2020年5月，德勤连续第10年发布了《德勤2020全球人力资本趋势调研》报告（以下简称“报告”），报告调研了119个国家、近9000名人力资源相关从业人员对全球人力资源、组织管理的现状、挑战与趋势的看法。2020年报告围绕科技与人在组织中的关系展开，揭示出的悖论是：人工智能以不可阻挡的趋势到来，企业是积极拥抱，还是被无情地替代？

为此，我们需要先回顾一下个人工作与技术变革之间的演化关系。19世纪，机械纺织机率先在英格兰的工厂中应用，大量工人岗位失业，对机器的愤怒曾使人们想要毁掉任何可能毁掉人类本身的东西。但愤怒毫无用处，以改良蒸汽机和机械纺织机为代表的工业革命迅速到来，生产力和GDP随之快速提升。但对于当时的工人来说，工作条件却日益恶化，几十年后，自动化投资的回报率才以更高的工资和更安全的形式惠及他们的子孙后代。这些机器的破坏者成为当时经济和社会巨变中迷失的一代。被经济学家称为“机器问题”（machinery question)，历史学家也将机器问题带来的从1790~1840年的工资停滞称为“恩格斯停顿”（Engels’Pause)。

随着人工智能（AI）的快速发展，员工们如何与技术一起工作，发挥各自的优势，成为了新的挑战。人工智能是否会抢走人类的工作机会？这是一直被争论的话题。

人工智能与人的关系会怎样？人工智能未来能代替人独立思考决策吗？人与人工智能的融合，需要怎样的组织机制设计？本文将尝试对上述问题做出回答。

AI时代的组织模式：超级团队

实际上，人工智能并非洪水猛兽，德勤报告显示，有60%的样本企业更希望利用人工智能技术辅助员工，有4%的样本企业将其用于监督员工，有12%的企业在思考如何取代员工，另有24%的企业表示，组织中未使用人工智能技术。

企业组织中如何实现人与人工智能的融合？麻省理工学院智能中心创始主管托马斯·马龙（Thomas Malone）根据技术和工作的演化关系，提出了“超级团队”的概念，用来指导企业如何处理组织与人工智能的关系。超级团队的演进路径如图 1所示。

第一阶段，企业采用自动化技术对工作进行替代。这一部分在企业中已有一些较为成熟的应用。如京东、亚马逊的智能仓库，大量的货品分拣工作，已经由机器人来完成。人工智能运用于替代型工作，不会显著提升企业的竞争力。因为替代型工作重复性高，人工智能通常只能在提高效率、降低成本发挥作用，很难实现更高的价值创造。

在第二阶段，是运用人工智能增强工作效果，实现“超级岗位”。这一阶段人工智能开始帮助职能岗位增强价值产出，代表性的应用是“决策支持系统”（Decision Support System，DSS）。决策支持系统的主要功能是为使用者提供决策所需的各类信息、数据等。现在大量的数据挖掘工具、商业智能工具（BI）等，都属于决策支持系统的范畴。人工智能的算法已经在各专业领域开始应用。如聚类分析（Cluster Analysis），可以进行精确的用户画像，为精准营销提供决策依据。逻辑回归（Logistic Regression）算法则已在各类风险管控中得到普遍应用。超级岗位也是目前人工智能技术运用的主流阶段。

第三阶段，是人与智能技术的融合，实现“超级团队”。该阶段是人和机器结合，利用二者优势互补来解决问题、获得洞察并且创造价值。这一阶段可能会产生一个新的系统，即“智能决策中心”（Intellectual Decision Center，IDC），由机器智能部分地代替人进行决策，消除人在决策中可能出现的盲区。我们以便利蜂为例，看一下IDC应用的典型场景。便利蜂做到了高度数据化和智能化，其订货指令是由系统根据每个货品的销售、库存、受欢迎度等自动计算得出，店长要执行系统给出的订货指令，而不是根据系统的建议，再决定是否需要订货。所以，在订货这件事上，已经不存在机器和人谁主导谁，而是人要执行机器的指令。同样，在货品摆放、商品什么时候打折、打折幅度是多少，都是由系统自动做出决定，无需人为干涉。

