AI让知识复用变容易，代价是什么

开场抛出核心问题：当足够好的答案几乎零成本获得，组织学习会发生什么。模型预测知识复用提高会减少独立探索，团队趋向少数相同方法，生产力上升但创新停滞。

每周AI例会的退化与生产力陷阱

以机构每周AI分享会为例：起初出席率高，后来新发现越来越少，变成工具介绍会。少数人持续探索、多数人等待获益，削弱了高成本探索的积极性。

吸收能力：评估、调整而非复制

提出吸收能力概念，解释为何增加摩擦反而提升集体知识总量。介绍MBA与博士研讨课的摩擦协议：参与分享须先证明独立尝试过，并看重失败提示词与走死胡同的尝试。

吸收能力的机制与研讨课实测

吸收能力建立在数十年研究基础上，既有知识提供概念框架帮助编码新信息。追踪显示，实施摩擦协议后每位学生平均贡献两个问题及约一个局部解决方案，讨论更活跃。

管理者可观察的四项验证指标

给出追踪团队吸收能力的行为指标：能否发现AI输出的错误并解释原因、交付成果是否与原始输出有实质差异、是否贡献原创观察、能否迁移经验到新问题。

把策略性摩擦重新设计回组织

批评企业部署AI时一味追求采用率与便利性，削弱吸收能力。提出摩擦应保留给需要判断与学习的任务，常规工作仍以速度为先，并给出规则层面的做法。

界面与系统层面的摩擦设计

介绍界面层面让AI先要求用户输入再生成输出，以及先录入信息才解锁帮助的门槛界面；系统层面则需定制化AI工具，兼顾吸收能力与一线情报收集。

从招聘到绩效：识别建设者

提出招聘与绩效评估应观察员工如何使用AI。引用对244名BCG顾问近5000次人机互动的实地研究，区分半人马、赛博格与自我自动化者三种协作风格。

选择性委托与深度追问

建设者明白AI能力边界，把起草、头脑风暴交给AI，把高判断工作留给自己，并会挑战AI、反向使用AI检验假设；搭便车者只提取现成答案。结尾回到让AI让人更聪明的主题。