为了有效地使用人工智能，企业需要强大的治理流程、以人为本的优先事项以及便捷的学习和发展途径。本文用企业案例分析，如何以人为本，通过创建工作角色画像，为特定岗位匹配合适的AI工具，旨在提升员工能力、释放创新潜力，而非简单替代，同时重视学习与发展，认识到员工数据素养普遍不足的现状，并为员工提供专门的时间和资源来学习新工具和工作流程，以适应AI带来的变革。
图片来源：Gorodenkoff / Shutterstock
技术范式的转变是对组织健康状况和吸收转型能力的最佳检验。就像企业必须拥抱移动技术和云计算以避免落后一样，如今它们也必须找到有效利用人工智能的方法。这一次，赌注更高了。
2022年底，OpenAI推出的生成式AI聊天机器人ChatGPT拉开了技术竞赛的序幕，无数大型语言模型（LLM）争相吸引数字和业务领导者的关注。因此，高级主管必须找到技术，帮助他们的组织在众多模型和AI赋能的服务中获得竞争优势。研究表明，建立这种优势并非易事。
许多组织启动了数十个AI概念验证（PoC）项目，但大部分都失败了，部分原因是首席信息官不确定这些项目是否符合关键指标，根据IDC的研究。Savannah Group的高级合伙人Lily Haake（莉莉·哈克）表示，证据表明，擅长推动变革的组织也可能擅长利用AI。
“成功的一个重要因素是业务变革，”她说。“AI不能孤立存在，因为它的有效性取决于员工有效使用它的能力。我们那些拥有经过验证的变革实施蓝图的客户，往往能从AI实施中获得更好的商业成果。”
一、以流程为先
一位帮助组织拥抱AI赋能变革的数字领导者是NatWest零售银行的首席数字与创新官Wendy Redshaw（温迪·雷德肖）。她领导了Cora+的引入，这是NatWest下一代由生成式AI驱动的助手。这个多渠道代理去年6月首次上线，利用来自多个来源的数据，包括产品、服务和银行信息，为客户提供自然的回答。
回顾项目的起源，Redshaw（雷德肖）认为这是银行吸收和拥抱变革能力的一个良好指标。“驱动因素是生成式AI即将到来，我们如何利用这项技术，以便能够站在它后面说我们很满意，”她说。“然后我们开始思考如何安全地完成这项工作。”
NatWest的好消息是，该组织处于一个健康的位置来回答这些问题。银行利用其现有的AI和数据原则，包括确认新兴技术受到人类监督，尊重人类自主权，并且技术上稳健、有弹性且安全。
“我们意识到必须避免对个人造成意外伤害，”她说。“Cora+必须没有不公平的偏见，所以我们需要对数据非常明确，并确保它不具有歧视性。我们还考虑了社会和经济影响，因为生成式AI存在非常消耗能源的风险。”
Redshaw（雷德肖）对数据驱动项目的常识性评估方法比预期的要少见。数据咨询公司Carruthers and Jackson最近发布了其数据成熟度指数，表明近40%的组织几乎没有或根本没有治理框架。首席执行官Caroline Carruthers（卡罗琳·卡拉瑟斯）表示，高管必须通过优先考虑人类自主权来解决这些基础实践中的持续差距。
“数据和AI有太多细微差别无法理解，但人类可以，”她说。“我们应该做的是利用数据和AI来帮助我们做出更好的决策，激发我们的好奇心，并帮助我们更具创新性。这才是我们应该使用它的方式，而不是说‘电脑说什么，所以我们必须做什么’。”
在NatWest将人类自主权置于其AI流程核心的情况下，银行确保每个模型都遵循相同的治理形式。对于像Cora+这样的开创性项目，领导团队从一开始就考虑AI伦理和原则。
Redshaw（雷德肖）表示，高管们坐在一起作为一个有利益关系的各方来考虑潜在影响。虽然她可能会严格审查AI的环境影响，但其他高管则充当监管者或处于弱势情况的客户角色。她说，这种协作策略意味着从项目一开始就考虑每个要素，并且这种做法在推出过程中继续进行。
“现在有一种正式的工作方式，一切都必须遵循这条路径，”她说。“但在早期阶段，当你使用一种新兴技术并做一些不同的事情时，我们让我的团队以敏捷的方式工作，所以他们倾向于思考如何完成这项工作。”
二、优先考虑个人需求
这种观点与丰田北美公司AI和自动化经理Zakir Mohammed（扎基尔·穆罕默德）产生共鸣。他表示，AI将长期存在，数字领导者现在的关键角色是帮助他们的企业有效拥抱这些进步。
“我们应该保持积极，”他说。“使用这些技术，我们可以提高生产力，并为团队成员提供更多做他们喜欢做的事情的机会。如果我让一个人在八小时的工作中处理电子表格或安装软件，我认为这是不可持续的。我们需要释放他们的潜力，让他们提出新想法。”
还有Adobe首席信息官Cindy Stoddard（辛迪·斯托达德），她在过去十年中领导了公司的多次技术驱动转型。她也认识到AI对未来工作的重要性，并正在利用她的经验创建变革模板。“我们希望我们的员工身边有一个AI助手，帮助他们完成战略性工作，”她说。
该公司去年成立了专门的Adobe AI团队，以帮助塑造其战略，包括来自法律、工程、IT架构和其他业务职能的人员，其代表为新兴技术指明了发展方向。
