拥抱 AI 的无限可能

价值创造的核心，正在从个人能力转向人与 AI 的协同。AI 已经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转——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，最终的判断和责任都只能由人类扛着。

这种“人在回路”的经济与伦理双重要求，逼着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”这个大概念，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？企业必须搞清楚：当 AI 大规模落地后，人类的价值究竟还能体现在哪里？

这个问题的答案，直接决定了 AI 转型的成败——是真正拿到核心竞争力，还是白白为一堆用不起来的技术买单。

回答这些，不仅关乎企业的价值创造，也关乎每位员工的未来。不管是被 AI 接管工作的人，还是需要改变工作方式的人，都得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成员工的焦虑和恐惧，变成 AI 转型最大的阻力。更糟的是，还会让本应推动转型的核心骨干，有意无意地消极怠工。

给员工指明一条清晰的路，或许是化解焦虑的唯一办法。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。所以，AI 转型中“人”的问题，已经是今天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，要么变成绊脚石。

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事情，重新定义整个行业；做错了，企业就会被时代淘汰。

基于过往的研究和咨询经验，这篇文章用了三个框架来帮企业思考 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，找到让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，必须依次解决好三个核心问题：

• 价值：
  我们有没有找到真正值得用 AI 解决的问题？

• 数据：
  我们有足够高质量、格式正确的数据，以及完善的数据治理机制吗？

• 人：
  员工愿不愿意并且能不能改变原来的工作方式，用上 AI 来创造和获得价值？

前两个问题靠战略规划和砸钱就能解决——这里假设它们已经搞定，或者正在推进中。

第三个问题需要花最多心思，因为它触及了每位员工的心坎。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。

现在 AI 开始处理复杂的认知任务了，人的角色反而变得更加关键——这就是所谓的“替代与增强范式”：替代，指的是 AI 能比人类做得更好或更便宜的任务；增强，指的是人类借助 AI 能做得更好的任务。

大多数领导者没有意识到的是：不管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、学习新技能、回答同一个根本问题：我现在对公司的价值到底是什么？

回答好这个问题，能帮企业找见 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

知识工作者往往花上好几年甚至几十年时间，围绕某项特定技能建立自己的职业身份：金融分析师擅长建模型，律师精通研究判例，工程师专注写代码。当 AI 开始干这些活儿时，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，这对着转型来说是毁灭性的。如果领导者简单归因为“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：

领导者必须找个能帮员工解决身份问题的协作模式，让他们看到自己在价值链里不可替代的位置。

当员工意识到自己才是让技术发挥作用的关键——能引导 AI 解决正确的问题，用专业知识评估它的输出，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。比如，信贷分析师的角色可以从“写报告”变成“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，花了十年时间建起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里，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：再也没人能走进监管机构的会议室，在压力下用普通人听得懂的话，为一个“黑箱”模型的决策辩护了。于是，她主动去学算法问责相关的课程，并参与银&行的每一次监管检查。员工可以主动发起这种转变，而领导者的责任，就是识别出这些机会，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：

1. 对技术的信任：
   AI 的输出够不够可靠，能不能据此做决策？

2. 对组织的信任：
   公司会给我时间和资源学新技能吗？要是我的岗位没了，会被转岗而不是被裁掉吗？

3. 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，就算其他一切都不确定，也愿意试试 AI。而正是在不断尝试和实验中，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，而是用它把客户沟通从“批量群发”升级成真正的个性化体验。

每位客户都会收到根据个人风格、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。技术是用来放大员工的专业判断力，而不是取代它，领导层的言行也一直贯彻这个理念。

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，不光要投资技术，更要投资于人。施华洛世奇在各个业务部门选了 50 名 AI“大使”——他们不是技术专家，而是本地的变革推动者。他们帮同事解决实际问题，试用公司批准的 AI 工具，发现 AI 的应用场景，还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 能力在组织里自然传播。

现在，个性化 CRM 已经成了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 转型铺好了路。

心理安全是转型的前提

信任与心理安全密不可分。在大多数合作过的企业里，围绕 AI 的文化都是形式主义的：人们用 AI 只是为了应付公司要求，并没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里，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，是承认大家都在摸索。目前还没有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用 AI，永远发现不了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，展示你怎么检验它的答案、怎么提供上下文，以及怎么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

1. 我是亲自领导这场转型，还是把它完全交给了技术部门？
2. 我是不是真正明白，“人的问题”才是转型成败的关键？
3. 我有没有向全体员工坦诚：哪些岗位会增加、哪些会减少、哪些会彻底改变？
4. 我理解 AI 正在重塑公司的薪酬版图吗？我准备好向受影响的员工解释这个了吗？
5. 我的领导团队能不能带着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？
6. 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？
7. 我有没有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

1. 我有没有计算 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？
2. 我的财务模型有没有考虑员工消极使用 AI 造成的价值损失？还是只算了裁员带来的成本节约？
3. 我为员工再培训、转岗和职业发展提供的资金，和转型的规模匹配吗？我明白这些投入不足，最终会导致 AI 投资本身的回报率降低吗？
4. 我有没有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？
5. 我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了吗？
6. 我是在追踪正确的指标吗？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

