2023 年，波士顿咨询公司（BCG）的 758 名顾问参加了一场实验，合作方是来自哈佛、麻省理工、沃顿等院校的研究者。这些人是精英，约占公司一线咨询人员的 7%。一部分人不用 AI，其余的人拿到了 GPT-4，那是当时能力最强的模型。
大约一半人整场都在给一家虚构的鞋企做新品上市，18 项任务，从头脑风暴（「为一个没被满足的市场或运动项目，提出至少 10 个新鞋点子」），到细分市场、写新闻稿。有了 GPT-4，他们多完成了 12.2% 的活，快了大约四分之一，评分人打的质量分也明显更高。
另一半人拿到的是一道商业案例，BCG 面试应聘者时用的那种。一家公司的 CEO 想知道，哪个品牌最有增长空间。手上有一张看起来很完整的销售表，还有一份内部人员访谈，真正改变答案的细节就藏在访谈里。
不用 AI 的顾问，约 84.5% 答对。用 GPT-4 的两组，一组 60%，一组 70.6%。
同一家公司，同一类人，两组任务看上去差不多费脑子。在一组上，AI 把他们往上托；在另一组上，平均把他们往下拽了 19 个百分点，而他们交上来的报告，读起来比不用 AI 的同事还要漂亮。
一堵看不见的墙
研究者给这个现象起了名字：「锯齿状的技术前沿」。AI 的能力覆盖知识工作的方式是参差不齐的。论文写道：「在知识工作者看来难度相近的任务，人借助 AI 去做，结果可能更好，也可能更差。」在前沿以内，AI 能和人互补；在前沿以外，「AI 的产出不准确、用处更小，还会拉低人的表现」。
作者之一伊森·莫利克（Ethan Mollick）打过一个比方：一座城堡的城墙，有的地方塔楼远远伸进田野，有的地方又折回城堡中心。墙内的事 AI 都能做。「问题是，这堵墙是看不见的。」他举的是 2023 年的例子：GPT-4 写十四行诗很拿手，可让它写一首正好 50 个词的诗，它总是写多或写少。
文笔更好，答案却错了
最让人不安的结果和表达有关。评分人不知道正确答案，只按清晰、连贯、有说服力给每份报告打分。用 GPT-4 的顾问得分更高，不管他们选的品牌对不对。论文的总结是：AI「即使在底层分析有缺陷时，也能改善表达和论证」。
莫利克把这一点和论文第一作者法布里齐奥·德拉夸（Fabrizio Dell’Acqua）更早的一项实验联系起来：拿到很好用的 AI 工具的招聘人员变得马虎，判断反而比拿到较差工具的人更糟。德拉夸把这叫作「在方向盘后睡着了」。帮手大多数时候是对的，说起话来又总是很流畅，它出错的那一刻，看上去和它对的时候一模一样。
摸清一个人的边
管理者在人身上早就见过类似的事。设想团队来了一位新分析师，她做的第一份汇报材料是大家见过最清楚的。接着，经理给了她一件小一点的活：核对两份收入报表。交出去之前，经理逐行查了一遍。结果错得出人意料，汇报材料里看不出一点迹象。经理由此知道了一件简历上没写的事。下个季度，经理会放手把汇报材料交给她，数字则还要再盯一阵。
对同事，你摸清一次他的长处和短处，之后变化很慢。对 AI，有两处不同：它的边不按人的规律长，某方面强，说明不了旁边那件事；而且每换一个新模型，边界都可能变样。
画一张地图
所以，前沿要去试探，不能凭感觉。第一轮可以很小，比如挑上个月的十件真实任务，花一个下午，数字本身不要紧，要紧的是做法。把每件任务交给你在用的 AI，请知道正确答案的人评一评。换换输入：乱一点的文件，缺一个数，同一个问题换个问法。重要的任务多跑几遍，同样的请求，回来的结果可能不一样。这样得到的是对薄弱处的初步摸底，还算不上一张完整的地图。换了模型，再测一遍。
对边界附近的任务，莫利克从研究里归纳了两种做法。半人马分工清楚，自己做最擅长的部分，把前沿以内的活交给 AI；赛博格则从头到尾和 AI 来回传递。两种做法里，BCG 那道案例考的那件事都留在人手里：哪些细节真正改变了答案。
答错那道案例的顾问，手上有一张看似完整的表格、一个说话流畅的助手和一份漂亮的报告。他们手上也有那份访谈，改变答案的细节就在里面。能用来核对助手结论的材料一直都在，只是没被拿来用。