推荐语

AI转型路上最大的障碍不是技术，而是人心——看这位AI领军人物如何化解团队阻力，带领企业成功落地AI项目。

核心内容：
1. 选择首个AI项目的关键标准与实战案例
2. 破解员工对AI的误解与抵触心理
3. 建立AI落地的沟通策略与培训体系

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

如果你正在阅读本文，那么你很可能是一位天生的AI达人——对AI好奇并愿意积极探索如何使用它。但在公司里，这种剧烈的AI转型并不会让你激动不已，相反，你更可能会在误解、各方阻力和复杂心态冲突之间苦苦挣扎——这些问题不断地迫使你停下来思考“怎么又回到起点了”。

💡 BCG 2024 年的一项调查报告显示，企业在AI 落地过程中面临的最主要问题是人（人的因素高达70%，而算法问题和其他相关的技术问题分别为10%、20%）。

本文将要分享莱拉（Leila）的故事。她作为一位AI领军人物，克服了一系列来自人的挑战，最终带领公司走上AI落地的正确轨道。我们将讨论如下几点：

• 选择AI计划：一开始就选择正确的AI计划，化空谈为行动
• 理解AI思维模式：当员工听到“AI”时，他们在想什么
• 沟通：将AI确立为不可避免的技术，并赋予用户自主权和控制权
• 教育：确保员工掌握了使用AI并让AI为企业创造价值的技能

我希望本故事能激励你在自己使用AI之余，还能使AI成为你企业业务转型的积极力量。

明智地开始：正确选择第一个“赌注”

物流供应商AeroLogix的领导层花了一年时间开展有关AI的高层讨论，咨询顾问们因此来来去去、留下一堆PPT文档。而竞争对手们已经开始行动——部署预测工具、优化路线、试验人工智能代理（AI Agent）。董事会希望看到实际行动。

值得称赞的是，该公司并没有匆忙要求IT部门实现一个“革命性”的聊天机器人。相反，他们花时间探索了更相关的AI应用方向：

• 机组排班优化
• 地面设备的预测性维护
• 延误缓解建模
• 备件需求预测

由于团队聚焦执行和进度管理问题，他们选择了“备件预测”这个听起来并不光鲜亮丽的问题（但确是实实在在的痛点）——一些计划人员为了避免停工而不断囤积库存，浪费了资金和仓储空间；另一些人则库存计划不足、延误了生产。这个绩效差距导致了公司数百万美元的损失，只需一点点AI驱动的优化就能明显地改善结果。

深入挖掘后，更多事实佐证了该计划的可行性。相关数据已经以相当清晰和集中的形式存在，AI可融入现有工作流程并且根据初步测算，90天内就可以交付出可用的alpha版本。

总而言之，这是非常好的首个AI项目，能让 AeroLogix 积累初步经验并据此制定更广泛的AI战略。

🎯 行动计划：选择能够最大化学习、最小化摩擦的AI计划

在选择您的首个AI项目时，请选择具备如下特征的方案：

• 易于理解和解释
• 能为用户和领导层提供可感知的价值
• 避免重大合规性或集成障碍
• 让人们能感受到AI的实用性和可控性
• 可以快速启动并逐步改进

若需要寻找AI构思的方法论，可访问链接获取“AI机会树”方法介绍：https://www.ai-strategy-partners.com/knowledge-hub/mental-models/ai-opportunity-tree

绘制人员地形图

在规划项目的跨职能团队中，人们对AI的态度截然不同。雷德·霍夫曼（Reid Hoffman）将大家对人工智能的思维模式分为四种：“激进者”（Zoomers）、“悲观者”（Gloomers）、“末日者”（Doomers）和“乐观者”（Bloomers）（参见霍夫曼的著作《超级机构》（Superagency）），这四种思维模式在莱拉主持的AI项目会议期间也浮现了出来。

 IT 部门代表汤姆（Tom）表现出了极大的热情：

“这只是供应链的 ChatGPT，对吧？我们自己做吧。”

汤姆展现了“激进者”思维模式——渴望使用 AI，但也略显天真。他低估了 AI 带来的风险和复杂性，这就很容易做出过于乐观的估计，最终在项目“最后一公里”里反复陷入巨大的、难以克服的问题。

拥有二十年经验的资深计划师安德里亚（Andrea），则表达了保留意见：

“我已经做了几十年的预测了。现在，机器应该能帮我预测了？”

安德里亚的怀疑态度源于悲观者思维。她认可AI的必然性，但对AI可能带来的就业和人类专业价值方面的影响持谨慎态度。

合规部门的马克（Mark）保持了谨慎立场。他在会议上提出了文档和可解释性有关的问题、但并未表态。尽管马克没有表态，但他是末日论者——担心AI对人的潜在风险，主张对其进行严格监管。

