AI 评估正在侵蚀领导者的独立判断？哈佛新研究引发讨论

随着组织越来越多地将 AI 工具用于决策辅助，领导者正在被「训练出」一项原本构成竞争优势的核心能力——独立判断。哈佛商学院旗下《Harvard Business Review》近期刊文，引用了一项由哈佛研究人员开展的实证研究，指出 LLM 介入评估流程后，人类评审的判断准确度与自主性都可能受到系统性影响。

研究背景

文章关注的核心问题是：当人类评审借助 AI 工具给出结论时，AI 是否会让人类的判断力退化？研究人员认为，答案并非简单的「是」或「否」，而是取决于 AI 介入的方式与上下文透明度。这一问题对依赖专家评审的创新竞赛、风险投资、政府项目立项等场景具有普遍意义。

实验设计

为验证上述假设，研究人员设计了一项实地实验，样本来自一项 MIT 全球社会影响创新挑战赛：

• 评审规模：228 名经验丰富的评审人员；
• 待评对象：48 份参赛提交方案；
• 对照基准：4 名与该创新挑战赛相关联的人类专家的判断。

实验将评审随机分配到三种条件之一：

• 纯人工评审：评审仅依靠自身判断，不接触 AI 输出；
• LLM + 叙事说明：评审获得 LLM 给出的评估结论，并附有决策过程的文字解释；
• LLM + 无上下文：评审仅获得 LLM 的结论，没有任何解释或推理过程。

核心命题

文章的核心主张是，AI 提供的「智能」并不等于判断力的增强。当 LLM 的结论缺乏可解释的推理过程时，评审者更容易将其当作权威答案而非参考意见，从而出现「判断力让渡」的现象；即便附有叙事说明，AI 的框架仍可能在不知不觉中锚定评审者的思路。该研究将「original judgment」（原始判断）视为组织最稀缺的竞争力来源之一，并呼吁管理层重新审视 AI 在评估与决策链条中的位置。

实践启示

对于日常依赖 AI 辅助决策的管理者而言，这项研究的提示包括：

• 区分「AI 给结论」与「AI 给框架」，尽量保留人类独立形成判断的环节；
• 在关键评审场景中，要求 AI 输出可追溯的推理依据，而非仅给最终分数；
• 定期进行「无 AI」评审基线对比，避免团队对模型形成隐性依赖。

研究的具体数值结果在原文摘录中尚未完整呈现，但所提出的方法论——以人类专家为基准、对照不同 AI 介入强度——为后续讨论 AI 与人类判断的交互提供了可复用的研究范式。