组织的 AI 协同特征：分工，从 2×2 矩阵到动态协议
8.1 分工不是任务分配，是边界划定
谈人和 AI 怎么分工之前，先放下一个常见的直觉。
很多人心里那幅"分工图"，是一张表格：左边这一列是 AI 负责的事，右边那一列是人负责的事，中间画一条线。哪一天 AI 更强了，就把线往右挪一格，人让出一块地方；再多起来，人只剩一隅。这幅画面把分工理解成了"分任务"——像分蛋糕，谁更适合切哪一块，就归谁。
可是组织里真正的分工，从来不是这样切的。
第七章讲过，层级被因果网络替代，中层那三件事——翻译、协调、监督——是一张网络替它们做的。讲到这里有个问题容易滑过去：网络替掉的不是"几项岗位"，而是"几段因果的守护"。翻译，是把战略的因果翻译成执行；协调，是让不同的因果段对齐；监督，是校验因果链上的每一环是否走对。中层消失，消失的不是几个职位，而是这几段因果中间没有人再守着。人退场，因果的守护权转移了。
顺着这个思路看人和 AI 的分工，就明白问题不在"把蛋糕切成几块分给谁"。
真正的分工，是问这样一句：这条因果链上，从起点到成果，一共有几段？每一段，该由谁来守？
守，不是做完这件事，而是在这件事上负起因果的责任——判断对不对、偏了往哪修、错了认不认。这是"分工"和"分任务"最本质的差别。分任务，是把动作划给谁做；分工，是把一段因果的责任划给谁守。
AI 可以执行一个动作，快，准，不会累。但"这一下到底该不该做、做对了带来什么、做错了由谁负责"——这一整段因果的守护，是另一回事。
所以第八章要讲的"AI 协同特征"，不是列出一张人和 AI 的分工表，而是讲清一件事：大家不是分一块蛋糕，是在一条因果链上各守一段。
把蛋糕分到极细，会出现一件有意思的事：每个动作单独拎出来，AI 都能接；可当你把所有动作都交给它，人只剩下"验收结果"这一个环节，你会发现真正的难关不在"做"，而在"判断做得对不对"。这就是蛋糕图的悖论——它把分工切成无数小动作，却恰好漏掉了最不能切的那一环：因果的守护。
举一个具体的场面。一支市场团队想引入 AI 来写投放文案，一开始是按动作分的：AI 出初稿，人改，人发。分得很清楚。可跑了两周，问题不在"AI 写得好不好"，而在"这个方向到底对不对"——投放的钱砸下去，带来了点击，但没带来该有的转化。这时候团队才发现，写文案这个动作分给 AI 很简单，但"文案背后那套因果——投放到底要引向什么、转化靠什么发生"从来没有人系统地守过。动作分清了，因果没人守，蛋糕图也就帮不上忙。
所以真正把人和 AI 分工讲清楚的，不是一张动作分配表，而是对"因果段守护权"的清醒。这句话，是本章后面所有内容的起点。
这里要再说透一层：为什么"守因果"和"做动作"是两件必须分开看的事。一个动作，是可以被度量、被复制、被加速的；你交给 AI，是因为它在这三个维度上更优。可一段因果的守护，却无法被度量成"做完了没有"，它关乎判断、关乎取舍、关乎在不确定时敢不敢拍板。这两者一旦混为一谈，组织就会犯一个隐蔽的错误——把"很会做事"当成"能守住因果"，从而把本该人守的段，轻易交给了机器。
这正是许多 AI 落地项目"雷声大、雨点小"的深层原因。系统部署了，单点效率确实上去了，可整条因果链并没因此更稳，甚至因为多点各自优化而互相打架。原因就在于：大家只忙着分配动作，没人系统地厘清谁在守护哪一段因果。动作越分越细，因果的守护却越来越空。这个隐患，抱着"分工=分任务"的老习惯是看不见的。
所以本章开篇就把这面镜子立起来：眼里的分工，到底是切蛋糕，还是分守一段因果。想清楚这一个问题，后面的两层边界、策略、动态协议，才都有枝可依。
8.2 前置：问题域 DLR 建模，先有尺子
既然分工是"各守一段因果"，那第一个问题就来了：这条因果链的长相，你清楚吗？
