随着人工智能 (AI) 融入工作场所，全球领导者正在努力应对五个核心紧张局势 见解 来自 100 多名建设者、高管、投资者、顾问和研究人员。这些紧张关系包括专家和新手之间的关系、治理中的集中与分散、人工智能对层级结构的影响、速度与深思熟虑的实施之间的平衡，以及自上而下与同行驱动的变革举措之间的相互作用。研究表明人工智能的早期应用显示出双重效果。利用人工智能进行癌症检测的波兰内窥镜医生在人工智能支持的程序中的准确性有所提高，但非人工智能任务的准确性却有所下降。使用 AI 撰写 SAT 风格论文的学生最初表现出创造力激增；然而，那些从人工智能产生的想法开始的人表现出阿尔法波活动减少，并产生高度相似的输出。 2025 年对 20 个欧洲国家进行的一项研究进一步显示，尽管任务在技术上变得更加容易，但从事高度自动化工作的工人却表示目标降低、控制力减弱和压力增加。 Glean 的新工作人工智能研究所将这些发现整理成“人工智能转型 100 项”，这是一份带注释的清单，列出了利用人工智能的优点并减轻其缺点的想法。该举措旨在区分真正的转型与炒作，了解人工智能的进步、停滞和意外后果。人工智能模糊专家和新手之间界限的能力引起了一种紧张，使非专家能够执行历史上需要大量培训的任务，例如编码或数据分析。这种转变扩大了贡献机会，但存在将人工智能的流畅性误认为真正掌握的风险。 Duolingo 董事会成员约翰·莉莉 (John Lilly) 指出，非工程师使用人工智能在四个月内制作了一个国际象棋课程的原型，其表现优于其他内部计划，因为如果专家参与得太早，可能会表达项目行不通的原因。谷歌团队还采用了“原型优先”的方法，利用人工智能驱动的“vibe编码”在起草提案之前构建工作演示，从而加速迭代。然而，过度依赖新手可能会导致“人工智能失范”——输出结果看似令人信服，但缺乏实质内容。斯坦福大学的研究表明，入门级开发人员的招聘有所下降，而对高级工程师的需求却有所增加，这表明公司依靠专家来应对这种现象。为了解决这个问题，策略包括允许通才利用人工智能启动项目，但确保专家完善和扩大成功的成果。在 Stitch Fix，前首席算法官 Eric Colson 描述了标记未满足需求的自定义算法，然后由人类设计师选择符合品牌和质量标准的选项。正如 TELUS 人工智能副总裁 Alexandre Guilbault 所建议的那样，组织还应该从一开始就让临床医生或数据专家等顶尖员工参与人工智能模型培训和试点项目，他说：“最优秀的人才是能够推动最大变革的人。”在本地团队中嵌入专家，例如 Glean 负责功能自动化的“Glean on AI”团队和负责客户解决方案的“AI Outcomes”团队，也有助于识别和开发人工智能驱动的流程。另一个紧张关系涉及组织内集中和分散人工智能控制之间的平衡。通常通过人工智能卓越中心进行集中化，旨在执行标准和管理风险，但由于广泛的审批流程可能会扼杀创新。相反，加州大学圣巴巴拉分校教授 Paul Leonardi 表示，去中心化的人工智能开发可能会导致快速但不协调的创新，从而导致工具碎片化和数字枯竭。为了解决这个问题，公司集中了数据治理和安全基础设施等高风险领域，同时分散了工作流程自动化等低风险实验。组织还应避免在没有预算或权力的情况下创建象征性的人工智能角色，而是在现有团队内分配人工智能职责。技术选择应包括企业级治理功能，例如安全性和审计跟踪，同时允许各个团队具有灵活性。 Booking.com 的人力资源团队实施了一个人工智能驱动的搜索平台，确保员工只能访问他们有权访问的信息，高级工程经理 Tadeu Faedrich 表示，“我们不希望人们找到他们不应该访问的文档。”第三种紧张关系涉及组织层级扁平化的趋势。虽然人工智能可以实现日常决策和报告的自动化，但许多领导者认为它可以消除管理层以加快行动速度。