人类与 AI 协作：相关介绍及其重要性

这种合作的重要性源于一个基本现实：人类和机器拥有不同但互补的能力。根据 McKinsey 最新研究，AI 技术已经发展到理论上可以实现美国目前一半以上工作时间自动化的程度。

但该组织认为，能否实现这一价值在很大程度上取决于人类如何有效运用这些技术并将其切实融入关键工作流。这项调研与世界经济论坛的研究相吻合，后者发现：雇主预计未来四年内就业市场所需的关键技能中，将有 39% 的技能发生变化。

AI 系统擅长处理大量数据、识别模式并统一执行重复性任务。与此同时，人类则在创造性思维、直觉、评估背景信息、情商、道德推理和同理心等方面表现出色。协作策略可帮助组织提高生产力，同时保持复杂决策所需的人为判断能力以及创造性问题解决能力。

此外，它还通过自动执行繁琐的任务为人类创造了更有意义的工作。设计审慎的人机关系，确保 AI 系统通过持续监督保持问责并与人类价值观保持一致。

对于希望部署 AI 系统的组织而言，人机协同训练已成为一项关键要务。根据 IBM 商业价值研究院的数据，企业高层管理人员估计，40% 的员工队伍需要重新学习技能 (PDF)，原因在于企业已部署 AI 和自动化技术。

为了顺应当前形势，IBM 首席人力资源官 Nickle LaMoreaux 最近重新设计了初级岗位招聘流程。尽管有人推测初级岗位可能很快就会被自动化技术所取代，但 LaMoreaux 却将 IBM 的低级职位空缺数量增加了两倍。

例如，LaMoreaux 在纽约“Leading with AI”峰会中告知观众，初级程序员在编码上投入的时间更少，且能抽出更多时间与内部团队和客户互动。通过培训初级员工有效运用新技术，并及早培养以人为本的技能，LaMoreaux 希望 IBM 能够打造在未来大放异彩的员工队伍。

LaMoreaux 表示，“未来三到五年，最成功的企业都在加大对初级岗位的投入。业务成果代表的是企业以往交付的结果，而技能则预示着员工今后能为企业创造的价值。”

在大规模业务转型之际，投资协作系统的企业领导者最有可能获得 AI 技术的预期收益。他们也更有可能通过新颖的运营模式开展创新，从根本上改变企业运作机制。

随着科技的进步，人类与 AI 之间的关系发生了巨大的变化，要求人与机器之间进行更细致入微的协作。早期的自动化系统处理简单的、基于规则的任务，而 AI 越来越多地处理更复杂的任务或能够进行需要极少人类监督的任务。

过去十年，尖端 AI 技术已成功执行更复杂的任务（如自然语言处理、机器学习和内容生成），这要归功于生成式 AI 领域的进步。在此期间，人类已实现交互式协作——AI 系统负责提供建议，而人类则可修改或拒绝这些建议。

最新的发展涉及智能体式 AI 技术，它代表了人类与 AI 协作的根本性转变。智能体式 AI 系统追求更高的自主性和适应性，将复杂任务拆分为子任务，并使用外部工具或 API。与每个步骤都需要人工输入的早期 AI 聊天机器人不同，智能体系统独立工作，同时仍在人类的监督和指导下运行。

例如，一家公用事业公司在其整个客户群中部署了智能体式会话式 AI。该系统包括特定智能体认证客户身份、确定通话目的、管理预约以及提供自助服务。现在，这些智能体可处理约 40% 的呼叫，并在无人参与的情况下解决 80% 的问题。但是，当需要上报问题时，客户及其对话历史记录将转接给人工客户服务代理。

智能体式方法催生了新型协作形式，人类设定高层目标和战略方向，而 AI 智能体则负责执行和例行决策。但这些更具自主性的 AI 驱动系统需要对人类工人与技术对应方之间的关系进行审慎的关注。

McKinsey 的报告表明，人工智能驱动的智能体每年可在美国创造 2.9 万亿美元的经济价值。但要创造这一价值，组织需要从根本上重塑工作流，而非仅仅部署新的技术。

作为这一根本性转型的组成部分，组织对 AI 熟练度的需求在过去两年里增长了七倍。在人类与 AI 协作的时代，成功的企业将构建全新的协作模式，从而发挥人类和机器各自的优势。

