一家电商公司尝试把AI引入业务，结果制造出了更多混乱。

在最近的一场AI对谈当中, 有赞CEO白鸦讲述了一个企业借助AI提升效率却遭遇失败的真实事例, 这着实令人有很深刻的印象。那家公司, 其每个部门都依据自身的方式构建了一套AI工作流。就拿一款新品保温杯来说, 先是市场部依据自身的玩法把该保温杯命名为“黑金炫金版保温杯”, 之后电商团队觉得这个命名不太妥当, 便将其改成了“烫金奢华版保冷杯”。紧接着, 短视频团队依照自己的玩法又做了一轮改动。

这便致使，AI提升效率仅仅在极为微小的范围之内才成立, 一旦牵涉到多个部门协同合作, 就会由于部门之间存在的信息落差而滋生出混乱状况, 反倒使得效率遭受拖累。

类似的情形其实非常普遍。

AI可能拖垮了团队？

洪信是一家连锁消费企业的招聘团队负责人。

招聘流程有着三个步骤, 其一, 接纳用人部门所上报上来的岗位需求, 去确定岗位画像并且撰写招聘JD；其二, 在众多简历里进行筛选, 组织好多轮面试并且汇总面试评分；其三, 跟用人部门去交流从而决定录用人选结果, 并且将候选人沉淀至人才库当中。

招聘, 一直被看作是AI提效的重点场景当中的一个, 是由于步骤少, 并且流程固定。

然而, 洪信所体会到的情形并非这般。他自很早的时候起始, 就着手尝试带领团队组建 AI 工作流, 负责各个环节项目的员工, 依据自身的需求构建出了一个个小型工具, 其中有的工具能够用以生成岗位 JD, 有的工具能够用以筛选简历, 然而, 这些工具相互之间由于信息未能实现互通, 进而各自成为了互不关联的孤岛。

最终呈现的结果是, 各个下属部门在进行汇报之际, 均能够展示出通过AI实现提效后所获得的值得赞誉的数据, 然而, 最终在招聘方面，整体的速度以及质量并未得到显著的提升。

经过高度流程化处理的业务, 反倒容易被AI限制在流程之中, 而那些不具备标准化特点的业务, 往往依靠AI对于复杂性的理解本领。

内容工作当中那可是个格外典型的并不标准规范化的业务。就拿小巴团队当作例子来讲, 输出一篇内容书面文字的整个流程大致是这样子的: 首先, 编辑部展开讨论从而去确认选题以及写作的思路；接着, 作者去收集相关的素材然后进行去撰写稿件这件事情；之后便是主编进行审稿从而并且反馈给出相应的意见；最后, 完成定稿然后进行发布。

这同样是内容机构平常的工作流程, 虽说流程比较固定, 然而审稿的标准是动态变化的, 这是由于不同种类的选题关联着不一样的审核标准, 每一个内容机构都具备自身独特的定位以及价值观, 与之对应的选题范畴、风格调性、写作方法论甚至雷区禁区均不相同。

这造成了, 在我们刚开始试着搭建审稿机器人之际, 仅仅凭借人工归纳的审稿要求训练出来的智能体一直成效不好, 原因在于审稿的实质是判断, 而判断必然得建立在经验的根基之上。

又比如说, 那种协作链路相对较长的数字化业务, 极易被困于那些零散分布的信息当中。

腾讯旗下, AI工具WorkBuddy的那位产品经理, 名叫Neil的, 跟我们分享了一个场景, 这个场景是互联网企业里最为经常发生的。

产品经理打算创新设计出一项全新功能之际, 满心期待人工智能能够依据既有的产品设计情况, 以及过往留存的相关文档内容, 同时结合用户所反映回馈的各类信息, 还有团队所制定的商业化策略方针以及运营规划蓝本, 从而给出一套周全且缜密的具体方案。

