最近回国访学，发现我住的酒店里，有一位白色机器人，经常和我一起坐电梯。它举止文雅、彬彬有礼，进入电梯时，会说请大家让一让。之后，它会不好意思地说：“请大家不要吃惊，我马上要隔空按楼层的数字了。”电梯里的其他人都会心地笑。小朋友还会好奇地去摸机器人，想和它说话。我去商场的时候，有时也会看到机器人在送花；在餐馆，则看见机器人送餐，在桌椅间穿梭自如。有意思的是，在美国住酒店的时候，却从来没见过机器人，在商场和超市也没有。我不禁想到，人与机器和谐合作相处的时代，也许提前在中国到来了。

据国际机器人联合会（International Federation of Robotics）的调查，从2017年到2022年，中国市场的机器人数量的增长率是300%，而美国的对应增长只有43%，英国则是16% 。数据还显示，中国目前已经达到在每1万个雇员里就有392个机器人的惊人比例。在这个全新的领域，中国在一定意义上似乎已成为机器人与人协作的大试验场。

在这样的背景下，我们不禁追问：我们和机器人如何成为同事？如果你所在的讨论群里，除了你本人，其他成员全是不同的AI大模型，人机又该如何协作？AI时代的人与组织管理，是否会被彻底重构？当AI模仿人类时，它是否也形成了一种类人的行为模式？

研究AI的人力资源管理学者倾向于将AI视为一种能力或资源，并提出了AI的14种主要能力。他们认为，这些能力不仅会影响AI的具体应用场景，还会改变人类工作场所的特征，例如工作设计和工作自由度，从而进一步影响组织的运行与发展。

如何与AI合作呢？我非常同意伊森·莫里克在《合成智商》（Co-intelligence）一书中提出的几个观点，因为那也符合我个人与以大模型为基础的AI协同工作的经验。这主要涉及下面几点：

1. 把AI当作“人”，而不是单纯的机器。传统机器通过软件运行，通常表现得可靠且可预测；但AI却更像人，时而不可捉摸，甚至会“胡思乱想”或出现“幻觉”。

AI的能力令人印象深刻。它可以像人一样写作、查资料、总结文章、编程、做分析，能和人进行对话，这大大提升了工作效率。此外，AI还能模拟人类的思维模式，针对具体问题进行分析。当你赋予它不同的“人设”，例如让它扮演老师、学生、长者或幼儿时，它的反应和考虑因素的权重也会随之变化。这种拟人化的表现令人惊讶，也显得非常逼真，进一步增强了协作的实用性并提高了效率。

2. 要重视AI的创造力。尽管AI可能不够准确、不够可靠，甚至会出现“幻觉”，但这些特性反而赋予了它独特的创造力。创造力既包括完全原创的想法，也包括对现有想法的整合与重组，从而生成新想法。

AI在整合能力上的表现尤为突出，甚至超越人类。你可以让它结合两个甚至三个完全不相关的领域，它往往能迅速提供许多全新的思路。这种能力为创新提供了无限可能，帮助我们发现新的解决方案与发展方向。

3. 把AI当作同事。曾有一项深度研究对AI能够执行的工作与现有职场工作（约1061种）之间的重合程度进行了比较，结果显示，几乎所有的工作都可以被AI取代。其中，许多是高薪工作，比如高知类工作和需要创造力的工作，包括大学教授的岗位。只有36种工作不容易被取代，这些大多是机械类工作或是非人类无法完成的工作。面对这一现实，保持良好的心态非常重要。我们可以将AI视为同事或助理，利用AI来缩短工作时间并提高工作质量。这样，AI不仅不会是威胁，反而能成为我们的得力助手。

4. 把AI当成教练，提高学习的有效性，然后成为专家。专家是那些有能力评判AI的答案并提出尖锐意见的人，而不是唯AI是从的人。能够评判AI的正确与否，则需要有扎实稳固的基础知识和对客观事实的准确认知。

人机之间

在正常的人际交流和合作中, 不同个体对于与他人合作的意愿和态度存在差别。同样, 在人机协同工作场景下, 人对于机器算法也存在两种截然相反的态度。

现阶段，人对机器智能的接受程度会影响人机协同的效果以及能否实现智能增强。新兴技术的引入改变了员工的工作惯例及原有的利益分配格局,往往会造成人员的不确定感并遭到抵制, 其中涉及控制与信任的问题。从更一般的意义上看, 控制与信任是组织管理中的永恒问题, 上级对下属的过度控制会导致下属的不信任, 而上级不施加控制又可能导致下属无法达成目标。

一方面，人们可能对AI心存担忧，甚至会产生“算法厌恶”。在某些情况下，即使人们知道算法的决策优于人类，他们仍然可能表现出抵触情绪，甚至宁愿牺牲效率来反对AI的介入。

这种厌恶在一定程度上可能受到媒体关于AI威胁人类的报道的影响。研究表明，在AI应用兴起之初，那些看到AI自主运行且无视人类指令的人，更倾向于认为AI不仅会威胁人类的工作、安全和资源，还会冲击人类的身份认同和独特性。相比之下，那些看到AI缺乏自主性且遵循人类指令的人则较少产生这种忧虑。此外，观看具有自主能力的AI后，人们对机器人的情绪更为负面，并且更加反对与机器人相关的研究。

另一方面，人类也可能对算法产生“欣赏”。有研究提出了“机器启发式”（machine heuristic）的概念，指人们倾向于认为机器是机械化、客观且没有意识形态偏见的。相比之下，人们认为人类决策者容易受到偏见和情绪的影响，而算法则更为公正和无偏。

调查显示，在高等教育招生场景中，人们普遍认为人工智能的录取过程更加客观，比人类决策更公平。在解雇决策的研究中，被解雇的员工通常认为算法中立、理性且客观。在招聘决策中，应聘者认为AI的决策一致性显著高于人类决策。他们还认为算法筛选简历的过程比公司代表筛选的过程更加一致，并且算法能够在招聘场景中更快速地做出决定。

算法厌恶和算法崇拜都会阻碍在AI大背景下实现高效的人机协同。我们知道，AI大模型开展深度学习的基础是人类专家的决策数据。输入数据的质量直接决定了人工智能算法在后续任务中的决策水平。

要实现优质的人机协同，关键在于人类与机器的相互促进。人类工作者需要不断积累处理新问题的经验，并将这些经验反哺给机器智能。同时，人类还需发现机器算法依赖数据的不足之处，并纠正算法中存在的偏差。只有通过这种循环改进，人机协同的质量才能持续提升。

总体而言，管理学者在技术掌握方面不及人工智能领域的专业人士，但其优势在于能够深入不同行业的典型企业，通过现场研究了解企业的商业模式和工作流程。在企业调研中，我们发现，学者由于研究工作的学术属性而非盈利导向，比商业化的第三方机构更容易赢得企业的信任。这种信任使学者能够更全面地理解企业在AI转型和人机协作探索过程中面临的问题。

作为一种通用技术，AI正对当代生产力和生产关系产生巨大影响。中国的各类商业场景，正处于大规模人机合作应用的阶段，这一现象在全球范围内独树一帜，积累了丰富且独特的场景和数据。我们中国的管理学者应抓住这一难得的研究机遇，深入研究各类场景下的人机互动，创造大量原创性的研究成果，才能不辜负时代赋予的使命。MI·专题

作者：陈晓萍 谢小云

陈晓萍是华盛顿大学福斯特商学院Philip M. Condit讲席教授；谢小云是浙江大学管理学院院长、教授