最成功的人类与 AI 协作系统围绕优势互补理念设计，而非将 AI 视为人类能力的替代品。

根据 IBM 商业价值研究院 (PDF) 的调查，采用稳健的再培训计划来适应技术驱动的工作变化的组织会获得更高的收入增长率。与直接全盘应用新技术的企业相比，此类采用者的收入增长率高出了 15%。借助 AI，附加价值更大：这些高管的收入增长率比同行高出 36%。

综上所述，这些数字表明，企业应从战略层面调整工作结构，并充分发挥员工的自身优势。人类负责贡献同理心和创造力，AI 则负责提升可扩展性和处理能力。

情境理解与细微差异：人类作为有意识的动态个体，能够把握细微差异、全面理解情境，而非仅处理具体信息。例如，人类能够察觉到某项数据异常问题可能是由近期节假日导致，而非预示长期趋势。这种情境化感知能力可帮助人类更准确地解读数据情境，同时考量更广泛的情境。

创造性思维：虽然 AI 可以生成现有元素的新颖组合，但人类擅长发挥创造力和批判性思维能力：串联不同概念、打造新的范式或以打破既定模式的方式思考问题。

伦理推理和道德判断：决定如何平衡相互冲突的利益相关者的利益或应对复杂的社会影响需要人类的责任。合乎道德的决策涉及基于价值的思维，而它超越了优化和模式匹配。

情商和同理心：人类的与众不同之处，在于其建立关系或应对复杂社会动态的能力，尤其是在协作环境中。医护人员可能需要安抚焦虑的患者，而教师则能察觉学生何时需要鼓励而非批评。这种情感共鸣有助于人类对当下情境做出恰当回应，从而建立信任与联结。

借助人类判断力，处理模糊情境：当面对异常状况或不完整的信息时，人类可以凭借生活经验做出合理的判断。AI 工具则无法轻易复刻这种直觉。

不间断运行：AI 系统能在任何时间以始终如一的方式执行任务，不会因疲劳或分心而产生偏差。这种不间断运行的特质使其成为日常监控或质量控制的理想选择。

数据处理和分析：AI 的计算能力使其能够处理和分析超出人类能力范畴的海量数据集，并识别人类难以发现的模式和关联。这一流程可助其筛选数百万个数据点，检测人类分析师无法察觉的微妙关系和趋势。

优化：AI 系统擅长评估数千种可能的解决方案，从而找到解决复杂问题的最佳方法，例如，在规划送货车辆路线或安排制造流程时。这种优化能力延伸到资源分配和物流规划方面，AI 可以在无数可能性中找到最佳解决方案。

速度和实时处理能力：AI 可以近乎实时地执行计算、检索信息并做出特定类型的决策。这些能力可帮助人工智能驱动型工具处理人工可能难以手动管理的时间关键型任务。

当人类能够快速集思广益、构建和测试新概念或原型时，创新就会加速。人类的创造力与 AI 的快速迭代能力相结合，可缩短从概念到实施的时间。

AI 系统使组织能够满足现代客户对即时、个性化和始终可用的支持的期望。同时，人与这些系统的有效协作能够提供富有同理心的氛围，从而带来令人愉悦的客户体验。通过将 AI 的可扩展一致性与人际关系构建技能相结合，组织可以提供高效且令人满意的客户体验。

在其客户服务职能部门中应用和优化 AI 的组织（即“成熟型”应用者）表示，其客户满意度评分已提高 17%。同时，美国国家经济研究局的研究 (NBER) 表明，当客户支持人员获得 AI 智能体辅助时，其生产力几乎提升了 14%。

在 AI 分析能力的支持下，人类的判断可以带来各行业更好的决策。例如，企业领导者通过获取 AI 综合洞察做出更明智的战略决策，而理财顾问则通过结合算法分析与对客户需求的个人理解，打造更稳健的投资组合。

AI 可扩展的一致性与人类监督相结合，造就了既可靠又具备适应性的系统。电网管理等关键应用得益于 AI 的持续监控，以及在特殊情况下的人类判断。这种协作确保日常运营保持高标准，同时特殊情况得到所需的细致关注，提升整体系统性能。

AI 系统可帮助人类克服障碍，从而拓展技能和信息的获取途径。例如，翻译 AI 功能可支持全球协作，人工智能驱动型工具则可支持缺乏专业培训的人员轻松访问复杂的系统。

