AI 賦能的小團隊:優化的是能力,而非裁員

每次有人發表關於「用 AI 優化團隊」的文章,總有一半的讀者只聽到一件事:裁員。

我理解。在企業 IT 待了二十五年,我看著每一波生產力浪潮都被武器化成削減人數的練習。但那種解讀錯失了真正的機會 — 而且代價不菲。

真正的玩法不是用更少的人做同樣的工作。而是讓您現有的資深專業人員團隊,去承接他們以前無法碰觸的問題。那些原本需要再雇用三個人、成立新部門,或者永遠停留在待辦清單上的問題。

AI 放大專業能力。它不取代專業能力。

團隊協調的數學

在談 AI 之前,先談談為什麼用人海戰術解決問題行不通。

PMI 用一個簡單公式建立溝通複雜度模型:n × (n-1) / 2。這就是一個團隊中潛在的溝通管道數量。五個人?十條管道。十個人?四十五條。二十個人?一百九十條。

這不是理論。這就是為什麼您那 12 人的專案團隊,一半的時間在開狀態會議,另一半的時間在 Slack 訊息串裡釐清狀態會議中決定了什麼。

Hackman 的團隊效能研究將此框架為一種取捨。潛在生產力隨團隊規模上升,但流程損失也隨之上升 — 協調摩擦、決策變慢、責任分散。到了某個臨界點,實際生產力會停滯甚至下滑。您付更多錢雇更多人,每人產出卻更少。

情況還會更糟。Latane、Williams 與 Harkins 在對照實驗中展示了社會懈怠:個人在群體中投入的努力比獨自工作時少。這不是懶惰 — 這是一種可衡量的心理效應,即使將協調損失從方程式中移除,這種效應依然持續存在。

Wharton 的實地研究給出了一個數字:對於協調密集的工作,最佳團隊規模約為六人。超過五人後,動力下降、小圈子形成,對話的輪流出言也會崩潰。

以下是溝通管道數學的整理:

啟示:增加人員在預算列不會顯示的層面上成本高昂。協調稅是真實的,而且會複利累積。

小團隊產生不成比例的成果

Wu、Wang 與 Evans 在 Nature 發表了一項大規模研究,分析了 1954 年至 2014 年間數百萬篇論文、專利與軟體產品。他們的發現:較小的團隊更具顛覆性。他們開創新方向。較大的團隊則傾向於發展與精煉既有想法。

機制很重要。小團隊更深入地搜尋先前的研究。他們產生的貢獻在更遠的未來仍能成功 — 前提是他們成功的話。小團隊與大團隊的差距,在更高影響力的工作中會被放大。

這直接對應到資深企業團隊的運作方式。您最優秀的人 — 那些擁有 15 年機構知識、了解為什麼架構會長成那樣的人 — 並不需要龐大的支援結構來探索問題空間。他們需要的是思考空間、資訊存取權,以及行動的職權。

大團隊仍然有價值。您需要它們來擴展規模、推行部署、維持營運。但對於發現與解決問題呢?對於釐清那場雲端遷移是否真的合理,或者如何重組您的身分平台?一個專家小團隊每次都會勝過一個通才大團隊。

AI 作為能力乘數

現在把 AI 疊加到小團隊的優勢上。研究是具體且可衡量的。

客服支援: Brynjolfsson、Li 與 Raymond 研究了部署於客服代理的生成式 AI。生產力平均提升約 15% — 每小時解決的問題數顯著上升。有趣的發現:經驗較少的工作者獲益最多。AI 不只是讓好代理更好;它讓新手代理的表現更接近老手。

專業寫作: Noy 與 Zhang 針對寫作任務進行了一項預註冊實驗,受試者可使用 ChatGPT。速度與品質都提升了。同樣,均化效應再次出現 — 能力較低的參與者獲得更大的增益。

軟體開發: Microsoft Research 利用 GitHub Copilot 進行了一項對照實驗。有 AI 輔助的開發人員完成任務的速度比對照組快 55.8%。

三項研究的共同模式:AI 提升個人產出。而且它不成比例地幫助經驗較少的團隊成員縮小與資深人員的差距。

對小團隊而言,這改變了人力配置的方程式。過去需要增補一名初級分析師才能做的事 — 初步研究、文件草稿、資料摘要、程式碼骨架 — 現在可以由您現有的專家監督 AI 工具來完成。您不是在取代分析師的判斷。您是在消除為那些根本不需要人類判斷的任務雇用分析師的需要。