很多团队卡在这里。他们想来分人和 AI 的活，可一问"你们的业务因果是什么"，答不上来。这时候谈分工，其实是在谈空气。你连这条链的起点、经过哪些环节、落到什么成果都不知道，又怎么知道哪一段该交给 AI、哪一段必须留给人？
把这个场面具体化。一个生产型企业想用 AI 做质量检测，请了两家供应商，看了演示都觉得不错，于是在产线上试点。可真正落地时，他们问的第一个问题不是"AI 能不能看得准"，而是"一旦出了问题，责任算谁的、流程怎么改、谁来兜底"——这三个问题，没有一个是演示视频能回答的。因为它们都要先回答一个更根本的问题：这条产线、这批货、这些客户期待之间，到底是什么样的因果。AI 只是这条链上的一环，你连链都没画全，就急着给这一环派活，自然处处碰壁。
这就引出分工的前置条件：问题域的 DLR 建模。
DLR 是三个字母，也是三件事。D，是做法、手段、行为——你打算怎么干。L，是逻辑、因果——你为什么相信这样做会带来那个结果。R，是成果——这一切最终要交出什么。
分工要成立，得先有一张属于这个"问题域"的 DLR。换句话说，得先想清楚：这个业务里，我们要用什么手段，凭什么相信这些手段起作用，最终要拿到什么成果。这三件事连成一条链，才谈得上"在这条链上分哪一段给谁"。
这里要坦率地说一句：现阶段，这张 DLR 模型的搭法，主要还得靠人。
不是 AI 不够聪明，而是因果判断的"敢负责"这件事，现在还落在人身上。AI 可以帮你补全信息、帮你做检验，但"这个业务到底是不是这么个因果、这条链有没有断"——这个判断的最终拍板，现阶段在你这。出错了，负责的是人，不是模型。
DLR 三者的关系，也值得多说一句。很多人以为是先定 D，看我能做什么，再倒推 R——这是反的。正确的次序是 R-L-D 先想清楚要交出什么成果，再想凭什么相信能达成，最后才落到用什么做法。D 是下游，不是起点。你先把 R 想明白了，L 才立得住；L 立住了，D 才有的放矢。这也是全书一贯的因果次序：不是由动作驱动，而是由成果与逻辑驱动。
所以分工的顺序，不是先看看 AI 会什么再决定给它什么，而是反过来：先有尺子，再量边界。 DLR 就是那把尺子。没有它，你所谓的分工，只是凭直觉把动作塞给更省力的那一方，谈不上因果。
我常说一句话，放这里正合适：没有 DLR 就没有边界可谈。 因为边界不是画在空白处，而是画在一张你已经看得清的因果图上。图都模糊，线就是乱画的。
这也是为什么第八章把 DLR 建模放在最前面，而不是放在策略之后。它是地基，不是备选。地基没打好就想量边界、定 SOP，房子注定歪。
有人会问：模型建不出来怎么办？这个问题本身，恰恰证明了"先建模"的必要。建不出来，通常不是因为缺工具、缺数据，而是因为对该问题域的 R 想不清楚——连要交出什么成果都含糊，自然无法为 L 找到依据。这时候正确的事不是跳过建模去找 AI 要方案，而是回到 R 上，把成果定义琢磨清楚。AI 给得了海量方案，却给不了"你到底要走到哪"的答案；这第一步的责任，现阶段无疑是人的。
也有人担心：建模会不会太重、太慢，拖慢落地？这种担心值得回应，但要认清它的来源。慢，往往不是因为建模本身繁琐，而是因为问题域过去从未被系统想清楚，欠账太多，第一次建模自然吃力。而这份吃力的回报，是后面所有边界、策略、SOP 都建立在同一张清楚的图上，不必反复返工。一次把事情想透，胜过十次在模糊里试错。这也是"先有尺子"的耐心所在——它不是拖延，恰恰是为了不掉进更深的返工。
8.3 双向边界：探 AI 的界，也识人的界
有了 DLR 这把尺子，下一步才是真正的"划界"。
先说一个容易误解的地方。很多人以为，识别边界是单方面的事——盯着 AI 看，看它哪些能哪些不能，摸清了就写下来。这是半个误区。
边界是两条，不是一条。一条是 AI 的界，一条是你自己的界。 你只探 AI 的界，却不识自己的界，这张 2×2 矩阵永远是偏的。
