拥抱 AI 的无限可能
AI 正在释放前所未有的经济潜能，但我们如何确保它最终创造的，是一个值得我们生活的未来？
如今，AI 已能胜任大量原本只有高技能专业人士才能完成的工作，引发了全行业的职场焦虑与抵触。要让技术真正产生长期价值，同时不让任何人掉队，企业领导者必须推动建立真正的人机认知协作。本文提供了一套完整的分析框架和高管行动清单，帮助企业释放人机协作的真正潜力。
价值创造的核心，正从个人能力转向人与人工智能的协同。AI 已是知识工作中名副其实的参与者，但它永远无法脱离人类独立运行：技术上，它需要人类赋予明确意图才能激活；伦理上，所有涉及 AI 的决策，最终的判断与责任必须由人类承担。
这种人在回路（human in the loop）的经济与伦理双重要求，迫使我们重新设计工作角色，建立清晰的人机认知分工。但 "人在回路" 这个概念本身，留下了四个关键问题：到底需要什么样的人？ 我们对他们有什么期待？这个回路要解决什么问题？企业必须明确：当 AI 大规模落地后，人类的价值究竟体现在哪里？
这个问题的答案，直接决定了 AI 转型的成败 —— 是真正获得核心竞争力，还是白白为一堆用不起来的技术买单。
回答这些问题，不仅关乎企业的价值创造，也关乎每一位员工的未来。无论是工作被 AI 接管的人，还是需要改变工作方式的人，都必须找到新的价值贡献点。
但很多领导者自己也没有答案。这种不确定性会迅速转化为员工的焦虑和恐惧，成为 AI 转型最大的阻力。更糟的是，它会导致本应推动转型的核心骨干，有意无意地消极怠工。
为员工指明清晰的方向，或许是化解焦虑的唯一方法。 这种焦虑，正是阻碍 AI 创造价值、让巨额投资打水漂的罪魁祸首。因此，AI 转型中的 "人" 的问题，已经成为当今企业领导者最紧迫的责任。
下一阶段的价值创造，完全依赖于人与 AI 的有效配合。我们要么成为转型的推动者，要么成为绊脚石。
成败在此一举。做对了，员工将在 AI 的帮助下构想并完成那些过去想都不敢想的任务，重新定义整个行业；做错了，企业将不可避免地被时代淘汰。
基于过往的研究和咨询工作，本文用三个框架来帮助企业思考 AI 转型：价值 - 数据 - 人框架、经济学产出方程，以及改良版的 Stacey 矩阵。这些工具能帮助不同行业的高管拆解转型的复杂性，找到人和团队适应并创造价值的路径。
随着执行成本越来越低，判断力便成了新的瓶颈；旧的岗位消失之处，新的角色应运而生。
价值 - 数据 - 人：人类的位置在哪里？
企业推进 AI 落地，必须依次解决三个核心问题：
- 价值：我们是否找到了真正值得用 AI 解决的问题？
- 数据：我们是否有足够高质量、格式正确的数据，以及完善的数据治理机制？
- 人：员工是否愿意并且能够改变原有工作方式，利用AI来创造和获取价值？
前两个问题可以通过战略规划和资金投入解决，本文假设它们已经得到解决，或者正在解决中。
第三个问题需要我们投入最多的关注，因为它触及了每一位员工的内心。如果忽视人的因素，再好的技术和数据也只能发挥一小部分潜力。
随着 AI 开始处理复杂的认知任务，人的角色变得更加关键 —— 这就是所谓的 "替代与增强范式"：替代指 AI 能比人类做得更好或更便宜的任务；增强指人类借助 AI 能做得更好的任务。
大多数领导者没有意识到：无论是被替代还是被增强的人，都面临着同样的挑战 —— 重新定义自己的角色、学习新的技能、回答同一个根本问题：我现在对公司的价值是什么？
回答这个问题，能帮助企业找到 AI 转型后的新瓶颈，调整招聘和培训计划，确保持续创造价值。