莱拉作为一名中层运行运营转型经理（perations transformation manager），在AI方面并不是最有发言权的人，但却是最了解情况、最客观的人。她一直在默默探索AI，尝试各种原型来简化工作流程。她提出的问题富有洞察力、避免专业术语并鼓励同事积极参与。莱拉体现了乐观者的思维模式——在乐观与谨慎之间取得平衡，渴望运用AI，同时寻找降低其风险的方法。她是领导本项目的不二人选。

🧭 了解不同的AI思维模式

让我们总结一下，你将会遇到的四种不同的思维模式：

🛑 末日论者：将AI视为重大威胁，主张严格控制或完全停止推进。

☁️ 悲观者：认识到AI的潜力，但更关注风险——特别是就业和社会影响方面的风险。

⚡ 激进者：快速采用AI的热心支持者，有时会以牺牲彻底的风险评估为代价。

🌱 乐观者：追求平衡，拥抱AI的同时，倡导负责任的实施。

认知并分析这些态度，有助于你制定更有针对性的沟通和培训策略，确保更具凝聚力和更有效的AI落地过程。

AI主题的交流

莱拉在首次会议期间仔细观察了团队动态，相应地调整了她的信息。

新的基准

她厌倦了大家无休止地讨论业务上是否需要AI，于是在会议一开始就明确了基准线：

无论如何，人工智能都会到来。真正的问题不在于我们的公司是否使用它，而在于你选择如何与它互动。

对某些人来说，这无疑是一记严厉的警钟，但这也为大家传递了必要的压力——因为该公司已经落后于更具决断力的竞争对手。对于工作被取代的担忧，莱拉表示：

你的工作不会被人工智能取代，但会被善于使用人工智能的人渠道。请确保（善用人工智能的）那个人是你。

🧭 要点：建设性 AI 对话的三个关键词

这三个词有助于降低AI落地的阻力，提高大家的支持：

1. 不可避免：AI无论如何都会到来——无论你参与与否。
2. 赋能：AI不会取代你，反而它会改善和提升你的工作。
3. 可驯服：不要害怕它——掌握它并让它为你工作。

与不同利益相关者沟通

第二步，莱拉专注于引导相关利益相关者——根据不同群体的价值观和关注点相应调整信息传递方式。具体如下表 1 所示。

让我们更深入地了解每个群体的典型态度，以及需要如何调整您的沟通方式。

高管和投资者

高管和投资者为我们建立正确的文化并为AI项目配置适当的资源，至关重要。（参见BCG的文章《公司转型AI时，CEO必须挺身而出》，阅读地址：https://www.bcg.com/publications/2025/when-companies-struggle-to-adopt-ai-ceos-must-step-up）。与他们的对话必须聚焦于投资回报率（ROI）和战略相关性——他们通常对技术细节不感兴趣，但需要了解AI将如何影响未来的收入、增长和竞争定位等。莱拉的公司正在开展成本削减，她因此将AI视为节省成本和决策优化的放大器。

人工智能不是成本中心，而是智能放大器。那些能够更快学习和采用人工智能的公司将降低成本，并超越其他公司。

运营人员和用户

运营人员和用户是人工智能能否成功落地的关键所在。毕竟，再好的人工智能系统如果不能被使用，也都是毫无意义的。他们受到人工智能的直接影响——计划人员、分析员、服务人员、物流协调员等。他们的担忧未必会被公开地表达出来，但却是他们最深切的担忧：这个系统会取代我吗？我能信任它吗？这会导致我的工作变得更难还是更轻松？

莱拉并没有被动等待这些担忧情绪浮现、蔓延，而是围绕这些担忧构建起了沟通机制、积极应对技术的影响和潜在的情绪波动。她保持着简洁、直接和人性化的沟通方式：

1. “这对我的工作会产生什么影响？”—— “这不是黑匣子。你仍然掌控着一切。把它想象成副驾驶（co-pilot）——你仍然掌控方向盘。”
2. “这对我有什么好处？”—— “减少手动报告、减少重复检查、更快地获取到所需信息——它可以让您的日子更轻松。”
3. “它究竟是如何运作的？”—— “它会持续学习。我会向你展示出它看到了什么、是如何学习的，有什么样的局限性。”（参阅《人工智能解释的心智模式》，https://www.ai-strategy-partners.com/knowledge-hub/mental-models/explanation-taxonomy）
4. “我能塑造或影响它吗？”—— “当然可以。你可以调整阈值，提供反馈，并帮助我们改进系统在真实环境中的工作方式。”

通过到用户那里与他们会面，她逐渐将用户的不确定性转化为好奇心和积极参与，让人工智能不会被感觉控制人的、而是对用户能力的增强。

IT和基础设施团队

与IT和基础设施团队的讨论重点，必须集中在稳定性、集成度和长期可持续性上。当聚光灯渐渐消退、他们将负责将系统带到生产环境中、让人工智能真正运转起来。

但莱拉还必须应对更深层次的挑战：IT 部门可以独自完成所有工作。在工程师看来，人工智能只不过是又一次的软件部署——涉及一些数据、API和模型节点的部署。有些人会对这个项目充满热情，而另一些人则将其视为职业上升的快速通道。

