MarsBit 发布署名 GritMeng 的文章称，AI 时代最稀缺的资源不再是知识本身，而是系统思维。
文章开篇提出一个尖锐问题：当 AI 把效率提升 100 倍，为什么一些公司反而更接近失控。作者认为，编程、设计、文案、数据分析等过去需要长期训练的专业技能，正在被大模型快速代偿，许多知识工作者由此感受到自身「手艺」的稀缺性被迅速削弱。
在这一背景下，文中总结出一种新的职场悖论：团队成员都在借助 AI 提高效率，但公司的整体决策却可能变得更差；产品、运营、市场各部门把 KPI 优化到极致，最后带来的却是用户体验和利润同步下滑；企业投入数千万元引入先进 AI 系统，实际生产排产却仍退回 Excel 和人工对账。
作者把这种局面概括为：组织试图用一匹拥有极强算力的「算法疯马」，去拖动一辆由「单点思维」拼接而成的破车。当所有人都沉迷于让 AI 解决点状问题时，系统层面的崩溃风险就会抬升。文章据此提出，在 AI 时代，能力重心已经从「如何把事情做对」转向「做什么才是对的」，而这正是系统思维的核心。
还原论在 AI 面前被推到极致
文章称，过去四百年的工业文明给现代人留下了一套强大的思维方式，也就是还原论。它强调把复杂问题拆成独立零件，逐一优化，再重新拼装整体。作者认为，这套方法塑造了现代物质繁荣，而 AI 则把这一路径推进到极致：只要目标足够明确，模型就能在极短时间内穷举大量方案。
但作者同时强调，真实世界并不是一台可以被任意拆装的机器，而是一张动态网络。在这张网络里，对单个零部件的极致优化，往往会反过来伤害整体系统。
结合自己 22 年的供应链研究经历，作者列举了多种常见情形：采购部门借助 AI 把物料成本压到最低，结果上游供应商偷工减料，最终引发品牌信誉受损；财务部门把库存周转率优化到极致，产线却可能因为缺少一颗螺丝而全面停工；营销部门用 AI 把点击率做到行业第一，但过度承诺又会让售后团队陷入大量投诉。
文中认为，这类问题的症结在于决策者缺乏系统思维，却把 AI 当作单点加速器使用。这样一来，AI 就像一台没有刹车的引擎，可能以更快速度把组织推向错误方向。作者把这种现象称为「Goodhart 崩溃」，即当一个指标被过度优化时，它就不再是一个好的指标。
系统思维被拆成三个底层能力
文章指出，很多人把系统思维理解成「考虑得更全面」或者「画一张思维导图」，但在作者看来，真正的系统思维是一套可以精确描述的认知操作系统，至少由三个能力组成。
划界力：先定义你到底在优化什么
作者认为，AI 永远只会在给定边界和目标内求最优解，因此系统思维的第一步，不是立即求解，而是检查边界本身是否合理。
文中举例称，如果让 AI 「最大化这家公司的利润」，它可能在极短时间内得出一个看似最优的答案：解雇所有员工、出售全部资产，再把资金存入银行赚取利息。利润目标看似完成，但公司本身也不复存在。
作者据此提出，问题如何定义，比 AI 如何求解更重要。比如，把供应链边界从「采购成本最低」扩展到「全生命周期资金效率」，决策逻辑会发生明显变化；把产品边界从「用户使用时长」改为「用户长期价值」，商业模式也会被重新塑造。
闭环力：在蝴蝶效应出现前看见反馈
文章将一阶思维描述为只看直线因果链，也就是 A 导致 B，B 导致 C。系统思维则更关注存在时间延迟的正反馈和负反馈：A 会影响 B，但 B 可能在三个月后反过来压制 A；C 和 D 看似无关，却可能通过隐藏变量 E 相互影响。