职业身份的危机
知识工作者往往花费数年甚至数十年时间，围绕特定技能建立自己的职业身份：金融分析师擅长构建模型，律师精通研究判例，工程师专注于编写代码。当 AI 开始做这些工作时，它不仅威胁到人们的饭碗，更从根本上动摇了他们的自我价值感。
一家银行部署了能在几分钟内生成信贷评估报告的 AI 后，信贷分析师团队陷入了一个任何工具培训都解决不了的困境：如果机器做了我们最擅长的事，那我们还有什么用？
最常见的反应是拒绝接受或消极怠工，这对转型是毁灭性的。如果领导者把这简单归因为 "对技术的抗拒"，那就大错特错了。这种抗拒不只是出于自我保全，更是一种职业身份防御机制—— 除非企业帮助员工建立一个他们能认同的新身份，并通过职位描述、绩效考核和晋升制度来强化它，否则这种抗拒不会消失。
建立新的职业身份，需要员工回答：我用 AI 来做我的工作，这体现了我的什么价值？ 领导者必须找到能帮助员工解决身份问题的协作模式，让他们看到自己在价值链中不可替代的位置。
当员工意识到自己是让技术发挥作用的关键 —— 能引导 AI 解决正确的问题，用专业知识评估其输出，发现 AI 遗漏的特殊情况和细节，并为最终决策负责时，成功的身份转型就发生了。例如，信贷分析师的角色可以从 "写报告" 转变为 "确保报告符合银行的风险偏好、监管要求和客户利益"。
填补 AI 时代的技能缺口
一家国际银行的高级信用风险分析师，花了十年时间建立了该行用于监管报告的压力测试模型。现在，她当初负责的五项核心工作中，有三项已经被 AI 接管 ——AI 几分钟就能完成她过去几天的工作量。部门里的人都担心被淘汰，但她没有问 "AI 会不会取代我"，而是问："当自动化全面完成后，银行会失去什么？"
她的答案很简单：再也没有人能走进监管机构的会议室，在压力下用通俗易懂的语言，为一个 "黑箱" 模型的决策辩护。于是，她主动学习算法问责相关课程，并参与银行的每一次监管检查。员工可以主动发起这样的转变，而领导者的责任，就是识别这些机会，为员工学习未来所需的技能创造空间。
信任的三重维度
员工要愿意重新定义自己的身份，必须对整个过程有信心。这种信任体现在三个方面：
- 对技术的信任：AI 的输出是否足够可靠，可以据此做出决策？
- 对组织的信任：公司会给我时间和资源学习新技能吗？如果我的岗位消失了，会被转岗而不是被裁员吗？
- 对直接领导的信任：我的经理理解我的难处，会对我说实话，并为我争取利益吗？
信任经理的员工，即使在其他一切都不确定的情况下，也会愿意尝试使用 AI。而正是在不断的尝试和实验中，我们才能发现人机协作最有价值的方式。
领导者公开分享自己使用 AI 的经历，能有效建立员工对技术的信任。倡导再培训和内部转岗，能建立员工对组织的信任。尽早、坦诚地告诉员工转型中可能遇到的困难，将赢得最宝贵的信任。
施华洛世奇：以人为本的 AI 转型典范
施华洛世奇在全球 140 个国家拥有超过 18,000 名员工。他们最早的 AI 应用之一是客户关系管理 (CRM)。这家奥地利水晶公司没有把生成式 AI 当成单纯提高效率的工具，而是用它将客户沟通从 "批量群发" 升级为真正的个性化体验。
每位客户都会收到根据其个人风格、偏好和购买历史量身定制的内容，比如穿搭建议和产品推荐。这个项目的核心不是让员工更快地做同样的事，而是让他们能做过去根本做不到的事。技术是放大员工的专业判断力，而不是取代它，领导层的言行也始终贯彻这一理念。
员工的信任随着日常工作中实实在在的改善而逐步建立。现在，员工可以基于数据而非层级做决策，大大增强了他们的主人翁意识和职业成就感。
