AI重塑工作模式与如何在AI大环境中乘势而为

多客科技

作者：微信文章





导   语

      目前最火的技术非AI莫属。我与同事之间也时常聊起AI能够在哪些方面帮助我们做更多的事，日常工作中、项目业务中、行业领域中，AI能够在哪些地方颠覆传统的工作模式，是替代还是合作？            就目前来看，很多企业也都投身于AI领域，从打造公司自己的智能客服、到智能体、从专家知识库到工作流，面向C端有很多我们耳熟能详的AI产品，比如Deepseek、豆包等，面向B端在传统开发中引入AI，要么是传统软件项目的AI化改造、要么是纯AI项目的开发，其本质还是代码，只是业务需求变了，需求在积极适配AI，AI也在反过来帮助我们更好的实现需求，工作模式、工作效率发生了质的飞跃，但落实到AI具体在哪个领域真正颠覆，完全被替代，还是需要结合业务不断的进行摸索，不断地尝试，在AI产品诞生之前，找到能够为产品买单的人群和真正的需要者，这样才能发挥出AI真正的价值。
     我们组建了一个AI技术群，能够更好的交流学习目前的行业现状，AI应用落地，欢迎有志之士一起加入相互交流。欢迎留言私信。

AI重塑工作模式与如何在AI大环境中乘势而为

     斯坦福大学的“WORKBank”（1500 名员工，844 项任务）和 Thropic 的“Claude Economic Index”（410 万次聊天，19000 项任务）两项大规模研究表明，AI 正在逐个任务重塑工作，而不是逐个角色地重塑工作。只有不到 4% 的职业接近完全自动化，但员工自己希望 46% 的单个任务实现自动化，主要是可重复的财务、报告和数据输入工作。大多数知识工作者更喜欢“平等伙伴”的副驾驶，而不是熄灯自动化，实际使用证明了这一点：观察到的 AI 交互中有 57% 是增强对话，43% 是不干涉的授权。技能溢价已经从常规分析转向工作流程编排、优先级和人际影响力。
      这些细微差别很重要。AI 将首先塑造任务，而不是工作。极少数工作机会也很可能会完全消失。当我们谈论“工作将被改变”时，这就是它的准确含义——该工作中的许多任务将由 AI 完成，更多时间将花在其他任务或新任务上。
      我们需要从模糊和高级的策略转向详细的方法，例如任务级别的工作图。在本文中，我们将深入研究这 2 项研究的结果，然后探索一个三管齐下的剧本。
员工想要什么与 AI 可以做什么：斯坦福大学的“WORKBank”研究         要了解工作的未来，我们必须首先了解工作本身。这就是斯坦福大学“WORKBank”研究的前提，该研究不是从上到下（职称）而是自下而上（单个任务）系统地审计工作。研究人员调查了 1,500 名美国工人的 104 个职业和 844 项不同的任务，并根据一个简单但关键的问题构建了一个独特的数据集：您希望将工作的哪些部分交给 AI，它实际上可以完成哪些工作？
         这项研究的独特之处在于其多层次的方法。它不仅捕捉到了工人的愿望;它将其与 52 位领先的 AI 专家的意见进行了交叉引用，这些专家对自动化每项相同任务的技术可行性进行了评估。Two Frameworks to Navigate the Future
引领未来的两个框架


         斯坦福大学团队将他们的发现综合成两个优雅的框架：                           人类能动性量表 （HAS）： 这个五级量表对期望的人类参与任务进行分类，从 H1（AI 完全执行任务，或“熄灯”自动化）到 H5（任务本质上是人类，AI 没有作用）。它为讨论自动化提供了细致入微的语言，超越了简单的“人与机器”二元对立。


来源：斯坦福论文 – AI 代理的未来工作：审计美国劳动力的自动化和增强潜力      欲望-能力矩阵 ：然后，研究人员在矩阵上绘制每个角色。虽然他们使用 2×2 的任务分数平均值，但我认为查看附录 E.4 中的角色级别聚合数据要好得多。如果我们获取这些数据并在角色级别进行分析，就会更清楚地看到企业 AI 的影响。这创建了四个不同的区域，每个区域都有明确的战略意义：


来源：作者，基于斯坦福大学论文附录 E4 中的数据 – AI 代理的未来工作：审计美国劳动力的自动化和增强潜力绿区（自动化）： 员工需求高，AI 能力强。这些都是完全自动化的不费吹灰之力的任务。蓝区（创新）： 员工需求高，AI 能力低。AI 构建者解决工人希望解决的问题的市场机会就在这里。黄区（教育）： 员工需求低，AI 能力强。员工低估了 AI 可以做什么，即内部教育和支持的机会。红区（被动）： 工人欲望低，AI 能力低。这是企业应该监控进度但不立即采取行动的领域。Key Findings: A Desire for Partnership, Not Replacement
主要发现：渴望合作，而不是替代