您的資深工程師可以使用 AI 草擬初步架構文件、產生測試骨架,並摘要廠商文件。這不是取代工程師 — 而是讓他們在準備工作上獲得 4 倍乘數,以便將時間花在真正需要 15 年經驗的決策上。

營運模型:突擊隊、斥候,以及「分裂而非擴編」

理論很美好。以下是實務上的運作方式。

突擊隊

突擊隊是一個 3-5 人的核心工作團隊,擁有一項成果。不是委員會。不是有 12 個關係人的工作小組。而是一個小單位,具備問題所需的跨職能涵蓋,以及做出決策的職權。

保持溝通路徑可控。在整個團隊中維持共享上下文 — 沒有人需要狀態更新,因為每個人都在現場(或在訊息串裡)。核心團隊以外的每個人都是被諮詢,而非被納入。

斥候

在您擴編團隊或啟動專案之前,先派一名斥候。一個人 — 通常是資深人員 — 進行有時間限制的調查,帶著一份可據以決策的簡報回來。

這是套用到團隊組建的 Agile spike。與其組建一個八人團隊來探索某場遷移是否合理,不如派一個人去兩週。他帶著發現、建議,以及(若工作值得的話)資源請求回來。

AI 讓斥候的效率大幅提升。斥候的工作是將不確定性壓縮成清晰的建議。文獻掃描、競爭對手分析、需求萃取、選項比較、風險登記冊 — 這些正是 AI 生產力增益已被衡量的中階綜合任務。一名 AI 賦能的斥候能涵蓋過去需要一個小團隊才能調查的範圍。

分裂而非擴編

這是 Amazon 兩個披薩團隊原則,當作持續紀律來實踐。當對團隊的需求超出容量時,您不是把團隊從五人擴編到十人。而是將它分裂成兩個三到五人的團隊,各自清楚擁有一個子領域。

AWS 稱之為「有絲分裂」。團隊分裂,各半取得獨立所有權,溝通路徑保持可控。PMI 也獨立建議了相同的結構性做法:當溝通管道變得無法管理時,就分裂成子群組。

關鍵是將此設為預設模式,而非例外。當有人提議在現有團隊中增加三個人時,第一個問題應該是:「我們是否應該分裂?」

這對您的組織意味著什麼

以下是實務上的轉變。

您的資深人員承接更大的問題。 不是更多相同的問題。是更大的問題。那個因為無法負擔人力成本而在待辦清單上躺了兩年的基礎架構重新設計?一個 4 人的 AI 賦能突擊隊現在可以承接了。

AI 處理骨架工作。 草擬、分析、初步研究、程式碼產生、文件摘要。您的專家專注於判斷呼叫 — 那些需要經驗、上下文與機構知識的決策。AI 處理過去需要初級人員或承包商時數的準備工作。

您在不增加人數的情況下擴展能力。 這就是策略優勢。不是裁員意義上的「用更少做更多」。而是能力意義上的「用同一個團隊做更大的事」。您最優秀的五位基礎架構人員,在 AI 賦能下,能達成過去需要 12 人團隊才能做到的事 — 而且產出更好的成果,因為更少的溝通管道意味著更快的決策與更不被稀釋的當責。

用指標來落實。 衡量每位團隊成員的會議負載。追蹤決策延遲 — 從問題識別到決策花了多久。記錄每一次增加人數的請求並自問:「我們能否分裂?AI 工具能否涵蓋這個?」不是為了拒絕資源,而是讓決策經過審慎考慮,而非出於反射。

Big Hat Group 協助企業部署能放大團隊能力的 AI 代理程式基礎架構。 無論您正在探索用 Windows 365 雲端電腦環境來隔離執行 AI 代理程式,或是需要 AI 賦能工作流程的架構指導,預約一場諮詢通話來討論您的環境。

結論

這不是為了裁員而優化。任何把 AI 當成削減人數手段的人,都在解錯問題。

對的問題是:您擁有具備深厚知識與得來不易專業能力的人,而他們把時間花在不需要這兩者的工作上。他們卡在協調負荷中,在草擬 AI 幾分鐘就能搭好骨架的文件,在開那些只因團隊太大、無法以其他方式維持共享上下文才存在的會議。

修正結構。保持團隊小規模。用 AI 賦能他們。讓您的專家在對您組織真正重要的問題上,打出超越自身量級的戰力。

那不是裁員策略。那是能力策略。而這才是會贏的策略。