要规模化推进这种转型，不仅要投资技术，更要投资于人。施华洛世奇在各个业务部门选拔了 50 名 AI"大使"，他们不是技术专家，而是本地的变革推动者。他们帮助同事解决实际问题，试用公司批准的 AI 工具（如 Microsoft 365 Copilot），发现 AI 的应用场景，并充当业务部门与中央 AI 团队之间的桥梁。
培训采用分级模式：所有员工都接受了与其岗位相适应的 AI 基础培训，AI 大使则获得更多资源支持，包括专门的指导、AI 工具的优先使用权和同行交流机会。同行分享和实验是这个模式的核心。AI 大使们在内部社区分享成功案例和经验教训，通过现场演示和季度交流会，让 AI 能力在组织内自然传播。
如今，个性化 CRM 已成为施华洛世奇客户体验的核心。这个项目不仅通过提高转化率带来了立竿见影的收入增长，更通过展示清晰的投资回报，为后续的 AI 转型铺平了道路。
心理安全是转型的前提
信任与心理安全密不可分。在我合作过的大多数企业中，围绕 AI 的文化都是形式主义的：人们使用 AI 只是为了应付公司的要求，并没有真正用它来改变工作方式。
因为这会带来双重风险：如果 AI 输出有问题，他们会显得能力不足；如果 AI 输出太好，他们又会显得可有可无。在没有心理安全的环境中，最理性的选择就是少用 AI，这也就意味着最少的价值创造。
解决这个问题的起点，是承认大家都在探索。目前还没有关于人机协作的标准答案，只有各种不同的尝试。如果领导者把 AI 转型说成是一套已经成熟、只需照做的流程，本质上就是在禁止员工说 "这个不行"。
恐惧是学习最大的敌人。心理安全不是可有可无的文化装饰，而是企业运营的基本前提：没有它，人们只会走过场式地使用 AI，永远不会发现人机协作能带来的全新价值。
AI 转型：高管层的关键问题
一个简单却极其有效的建议：作为领导者，公开展示你自己是怎么用 AI 的。在团队会议上，分享你和 AI 的对话，展示你如何检验它的答案、如何提供上下文，以及如何用人类的判断力决定采纳什么、拒绝什么。这个小小的举动，会对你的团队产生巨大的积极影响。
首席执行官（CEO）：传递正确的信号
- 我是亲自领导这场转型，还是把它完全交给了技术部门？
- 我是否真正明白，"人的问题" 才是转型成败的关键？
- 我是否已向全体员工坦诚：哪些岗位会增加、哪些会减少、哪些会彻底改变？
- 我是否理解 AI 正在重塑公司的薪酬版图？我是否准备好向受影响的员工解释这一点？
- 我的领导团队是否具备带领员工度过身份转变的同理心和勇气？还是我只看重他们的技术能力？
- 当第一批岗位受到 AI 影响时，我们的处理方式是在建立信任，还是在破坏信任？
- 我是否在思考转型的系统性影响，包括对初级招聘、公司所在社区，以及企业与员工之间社会契约的影响？
首席财务官（CFO）：捕捉真正的价值
- 我是否计算了 AI 转型的全部成本，包括不投资于人员转型带来的隐性成本？
- 我的财务模型是否考虑了员工消极使用 AI 造成的价值损失？还是只算了裁员带来的成本节约？
- 我为员工再培训、转岗和职业发展提供的资金，是否与转型的规模相匹配？我是否明白，这些投入不足，最终会导致 AI 投资本身的回报率降低？
- 我是否考虑过薪酬分化的问题？在一个 AI 赋能的员工能产出 5 到 10 个人工作量的世界里，我们现有的薪资等级还有意义吗？
- 我是否准备好投资那些短期内不会带来效率提升，但可能发现全新价值的探索团队？