作者举例称，今天借助 AI 生成 100 篇营销软文，短期可能带来流量高峰，但三个月后也可能引发用户对品牌信任的急剧下滑；为了冲刺季度业绩而压榨供应链，短期财报或许更好看，但半年后供应商集体涨价，企业成本结构就可能被永久破坏。
在作者看来，系统思维者的区别在于，能够在第一天就看到这种延迟到来的负反馈。
重构力：审视并打破原有思维模型
文章还提到，无论是 AI 模型、管理理论还是既有成功经验，与真实复杂世界之间都存在偏差，作者把这种偏差称为「残差」。
普通人往往忽视残差，聪明人会利用残差微调模型，而系统思维者则会进一步动用元认知能力，跳出原有框架，重新审视自己依赖已久的判断逻辑，并追问一个更根本的问题：会不会真正的问题，恰恰来自那些长期被认为正确的东西。
文中认为，真正的创新发生在残差之中，真正的范式革命也往往来自敢于打破旧框架的人。
作者提出系统思维依托五维心智系统
对于「为什么 AI 无法自发产生系统思维」这个问题，文章给出的答案不是算力不足，而是「硬件不对」。作者认为，系统思维的底层是一套人类独有的五维心智操作系统，这些能力分别对应大脑中的不同神经网络。
- 良知（Esp）：对应默认模式网络（DMN）。作者认为，这一能力负责为系统设定终极边界，在接近失控时踩下刹车，而 AI 并不具备这种能力。
- 高敏感：对应杏仁核-蓝斑核系统。文章将其形容为一种精密雷达，能捕捉报表之外、数据背后的微弱异常信号。
- 感性：对应显著性网络（SN）。作者认为，这是人的「直觉缓存」，能以较低能耗调动长期经验，做出模糊但方向正确的判断。
- 流体智力：对应额顶控制网络（FPN）。文中把它定义为逻辑计算引擎，并认为在这一维度上，AI 是人的最佳代偿工具。
- 元认知（Φ）：对应前额极皮层（BA10 区）。作者把它视为系统思维的统帅，负责跳出既有框架，对思考程序进行审视、批判和重写。
文章称，硅基 AI 本质上只是被极度放大的「流体智力」维度，而系统思维要求上述五个维度协同工作。这也是作者所说的，碳基生命在数字文明时代最稳固、也最难被超越的「神经宪法」。
如何从执行者转向系统架构者
在方法层面，作者提出了三个可以立即使用的行动原则，用来帮助个人从「高级执行者」转向「系统架构者」。
先划边界，再启动 AI
文章建议，在任何 AI 任务开始前，先问自己三个问题：这个问题的真实边界在哪里，哪些关键变量被排除在外；AI 提出的方案会带来哪些二阶、三阶连锁反应；当前追求的 KPI 是否已经异化为可能伤害公司的代理指标。
把开环执行改成反馈闭环
作者认为，不应把 AI 部署为一个只负责执行的开环机器，而应为其配置能感知全局状态的「监控雷达」，并明确什么样的系统级红线一旦被触碰，就必须启动人工干预或自动熔断机制。用文中的说法，就是用碳基良知为硅基算力装上刹车。
关注残差，而不只是正确率
文章最后建议，不要只盯着 AI 做对了什么，更应关注 AI 预测与实际结果之间的残差。作者认为，残差暴露的是旧模型失效的位置、客户真实痛点未被满足的位置，也是组织僵化和流程腐朽最先显影的位置。颠覆式创新，往往正是从这里开始。
文章结尾：算力定义效率，系统思维决定生死
文章最后写道，在农业时代，最贵的是体力；工业时代最贵的是技术；信息时代最贵的是知识；而到了 AI 时代，最贵的已经变成系统思维。
作者认为，当 AI 把知识获取和局部优化的门槛降到接近于零，竞争将转向更高维度，即谁能看清系统全貌、理解秩序如何生成和演化，以及谁能用良知与元认知去驾驭庞大的硅基算力。文章最后给出的结论是，不必试图在算力和记忆上击败 AI，更重要的是修炼人类独有的系统思维，因为这才是数字时代最坚固的护城河，也是引领未来的罗盘。