当 AI 接手那些人类认为枯燥乏味的重复性任务时，其工作满意度与幸福感就会同步提升。它还能支持人类将更多时间投入于工作中的创意与人际交往环节，这些环节往往更具吸引力且极富意义。

医护人员可以把更多精力放在患者护理，而非文书工作上；分析师则可将更多时间投入于数据解读，而非数据处理。通过处理日常琐碎事务，AI 能够确保人类专注于更有价值的任务。

精心设计的工作流涉及适当的 AI 使用，可以显著提高工作效率。在这种情况下，AI 处理耗时的日常任务，同时让人类专注于高价值的活动。

人机协作的研究历史悠久，研究人员不断探索 AI 系统与人类工作者互动的新方法。最近，McKinsey 发表了一篇论文，深入探讨了从被动助手到“虚拟同事”的转变，并预测未来的工作将涉及 AI 辅助的人类、智能体和机器人之间的合作。人类与 AI 协作的潜力存在于 AI 的能力谱系中，包括：

• 自动化，例如数据输入或提取
• 分类，如受众细分或垃圾邮件过滤
• 生成，如内容创作或代码编写
• 交互，例如与聊天机器人或助手
• 预报，例如预测或个性化
• 推荐，如社交媒体新闻推送或算法
• 认识，如预测性分析

随着科技的发展，每项功能都变得日益复杂。例如，借助生成式 AI，内容创作能力已扩展至摘要和情境化等功能。借助智能体式 AI，自动化呈现出全新形态——智能体能够以最少的人工干预执行多步骤操作。

人机协作是一个动态且不断扩展的领域，但其最基本的一些部署方式包括：

在顾问模型中，AI 提供建议或洞察分析，而人类做出最终决策。AI 可能会分析数据并提出行动方案，但最终产品的完全控制权仍然掌握在人手中。例如，在医疗办公室里，AI 可能会在医生做出治疗决定时标记潜在的病症。在招聘过程中，AI 可以筛选简历，而人类则可以进行面试和发出录用通知。

当 AI 辅助人类员工时，它也能实时增强人类的能力。AI 不再单独提出建议，而是与人类协作以提升其绩效。其中一项优化案例是，翻译工具能够打造更加自然顺畅的多语言沟通流程，而写作助手则能帮助员工完善工作成果。在客户服务领域，AI 正广泛应用于实时呈现客户数据，并为联络中心工作人员提供行动方案建议。

委派是一种工作流：人类可将特定任务分配给 AI 系统，AI 系统则可在定义的参数内自主运作。人类会设定目标和约束条件，但不会监督每一次行动。现代智能体式 AI 系统在这一模式下表现出色，可处理复杂的多步骤任务，例如开展研究、优化设备维护调度流程或管理日常客户查询。

如前所述，AI “同事”的形态多种多样，遍及各个行业和职能部门。如今，AI 工具作为团队成员的部分常见方式包括：

AI 可充当分析师，通过处理和汇总大量数据，为人类决策提供洞察分析。在这类交互中，人类负责定义重要问题，并将洞察分析转化为行动。关键在于，AI 并不会取代人类的分析思维能力，而是对其进行优化。金融分析师可能会利用 AI 扫描数百万个数据点以确定模式，然后运用人类的理解能力来评估这些模式是否切实可行。

在人类与 AI 的协作中，最引人注目的角色之一就是让 AI 发挥创意生成器的作用，例如，生成草稿、代码、内容或设计。人类然后完善、引导和评估 AI 的输入。在这种类型的互动中，人类充当创意总监和质量保证技术人员，而 AI 则用于生产大量原材料。

例如，营销总监可能会提示 AI 生成 50 种不同的广告文案，或者软件工程师可能会要求 AI 为特定任务生成代码。

AI 正在改变各行各业和各个岗位的研究方式，成为强大的合作者。传统研究需要人类工作人员长时间地人工阅读并综合资料，而 AI 几乎可以实时处理海量信息。它可以帮助总结、识别模式并凸显所有信息之间的联系，从而节省研究人员的时间。