- 我是否在追踪正确的指标？是在衡量人机协作的质量，还是仅仅在看人员数量的变化？
首席人力资源官（CHRO）：奖励判断力，而非工作量
- 我是否真正了解员工的情绪状态，以及他们对 AI 转型的真实感受？
- 我是否重新设计了职位描述、绩效考核和晋升标准，以奖励判断力、AI 协作能力和新模式下的价值创造？还是我们的制度仍然在奖励完成任务的数量？
- 我建立的再培训和转岗计划，是否得到了领导层的重视和足够的资金支持？还是它们只是躺在没人看的规划文件里？
- 我是否将职业身份认同视为一个战略问题？我是否明白，那些无法建立新职业身份的员工，会退出协作并抑制价值创造？
- 当 AI 正在接管那些传统上用来培养新人的入门级工作时，我们如何培养下一代专业人才？
- 我是否准备好应对薪酬分化带来的艰难对话？包括向一些员工解释他们的市场价值正在下降，同时大幅提升另一些员工的薪酬。
首席运营官（COO）：保持人才管道畅通
- 我是否已经根据 Stacey 框架梳理了公司的所有业务流程？清楚哪些环节会被深度替代，哪些会被部分替代，哪些仍然高度依赖人类的判断力？
- 我是否为新的协作模式重新设计了团队结构？从做生产性工作的大团队，转向更小、更专业的团队 —— 这些团队的核心工作是指导 AI，专注于判断和异常处理。
- 我是否在以能够体现人机协作价值的方式衡量运营绩效？还是仍然像以前一样只看产出数量？
- 我是否为那些会被深度替代的部门制定了现实的转型时间表？我是否确保这些部门的员工得到了妥善的支持，以维护整个组织的信任？
- 我是否在维护初级人才的培养管道？还是任由入门级岗位消失，却没有建立新的培养机制？
- 我是否成立了专门的探索团队，去发现那些现在因为有了 AI 才成为可能的新业务？并使用奖励创新而非效率的指标来考核他们？
首席信息官（CIO）：建设以人为本的技术基础设施
- 我的 AI 部署战略，是否基于这样一个基本认知：技术只有在人们愿意并且能够使用它的情况下，才能创造价值？
- 我是否在为员工提供结构化的学习环境，通过结对实验、循序渐进的挑战和反思循环，来培养他们使用 AI 的判断力？还是认为几次简单的培训就够了？
- 我是否在建设能够支持人机协作的数据基础设施？包括让专业人士对 AI 所用数据的质量和可靠性充满信心的数据治理体系。
- 我在向其他高管解释 AI 的可能性时，是否将技术能力与业务价值紧密联系起来？还是在说他们听不懂的技术术语？
- 我是否明确了责任划分？当 AI 生成的输出导致不良结果时，谁应该负责？我们是否在危机发生之前就已经明确了这一点？
- 我是否在领导 IT 部门自身的转型？我是否认识到，IT 部门本身也正在被 AI 重塑，我的员工也面临着和其他人一样的身份、信任和能力挑战？
AI 与人的经济学：我们现在的价值是什么？
理解员工为什么愿意与 AI 协作至关重要，因为当他们积极尝试和学习时，产生的经济回报会远远超过大多数企业目前的水平。但我们如何衡量这些回报？如何评估人机协作的价值？又如何定义 AI 时代的人类价值？
借用经济学理论，我们可以将 AI 和数据视为与资本、劳动力并列的新生产要素。然后用一个简化的经济学方程来解释这些要素如何共同创造价值：
Y = f(C, L, AI, D)
其中，Y 代表组织创造的总价值，C 代表资本，L 代表劳动力，AI 代表人工智能，D 代表数据。这个方程告诉我们，价值是资本、劳动力、AI 和数据共同作用的结果。
领导者面临的战略问题是：企业在哪些生产要素的组合上，拥有创造独特价值的最大优势？ 换句话说，企业应该如何配置这四种要素，以获得可持续的竞争优势。