1. 我有没有真正了解员工的情绪状态，以及他们对 AI 转型的真实感受？
2. 我重新设计了职位描述、绩效考核和晋升标准，来奖励判断力、AI 协作能力和新模式下的价值创造吗？还是我们的制度仍然在奖励完成任务的数量？
3. 我建立的再培训和转岗计划，有没有得到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？
4. 我有没有把职业身份认同当成一个战略问题？我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吗？
5. 当 AI 正在接管那些传统上用来培养新人的入门级工作时，我们怎么培养下一代专业人才？
6. 我准备好应对薪酬分化带来的艰难对话了吗？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

1. 我有没有根据 Stacey 框架梳理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？
2. 我为新的协作模式重新设计团队结构了吗？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。
3. 我能不能用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？
4. 我为那些会被深度替代的部门制定了现实的转型时间表吗？我有没有确保这些部门的员工得到妥善支持，以维护整个组织的信任？
5. 我在维护初级人才的培养管道吗？还是任由入门级岗位消失，却没有建立新的培养机制？
6. 我有没有成立专门的探索团队，去发现那些现在因为有了 AI 才成为可能的新业务？并且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

1. 我的 AI 部署战略，是不是基于一个基本认知：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？
2. 我有没有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？还是觉得几次简单培训就够了？
3. 我有没有在建设能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。
4. 我在向其他高管解释 AI 的可能性时，有没有把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？
5. 我有没有明确责任划分？当 AI 生成的输出导致不良结果时，谁该负责？我们有没有在危机发生前就明确这个？
6. 我有没有在领导 IT 部门自身的转型？我认识到 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、信任和能力挑战吗？

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跟 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。但我们怎么衡量这些回报？怎么评估人机协作的价值？又怎么定义 AI 时代的人类价值？

借用经济学理论，我们可以把 AI 和数据当作跟资本、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怎么共同创造价值：

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，企业应该怎么配置这四种要素，才能获得可持续的竞争优势。

人机互动分为三种模式：

1. 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、质量也相当地完成一项任务，那经济逻辑很清楚：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。

2. 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活。所以，为了提高效率和证明 AI 投资的回报，裁员往往躲不掉。增强背后藏着替代的阴影，诚实的领导者应该坦诚地说清楚，而不是回避。

3. 扩张：当 AI 使我们能解决那些曾经超出人类认知极限的问题时，扩张就发生了——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：被增强的人类跟擅长处理大规模计算的 AI 合作，不仅能更快更好地完成原来的工作，还能开拓以前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了更多人，而是因为人类判断力与 AI 能力的结合，头一次让某些事情变成可能。

举个例子：一家用 AI 起草常规合同的律师事务所，是在搞替代；一位用 AI 在为客户提供建议前分析比以往多 10 倍判例的律师，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，进入以前没能力服务的复杂跨境咨询市场的事务所，则是在搞扩张。

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。在任何生产函数里，一种要素的边际成本反映了它对产出的边际贡献。对劳动力来说，这个边际成本就是工资。

随着 AI 接管替代性的认知工作，干这些活的员工的边际贡献会下降，他们的市场工资也会跟着降。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。上面的方程为高管们提供了一个重新定价的框架，让他们能清楚地看到哪些要素的边际贡献在增加，哪些在减少，并把薪酬决策跟实际的生产逻辑联系起来，而不是靠历史惯例和内部整治。

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，能帮高管们判断扩张将怎么具体影响他们的组织。它根据两个维度把所有工作任务分成四类：结果的确定性和利益相关者的共识程度。把个人或团队执行的任务在这个矩阵里放好，领导者就能清楚地看到，为了实现 AI 与人类结合带来的价值扩张，需要做哪些变革。

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%。

自动化的商业理由很充分，但带来的人员挑战也是直接而重大的。怎么对待那些丢工作的员工，会成为传递给其他所有员工的最强烈信号，决定他们能不能信任公司。

随着执行性工作越来越便宜，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。以前每周重复做同样报表的分析师，现在得面对比以往多 10 倍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，并把分析结果转化成董事会能理解和支持的决策。要实现这种转变，培训是必须的，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，能产生人类和 AI 单独都实现不了的成果。

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。领导者需要把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，他们怎么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，并逐步建立起能有效指导 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，但当前的系统在应对这个领域特有的特殊情况、复杂人际关系和真正的模糊性时，仍然有根本性的困难。

对任何想要充分释放人机协作价值的企业来说，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，因为这些能力很难衡量和教授。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，他们的员工能熟练操作 AI，却没法把它的输出转化成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，找到并培养那些能看到“某个问题现在可以通过 AI 解决”的人，那些能为人类-AI 团队清晰定义问题的人，以及那些能在没有先例和既定方法的领域里探索前进的人。领导者需要识别并保护这些人才，为他们提供资源，并给他们探索的自由，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能创造的价值形式。有意思的是，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

技术会继续进步，经济格局会不断变化。有些人会说，这条路的终点，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面对的现实来行动。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。那些把“人”当成需要被最小化的成本的企业，将系统性地输给那些把“人”当成最值得投资的核心资产的企业。

责任落在每位领导者的肩上——无论是管着几百人的团队领导，还是只需要领导自己的人。我们需要决定：我们愿意给 AI 多大的自主权，以及我们希望为自己保留多少人类能动性。