与者真的熟悉这类工作，而它的外推范围也受这种职业背景限制。若换成初学者，人的独立基线、识别错误的能力和对建议的使用方式都可能改变。
实验比较也有层级。先按任务分支看，再按有无工具看，最后才看概览材料是否产生额外差异。若跨过这些层级，只拿全体顾问的一个平均值作结论，恰恰会把论文想揭示的边界重新抹平。
03 · 边界内：从鞋类构思到上市计划
边界内的主任务要求顾问为细分市场构思一种鞋类产品，展开原型描述、市场细分和上市计划，共有18个子任务。此前的基线评估使用饮料概念；两者主题不同，不能把饮料任务写成正式实验的主要产出。§4.1，印刷p.6／PDF7 ↗
18个子任务涵盖创意、分析、写作与说服。例如提出产品想法、划分市场、撰写宣传材料与内部说明。研究选择这些材料，是为了让参与者需要完成一段较完整的知识工作，而非只回答一道容易评判的选择题。
回答质量由人类评分者评价，每份被评分的回答有三位评分者，随后形成综合质量分。论文还使用GPT-4评分进行补充分析。两种评价来源需要分开；主要的人类评分结果不应被概括成“模型觉得自己的内容更好”。
质量评分针对没有留空的回答。于是，这里至少存在两个问题：一个人完成了多少，完成的那些回答有多好。研究分别报告完成率与质量，避免只用单个总分把覆盖范围和产出水平混在一起。
换到今天的专业任务，这种区分也很有用。AI可能让人写出更多候选方案，却没有改善每个方案的可信程度；也可能使已完成部分更好，但留下更多未处理项目。论文的设计提醒我们，应先明确什么算完成，再决定怎样评价质量。
04 · 三种收益，要用三种单位读
完成率方面，对照组平均完成约82%的任务，GPT-only组约91%，GPT加概览组约93%。作者综合报告的相对提升约为12.2%。这是完成率的相对增幅，不能改写成速度提高12.2%，也不是增加12.2个百分点。表5及正文，印刷p.8 ↗
质量方面，本次采用的正式文本概述为平均提高约32%。表4第一列的无AI基准约为4.375分，两种AI条件的系数分别约为1.307和1.482分。它们对应评分差异，与正确率不是同一种量尺。网络介绍中的旧版本数字不能直接移入本版。
概览材料在质量上还有额外收益：表4中GPT加概览组显著高于GPT-only组，不同模型设定的组间检验p值约为0.014–0.049。这些系数采用1–10分评分尺度；不能把1.482与1.307读成百分比，也不能由此认定概览在所有任务上都有效。表4，印刷p.8 ↗
时间指标则有一个容易遗漏的细节：最后一题特别长，参与者被要求使用完整的任务时间。因此作者测量的是到达第18题、已经完成前17题所用的时间，而非整场活动何时离场。表6及正文，印刷p.10 ↗
在这个窗口里，GPT加概览组比对照少用约1129秒，约18.8分钟，下降22.5%；GPT-only组少用约1388秒，约23.1分钟，下降27.6%。它们说明任务推进更快，但不直接等于一整天、一个项目或一个组织节省同样比例的工时。
把三个结果并排看，才接近论文的完整发现：这组任务中，人们完成更多、回答评分更高、推进也更快。若标题只能留下“效率提高”，正文仍需要把效率拆开，否则读者很难知道工具究竟改善了什么。
收益也并非只属于原本表现最好的人。作者按评估任务表现区分上下半组，发现较低表现者获益更大，较高表现者也有提升。这是特定基线与任务的分组结果，不是对人的永久能力排名。
在解释质量评分时，还应关心评分标准允许看见什么。创意、分析、写作和说服力都与咨询产出有关，但高评分不会自动证明建议在真实市场取得成功。实验观察的是规定任务下的产出表现，客户采用后的实施、成本与长期效果需要另外追踪。这个区别帮助我们既认真对待显著提升，也不过早把任务评分当作商业回报。
05 · 边界外：关键线索不只在数字里
另一分支先进行销售渠道分析作为评估，再进入品牌分析主任务。参与者需要结合财务数据和公司内部访谈，判断哪个品牌最有增长潜力，并提出改善建议。§4.2，印刷pp.10–11 ↗