人机互动分为三种模式：
- 替代：当 AI 能以远低于人类的成本完成认知工作时，替代就会发生。如果 AI 能更快、更便宜且质量相当的完成一项任务，那么经济逻辑是清晰的：这项任务应该交给 AI。抵制替代不是对人类尊严的捍卫，而是对资源的浪费。
- 增强：当 AI 赋能专业人士，使双方的生产力都得到显著提升时，增强就会发生。但增强很容易导致替代：三个被增强的工人可以做四个普通工人的工作。因此，为了提高效率和证明 AI 投资的回报，裁员往往不可避免。增强背后隐藏着替代阴影，诚实的领导者应该坦诚地说明这一点，而不是回避。
- 扩张：当 AI 使我们能够解决那些曾经超出人类认知极限的问题时，扩张就会发生 —— 因为处理海量变量、场景和互动的成本已经大幅降低。扩张才是真正的增长引擎：被增强的人类与擅长处理大规模计算的 AI 合作，不仅能够更快更好地完成原来的工作，还能够开拓以往根本无法企及的新价值领域。这不是因为企业更努力工作或雇佣了更多人，而是因为人类判断力与 AI 能力的结合，首次使某些事情成为可能。
举个例子：一家使用 AI 起草常规合同的律师事务所，是在进行替代；一位使用 AI 在为客户提供建议前分析 10 倍于以往数量判例的律师，是在获得增强；而一家利用这位从起草工作中解放出来的律师，进入其以前没有能力服务的复杂跨境咨询市场的事务所，则是在进行扩张。
厘清这三种模式至关重要，尤其是因为它们会从根本上重塑薪酬体系。在任何生产函数中，一种要素的边际成本反映了它对产出的边际贡献。对于劳动力来说，这个边际成本就是工资。
随着 AI 接管替代性的认知工作，从事这些工作的员工的边际贡献会下降，他们的市场工资也会随之下降。随着 AI 增强专业人士的能力，他们判断力的边际贡献会急剧上升，从而对薪酬产生上行压力。在扩张的前沿，员工正在创造企业以前从未有过的价值形式，他们能力的边际贡献没有历史基准，他们的薪酬也将反映这种前所未有的价值。
仍然沿用传统薪酬结构的企业，会系统性地错误定价那些对价值创造最重要的投入。上述方程为高管们提供了一个重新定价的框架，使他们能够清晰地看到哪些要素的边际贡献在增加，哪些在减少，并将薪酬决策与实际的生产逻辑联系起来，而不是依赖历史惯例和内部政治。
Stacey 矩阵：保持乐观的理由
由管理学教授 Ralph D Stacey 开发的 Stacey 矩阵，能帮助高管们判断扩张将如何具体影响他们的组织。它根据两个维度将所有工作任务分为四类：结果的确定性和利益相关者的共识程度。将个人或团队执行的任务在这个矩阵中进行定位，领导者就能清楚地看到，为了实现 AI 与人类结合所带来的价值扩张，需要进行哪些变革。
简单任务：管理诚实的过渡
简单任务（高确定性、高共识）面临深度替代。它们包括数据录入、标准报告生成、常规合规检查和重复性处理工作。斯坦福数字经济实验室的研究显示，自大型语言模型普及以来，容易被 AI 替代的工作的初级招聘量已经下降了 13%。
自动化的商业理由非常充分，但由此带来的人员挑战也是直接而重大的。如何对待那些失去工作的员工，将成为向其他所有员工传递的最强烈信号，决定他们是否能够信任公司。
随着执行性工作变得越来越便宜，价值创造的瓶颈转向了判断力。旧的岗位消失了，新的岗位随之产生。曾经每周重复制作相同报表的分析师，现在需要面对 10 倍于以往数量的机器生成分析结果。新的角色是：判断哪些问题值得用模型来解决，审计模型的逻辑，并将分析结果转化为董事会能够理解和支持的决策。要实现这种转变，培训是必不可少的，而培训是需要成本的。