然而，通用汽车前首席人才官迈克尔·阿雷纳 (Michael Arena) 发现，过度扁平化会使管理者超负荷并产生瓶颈，特别是在监督七名以上直接下属时。经理们通常每天工作 10 到 13 个小时，但仍然在履行自己的职责中挣扎。组织应在扁平化之前评估其工作模式。如果工作主要涉及需要最少协调的“低头”任务，人工智能代理可以管理日常任务，使管理者能够领导更大的团队。对于需要实时相互依赖和沟通的“单挑”工作，保持较小的团队规模可以让管理者专注于指导、判断和建立关系。人工智能应该通过卸载状态更新和调度等管理任务来减轻而不是消除管理。 Workday 人力分析副总裁 Phil Wilburn 指出，他的团队不再编写简报或每周更新，因为人工智能系统会聚合来自 Slack 和项目计划的非结构化数据，使他能够在会议前使用人工智能编写简报或研究主题。人工智能消除了行政负担，但没有取代管理职能。第四个张力涉及快速采用人工智能的冲动与仔细、深思熟虑的集成的需要。过度关注速度可能会造成决策执行差距，即快速采用新工具，但没有解决现有的系统问题或了解技术契合度。这可能会导致人工智能计划的采用不均匀、延迟或放弃。西北大学教授 Hatim Rahman 描述了一个医院项目，其中训练人工智能进行医疗诊断需要数千张超声图像，但现有的医疗保健效率压力最大限度地减少了图像采集。患者同意流程和部门间冲突进一步减缓了进展，导致实施时间比预期更长。技术人员也抵制该项目，担心数据被滥用于绩效监控或裁员。
- 通过在创造性和战略性工作中设置减速带（包括检查点和反思期）来保护慢速模式。斯坦福大学 d.school Launchpad 加速器的负责人 Perry Klebahn 观察到，虽然人工智能加快了原型的生成速度，但它可能会削弱创始人对创意的承诺，因为他们认为这些创意太容易产生。
- 奖励学习而不是表演。 Udemy 的“U-Days”人工智能学习活动根据业务影响、可衡量的改进和同行反馈颁发奖项，而不仅仅是华而不实的演示。
- 进行“人工智能残留”测试：从宣传中删除所有与人工智能相关的术语，以评估潜在的物质。如果剩下的内容缺乏实质内容，则表明这个想法很薄弱。
最后一个张力涉及人工智能转型应该自上而下驱动还是同行驱动。自上而下的领导对于全公司范围内的采用至关重要，Worklytics 数据显示，如果经理首先使用人工智能工具，团队采用人工智能工具的可能性会增加一倍。然而，过度的自上而下的压力可能会导致阻力或肤浅的顺从。过度依赖自下而上的努力可能会导致碎片化和不协调的实验。一位首席技术官指出，这可以比作“数百艘小快艇在不同方向竞速”。为了平衡这些方法，公司制定了变革的节奏。财富 20 强零售商的首席执行官将人工智能作为每月副总裁会议的常设主题，跨职能指导委员会负责协调采用和用例。部门员工会议包括分享经验的“人工智能时刻”。组织认识到大约 80% 的人工智能项目可能无法达到最初的生产力目标，因此还计划尝试失败。在有“令人信服的证据”人工智能将提高效率之前，财富 500 强组织不会重新设计工作。实施审查周期是为了从较低级别的员工身上汲取经验教训，确保失败能够促进学习。衡量活动的影响也很重要。 Zendesk 工程高级副总裁郭楠使用六项工程生产力指标的平衡记分卡，包括周期时间和变更失败率，而不是登录或提示计数等肤浅指标。正式化同行网络，例如 Uber 的举措，确定了 53 个跨职能的早期人工智能冠军，促进了内部学习社区和参与。成功的领导者通过将这些紧张局势视为设计特征而不是缺陷来应对人工智能的复杂性。他们保持适应性，认识到最佳的前进道路是临时的。据报道，哈佛医学院的一位院长告诉即将入学的学生：“我们教给你们的内容有百分之五十会被证明是错误的”，这反映出人工智能实施的不确定性。表现出谦逊并培养组织灵活性的领导者将最有能力随着技术格局的发展不断学习和适应。
