AI 幻觉（hallucination）至今仍是大型语言模型（LLM）最令人头痛的一个问题之一，但沃顿商学院教授 Ethan Mollick 在 X 上提出了一个耐人尋味的观点：人类数百年来早已发展出成熟的机制，能够从不可靠的来源中获得可靠的输出——那套机制叫做“组织结构”（organizational structures），而我们完全可以将类似的方法应用在 AI 上。这则推文获得 329 个爱心、35 次转推和 44 则回复，引发了一场关于如何务实应对 AI 幻觉的深度讨论。
什么是“组织结构”类比？
Mollick 的核心论点直指一个常被忽略的事实：人类从来就不是完美可靠的信息来源。历史上，无论是会计账目、医疗诊断还是法律判决，人类的输出始终存在错误风险。然而，文明之所以能够正常运作，是因为我们发展出了一整套“组织结构”来管控这些风险。
这些组织结构本质上就是一套精密的“错误拦截机器”：透过分工、层级审核、交叉验证和制度化流程，将个体的不可靠性转化为系统层级的可靠性。Mollick 认为，与其执着于追求一个“永不出错的 AI”，不如换个思路——就像我们对待人类员工一样，为 AI 建立一套组织化的质量控制体系。
具体应用方法：审查、测试与交叉验证
在推文引发的后续讨论中，Mollick 和其他参与者进一步探讨了几种可以直接借鉴组织管理的具体方法。首先是“审查机制”（reviews），就像企业中的主管审核或同侪评审一样，让另一个 AI 模型或人类专家对 LLM 的输出进行系统性检查。
其次是“测试机制”（tests），类似于软件开发中的单元测试和质量保证流程，为 AI 的每一项输出设定可验证的标准。第三是“交叉验证”（cross-checks），让多个独立的 AI 模型或信息来源对同一问题给出答案，再比对结果的一致性——正如组织中不同部门的相互制衡。
这些方法的共同逻辑是：不依赖单一节点的完美性，而是透过系统设计来降低整体错误率。这与现代质量管理理论中“瑞士奶酪模型”（Swiss Cheese Model）的概念不谋而合——每一层防护都有漏洞，但多层叠加后，错误穿透所有层级的概率就大幅降低。
对企业 AI 部署的启示
Mollick 这套思维框架对正在导入 AI 的企业特别有启发性。许多企业在面对 AI 幻觉问题时，往往陷入两个极端：要么因为害怕错误而完全不敢使用 AI，要么过度信任 AI 输出而忽略验证。组织设计的思维提供了一条中间道路——承认 AI 会犯错，但通过制度设计将错误控制在可接受的范围内。
具体而言，企业可以建立“AI 质量管理流程”：将 AI 视为组织中的一个“员工”，为其配备审核机制、设定明确的职责边界、建立异常检测系统，并在关键决策环节保留人类复核。这种做法不仅更务实，也更符合企业已经熟悉的管理逻辑。对 AI 产业而言，Mollick 的观点提醒我们：解决 AI 幻觉的答案，或许不仅在技术层面，更在于重新思考人机协作的组织架构。
这篇文章 华顿商学院教授 Ethan Mollick：用“组织设计”思维解决 AI 幻觉问题 最早出现在 链新闻 ABMedia。
