AI放大个体生产力，团队协作该往哪里发力？

AI 大幅提升了单人生产力，仅凭个体就能快速搭建产品原型。但界定核心问题、研判方案价值这类思辨判断，更依赖团队协作。未来团队的发力重点不再是分工落地，而是汇聚多元视角校准方向，管理者也需要调整组织与创新流程，聚焦高价值的决策环节。

AI工具已经足够强大，让单人创业的可行性不断提升，没有技术背景的创新者也能做出可用产品。随着AI普及，这种“单人开发”模式不仅出现在初创公司，在大型企业内部也逐步落地。在整个创新流程里，执行环节已经被AI普惠化：产品经理无需编写一行代码就能搭建可运行原型，开发者则可以借助AI加速软件开发、测试、文档撰写与数据处理。

这引出一个核心问题：团队协作是否还有持续存在的价值？如果工作的基本单元正从“团队”转向“配备AI的个体”，那么组织架构、人才招聘标准、员工核心价值都将发生巨大变化。这个议题早已超越单纯讨论生产力的范畴。

我们通过一场与纽约大学斯特恩商学院学生联合举办的创新开发挑战赛探究了这一问题。我们让技能背景多元的团队使用统一的AI工具，要求他们在一天之内解决真实复杂的现实难题。我们希望研究团队在创意发散、最终决策的过程中如何运用AI，以及创新流程里哪些环节依然离不开协作。

八支团队，真实难题，一日攻坚

33名学生要在6小时内为纽约一系列棘手社会问题设计解决方案，议题涵盖食品杂货可负担性、公共交通公平性、自行车道安全、托育资源获取等。这类问题变量复杂，就连如何定义“成功标准”本身都很难。

参与者被随机分为4–5人小组，全部使用同一套工具。大家借助AI调研和创意工具理解问题、定位目标用户；之后通过原型工具设计具体方案；最后接入Lovable、Vercel等智能代码平台，开发可演示的功能原型。全部协作都在Miro共享数字白板上完成，所有人可以实时看到其他人的进展。

值得注意的是，大部分学生完全没有工程背景（分组也没有刻意均衡技能配比），组员之间此前互不熟悉，也从未接触过这套工具。同时赛事设有激励机制，优胜者可获得对职业发展有益的奖项，评审标准明确优先考量问题定义与方案设计，而非技术实现。比赛比拼的不是谁交付最快，而是谁能做出真正适配需求的产品。

倘若AI真的能让创新变成单人任务，这场赛事本就是绝佳的验证场景：一群能力出众的人、强大的AI工具、紧迫的时间压力，所有人都有充分理由分头并行工作，交由AI承担繁重的落地工作。

但我们从各团队的实践与反馈中，看到了截然不同的结论。

问题定义与方案设计

在观察团队工作流程并访谈参与者后，几乎所有小组都呈现出两个清晰规律：

挑战初期，每支团队都会讨论选定的议题，梳理并界定核心问题，明确目标用户。这个阶段，组员会使用AI（部分协同使用、部分独立并行）收集资料、整合信息，汇总分析结果后集体讨论，对齐对问题的认知。场景非常典型，就像MBA课堂里的头脑风暴：一群人围在一起热烈交流。

完成问题界定后，多数团队开始拆分落地任务：一部分人专注原型设计与开发，另一部分准备方案展示与叙事。这个阶段里，成员各自借助AI完成分工任务，但仍会集中讨论、校验方案设计是否可行。

那些AI可以承接甚至独立完成的工作——资料整合、生成多种设计方案、搭建界面等，在大家拆分任务、独立并行推进时，效率确实更高。

但问题定义是所有团队都投入大量时间协同研讨的环节：大家互相核对调研结论、质疑彼此的预设，共同敲定要解决的核心问题以及解决思路。一名参与者提到：“界定问题是最重要的一步。”另一位也表示：“就算有AI辅助，锁定一个具体问题也很难。”