2×2 矩阵，横着是"擅长 / 不擅长"，竖着是"AI / 人"——其实就是四个格子：AI 擅长的、AI 不擅长的、人擅长的、人不擅长的。听上去是张静态的图，但其实它有严格的叠放次序。
先看 AI 这条轴上哪儿是它的界。这里最忌臆断，比如拍脑袋说"AI 写代码很行""AI 做判断不行"。对边界的认识，是要靠和 AI 在具体问题上互动、试探、观察，一点一点摸出来的。 你用 DLR 描述一个问题域，把里面某一环交给 AI 做，看它做得靠不靠谱、卡在哪儿、为什么卡。试过几个来回，AI 的边界在这张图上的位置才慢慢显形。所以我说，2×2 是"试出来的快照"，不是先验的结论。
把这种"试界"的颗粒度讲细一点。同样是写文案，给 AI 一个"产品卖点清单、目标人群、预算上限"的清晰描述，它能产出不错的初稿——这是它的界。可你若让它"判断这一轮投放要不要加预算"，它给得出一个概率，却给不出"该不该押注"的担当。你不实际让它跑几轮、不逼它答几个没有标准答案的问题，你根本不知道它真正的边界在哪。而"试界"的一个真实方法，就是在一个低风险的场景里，敢把一段 DLR 交给 AI，然后认真看它在哪一环开始掉链子——掉链子的地方，往往就是那条界的所在。
再看人这条轴上你的界。这一层更难，也更容易被略过。人常高估自己的判断，尤其在自己熟悉的领域。可问题是：当 AI 在你熟悉的领域表现得又快又稳，你真的还需要守着那一段吗？你的"擅长"，有多少是因为过去只有你能做，而不是因为现在你仍该做？识自己的界，是承认有些因果段，交给 AI 守住比你守更好；也承认有些段，只有你守得住，因为你会负责、你能担责。
识人的界尤其难，难在人常常把"我会做"和"我该做"混为一谈。我会做报表，所以报表是我的职责；可如果 AI 做得又快又不出错，"我会做"就不再是守住它的理由。人识己界的功课，就是一次次问自己：我守这一段的理由，是"只有我能做"，还是"我最该负责"？前者是惰性的惯性，后者才是因果的担当。
2×2 的价值，不在画出来那张图，而在它是一个"照镜"式的过程：它逼着你想清楚，四个格子里，到底各自放的是什么，凭什么。
举个例子，一个团队初试 AI 时，往往先把最机械的动作丢给它——整理数据、生成初稿、跑流程。这没错，这是 AI 的界。但他们容易漏掉另一头：那些"这事情没有标准答案、但就是得有人拍板"的环节——比如这次要不要投入、这个方案偏了该不该止损、这套标准卡不卡得住。这些段，机器做得再快也没用，因为问题不在于快，而在于要有人为自己的判断负责。而人识自己的界，恰恰是要看见：在"快"和"准"上，我认输，交给 AI；在"负责"和"担当"上，我守稳，这是我的界。
所以双边界识别，不是画一张图这么轻，是一场关于"我到底该守什么"的自省。它逼你同时看清两个方位：AI 能替你扛到什么程度，以及你自己到底该留在哪个位置上。
这份自省还有一个常常被忽略的副产品：它会让组织里"角色"的定义松动。过去我们习惯用职位去界定一个人该守什么——你是经理，你管这块；你是专员，你做那项。可一旦用"双边界"去审视，你会发现真正决定谁该守哪一段的，不是职位头衔，而是"在这一段因果上，谁能负责、谁该负责"。职位会过时，而因果段的守护责任不会。这层松动，正是人和 AI 协同得以重新组织分工的地基。
它也在悄悄改变"能力"的含义。过去我们说能力，多半指"会不会做某件事"；但在双边界浮现之后，一个人的价值更精准地体现在"在 AI 能做的之上，我还能贡献什么独特判断"。同样在替团队守住质量，一个人可能只是批流程，另一个人却能看见流程之下被忽略的因果风险。二者位置相同，价值却天差地别。这也是为什么，识人的界不止是认清自己，更是在重新定义自己不可被替代的那一部分。
8.4 边界定而后有策略与 SOP
边界清楚了，才轮到策略和 SOP 上场。这个次序不能反。