决定AI价值的，是背后人类判断的质量。人的因素，才是最有开发价值的变量。
复杂任务：为价值重新设计角色和团队
复杂任务（中等确定性、中等共识）面临部分替代和显著增强。它们包括财务建模、工程分析、法律研究和医学影像诊断。AI 会接管其中的生产性子任务，而专业人士则保留在判断、问题定义和异常处理方面的核心价值。团队的规模会缩小，但能力会大大增强，能够产生人类和 AI 单独都无法实现的成果。
这里的人员挑战是，围绕判断力而非生产性工作重新设计角色，并围绕更少、更专业的员工与 AI 协作来重建团队结构。领导者需要将绩效考核的重点从产出数量转向判断质量，并为传统的 "从初级到高级" 晋升路径不再适用的世界，重新设计职业发展通道。
这带来了 AI 转型中最棘手的问题之一：如果初级员工不再通过完成那些入门级工作来积累经验，他们如何发展出协作所必需的判断力？ 一个可能的解决方案是建立一种新型的学徒制 —— 初级员工通过评估 AI 生成的工作、发现其中的错误，并逐步建立能够有效指导 AI 的专业判断力来学习。坦率地说，这个解决方案也需要大量的投入。
高度复杂任务：投资于人类独有的能力
高度复杂任务（低确定性、低共识）是人类仍然占据绝对主导地位的领域。它们包括战略决策、组织变革、创意指导、谈判、伦理推理、建立信任关系，以及在不确定性下为决策承担责任的能力。AI 可以提供数据、研究和分析支持，但当前的系统在处理这个领域特有的特殊情况、复杂人际关系和真正的模糊性方面，仍然存在根本性的困难。
对于任何想要充分释放人机协作价值的企业而言，发展人类在这一领域的能力，才是真正的战略制高点。大多数企业在这方面投入不足，因为这些能力难以衡量和教授。然而，对这一领域的投资，将比任何技术决策更能决定企业的长期竞争优势。那些只专注于推广 AI 工具的企业会发现，他们的员工能够熟练地操作 AI，却无法行使将其输出转化为正确决策所需的判断力。
不可能区域：在探索中实现扩张
在高度复杂任务之外，是那些以前根本不可能完成的任务 —— 因为它们的认知负荷超出了人类的极限。AI 正在移动这个边界，创造出全新的价值类别。
这里的挑战在于，找到并培养那些能够看到 "某个问题现在可以通过 AI 解决" 的人，那些能够为人类 - AI 团队清晰定义问题的人，以及那些能够在没有先例和既定方法的领域中探索前进的人。领导者需要识别和保护这些人才，为他们提供资源，并给予他们探索的自由，同时保持必要的问责制和心理安全。正是这些才华横溢的人，将发现企业甚至还不知道自己可以创造的价值形式。有趣的是，最擅长做这件事的人往往是年轻人 —— 正是那些被认为受 AI 威胁最大的群体。
结语
技术将继续进步，经济格局将不断变化。有些人会说，这条发展道路的终点，是一个人类劳动不再是重要生产要素的世界。这个观点值得我们认真对待，在我们目前无法预见的某些领域和时间范围内，它可能会成为现实。
然而，领导者必须基于他们今天所面对的现实来采取行动。我们正处于这样一个历史阶段：AI 的价值，完全取决于指导它的人类判断力的质量。 那些将 "人" 视为需要被最小化的成本的企业，将系统性地输给那些将 "人" 视为最值得投资的核心资产的企业。
责任落在每一位领导者的肩上 —— 无论是管理着数百人的团队领导，还是那些只需要领导自己的人。我们需要决定：我们愿意给予 AI 多大的自主权，以及我们希望为自己保留多大的人类能动性。
本文来自微信公众号“I by IMD洞察”，作者：I by IMD，36氪经授权发布。