六个接口需要达到足够闭合
人工智能的能力进步很快，但“AI已经能做一件事”和“这件事已经形成生产力”并不是一回事。
过去两年，越来越多的人开始用AI写文章、查资料、编程序、做分析，企业也把AI放进客服、合同、软件开发和内部管理。但同样一种AI能力，在一些地方很快产生价值，在另一些地方却长期停留在试验阶段。问题已经不只是模型够不够强，而是AI能力怎样进入现实生产。
这里所说的“能力”，不是学历、职业资格或知识存量，而是一个主体实际完成某类认知或行动功能的能力。
从实际应用看，AI能力要变成生产力，至少有六个接口需要达到足够闭合：能力、验证、数据、流程、责任和经济。
第一层是能力和验证。
AI有一个与传统工具不同的特点：它总体上会做某一类事情，并不意味着每一次输出都一定可靠。因此能力之后马上就是验证。
代码可以通过测试，客服可以看问题是否解决，文章可以由作者直接判断，推荐系统可以通过点击、购买和留存得到反馈。不同任务的验证方式不同，关键不在于有没有一个标准答案，而在于有没有一种成本可以接受、又与真正目标对应的反馈方式。
所以，能力与验证构成第一层闭合：AI不仅要能做，还要知道什么时候可以放心采用。
第二层是数据和流程。
数据不是指必须把企业全部数据库接给AI，而是AI有没有获得完成这项任务所需要的现实信息和上下文。一个人请AI修改文章，只要把文章和必要背景提供出来，数据已经可以闭合；企业里的复杂业务，则可能需要内部数据库、客户记录、权限和实时状态。
流程解决的是另一面：AI做完以后，结果能不能进入明确的下一步。
这一步不一定由AI自动完成。很多任务本来就需要人在关键节点作出判断。例如AI完成一份可行性评估以后，下一步可能就是由人决定是否继续推进项目。只要AI的结果进入了既定的判断和行动流程，谁来决定、如何处理、出现异常怎么办都比较清楚，就已经实现了流程闭合。
因此，流程闭合不是自动化，而是AI的产出能够被现实生产过程接住，并进入下一步判断或行动。
第三层是责任和经济。
AI从提供答案逐渐走向执行以后，责任越来越重要。谁有权让AI做什么，做到什么程度必须停止，什么情况需要转给人，最后的结果由谁承担，这些问题必须清楚。责任闭合并不意味着每一步都要人工批准。低风险任务完全可以自动运行，但权限和后果必须有明确归属。
经济闭合也不能简单理解为有没有赚钱。
生产力并不只是多生产实物商品。文章、软件、研究、设计、知识、判断和服务，同样都是产出。我们花时间研究一个问题，最后得到的也不只是文章这件精神产品，还可能包括新的判断、减少以后犯错的可能，以及可以重复使用的方法。
所以经济闭合真正要看的是：对这个观察对象而言，投入AI、人力、时间、资本和承担的风险以后，是否形成了值得这些投入的净价值。
这里还要区分价值创造、价值实现和价值获得。AI帮助员工每天节省一小时，价值已经产生；如果企业产量没有增加，这部分价值就没有表现为企业生产率；员工多了一小时自由时间，价值可能由员工获得。不能因为企业没有多卖产品，就说AI没有创造价值，只能说价值没有在这个观察对象上实现。
为了便于理解，这六个接口可以分成三组：
任务闭合，是能力加验证；
生产闭合，是数据加流程；
系统闭合，是责任加经济。
它们不是六道必须依次通过的闸门，也不要求每一项达到百分之百。不同任务需要不同程度的闭合。写一封普通邮件和让AI执行金融交易，对验证、责任和风险的要求当然完全不同。
AI能力进入生产的几条途径
最简单的一条，是直接进入个人能力。
ChatGPT的很多应用为什么扩散得这么快？因为一个人往往同时把六个接口闭合起来。他自己提出任务，自己提供背景，自己判断结果，自己决定是否采用，也自己承担后果和判断值不值得。
写作、总结、翻译、查询和资料整理之所以容易普及，不只是因为AI已经会做，还因为验证和使用的成本都很低。
第二条，是把AI嵌入已经成熟的生产流程。
客服、编程、文档处理、合同处理等场景，本来就有比较清楚的任务、数据、流程和责任。AI只需要进入其中某一个高成本环节，就可能创造明显价值。
这类局部创新并不低级。如果真正的瓶颈就在一个局部环节，把这个环节做好就是最合理的创新，没有必要为了使用AI而重构整个企业。
第三条，是扩大一个人或一个岗位可以调用的能力范围。
过去有些工作必须交给另一个专业人员，现在普通人可以借助AI完成其中一部分。销售人员可以做一些数据分析，普通人也能完成以前不会做的简单程序任务。
但这里有一个重要边界：AI会做，并不等于使用者已经获得了完整的专业能力。如果他不能理解结果，也无法发现错误和边界，那么这项能力还没有真正可靠地进入他的有效能力。
第四条，是在瓶颈迁移以后重新组合工作流程。
假如AI把写报告的时间从四小时降到半小时，但取数据还要一天，审批还要两天，再把半小时压成十分钟已经没有多少意义。原来的瓶颈消失以后，新的瓶颈会出现在等待、审批、验证、交接和异常处理上。这时问题已经不再是模型够不够强，而是原来的工作怎样重新组合。
局部创新优化了当前瓶颈；当瓶颈迁移以后，结构创新才有必要。
第五条，是在必要时重新设计整个系统。
再往前一步，如果任务边界、部门边界、软件结构、审批方式和责任划分本身都已经成为AI发挥作用的障碍，才需要考虑重新设计整个系统。
但瓶颈迁移并不等于立即重构。还要看这个瓶颈是否足够大、是否长期存在，以及重构成本、过渡风险和技术变化速度。如果技术半年以后可能大幅进步，暂时试验、保留选择权，有时比今天投入巨资重做系统更合理。
所以，最好的AI创新并不是最复杂、最系统的创新，而是以最低的总成本解决真正的瓶颈。
为什么个人AI应用会比企业AI扩散得快
这个问题用六个闭合可以得到一个很简单的解释。
个人使用AI时，任务、数据、验证、流程、责任和价值判断往往集中在一个人身上。
企业则完全不同。数据可能属于一个部门，流程属于另一个部门，权限在第三个部门，风险由第四个部门承担，IT负责系统接口，预算又掌握在其他人手里。
模型能力可能完全一样，但个人只需要自己把几个接口闭合起来，企业却必须把这些接口重新工程化、制度化。
因此，企业AI应用扩散得慢，并不一定说明AI能力不够，也不一定说明企业不愿意使用。很多时候，真正耗时的是把AI能力接进现实生产系统。
AI正在使认知能力越来越容易被外部调用。能力本身已经越来越便宜，但生产力不会自动出现。
一项AI能力只有在能力、验证、数据、流程、责任和经济六个接口达到足够闭合以后，才真正进入现实生产。
它可以表现为更多的实物商品，也可以表现为更好的软件、更高质量的服务、更好的文章、更可靠的判断和可以重复使用的知识。
这也是理解AI经济价值时容易忽略的一点：模型变得更强只是开始。真正决定这些能力最后能创造多少价值的，是它们能不能与人的工作和现实生产系统连接起来。