然而, 这般的诉求常常不能实现, 缘由在于上下文分散于各式各样的地方: 一部分存在于会议纪要当中, 一部分留存于因团队头脑风暴而产生的聊天记录里面, 一部分散布于各类文档之中, 另外一部分则依旧停留在负责人的脑袋瓜里头。

所以, 产品经理是能够打开对话框用最前沿的AI生成需求文档的, 然而它没办法真正理解产品的历史, 所以最终给出的方案总是一个看着完美却经不起仔细考量的。

然而, 不管是源于哪一方面之中的原因, 然而, 最后的, 后果, 便是在许多场合并没有做到提升效率, 相反地, 制造了全新的麻烦。

从个人工具到团队工具

AI专家、非凡产研创始人吴畏存在着一番观察, AI于企业之中扩散之道径一般存有两种, 有种是以底端向上生长、源自真切业务场景而衍生的, 其益处为贴合业务, 其弊端是易于溃散成零碎态。另外的那种是由管理层自上径直裁定的, 更便于形成标准模式, 然而却未必能够切实渗透至基层。

直至当前时刻, 人们的绝大多数注意力被自下而上发起的变革所吸引, 然而这般零零碎碎的变革常常不容易去撬动更显著的效能。倘若要实现向质变的过渡, 那么就需要自上而下推行的标准化, 经由管理者引领着去重新构建工作流程。现今企业所欠缺的并非是懂得运用AI的人员, 而是能够将这些人的方法转化为组织资产的机制。

所以，最好的路径不是二选一，而是上下结合。

但那种服务组织的人工智能, 需要具备更为体系化的能力, 这般能力包含诸多方面, 比如, 它得能够共享组织所具有的上下文, 进而由此深刻理解真实意义上的业务逻辑, 它还要可以将各种不同类型的办公软件嵌入到工作流之中, 它必须拥有清晰明确的权责边界, 以此保护信息安全层面的内容, 它也还能够将散落在各种情景里的要素收集汇集起来, 进行统一的、动态化的管理。

并且, 在中国的组织管理生态当中, 确实是存在着独特的痛点: 比如说场景分散了, 众多信息沉淀于不同的办公软件内部, 整合起来难度极大了；除此之外, 国内诸多新兴行业像是直播、电商以及科技公司方面迭代的速度特别快, 不存在长期稳定的标准流程, 因而需要更为灵活的AI了。

正因为是这样的缘故, WorkBuddy团队在AI办公工具当中, 推出了具备“项目”之称的功能, 其目的是为了能够更好地去适配中国的职场生态环境。

从单纯这方面来讲, 它开拓创设出了一个可供多个人员以及多个智能体能够同时处于在线状态的空间, 在此空间当中, 人员与人工智能围绕同一任务展开协作 , 分工, 推进流程以及人工智能的产出都被归入同一套任务流程, 并且在权限边界范围之内清晰展现显露, 生态里诸如在线文档、腾讯会议、网盘等的资料也能够被连接接入进来, 从而成为人工智能能够持续不断读取以及调用之团队上下文。

与“于文档之中挂设一个AI助手”存在差异, 项目之内的人员和Agent乃是同一任务流层面的协作节点, Agent并非仅仅是回答提问, 而是切实承接、流转以及交付待办事项。伴随项目持续推进, AI会愈发熟悉真实业务需求与流程, 最终成长为能力能够复用的“超级大脑”。

这个思路于小巴团队已然获得了成功的实践, 曾经属于内容团队的历史资料统统被喂进了项目资产当中, 这里面涵盖了吴老师的所有著作、文章、演讲, 编辑部在历史时期的所有文章, 还有内容的阅读量数据, 它被要求依据历史文章并且融合自身的内容创作经验, 去制定一份审稿所遵循的规则。

WorkBuddy会依照目标去分解关键动作, 于关键节点弹出卡片用以让用户确认, 接着按步骤一项一项地完成工作。依据这些资料, WorkBuddy梳理出了频道的内容逻辑, 涵盖高阅读量文章的选题具备怎样的规律、标题是如何设计的、开头怎样设计、结尾怎样设计、价值导向是怎样的、语言风格是怎样的，等等。