“这个团队是我们围绕AI的治理流程的一部分，”她说。“如果我们引入基于AI的软件解决方案或内部开发应用程序，我们会正确地进行。我们的产品和工程团队也通过这个流程，以确保我们的开发是安全的，并以客户为中心。”
这个治理流程的关键部分是人物角色，为正确的人找到正确的工具。Stoddard（斯托达德）表示，Adobe不希望出现生成式AI的蔓延，即公司有一个复杂的工具服务网。相反，Adobe的AI团队与IT团队合作，控制组织的AI工具，主要是微软和内部开发的服务。
她补充说，Adobe如何使用AI服务来支持员工。公司的财务部门使用新兴技术进行预测和分析，而其司库部门则使用AI来调查客户付款请求。在她自己的IT部门中，Adobe发现了多种基于人物角色的用例。
“例如，如果我看看项目经理，他们必须阅读大量文件，参加许多会议，寻找风险等等，”她说。“我们已经整合了一些生成式AI功能，可以找到尚未跟进的特定行动项。我们的方法是给人们提供工具，让他们专注于战略性的事情，而不是寻找他们需要做什么。”
三、为教育留出时间
Stoddard（斯托达德）表示，Adobe在AI初步探索中获得的关键教训是，通过将用例紧密地与工作人物角色联系起来，组织将最有可能利用新兴技术。
“这是如何从技术中获得价值的方式，”她说。“不是简单地抛出工具并说你可能会在桌面上获得一些价值，而是如果你与AI协作并将其作为工作流程的一部分，你就不会获得同样的价值。”
简而言之，健康的组织能够最大化AI价值，密切关注员工需求。然而，研究表明，这一领域还有许多工作要做。在Carruthers and Jackson的数据成熟度指数中，53%的数字领导者报告称，在过去12个月中，他们的组织中AI使用量有所增加，但超过一半的人表示大多数员工缺乏数据素养。
Carruthers（卡拉瑟斯）表示，这种缺乏进展令人担忧，因为大多数首席信息官在10年前就认识到需要提高数据意识。“我希望看到更多的人了解AI如何改善他们的工作生活，”她说。“数字领导者必须考虑帮助员工更好地理解数据，以及这些知识将如何反馈到他们的组织中。”
LinkedIn首席产品官Tomer Cohen（托默·科恩）也指出了培训和发展的重要性。最能吸收和拥抱变革的组织会投入时间和资源到文化流程中，并确保员工对其角色中的AI使用充满信心。
“一个伟大的、适应性强的、有弹性的组织可以转型其员工基础，”他说。“而这种成功的一部分是给人们留出学习的时间。如果你只期望你的员工表现并完成他们的常规任务，他们将没有空间去学习新工具。”
Cohen（科恩）提到了他们组织的一个例子，去年11月推出的全栈构建者（FSB）。FSB利用AI和其他新兴技术，将产品开发的重点从一系列离散任务，如设计和工程，转移到由AI服务协助的专业人员身上，例如处理编码协助和产品管理的工具。
“学习这些新工具有一个学习曲线，”他说。“你可以说，‘一旦你学会了这些新工具，事情就会变得容易，’但有一个学习曲线。所以，你必须考虑如何让员工有时间进行这个学习过程。因为如果你不这样做，你只是要求他们一直表现，而没有时间去学习。”
作者：Mark Samuels（马克·塞缪尔斯）
译者：穿山甲
【睿观：有效利用人工智能对企业至关重要，但这极具挑战性。成功整合AI的关键在于：首先，建立强大的治理流程，借鉴现有AI/数据伦理原则，确保人类监督、安全和公平，并让多方利益相关者早期参与（如NatWest）。其次，以人为本，通过创建工作角色画像（personas），为特定岗位匹配合适的AI工具，旨在提升员工能力、释放创新潜力，而非简单替代（如Adobe、Toyota）。最后，必须重视学习与发展，认识到员工数据素养普遍不足的现状，并为员工提供专门的时间和资源来学习新工具和工作流程，以适应AI带来的变革（如LinkedIn）。缺乏健全治理和持续教育是AI落地面临的普遍痛点。
面向制造业CIO的三点有效落地实施建议:
建立坚实的治理与安全框架：
针对制造业特有的生产流程、供应链复杂性和严格的安全标准，优先制定明确的AI治理政策。确保AI应用（例如，用于预测性维护、质量控制或机器人流程自动化）在部署前经过严格的安全、伦理和合规性评估，明确数据使用规范，并设立人工监督机制，特别是在涉及人身安全和关键决策的场景。
聚焦员工赋能与角色定制：
深入分析从车间操作员到工程师、再到供应链规划师等不同制造角色的具体工作流和痛点。引入或开发能够嵌入现有流程、辅助员工决策、减少重复劳动、提升效率和安全性的AI工具（如智能操作指导、自动化质量检测辅助、能耗优化建议）。采用“角色画像”方法，确保技术服务于人，提升整体生产力。
投入时间和资源进行技能提升：
认识到制造业员工在数据素养和AI应用方面可能存在的差距。制定分层、分类的培训计划，涵盖AI基础知识、特定工具操作以及人机协作的最佳实践。最关键的是，要将学习和适应新工具的时间正式纳入工作规划，为员工创造学习空间，鼓励他们拥抱变革，适应智能化制造的新要求。】