         工人们希望这项苦差事能够自动化。 该研究的结果消除了围绕一个有争议领域的神话，即员工天生就不想要 AI。令人震惊的是，46% 的任务是员工积极想要卸载的工作，主要是消耗认知资源的乏味、重复性工作。提到的首要原因是雄心壮志：69% 的人表示他们的目标是“将我的时间解放出来从事高价值的工作”。
        完全自动化是不可取的。 对 AI 自动化的渴望并不是对过时的渴望。恐惧仍然存在，28% 的员工表示担心工作保障和他们的角色“非人化”。这就是为什么理想的交互模式不是替代而是伙伴关系。总体而言，45% 的职业表示“平等伙伴关系”（机构量表上的 H3）是他们的理想状态，他们更喜欢副驾驶设置而不是完全接管。员工一直要求比专家所说的技术要求更多的AI代理权。这意味着高管们必须以同理心引领这条道路。员工想要 AI，但对 AI 的期望低于可能的范围。
        也许最能说明问题的是新兴的“技能倒置”。这种溢价正在迅速从常规分析任务（过去 20 年定义知识工作者的技能）转向一套新的元技能：组织和确定工作的优先级、提供指导、人际协商以及在模糊的情况下做出决策。在AI代理主导的企业中，您的价值将更多地由您进行分析的能力定义，而更多地由您能够使用AI编排执行分析并解决问题的的能力来定义。What People Are Actually Doing: The Anthropic “Claude Economic Index”
人们实际上在做什么：人类学的“Anthropic Claude经济指数”

        如果斯坦福大学的研究告诉我们什么是可能的和期望的，那么Anthropic Claude经济指数告诉我们现在实际发生了什么。通过分析其 Claude AI 模型的 410 万次真实世界交互，并将其映射到 19000 多个官方 O*NET 任务，Anthropic 创建了前所未有的 AI 在野外采用情况的实时快照。Who Is Adopting and Who Is Not
谁在使用AI，谁没有使用

        数据显示 AI 采用率分布不均;它有明显的热区和冷区。“热门”区域并不令人惊讶：37% 的使用来自计算机和数学职业（编码、脚本、故障排除），其次是 10% 来自写作和通信（营销文案、技术文档）。“冷”区是需要亲自到场的角色：建筑、餐饮服务和动手医疗保健的参与度几乎为零。


        更能说明问题的是 “Job Zone” 的分析，这是一种基于所需准备水平的角色分类。AI 使用高峰发生在作业区域 4。这些角色如软件开发人员、分析师和营销人员，通常需要学士学位。该组使用 AI 的使用率比预期高出 50%，占所有分析使用量的一半以上。相反，极端情况下的使用率较低：工作区 1（例如，咖啡师）和工作区 5（例如，医生、律师）的指数都明显低于指数。这告诉我们，AI 目前的最佳位置是结构化的分析性知识工作。How Are They Using It? Augmentation Still Rules
他们如何使用它？增强静止规则

        该研究证实了斯坦福大学关于工人偏好的发现。大多数互动 （57%） 是 “增强性的”，其特点是迭代对话、验证和学习，这是一种真正的副驾驶关系。只有 43% 是完全“自动化”或委派的，用户给出提示并期望获得成品，而无需来回切换。


当我们深入研究任务本身时，模式变得更加清晰。主要用例是高价值、复杂的工作：软件开发和调试、创建技术文档和业务流程分析。这不是关于自动化简单的文书工作;它是关于增强最有价值的知识工作者的核心功能。
至关重要的是，该研究表明，完全工作自动化是一个红鲱鱼。只有 4% 的职业认为 AI 触及了他们 75% 以上的组成任务，而这些通常是语言教学和编辑等狭窄领域。然而，36% 的职业拥有“高度活跃的 AI”，至少四分之一的任务中存在技术。营销经理可能不使用 AI 进行客户参与，但他们正在大量使用 AI 进行市场研究和战略规划。这个任务级别的渗透率是重要的指标。The Executive Playbook: Three Imperatives for the AI Agent Empowered Enterprise
执行解决方案：AI Agent 赋能企业的三大要务