依托于此, 它整理出了一套审稿规则, 这套规则可针对稿件作出加权评分。该评分是依据着不同的维度来进行的, 并且会从多个维度对于此类评分提供建议啊。

目前，这一思路也被扩展到了短视频、知识付费等多个部门。

WorkBuddy的独特价值有其一, 它, 能够去连接那丰富多样的办公生态, 像知识库、课程平台、网盘之类的, 促使沉淀历史经验的链路变得更为丝滑顺畅。此外, WorkBuddy内部设置了丰富且高质量的专家库以及技能库, 我们, 能够直接去调用这样的资源。

WorkBuddy团队自身于协同合作里存在着许多让人苦恼的问题, 项目具备的功能在很大程度上把这些流程方面出现的间断之处给解决掉了。

以WorkBuddy为例, 它每一天都会收到多达上千条的用户反馈, 这些反馈的处理常常需要跨越多个平台来开展: 功能出现的BUG需要在工单平台分配给从事研发工作的人员处理, 用户所提出的建议得输入到在线文档里的需求池当中, 在处理的进程里还得在通讯软件中针对处理进程进行跟进, 最终再将回复口径整理完毕后同步给客服人员。

经历四个环节, 涉及三个角色, 串联三个平台方能开启整个过程, 但是只要有人漏看消息或响应不及时, 反馈便有可能卡在某个环节, 且只能依靠人工反复催促, 在此情况下, 专职人员每日仅处理反馈便需要耗费大半日的时间。

在引入WorkBuddy项目之时, 团队通过连接器接入至用户反馈平台, 把反馈筛选规则、各模块负责人、任务分配以及回复规范沉淀成一个Skill, 放置于项目空间之中；接着建立定时任务, 借助AI每日自行进行反馈拉取、分流以及回复。全部反馈皆会于计划看板那里生成待办事项, 从而统一监控进度。最终, 原本得靠人工跨平台去串联的流程, 转变成为项目空间内的自动流转, 团队每日仅仅需耗时10分钟去确认结果。

除此以外, 团队所进行的产品开发流程, 还有项目管理流程等, 也都陆陆续续移进啦项目空间里, 这就进一步使得协作效率得到了提升。

洪信近来还引领团队将招聘流程置入到“项目”里, 整个业务流程得以串联交织一起。每一位候选人于计划看板之中成为一张有待办理的卡片, 被明明白白地分配给相应的成员。AI 在辅助各个环节之际, 把招聘进程里的信息进行动态汇总和更新, 进度清晰呈现, 信息差于最大程度上被抹平消除。并且, 项目系统运用的时间越长久, AI越发熟知公司的需求以及业务流程, 准确性有了显著的提升提高。

产品上线后, 于持续收得的诸般反馈里头, WorkBuddy团队揭示出, 此模式于众多行业和领域广泛具备适用性。其核心要义在于, 设法让AI得以进入人类货真价实的协作环境, 进而获取完整的团队上下文信息, 最终塑造出智能体, 而后接手工作流, 如此这般。

超级个体不意味着超级组织

存在一个常见的, 关于AI 的认知误区, 那就是, AI 没能使组织真正达成提效, 企业觉得, 只要在内部出现数位善于运用 AI 的“超级个体”, 他们的效率就会自然而然地扩散到整个团队。

但其实，1+1并不能大于等于2。

一方面，超级个体数量有限，往往只是组织里的一小撮人。

一位年轻企业家, 管理着一家小型工程制造企业, 他告诉我们这种状况在传统行业会更明显, 这家公司员工年龄整体在35至40岁, 即便他自己有用AI改造业务流程的强烈愿望, 然而老师傅们大多对新技术并不感冒, 主动使用AI的员工集中在较年轻的技术、外贸和市场部门。