AI 系统不仅能分析历史数据，还能模拟未来的场景并权衡战略方案。在这一角色中，AI 系统能够快速评估多种战略场景，如市场扩展计划或医疗干预措施。

这些 AI 工具可能会揭示人类战略家难以察觉的风险或依赖关系。因此，在药物研发等领域，人类无法采集所有可用的数据，它们却能大显身手。在此类合作中，人类的角色仍然至关重要，因为 AI 无法自行推断价值或优先事项。涉及现实动态与伦理考量的人类判断力，仍是关键所在。

作家、艺术家和设计师越来越多地将 AI 视为协作工具，将该技术用作可集思广益的合作伙伴或早期创意的生成器。人类创作者随后运用他们的创造力和判断力，将 AI 生成的内容塑造成真正的作品。在设计领域，艺术家们会使用 AI 工具来生成设计概念的模型和变体，然后再最终确定创作构想。

营销团队充分利用 AI 协作打造更有效的竞销活动，从而高效触达受众。AI 系统可分析消费者行为数据，并根据复杂的人口统计数据识别受众细分群体。然后，营销人员会利用这些洞察分析数据制定战略，就竞销活动方向做出创造性决策。AI 可以生成多种广告文案或社交媒体帖子，然后由营销人员进行润色，确保其与品牌调性和竞销活动目标保持一致。

智能客户服务运营已演变为 AI 智能体、AI 助手和人工客服之间的复杂协作。自主 AI 智能体处理日常查询，为常见问题提供即时响应。面向员工的 AI 助理可能会指导客户服务代表进行客户互动，展示相关数据并提出故障排除建议。这种协作使人工客服能够专注于复杂问题或情绪敏感情况。

理想情况下，从客户的角度来看，这种协作应实现无缝衔接：AI 可能会负责初步接洽、收集相关信息并解决简单问题。如果当前情境需要人类判断力，AI 可将会话顺畅地转接至人工客服，并向其提供对话历史记录和相关背景信息，以免客户重复陈述诉求。

随着医疗中心逐步普及人机协作模式，医疗保健领域已成为展现该技术高前景用例的典范之一。其中一个典型案例是，自 2016 年起，梅奥诊所将 AI 部署于整个放射科，新增数百个 AI 模型以辅助分析，同时将员工规模扩大一半以上。在该诊所，AI 可帮助放射科医生完成常规任务（例如测量肾脏体积或分析异常扫描结果），同时医生则负责解读相关结果。

在药物研发中，AI 系统分析分子结构并预测哪些化合物可能有效针对特定疾病，而人类研究人员可能需要数年时间才能完成这一过程。研究人员随后运用其科学专业知识来验证有潜力的候选药物，并设计临床试验。

人工智能驱动的诊断支持系统通过分析症状并提出潜在病症建议来帮助医生。根据 IBM 商业价值研究院的数据，四成的医疗保健机构高管已将 AI 应用于住院患者监测并推送早期预警信号。医生将这些建议与其临床检查及对患者健康状况的整体理解相结合，最终提供只有人类才能给予的富有同理心、细致入微的护理服务。

科技行业本身就是人类与 AI 协作的一个主要领域。AI 正在从根本上改变软件的编写方式以及旧版系统的现代化方式。AI 与人类协作使工程师能够更快完成更具雄心的项目，并更高效地交付解决方案。

在日常软件开发中，AI 编码助手已成为许多开发人员的关键协作伙伴。这些 AI 同事与以往的“结对工程师”场景如出一辙，具备显著优势。工程师不再手动写每一行代码，而是描述他们的需求，而 AI 则创建功能性代码，然后人工审核和完善。

近日，Gartner 预估，到 2028 年，75% 的企业软件工程师将使用此类 AI 代码助手。正如该咨询公司此前所述，这种合作模式将建立一种场景：“开发人员将作为后端与前端组件和集成的验证者和编排者”。这种协作显著加速了开发进程，同时人类开发人员的核心地位依然稳固。

IBM Consulting 合伙人 Gerry Leitão 表示：“生成式 AI 并不会构建每段代码。它与人类结对时，将成为一种‘力量倍增器’。”例如，IBM 为 Ansible 运行手册开发工程师实施 AI 生成的建议后，初始构建效率提升高达 45%。

许多现代制造工厂已经开始接纳人类与 AI 协作。AI 系统实时监控生产线，优化能耗并在设备故障发生之前进行预测 (PDF)。与此同时，人类操作员和工程师则专注于解决复杂问题和实施流程改进。