很多组织的顺序是反的：先定了 SOP、流程、岗位说明书，再反过来想 AI 能顶替哪一环。可 SOP 本质上是"边界识别之后"的产物——你决定了哪段归谁守，才能写清楚这一段该怎么守。没有边界就先写 SOP，等于没量尺寸先裁衣服。
先有边界，再有策略。策略是"在识清边界的前提下，我打算怎么配人配 AI"。策略的制定，通常会有这么几种情形。
一种情形，是"AI 完胜、可放手"。这一段 AI 既快又准，还不需要持续的因果判断兜底，那策略就是果断交出去，把人解放到别处。比如数据清洗、初稿生成、常规流程跟踪，都属于这一类。
另一种情形，是"AI 可用、但需人把关"。这一段 AI 能分担大部分，但它会在某些关节点失准，需要人设立质检、在某些环节介入。策略是"AI 干活、人守闸门"，既享效率，又保住质量。
还有一种情形，是"必须人守、AI 只做辅助"。这一段涉及价值判断、责任承担、或边界处的"非标准"，AI 只能提供信息和方案，真正的拍板必须留给人。策略是"绝不外包因果责任的段"。
这三种情形不是拍脑袋定的，它们都从识清的边界里自然长出来。边界清楚，策略才有依据；边界模糊，策略就是赌。
而有策略，最后才落到 SOP。SOP 把策略固化下来，写明白"遇到什么情况、谁来做什么、做到什么程度算好"。它是边界识别的下游，不是起点。
这里还有一个常被忽略的点：SOP 是领域相关的，不是全球通用的。
同一个 AI，在 A 这件事上可能顶替得很好，在 B 这件事上就可能失灵。因为问题域不同，AI 的边界就不同。一套在销售团队里运转良好的 SOP，搬到研发团队，很可能整个失效——不是 SOP 写得不好，是它锚定的问题域变了，边界变了，策略也得跟着变。
举个例子。同样是"用 AI 写跟进邮件"，对销售团队可能很顺手：话术成熟、场景重复、风险低，AI 几乎全程代劳，人只需抽查。可同一套做法挪到"用 AI 写监管部门函件"，就完全不同了——事项敏感、措辞可能被放大解读、错误代价极高。这时候"AI 直接写、人抽查"的策略就站不住，必须"人起草、AI 校核、人终审"。这不是 AI 能力变化了，是问题域变了，边界随之不同。脱开问题域谈 SOP 的"先进"，是没有意义的。
所以判断一套 SOP 合不合适，不能看模板对不对，要看它是否对齐了你这个具体问题域的 DLR。
第八章如果说"动态协议"是一种姿态，那这里的核心是给读者递一句话：别把 SOP 当成一劳永逸的章程，它只是某个问题域、某个边界状态下的一纸快照。 边界动了，它就得跟着改。
把这一层落到组织日常，读者会发现一件反差的事：不少团队把大量精力花在"把 SOP 写得越来越细、越来越精美"上，却几乎没有花时间检视"这份 SOP 所锚定的因果是否还成立"。于是 SOP 越厚，返工的沉没成本越高，团队越不敢更新它；不敢更新，就活在越发过时的分工里。这是一种静悄悄的熵增——文档越来越精致，离事实越来越远。
要破这个局，可以给自己立一条朴素的纪律：每份 SOP，都该标注两个日期——一个生效日期，一个复核日期。到了复核日，不管它看起来多好用，都强制重过一遍问题域的 DLR，看因果变没变、边界移没移。这条纪律看似机械，却能保护组织不因惰性而把快照当成永恒。SOP 的使命，是服务当下的分工；当它开始替你定义分工、而非被分工检验时，它就从台阶变成了锁链。
也需要说一句，这份复核并不是要团队天天推翻重来。多数时候，重过一遍 DLR 会发现"界没怎么动"，原样保留即可，这才是常态。日期的价值，正在于它把"检查"这件事从"出了问题才做"变成"到了时候就做"——前者是救火，后者是养护。一个组织若能养成按点复核的习惯，它就在源头上阻止了分工腐化，也就在随后的章节里，为第九章要谈的因果工程化了真正的台账。
8.5 把图换成机制：随进化重划
到这一步，2×2 矩阵已经存在了——双臂界、策略、SOP 都有了。但还有一个绕不过去的现实，如果第八章在这里停下，读者会带着一个错误的心智离开，以为分工就是拿到一张几经确认的矩阵就完事了。