他们显然低估了人工智能带来的范式转变。与任何事情都可以硬编码实现的、确定的工作流不同的是，人工智能的输出是不确定的、并且经常会犯错——如果这些问题得不到妥善处理，就很容易在现实世界中引发有害的决策和行动。作者的新书《人工智能开发的艺术》（The Art of AI Product Development）第一章就介绍了IT团队将人工智能视为平常开发项目的真实故事，可从中获得更好的方案（在线了解：https://hubs.la/Q03pVdvK0）。

莱拉谈论了团队的过度自信问题：

人工智能并非一成不变。我们正在构建的是一个能在不确定清醒下作出风险预测的系统。为正确实现这个目标，我们需要专业的人工智能专家、严谨的数据科学家以及深度的领域整合。让我们诚实地评估一下，我们内部能给出多少这样的结果。

虽然部分技能在公司内部已具备了，但显然存在差距。他们最终决定与一家外部供应商建立合作伙伴关系——该合作伙伴不仅能提供专业的人工智能专业知识，还能将部分技术转移给公司。（参考阅读：https://www.ai-strategy-partners.com/knowledge-hub/blog/enterprise-ai-partner-and-grow）

治理和风险团队

与治理和风险团队合作的信心必须围绕保障错误、可审计行和责任等方面展开。——他们并不关心用户满意度或预测准确性，而是考虑监管审查、声誉风险和道德风险。对这个群体来说，信任来自于严谨和透明，而不是承诺。

“我们不仅仅是在建立模型，”她告诉合规主管。“我们正在建设的是你们可以向审计和监管者解释的系统。”

莱拉让治理和风险团队一早就参与进来、邀请他们参与设计决策，并为其提供清晰的应急和监督手段。她传达的信息是人工智能并非默认就是安全的，而是在设计时就充分考虑了安全性和可解释性。

在上述每个场景中，莱拉都没有改变项目的本质。但却改变了大家看待项目的角度。

教育——构建人工智能流畅性

莱拉在与大家的交流过程中，意识到人工智能领域充斥着各种噪音——误解、炒作和真假掺半的说法。尤其是Zoom上用户的热情超过了理解——他们直言不讳但带有误解的想法被迅速传播，加剧了大家的不确定性和困惑感。为提升能力和信心，莱拉与领导层合作制定了简单但有效的学习框架。

第一步：评估人工智能技能

莱拉引入了覆盖全公司范围的技能评估方法，将员工分为三个等级

• AI用户是基础。他们可以自信地将AI融入工作流程——高效的提示词，解读输出，知道何时可以信任或质疑生成结果。但评估显示，公司仍有一半人尚未达到这一水平——这种差距阻碍了人工智能的发展势头和动力。在采取任何雄心勃勃的行动之前，莱拉必须先提高基准。
• AI 共创者们早已在日常工作中依赖AI，他们了解AI的模式和局限性、尝试深思熟虑的实验、将特定角色或领域专业知识融入到了AI流程循环之中。他们可以充当团队与技术之间的桥梁、将自身专业领域带给AI系统。（参考阅读：https://www.ai-strategy-partners.com/knowledge-hub/blog/injecting-domain-expertise-into-your-ai-system）
  
  
• AI战略家聚焦在系统层面的运作，从组织而非个人的角度看待AI。他们能够定义机会、使AI计划与业务目标相匹配、引导长期的发展方向。莱拉就是这样的人，但全公司范围还需要更多这样的人。
  

这项评估清晰地展示了公司现状，揭示了员工个人如何参与AI项目、并可用于持续监测人工智能的成熟度。

第二步：提升技能，让人人都是人工智能用户

为所有未达到AI用户标准的员工设计了强制的、可自定义进度的基础课程。这门课程侧重于实践操作技能：

• AI是什么、不是什么
• 如何有效地使用 ChatGPT 或 Perplexity 等标准工具
• 如何处理AI的不确定性和错误（参阅：《建立和修正对AI的信任》，地址：https://uxdesign.cc/building-and-calibrating-trust-in-ai-717d996652ef）

很快，情况发生了变化。AI就出现在了各种会议、非正式交流和项目简报之中。AI不再是一个炫酷但抽象的名词，人们互相交流prompts技巧、分享快捷指令（shortcuts），开始有了AI的共同语言。