第二个高度依赖协作的环节是方案设计。如今快速生成原型的成本几乎降为零，原型也被赋予了新意义，正如一名学生所说：“原型是讨论的起点，而非最终成品。在AI时代，这点尤其重要。”团队搭建出不同版本原型后，会催生出关键疑问：这个产品的真实用户到底是谁？用户会通过什么渠道接触产品？如果缺少相关数据该怎么办？原型本身无法回答这些问题，但它让这些疑问无法被忽视。

获奖团队的经历印证了一点：基于洞察、通过协作完成的问题定义，能够催生创新方案，而AI就是他们在一天内搭建可用原型的执行引擎。

· 总冠军团队打造了纽约食品物价指数项目：采集全市商超价格数据，评估性价比，同时开发面向消费者的App和门店展示方案。6小时完成的可用App本身已经很亮眼，但真正出彩的是他们对问题的重新定义：把物价负担难题转化为信息透明度问题，通过便捷比价就能改善现状。

· 最高社会影响力奖团队依托纽约现有的13000家杂货店，将其改造为社区批发集散点。没有新建基础设施，而是盘活存量门店，让周边居民可以批量低价采购。团队意识到解决方案本就存在，缺的只是更好的资源协调机制。

· 原型奖团队把公共投诉数据库转化为社区共建地图，直观标注自行车道的隐患点位。居民可以依托这份数据推动市政修缮，而这些数据本就归城市所有，只是没有对外开放。

团队需要统一的协作空间

参与挑战赛的大部分学生没有工程背景，也不熟悉所用工具，但所有团队都在6小时内产出了可用、逻辑自洽的原型。正如一名参与者所说：“不需要会写代码，也能做出出色的原型！”

不过，如果团队直接分头在独立AI对话窗口并行工作，往往容易陷入困境。有学生反馈：“这种模式很棘手，每个人都在用独立对话，信息过载，白白浪费时间。”

与之相对，部分团队采用统一的群组AI对话，突破了这个瓶颈：“单人输入提示词时AI效果最好，但全员在同一个空间协同使用AI后我才意识到，团队合力运用AI的上限更高。”

多名参与者提到，在共享协作空间里使用AI，体验完全不同：“平时用AI常常是各自独立工作。我很喜欢在共享空间协作的模式，全流程都可以协同，能随时看到别人的进展，提供支持和想法。”

如果人们孤立使用AI，认知会局限于自身视角。已有研究证明，配备AI的团队成果质量，优于单独使用AI的个人，也优于没有AI辅助的团队。本次挑战赛的观察进一步表明：当团队在共享空间使用AI，所有人可以实时查看生成内容并即时反馈，AI就成了快速验证、思辨创意的载体，落地团队共同的判断。

协作与竞争优势，向上游转移

一位参与者道出了核心趋势：“AI放大了单人产出产品的能力。团队协作的重心正转向流程设计，而不再是具体任务的落地执行。”

这是深刻的转变。过去数十年的产品开发中，协作主要用来协调落地工作：谁开发哪个功能、模块如何对接、保障所有人的成果能够整合。这类协调工作依然必要，但已经不再是瓶颈。

瓶颈转移到上游：我们要做的，是不是正确的产品？我们是否足够理解用户？我们定义的问题，能否导向有价值的解决方案？

这类问题无法拆分并行处理。它需要不同观点碰撞产生的思辨摩擦，需要团队放慢节奏充分讨论，之后再快速落地开发。

不少参与者提到，AI“擅长执行，但很难原创想法”“很有用，但依然依赖人的判断”，还有人总结“始终需要人参与决策”。当AI承担更多“怎么做”的落地工作，人类就要更多负责“做什么”以及“为什么做”，而这类问题天然需要协作。

本文并不是说AI简化落地之后，协作只在问题定义阶段才有价值。产品开发依然需要专业能力、审美与判断力，团队仍要协调落地实施。AI不会让协作过时，反而让共同梳理问题这件繁琐、充满分歧却至关重要的工作，变得前所未有的关键。