任务设计的关键在于，电子表格看起来已经提供了充分信息，但访谈中含有影响判断的重要细节。只沿着表面数据形成建议，会错过这些线索。研究者在预试中确认，直接把材料和要求交给模型，容易得到错误结论。
这让研究从“能不能生成”转向“能不能判断”。一个回答可以满足格式、展开理由、提出行动，却仍然选错应该优先发展的品牌。对这部分，主要指标是正确性：建议正确记为1，错误记为0。
正文报告对照组正确率约84.5%，GPT-only约70.6%，GPT加概览约60%；合并两种AI条件，与对照相比平均低约19个百分点。表2保留两位小数，分别是0.84、0.71和0.60，属于描述性统计，不能据舍入值反算更精确的效果。
同一任务的速度也值得并排读。表8第一列显示，相对无AI组，GPT加概览组少用约689秒，即11.5分钟，约30%；GPT-only组少用约407秒，即6.8分钟，约18%。这里测的是提交前的总任务用时。组间差异在第一列的p值为0.022，加入控制变量的模型中更显著，因此不能把第一列数值一律配成p<0.001。表8，印刷p.12 ↗
这不是说所有分析工作都不能用AI。实验选择的正是一种模型容易失误的任务，而边界外分支只有这一项主要任务。它有力证明负面影响可以发生，却不足以告诉我们此类问题在全部咨询工作中有多常见。
概览组在这里表现更低，也不能直接引申为“培训越多越危险”。本研究的概览、模型、材料与任务有具体内容。若要判断什么培训有助于发现边界，需要直接比较训练是否教会人识别关键例外，而不只是帮助人更顺畅地调用工具。
可以把这项任务中的工作顺序重新展开：读材料、形成候选判断、发现冲突、权衡证据、提出行动。最后呈现为一份建议书，过程中却包含多种认知活动。模型在生成建议书上表现出色，并不保证在发现冲突这一步同样出色。把整个任务只命名为“写报告”，就会误判哪些地方需要人的判断。
这种误判不只发生在使用前。草稿越完整，人越可能把后续工作理解为润色，默认重要分析已经完成。这是值得后续检验的编辑假设：工具改变的可能不仅是产出，还包括人对剩余任务的理解。若想验证，就需要记录用户在哪一步返回材料、何时修改核心结论，而不只统计最后答案。
06 · 说得有道理，和结论正确可以分离
论文进一步检查建议的说服力与内部连贯性。评分者未被告知正确的战略答案，依据1–10分量表评价论证。表9第一列中，GPT加概览与GPT-only相对对照分别高出1.475和1.046分；图6再按答案正确与否分组，显示AI辅助下的表达优势也出现在错误答案中。表9、图6，印刷pp.12–14 ↗
把结果合起来，概览组在边界外任务中交卷更快、论证评分更高，正确率却更低。但不能把省下的11.5分钟说成少做了11.5分钟核查：研究没有单独测量核查时间，也没有验证“概览提高信心，再通过减少核查造成错误”的完整中介链。
对读者而言，这个分离比“模型会胡编”更值得警惕。明显混乱的输出容易触发检查；形式成熟、论证顺畅的输出，可能更容易被沿用。这里描述的是一种与结果相容的机制解释，实验没有单独随机操纵“被说服的程度”，再证明它造成全部错误。
作者讨论的核心风险，是人未能正确调用自己的能力：工具在某些步骤有帮助，但人没有识别它在哪个关键判断上不可靠。拥有专业经验与实际发现这一错误，是两个不同条件。
预注册也有具体范围。尾注5说明，实验已在OSF预注册，但“锯齿状边界”的概念框架与实验具体任务的详细描述不在预注册内容中。预注册不是对全文每一项解释的统一背书；理解证据时，需要区分预先登记的设计与后来用于组织结果的框架。尾注5，印刷p.18 ↗
我们可以据此区分两种复核。形式复核检查结构、语气和完整性；内容复核回到证据，检查某个决定是否依赖遗漏的信息。若二者被混成一个“检查过了”的勾选框，最容易留下的恰恰是后者。
这是编辑提出的工作分析，不是原实验已经验证的解决方案。它的价值在于让改进目标变具体：不要只要求参与者更加谨慎，而要规定哪一条建议必须能追回原始材料，哪种冲突会触发重新判断。
07 · 与“人机协同”和组织增强对读