他曾试着让年轻员工去将AI工具, 让年轻员工去把skill, 以及相应的与使用方法一块儿教给老员工, 然而很快就发觉大家普遍而言学习动力并不强甚至心态存在抵触。

另一方面，超级个体之间也存在信息差。

现代组织呈现出高度分工的状态, 存在这样一种情况, 一个人能够对自己所负责的那部分工作达到极为熟练的程度, 然而对于其他人所从事的工作具体包含哪些内容, 却是全然不知。正因如此, 就算超级个体心里存有设计整个协作系统的意愿, 但他们并不一定具备相应的能力去达成这一设想。

再者, 就算他们具备搭建团队化工作流的能力, 组织也不一定能承接得住, 这是由于AI协作首先对企业内部有着一套干净且统一的知识底座的要求, 不然的话, 知识库自身的混乱只会让混乱进一步扩大。

这些因素致使超级个体对于组织提效所做出的贡献并非很高, 就如同那被封禁了能力的武林高手一般, 仅仅能够从事一些看门护院之类的繁杂活计。

WorkBuddy 在对“项目”功能做构思之际, 也针对超级个体经验怎样能够复用的这一问题进行了考量, 在功能属性方面, 具体有三个机制来围绕使其形成:

其一为共享配置这一行为, 是要将Skill、专家以及连接器, 一次性完成配置过程, 进而达成让团队于同一套能力底座之上进行协作的目的这样一种情况。

为使工具使用门槛得以降低, 系统内部设置了诸多适配不同行业的Skill以及专家Agent, 而连接器是用来连通各类办公生态。企业同样能够将自身的数据资产经沉淀转化成自定义的Skill以及专家并接入系统, 从而让个人经验切实转变为组织资产。

一是共享计划, 给出一个针对团队的待办看板, 人以及 Agent 都能够参与待办的产生、流转以及处理, 每一个成员都清楚晓得自己要处理哪些事项, 与之对应的背景上下文是怎样的, 达成事事有头绪。与此同时, 每一回动作与版本调整都能够被追溯, 这使得超级个体的做法自身便能够成为团队共享的学习范例。

三是共享的资产, 也就是统一沉淀下来的团队共享文件, Agent能够自动进行读取并调用, 使得每一回任务执行时, 都能获取到最新且最全的上下文。最新产出经由人类确认以后, 可以自动回流至资产库, 达成持续迭代, 这就好比每一次任务执行, 实际都在为下一次提供复利呢。

这种设定对提升全员积极性是有帮助的, 由于团队成员越是积极地去对资产进行优化, 那么AI的能力与整体效率也就会越高。

工具的能力, 最终所指向的是采用怎样的方式, 才能够让人类更好地实现协作, WorkBuddy团队期望这个产品, 能够成为企业去探索未来组织形态的一块跳板, 而这样一种针对B端的, 针对于标准化协作工具的探索, 极有可能成为AI下半场全球竞争的一个重要趋势。

结语

20世纪中期的时候, 管理学家于英国的煤矿里头做了一回调查, 那煤矿引进了新的技术啦, 然而工作效率不光没有提升, 反倒出现幅度下降的情况, 经调查所得出的原因是, 这项技术把过去的组织协作模式给破坏了, 致使矿工们的工作体验变得更为糟糕了。

他们依据此提出这样的理论, 技术系统以及社会系统一定要共同进行设计, 要是盲目地将新机器塞到旧组织当中, 或许不但不能够创造出新的效率, 反而会把原有的协作给打碎。

从长远角度去看, 每一回技术革命的起始要点在于制造出一小部分技术精尖人士, 而其完结终点也就是, 致使社会分工以及劳动的形式产生改变, 技术并不会去起到替代人的作用, 并且也并非是什么样的筛选工具。

可以预见，今天的AI会以类似的姿态走向下半场。

作者|温若梅

主编|何梦飞

图源|VCG、网络