把同一个 AI 助手交给你最强和最弱的执行者，你得到的不是同一收益的两个缩小版本，而是两个相反的符号。在一项为期五个月、覆盖 640 位小企业主的随机田野实验中，原本绩效较高、拿到 GPT-4 商业顾问的一组，营收与利润上升约 15%；而原本就在挣扎的企业主，最终比对照组低了近 10%（MIT Sloan Management Review, 2026）。同一个工具。同一段使用期。同样的建议量。AI 绩效差距没有收窄——它扩大了，而且这次扩大中有一部分是实打实的损害。
这个结果应该改变几乎每位运营负责人此刻正在做的一个排序决定：谁先拿到副驾驶。
为什么 AI 绩效差距不是收窄而是扩大
Nicholas Otis、Rowan Clarke、Solène Delecourt、David Holtz 与 Rembrand Koning 在 640 位肯尼亚创业者中随机分配了一个被设定为商业顾问的 GPT-4 助手的使用权，这些人经营快餐店、养鸡场、网吧等小型生意。投放刻意做到零摩擦：一个 WhatsApp 联系人——约 90% 的肯尼亚人本就在用这个平台——并跟踪五个月（Berkeley Haas, 2026）。该研究以 The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance 为题发表（Management Science, 2026）。
设计比场景更重要。使用权是随机分配的，因此分化不是"谁主动报名"的故事。两组用的是同一个工具。使用量也解释不了分化。真正区分两组的，是他们带给助手什么问题，以及拿到回答后做了什么。
请把它当作一个运营条件，而不是关于内罗毕的趣闻。被检验的变量——一个通用型顾问 AI 是否能帮到判断力本就不稳的人——正是你把副驾驶交给一支 200 人运营团队的后四分之一、并称之为赋能时，真正在起作用的变量。
"AI 弥合技能差距"的证据是真的——但比你以为的窄得多
拉平这一说法不是神话，它是关于某一类特定工作的发现。
Brynjolfsson、Li 与 Raymond 研究了 5,179 名客服人员在生成式 AI 助手分批上线期间的表现。生产率平均提升 14%，其中新手与低技能人员提升 34%，对最资深者影响极小（Quarterly Journal of Economics, 2025）。机制在于：模型把最强坐席的做法扩散出去，让新人更快走完经验曲线。
看看那到底是什么样的任务。范围有界。正确答案已经存在于公司内部某处。客户即时反馈。主管在数小时内完成质量核查。在这些条件下，把隐性最佳实践编码进去的 AI 会压缩分布——最弱的人收益最大，因为他们的行为与被编码标准之间的差距最大。
现在改动一个变量：拿掉那个已知的正确答案。就定价、招聘，或下一笔预算该花在哪里，向模型提一个开放式问题。没有可收敛的已验证目标，没有主管闭环，也没有立即告诉你建议是错的信号。压缩不再是默认结果，放大接管了。
拉平效应是可验证任务的属性，不是这项技术的属性。
调节变量是判断力，不是使用权，也不是提示词技巧
肯尼亚研究的作者对机制说得很明确：决定效应符号的是"创业者是否具备分辨 AI 好建议与坏建议的判断力"。较弱的一方照做了泛泛而谈或误导性的建议，因为他们缺少把它们挡回去的过滤器（MIT Sloan Management Review, 2026）。
底下的行为细节更锋利。高绩效者带给助手的是可处理的问题——有结构的提问，模型输出可以与他们已知的东西相互印证。挣扎中的企业主带去的是手头最棘手、最含糊的难题：竞争对手低价抢客、干旱、没有周转资金。这些问题，无论 AI 还是顾问，从企业外部都答不好（Berkeley Haas, 2026）。模型照答不误。它总是会答。泛泛的建议——降价、多投广告——流畅、看似合理，一旦脱离具体情境判断去执行，就是在毁毛利。
于是因果链是：判断力更弱 → 问题更难更模糊 → 回答更泛化 → 坏建议的执行率更高 → 可测量的损害。