第19篇Vaccaro等的元分析区分了增强与协同：增强只要求人使用AI后胜过人独立完成；协同要求组合胜过人和AI中原本较强的一方。这篇顾问实验主要提供有AI与无AI条件的比较，没有同等完整的AI独立基线。相关精读 ↗
因此，边界内的结果支持人的表现得到增强，却不能仅凭这些条件宣布组合超越双方独立能力。这个区别不会削弱已发现的收益，而是帮助我们准确描述已经回答了哪个问题。
第20篇Raisch与Krakowski讨论的是组织里自动化与增强如何相互影响。某个步骤交给系统，会改变邻近任务及后续学习。这篇实验则把镜头缩到任务表现，提供较清楚的因果比较。相关精读 ↗
两篇放在一起，可以形成一个更完整的研究问题：如果组织把边界内的部分交给AI，人是否会获得更多时间判断边界外的内容，还是连发现例外的机会也减少了？这需要长期的流程证据，不能用一次实验替组织回答。
原文参考文献中的其他协作方式研究，也不应全部收编为本篇结果。名称吸引人的人机分工类型，可以作为延伸阅读；在讲述这项正式实验时，仍应把任务、条件和实际测量放在中心。
这组文献还提示一种更细的比较方式。与其问“用了AI的人是不是更优秀”，不如问同一个流程中，哪些判断由谁提出，谁负责查证，最后是谁把相互冲突的信息整合起来。责任可以由组织规定，实际认知工作却未必照着规定发生，两者都值得观察。
例如，规定由人最后确认，并不能说明人真正重新计算或核查了证据。他可能只检查表达，也可能确实发现了关键例外。研究人机组合时，最后一次点击属于谁，和决定实际上怎样形成，是不同层次的信息。任务表现与过程记录结合，才更容易判断所谓“人在回路中”具体发挥了什么作用。
08 · 把边界变成一个可以检查的工作问题
以下是编辑设想。一个团队使用AI准备课程材料，可以先把工作拆成提出活动方案、匹配学习目标、核查事实、判断学生实际困难四部分。拆分的目的不是提前指定哪些归AI，而是避免用一个“备课质量”遮住不同判断。
先用一批有明确评价依据的任务，比较无AI与有AI的产出。对开放生成记录方案质量与多样性；对事实判断记录正确率与关键遗漏；另记复核和返工时间。若只计生成速度，工具可能把成本转移到了检查者身上。
再加入一种明确的复核安排。例如要求每项关键建议标出依据，并在不同材料冲突时暂停采用。比较这种安排是否改善正确性、增加多少时间，能否帮助较少经验者发现问题。这比统一要求“认真检查”更容易检验。
最后记录模型版本和任务条件。某次结果只能说明当时的组合怎样运行。工具升级后，旧边界可能移动；人员熟悉之后，操作策略也可能变化。定期重测应围绕最重要的判断，而不是每次重新制作一张笼统的职业风险表。
实验给我们的最实际提醒，是不要让上一项任务的成功，替下一项任务提供未经检查的信用。一次很好的使用经历，可以成为继续探索的理由；能否把下一步也交出去，还需要属于下一步的证据。
对一个刚开始试用AI的团队，还可以先从失败样本入手。收集几份表面完整、结论却需要修改的产出，追查错误出现在资料读取、关系判断还是建议整合。再收集几份工具确实节省时间的成功样本，避免评估只剩寻找问题。两类材料并置，才可能逐步形成属于当前工作的使用依据。
这样的记录不需要先给AI下一个整体结论。某一步值得采用，可以保留；另一判断需要独立完成，也可以明确。锯齿状边界提供的正是一种细致而可修订的态度：既记录已经得到的帮助，也不让帮助掩盖尚未掌握的判断。
原文与版本
Dell’Acqua, F., McFowland, E., III, Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science. Advance online publication.
本篇依据已归档Articles in Advance版，正文印刷pp.1–21，PDF含一页封面，PDF页序比印刷页码多1。核对关键概念、方法、正文结果及表2、4、5、6、8、9、图6与尾注5、17；未逐项核验独立Online Appendix或重跑数据。质量提升采用本版32%口径，开篇情境及课程应用为编辑延伸。
更新于2026-10-18 · v1.0 · 正式版。