AI 的决策能力正在全面超越人类，但一个悖论也随之浮现：技术越强大，人的抗拒心理反而越强烈。作者卢向华教授在书中将这一困境概括为 “技术的指数级进化与人类认知线性增长之间的巨大鸿沟”。书中大量案例表明，AI 落地失败的根源往往不在于算法能力不足，而在于低估了人机协同中的心理与行为阻力。IBM Watson Health 的医疗项目便是一个典型。Watson 掌握了 13 种癌症的海量诊疗知识，数秒内便能输出高质量治疗方案，但最终却被大量医疗合作伙伴放弃。原因很简单 —— 它把医生当成了命令执行者，而非临床判断的主体。另一个案例同样触目惊心：某便利店用 AI 中央大脑接管了从选址到陈列的全部决策，结果员工沦为执行指令的 “工具人”，成就感丧失殆尽，顾客也随之流失。技术没问题，问题出在 “人” 的维度被忽略了。这正是本书的核心问题意识：当 AI 越来越强，人该怎么办？企业又该怎么管？作者给出的答案是一套系统的 “五大法则”，覆盖了从技术设计到社会公平的完整链条。第一法则是 AI 技术交互能力优化。人天然不信任 “黑箱”。书中引述了学术上著名的 “门卫问题”—— 门卫可以用任何理由拒绝你入场，而真实原因可能完全不同，你永远无法验证。算法同理。破解之道在于三个关键词：拟人化、透明性、可靠性。但作者提醒，拟人化并非越高越好。恐怖谷效应会使高度拟人化的 AI 引发不适，也可能催生不切实际的用户期望，反而加剧失望。正确的做法是根据场景调校拟人程度：简单查询用低拟人化即可，复杂金融顾问需要高智能配合高拟人化，而涉及隐私的健康咨询则反而应该 “智能但不拟人”—— 用户更愿意对一台明显是机器的对象袒露隐私，因为机器不会嘲笑你。可靠性的优先级更高。谷歌 AI 搜索曾建议用户在披萨上加胶水来固定芝士，源于它学到了一则 11 年前的网络玩笑，结果该功能的使用意愿暴跌至 7%。没有可靠性做底，一切锦上添花都无从谈起。第二法则是用户协作行为主动管理。人类面对 AI 天然存在两个极端：一端是抗拒，另一端是过度依赖。有研究发现，同一批客服人员，当告诉用户 “这是数字人” 时，满意度直接下降 10 至 15 个百分点 —— 即使背后实际上是真人在服务。这种 “物种歧视” 是普遍存在的。而另一端，依赖也相当隐蔽：用户一旦习惯了 AI 的精准建议，独立思考的意愿便会下降，这就是书中所说的 “AI 惰化行为”。更棘手的是，用户的协作行为差异极大，同一个人在不同任务中的表现也截然不同。对管理者而言，识别这种异质性并加以主动引导，是不可回避的课题。第三法则是人机互补动态增强，核心是任务分配。书中提出了一个关键维度 —— 可计算性：偏计算性的任务由 AI 主导更优，偏主观判断的任务则应由人类主导。这并非简单的 “谁强谁上”，而是需要建立人机双向学习机制 —— 人在使用 AI 中成长，AI 也在交互中优化自身，形成互惠增强的闭环。第四法则延伸到组织层面 ——AI 管理策略适配。AI 加入组织后，传统岗位边界被重新定义，员工对公平性的感知、对安全的焦虑都发生了深刻变化。AI 出错时责任如何归因？管理者如何适配策略？这些问题的答案将直接决定 AI 在企业中的实际成效。第五法则进一步上升到社会层面 ——AI 公平性保障，涉及算法偏差治理与人类价值对齐等深层议题。