步骤3：将AI融入日常工作

现在让我们开始部门层面的AI探讨。这些探讨由各部门的AI领军人物和共创者主导、侧重于具体的用例，例如：

• 运营团队完善了AI预测模型
  
• 市场团队对内容个性化的探索
• 人力资源部门测试了AI驱动的招聘流程

通常，用户会重复使用prompts，从而产生了专门的用例。例如，某位营销人员收集了用于内容优化的prompts库——他和莱拉一样，是公司首批AI领军人物——他部门同事使用的A便捷工具就是基于这个prompts库构建的。

第四步：通过合作实现增长

莱拉深知内部人才的潜力有限。为提升影响力和深度，公司引入了外部AI合作伙伴来为AI事实和学习提供支持。这些专家共同开发用例，指导内部团队并确立最佳实现榜样。“合作共赢”战略也为新兴战略家提供了扩展思维、连接各方力量的空间（参考阅读：https://www.ai-strategy-partners.com/knowledge-hub/blog/enterprise-ai-partner-and-grow）。

第五步：让学习变得社会化和持续化

最后，莱拉帮助建立了持续学习的文化。团队不再采用集中培训，而是分享各自的学习成果：

• prompt提示词使用和AI模型共创会（参见：https://www.businessinsider.com/pwc-prompting-parties-teach-employees-how-to-use-ai-2024-12?international=true&r=US&IR=T）
• “我最糟糕的AI失败”演讲
• 内部demo演示和操作技巧（how-to）

这些轻量的仪式使实验常态化、降低了风险，并帮助员工在AI能力的三个等级上都有成长。

🎯 行动框架：构建可扩展的学习文化

1. 从核心课程开始——让每个人都掌握AI基础知识，包括prompt提示词、信任校准和工具意识。
2. 设计面向特定部门的研讨会——使用真实的工作流程和真实的数据。避免做抽象的讲座。
3. 创造社会化学习仪式——promps提示词共创会、模型竞赛和失败分享会议等方式可建立起AI社区和信心。
4. 将学习与责任联系起来——让用户参与到反馈循环中，认可由用户反馈而推动的改进。

您就是AI协作的交互界面

当然，所有这些人力工作都和技术构建同步进行——数据准备、与领域专家协同共创，与数据科学家的若干次良性辩论等。AI模型发布并经过几次迭代后，其准确率比人工预测高出15%。

如此的进展令人惊叹，领导层和董事会都很高兴。但对莱拉来说，真正的价值却体现在其他地方

• 一位资深计划经理向新员工演示如何解读置信区间
  
• 合规官起草 AI 治理手册（并乐在其中）
  
• 分析师使用无代码工具快速部署供应商协作助手

人们不只是使用AI，还根据自身需求去塑造AI。他们探索、适应、共创，将AI的不确定性转变为了自主权和控制力。说到底，任何AI系统中最强大的界面都不是模型或者仪表盘，而是充满好奇、敢于尝试，在需要时挑战系统，带动其他人参与。

如果您想深入了解在整个 AI 项目中如何与不同利益相关者合作，那么请参阅作者的书《AI 产品开发的艺术》第 12 章（与利益相关者合作） 。

请始终记住——无论如何，AI都会改变你的公司。真正的问题是，这一切将在何时发生、如何发生，而你将如何参与到这场变革之中。

译者的话：

1、AI相关的名词在实际使用中可能没有获得高度一致认可的中文翻译，请原谅译者在本文中用到的不那么标准的翻译方法（比如prompt(s)会翻译为“prompts提示词”）。

2、由于微信公众号表格排版问题可能导致单词被换行，为尽可能便于阅读，在部分情况下可能翻译为“人工智能”一词（在本文中，AI和人工智能两个词可以互换）。

3、面对日新月异、日常“被AI颠覆”的从业者和身处其中的企业相关负责人而言，一方面担心跟不上AI被淘汰一方面又很茫然不知道如何进行AI转型。本文提供了有益的分析框架和思路，希望能对你有所启发——找到AI创造价值之处并组织大家有序地达成这一目标才是关键，永远不能为了AI而AI。

4、与前几次新技术浪潮一样，行业里总是会出现类似“AI颠覆一切”“所有行业都会被AI重造一轮”的观点。但只要对优秀AI产品落地案例稍加分析就会知道，AI真正被接纳是因为它与真实的业务流程进行了良好的融合、为客户/企业创造了实实在在的价值（而不是所谓的“颠覆”）。任何变革都会导致利益的重新分配，自然也会面临各式各样的阻力和新问题。

5、我坚信，AI与传统技术永远是协同的关系，而不是“颠覆”“完全取代”。我们观察到的优秀AI应用实践都是对AI与传统技术、人力工作的有序组合。

6、AI释放了新的生产力，会让过去不会被看到/满足的需求得到满足，因此新的机会将会不断涌现出来。但也确实会导致部分岗位的消失，并且在知识产权、数据所有权及其理应产生的收益方面出现了失衡——如何平衡各方利益和需求让AI为人类带来福祉还需要全社会的努力。