决策交给AI？不能忽视底线原则

超级团队要实现人与人工智能的相互融合、优势互补。那么企业需要理解人工智能在工作中体现出哪些优势，如何约束人智能决策的判断依据，以实现真正的融合。

人工智能在知识工作中的作用首先涉及知识的三种分类。第一类知识，“学得会、说得清”。这类知识比较普遍，往往有一个比较显著的特点是，能够在现实中进行观察、实验，比如万有引力定律。在知识管理中，这类知识通常被称为“显性知识”。显性知识可以很容易实现程序化，从而应用到智能系统中。早期的ERP、CRM等系统都以实现这类知识的自动化、智能化为主。

第二类知识，人们能够“学得会、说不清”。这种知识通常是“显性知识+人的经验”，也就是我们常说的“只可意会不可言传”。比如公司的销售冠军，虽然他的销售话术、营销方法都是非常标准化的内容，但是在销售过程中的技巧，就很难通过语言、公式、图像等形象的方式表达出来，这种知识存在于每个人独特的经历、经验之中。但是这种知识并非不可学习，比如“师带徒”的方式，让学生跟随老师，长期耳濡目染也可以实现较好的学习效果。第二类知识中，还包括一种类型的知识，即像国际象棋、围棋这类规则明确，但运算的过程和结果相对模糊的知识，它属于一种有限理性的知识。

有限理性知识处理的难点不在于将运算程序化的难度，其难点在于庞大的运算量，以及需要使用机器“训练”的方式获取大量的结果，以优化算法。如今，算力问题早已解决，AlphaGo战胜李世石就是这一领域的里程碑事件。随后，人工智能在电子竞技、战斗机模拟等多种场合都开始胜过人类。

第三类知识，人们“学不会、说不清”。这类知识是目前最令企业头疼的内容，也是人工智能技术可以最大程度发挥价值的地方。比如，某个电影、电视剧突然爆红，商超中某些商品销量突然增加。这些知识我们无法理解其背后的原理，但是这些知识有一个共同点——数据。虽然我们无法找到因果关系，但是我们可以通过大数据分析，发现相关性。例如沃尔玛的某个零售店，运用大数据分析发现，每当飓风即将抵达前，当地居民除了购买手电筒和电池之外，还会大量购买一种名为Pop-Tarts的草莓甜点。发现这一情况后，沃尔玛在飓风到来前，会进行相应的商品陈列调整，并采取适当的促销策略。
人工智能解决了上述三种知识的分析、处理问题，最后一个阶段就是输出决策。这里需要注意，企业要为IDC系统设计合理的判断原则。

决策的判断标准有两种，一是事实判断，二是价值判断。事实判断是指对事物本身的描述。例如“这朵花是红的”就是事实判断。价值判断则是对事物好坏、主观价值等做出评判。例如“这朵花很美”就是价值判断。从决策的角度看，决策的层级越低，越接近事实判断；决策的层级越高，越接近价值判断。如何平衡这两种判断，是企业在设计IDC系统时需要考虑的重要问题。

此外，人工职能的机器学习算法，也可能会导致“偏见”的出现。算法依赖于数据，而数据是社会现实的反映，训练数据本身可能是歧视性的，用这样的数据训练出来的人工智能系统自然也会带上歧视的影子。例如，曾经有一个预测犯罪的人工智能系统，高估了黑人犯罪的概率。原因在于用于训练的数据集中，黑人的比例偏高，从而导致了系统的“歧视”。这时如果仅用事实判断，那么可能会忽视这种歧视现象的出现。这时候就需要用价值判断作为一个衡量的维度，为人工智能系统设置一些底线，从而帮助我们避免歧视或误判的出现。

设计超级团队的管理机制

理解了超级团队的管理和优势，最后一个环节是企业如何管理超级团队设计管理制度。

……

（本篇全文发表于《中欧商业评论》2020年10月号。订购热线：021 — 60622166，网上订购点击此处）