注意这条链里没有什么。没有使用权。没有使用量。没有提示词工程技巧。大多数赋能项目买的干预——更多席位、更多提示词培训——对造成损失的每一步都没有作用。
这与 Dell'Acqua 等人在 758 名 BCG 顾问身上的发现是同一形状：在 AI 能力边界之内的 18 项任务上，使用 AI 的顾问多完成 12.2% 的任务，快 25.1%，质量显著更高；而在一项被刻意放在边界之外的复杂管理任务上，用 AI 的顾问给出正确解的概率比完全不用 AI 的顾问低 19%（Harvard Business School, 2023）。两项研究，不同人群，同一结构：当自信的输出遇上无力评估它的使用者，损害就发生了。
为什么"先补短板"的直觉是反的
这里就是被重新定义的那个决定。
直觉动作——出现在大多数赋能方案里的那个——是先把 AI 工具给正在吃力的人。它看起来公平、看起来高效，还从客服中心的结果那里借来了可信度。抬起底部，收窄差距，把平均值收进口袋。
在开放式顾问型工作上，这个顺序是反的。你把一台不经过滤的建议机器，恰好交给了最没有能力过滤它的人群；而田野证据说，期望值是负的，不只是小。
代价要付两次。第一次是直接损害：决策比没有辅助时更糟。第二次是归因。当试点交出持平或为负的总量数字，得出的结论通常是"这工具在我们这儿不管用"，项目就此夭折。工具对能用好它的那一群人运转良好，失败的是推广设计——而没有人在能看出这一点的颗粒度上做过测量。
平均值会掩盖符号反转。如果你的试点只报一个混合数字，它无法告诉你到底帮到了谁。
这个季度该在推广上改什么
把开放式顾问型使用限定给已证明的领域判断力
开放式顾问型使用——战略问题、定价决策、优先级排序，以及一切模型答案无法与已知目标核对的场景——应当限定给那些已经具备领域判断力、能否掉一个坏答案的人。这是能力门，不是资历门：干了十年却从未扛过一张损益表的员工，不会自动通过；只有两年、但预测一直准的分析师，可以。
给吃力的那四分之一：窄而可验证的任务，外加复核关卡
被开放式顾问型使用伤到的那批人，恰恰最能从有界、输出可核对的任务中获益——正是客服研究里让新手提升 34% 的那组条件。按模板起草、总结已知文档、初筛分类、结构化数据抽取。再加一道有权驳回、而不只是盖章的人工复核关卡。这才是 AI 真正拉平差距的配置。
按绩效四分位测量效应，而不是看总量
在推广开始之前，就把试点的结果指标按先前绩效四分位拆开。如果你只看混合平均值，上四分位 +15% 与下四分位 −10% 会互相抵消成一个接近零的数字，让你得出"什么都没发生"的结论——而你已经为那份损害付了钱，却没看见它。
改变你培训的内容
提示词培训教人拿到更流畅的输出，却不教人否掉流畅但错误的输出。证据要求的是评估培训：在这个领域里好答案长什么样、模型已知的失效模式有哪些，以及——最有用也最少被教的——哪些问题该问模型，哪些该问人。
值得认真对待的反驳
诚实的反驳：肯尼亚的微型创业者不是中型企业的运营人员，WhatsApp 上的建议机器人也不是带有企业文档检索、既定工作流和审计留痕的企业级部署。两点都成立。效应量不会照搬过来。
但机制与场景无关。它关乎开放式问题、自信输出，以及无法验证的评估者三者的相互作用。任何把通用助手摆在员工面前、并邀请他们"什么都可以问"的企业级部署，都复现了这三个条件。把模型接到你自己的数据上会收窄出错面，但不会消除它——而且当错误答案出现时，还会让它听上去更具机构权威。
站得住的立场不是"这会以同样量级发生在我们身上"，而是"我们根本没测过它是否正在发生"。对于大多数只报一个混合生产率数字的中型企业试点来说，这句话就是准确描述。
落在你桌上的决定
AI 绩效差距不是一个可以留到以后再解决的公平问题。它是一个设计参数，每当你决定下一个访问权给谁时，你就在默认状态下把它设定了。
在下一批席位发出去之前，把部署拆开：开放式顾问型使用，给那些即使没有工具、你在会议室里也已经信任其判断的人；窄而可验证的任务加复核关卡，给其余所有人——再加一个指标，按绩效四分位分开呈报，好让你知道自己押对的是哪一半。