这些数据不仅仅是学术上的有趣。它为企业 AI 战略提供了蓝图。以下是每位高级领导者的三个具体、可作的当务之急。
1. 有针对性的自动化和 Copilot 机会
此处的方法应取决于角色和任务。这些区域分为三个区域：自动化明显的 （绿色区域）：两项研究的共识都很明确。财务、会计和重复数据管理中的大部分任务已准备好实现完全自动化。这就是人们应该寻求系统地、大规模地自动化低价值任务的地方。
策略性地部署 Copilots：对于商业智能、合规、学习与发展以及创意营销等功能，任务是增强。这并不一定意味着购买更多工具;这意味着将 AI 功能构建到现有工作流中。想想 AI 为分析师生成的起点报告、AI 驱动的合规性检查表或为营销人员生成的 AI 辅助内容生成。目标是提升，而不是替代。
教育怀疑论者 （黄色区域）：斯坦福大学的研究表明，我们许多最熟练的员工，如工程师、分析师和经理，都低估了 AI 的能力。我们必须调查我们自己的组织中是否存在这种认知差距。是因为缺乏工具吗？技术债务？还是对被剥夺技能的文化恐惧？答案将决定我们是需要一个赋能活动（更好的工具和培训）还是一个改变观念的活动（展示价值和建立信任）。
2. 市场推广和产品创新除了内部效率之外，这项研究还强调了巨大的外部增长机会（蓝区）。成为“AI 加速伙伴”：斯坦福研究的研发机会区和Anthropic研究的渗透不足的领域突出了法律、医疗保健、旅游和电子商务等行业，这些行业要么员工对 AI 的渴望大大超过当前的技术，要么存在一个被动的市场。这些可以是构建新产品和初创企业的领域。
探索新的产品前沿 ： 数据还标记了特定的职业需求。例如，信息安全和计算机网络专业人士都报告说，他们非常渴望 AI 帮助，而当前的工具无法提供。这是产品团队开始研究和发现的明确信号。是否有新的安全产品需要构建？由座席提供支持的新网络管理平台？这些数据为未满足的需求提供了一张地图。Workforce Transformation & Skill Strategy
劳动力转型与技能战略

这是最具挑战性也是最重要的领域。AI 的任务级影响需要彻底改革我们的人才管理理念。
构建“AI 编排”技能系列 ：这两项研究都清楚地描绘了新的高级技能：工作流程设计、跨职能编排协调和导航模糊歧义。企业应该投资于培养这些能力。这意味着在学习路径中构建新的“AI 编排”能力，并将其嵌入到职业路径和绩效评估中。目标是培训人们擅长指导、验证 AI 功能并将其集成到复杂的工作流程中，提高工作的效率。
采用基于任务的劳动力规划 ： 高水平的员工人数预算可能成为过去。企业应该超越 FTE 的思考，对“每个角色的任务组合”进行建模。这种基于任务的视图应该推动招聘和重新部署决策，整合到预算周期中，以便未来的劳动力选择由人类实际完成的工作驱动。类似于以前一个高级工程师带四个初级开发，现在一个高级工程师+AI工具。
从组织结构图演变为“工作图”：我们的最终目标是从静态、孤立的组织结构图转变为动态、生动的“工作图”。这是一张公司范围的地图，详细说明了各个职能部门的任务、所有者、依赖关系和自动化状态，打破部门孤岛，针对端到端价值流进行优化。该图表成为确定自动化项目优先级、识别技能差距、重新设计团队结构，甚至做出关于从低成本地点恢复哪些流程以及哪些供应商关系可以被更高效的 AI 代理取代的战略决策的单一事实来源。The Partnership Imperative
与AI合作势在必行

未来的工作不是在人类和 AI 之间做出选择。这是关于构建他们的合作。那些超越二元自动化辩论，专注于智能任务分解、战略能力发展和深思熟虑的变革管理的组织将蓬勃发展。
研究明确指出：员工不想被 AI 取代，但他们确实希望从重复的、低价值的任务中解脱出来，这些任务会阻止他们发挥最佳工作水平。倾听这一信息并系统地采取行动的公司不仅将获得运营效率，而且在吸引和留住顶尖人才方面将获得显著的竞争优势。
也许最具挑衅性的是，成功的公司应该探索将完全自动化的流程从低成本位置带回由 AI 代理支持的集中式云原生运营中。比如阿里在积极做AI电商，打造AI模型全家桶。同时，他们应该评估外部BPO和SaaS关系，试行让员工使用AI，用AI 替代，让座席可以达到或超过供应商服务水平，并将节省下来的资金再投资于高级代理人才。
AI任务革命已经在进行中。问题不在于 AI 是否会重塑工作，而在于公司本身是否会引领这种转变，还是被它所颠覆。目前，选择仍然是由人来控制的。至于公司是否积极拥抱AI，还需要结合公司的发展方向、业务模式，积极寻求AI在日常工作中、业务中的提效场景，逐步提升智能化水平，这样才能够真正做到降本增效。
内容部分源于网络，侵删






阳光宅猿





长按二维码 识别关注