管理者需要做出三点转变

这场挑战赛的结论，适用于产品开发或其他各类工作流的团队搭建，帮助组织在AI时代取得成功：

1、重点投入问题定义

当任何人都能在几小时内做出可运行原型，竞争优势不再来自开发速度，而是来自别人想不到的产品——根源就是你对问题更精准的定义。

这件事本身容易让人不适：相比落地执行，梳理问题进展缓慢、过程混乱，尤其AI进一步提升了落地效率之后更是如此。它没有清晰的进度条，常常反复推敲。人们很容易急于动手开发，因为至少能直观感受到产出。但正如一名参与者总结：“没吃透问题就直奔方案，最后只会推倒重来。”

管理者要主动预留时间用于这项工作，具体做法包括：

· 项目从问题定义起步，而不是直接头脑风暴解决方案

· 奖励团队深度拆解问题，而不只是快速交付成果

· 接纳看似反复循环的讨论，优质的问题定义往往就是这个样子

· 认可这类成员的价值：敢于叫停进度、追问“我们真正要解决的到底是什么问题”，这类人价值高于急于动手开发的人

2、用原型打磨问题

开发门槛大幅降低，彻底改变了原型的定位。过去原型成本高昂，一般放在流程后期，等方案完全敲定之后才制作。如今原型低成本、可快速产出，所以可以前置制作——不是为了展示最终答案、直接落地，而是让方向争论变得具象可感知。

原型的新价值：在分歧的修正成本还很低的时候，把不同意见直观呈现出来。

管理者应当做到：

· 鼓励早期快速产出简易原型，而不是等到后期打磨完美版本

· 评估原型时，重点看它引出了哪些关键疑问，而非成品完善度

· 接受第一版原型大概率存在偏差——这正是它的意义

· 留出空间，让团队围绕原型暴露的信息展开讨论

· 避免团队执着于第一版原型，要把原型当作讨论的基础

旧流程：理清方案 → 开发落地。新流程：初步界定问题 → 快速做出简易原型 → 依托原型进一步打磨问题。

3、按视角组建团队，而非按技能分工

但原型只有汇聚多元视角的人解读其信息时，才能成为有效的学习工具。本次赛事印证了AI可以让无技术背景的人完成开发，那么继续按照“谁会编程、谁会设计、谁做调研”来搭建团队还有多大意义？技能分工依然有作用，但权重已经下降。

表现最好的团队，技术实力未必最强，而是能够从多元视角理解问题：有人熟悉政策环境、有人亲身经历过该痛点、有人能梳理商业模式。

这指向新的组队思路：不再优先补齐技术岗位（产品开发常见配置：一名工程师、一名设计师、一名产品经理），而是补齐认知视角。谁能完整看懂这个问题？谁能发现思考盲区？

一名学生这样预判：“AI工具让单人就能完成原本一整个公司的工作，团队边界会越来越模糊。”这个判断没错，但另一面是：工具普及之后想要脱颖而出，就必须更深、更直接地解决用户痛点。

如果所有人都能使用同类AI工具，团队的核心竞争力就不再是技术能力，而是对问题的深度理解；而这种深度认知，来源于汇集拥有不同思考视角的人。

这群学生用6小时为纽约社会难题设计方案的实践，印证了很多创新与协作研究者一直以来的猜想。核心问题不是AI会不会取代团队，而是团队如何转型，承接AI无法完成的工作：判断哪些问题值得解决、服务谁——这类依托人类价值判断的核心工作。

率先完成转型的团队，不止开发速度更快，更能打造真正有价值的产品。

关键词：

J.P. 埃格斯（J.P. Eggers）、萨拉·瑞安（Sarah Ryan）、阿莎·迪内什（Asha Dinesh）| 文

J.P. 埃格斯是纽约大学斯特恩商学院创业学教授。萨拉·瑞安是纽约大学斯特恩商学院创业加速项目负责人。阿莎·迪内什是Miro市场洞察负责人。

周强 | 编校

联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org