在供应链管理中，AI 系统通过处理大量数据——包括供应商绩效和天气模式，预测需求、优化库存水平并高效确定运输路线。AI 系统还能减轻合规管理和记录保存的负担。

最近，跨国制造业公司 Channell 已部署工具，支持规划人员针对每个项目自动生成物料清单报告，从而将人工决策时间从几天缩短到几小时。随着常规人工操作效率日益提高、出错率逐步降低，人类供应链管理者就能投入更多精力确定战略方向，并处理那些需要创造性解决方案的突发状况。

为了维持有效的人机合作关系，组织必须进行投资，以提升员工对 AI 工具的熟练度与信任感。建立这种信任需要构建透明的 AI 功能和决策流程，并建立反馈机制，帮助用户了解何时应信任 AI、何时应加强审查。通常，这种熟练度需要自上而下建立，业务领导者应清晰传达 AI 系统的优势所在及其能力边界。

此外，人类与 AI 协作依赖于 AI 模型的高质量训练数据，因此强有力的数据治理是必不可少的。组织必须制定明确的政策，规定 AI 系统可以访问哪些数据、如何收集和存储数据，以及谁拥有通过 AI 协作生成的数据。

不良的数据治理可能会导致 AI 系统基于不完整、过时的数据做出决策。此外，企业需要机制来确保 AI 系统正确使用数据，并提供清晰、可信、可解释的 AI 模型。

要将 AI 协作引入组织，需要周密的变革管理，而不仅仅是技术培训。员工需要清楚自己不断变化的角色，并就 AI 将如何影响他们的工作进行清晰的沟通，以及衡量计划是否成功的相关、可操作的指标。

有效的变革管理涉及在团队中创建能够模拟成功 AI 协作的角色，并建立持续反馈渠道。领导者必须阐明令人信服的愿景，即 AI 协作如何增强而非削弱人类用户的业务价值。

随着 AI 能力的扩展，有效协作所需的技能不断演进，因此持续的技能提升变得不可或缺。员工可能需要在提示工程和 AI 输出评估等领域培养新能力。技能提升举措应该是持续的，而不是一次性的，认识到 AI 能力将继续发展。把学习视为持续过程的组织，能够打造出敏捷的员工队伍，以适应科技的发展。

日益清晰的一点是，实现高效的人类与 AI 协作，其路径既取决于组织的运营模式，又与其应用技术的能力关联紧密。自动执行特定流程难以显著提升生产力，也无法促成 AI 能够支持的广泛业务转型。

根据 IBM 商业价值研究所 (PDF) 的报告，那些将运营模式视为企业转型终极驱动力的组织，在盈利能力、收入增长、创新和员工留存率方面的表现都优于其他组织。通常，这种竞争优势可通过投资基础设施和平台来实现，而这些基础设施和平台则能支持组织大规模构建生态系统协作模式。

近期，Open Machine CEO Allie K. Miller 对话 IBM 的 David Levy，建议不要将 AI 视为复制人类行为的简单生产力工具。她说：“如果你仍在考虑效率和生产力等方面，只考虑更快地编写电子邮件或更快地编写 SQL 查询，那么你仍然在编写电子邮件，仍然在编写 SQL 查询。”

她补充道：“也许，在某种情况下，你一开始就不应该写那封电子邮件，你一开始就不应该写那样的 SQL 查询语句。”

要创造真正的价值，企业在组织和运营方式上需要进行根本性的变革。传统的操作模式围绕纯人类工作流程设计，经常在组织尝试整合 AI 协作时成为障碍。这种情况促使企业领导者重新设计工作流和决策流程，使 AI 系统能够自主处理常规决策，同时确保高风险选择得到适当的人工监督。

随着 AI 承担起以前由人类完成的任务，重组团队和角色可能变得很有必要。但是，具有前瞻性思维的组织不会取消职位，而是会重新定义角色，强调人的独特贡献。

要应对这些挑战，领导者首先需要培养实验和学习的文化。通过设定创新基调并持续关注相关成果，企业就能从长期人类与 AI 协作中获取价值。

或者，正如 Miller 在参加 IBM 的“AI 实际应用”播客时所说：“如果你只顾着让马跑得更快，就会错过汽车”。