这个现实是：边界是会变的。
第一层，AI 在进化。今天做不到的事，半年后可能轻松做到；反之，某些"看起来稳了"的边界，也可能因为新模型、新场景而失效。如果你把当初那张 2×2 当成铁的，就危险了——协议会腐化成教条，你以为在协同，其实在守一座正在融化的冰。
第二层，边界是领域相关的，而领域会演化。业务变了、市场变了、客户变了，同一个问题域的 DLR 就会变，AI 的边界自然跟着移位。昨天它擅长的那段，今天可能不再需要它守；昨天需要人守的那段，今天可能已经被机器稳稳接住。
第三层，也是最容易被忽略的：人会在互动中进化 DLR。你以为业务是这样的因果，可你跟 AI 深聊几轮、试了几次，你发现"原来这条因果不是我以为的那样"——DLR 本身被改写了。人通过与 AI 的互动，也在不断修正自己对问题域的理解。 这件事一旦发生，边界就得重新画。
那这个"重划机制"具体怎么操作？它可以不神秘，就是四步，定期循环。
第一步，回头重读问题域的 DLR。看看 R 有没有变、L 还成不成立、D 要不要换。因果变了，后面的一切都要跟着变。
第二步，重新探一次 AI 的界。上次画的那条"AI 擅长"线，现在还是原样吗？有没有新能力冒出来、旧边界是否褪了色？用低风险场景重新试一轮，让边界回到"当下"。
第三步，重新认一次人的界。在 AI 的边界移位之后，你自己该守的那一段有没有变？哪些过去由人守的因果段，现在可以放心交给 AI；哪些你以为可以交出去的，其实还离不开人。
第四步，据此更新策略、重写 SOP。让那张 2×2、那套 SOP，都回到与当下相符的样子，然后等下一次循环。
这四步不难，难在"定期做"三个字。它不是一次性做完就交差，而是组织里一件反复要做的事——如同复盘，如同体检。你把它当成流程的一部分，它才不会腐化成教条。
这也是为什么我用"机制"而不是"图"来称呼它。一张图，画完就静了；一个机制，长着一张会呼吸的嘴，能随着境况调整自己。我把它收成一句好记的话：分工图是刻的，重划机制是活的。 你需要的，不是一张越划越细的图，而是一个能跟着因果、跟着 AI、跟着人一起进化的活机制。
这也是全书的底色——逆熵不是一次变革，是一场持续的、有方向的进化。第八章的分工，不过是这场进化里，一个具体而微的切面。看懂了这一点，你手里的就不是一张会过时的分工表，而是一个陪你走过一次次进化的刻度与方向。
把这种"动态"再往深处说一层，它会改变我们对"稳定"的理解。旧组织追求的是"稳定的分工"——岗位固定、流程固定、边界固定，一切可预期。可在一个 AI 持续进化、领域不断演化的环境里，真正的稳定恰恰来自于"让机制保持可调整"的稳定，而不是"让内容一成不变"的稳定。前者是熵减的有序，后者是熵增的僵化。一个守着旧分工图不放的组织，看着井井有条，实则正在悄悄累积与现实的落差，直到某一天被一次集中爆发的问题打醒。
更重要的是，动态重划不是被动的"跟着变"，而应是一种主动的"带着变"。当你周期性重探 DLR、重划边界，你就不只是应对 AI 的进化，而是在主动选择往哪个方向收紧或放开。有的段，你判断该提前交给 AI，是因为你清楚它的能力已越过你的心理阈值；有的段，你决定暂不放手，是因为你在赌对它的把握还不够、或者那一段的价值重大到不愿冒险。这种主动权，正是"麦克斯韦妖"式的定向进化——不是盲目跟着技术跑，而是由人对方向和价值做出甄别。
回到本书开篇立下的那面镜子：分工不是切蛋糕，而是在一条因果链上各守一段。至此可以看见，这条链本身也是活的——它会因 AI 的进化而伸长，因领域的变化而拐弯，因人的认识而更新。守住这条会动的链，靠的不是一张静止的分工图，而是一个愿意一次次俯身去重新丈量的机制。这，才是"组织的 AI 协同特征"里，最值得带走的那一页。
*本章为第八章正文草稿，基于《因果驱动的组织重塑》整体框架，采用 DLR 因果主线与人机协同方法论。*