如何加速AI转型:从工具思维到操作系统思维的范式转变

【核心洞察】

• AI应被视为操作系统而非工具箱，需要系统性重构而非简单叠加

• 工作、劳动力和工作场所三要素必须协同对齐，否则难以产生可衡量的影响

• 需要从“模型导向“转向“探索与进化“的思维模式

• 解决“最后一公里“问题是实现AI商业价值的关键挑战

一、问题背景：AI投资回报的困境

随着组织更广泛地部署人工智能，日常任务正被自动化，部分工作正从人转向AI系统。然而，许多企业发现，它们在这些系统上的投资回报难以捉摸。问题的关键不在于技术本身的采用，而在于组织如何调整其工作方式以利用这项技术。正如麻省理工学院斯隆管理学院高级访问讲师Paul McDonagh-Smith所指出的：“工作本身、劳动力和工作场所这三个要素之间存在相互依赖关系。如果组织未能使这三个要素保持一致，就难以在合理的时间框架内产生可衡量的影响。“

MIT斯隆新课程

McDonagh-Smith教授主讲MIT斯隆最新高管教育课程“AI Essentials: Accelerating Impactful Adoption”（AI基础：加速影响力落地），旨在帮助领导者通过理解如何重新设计工作、建立采用所需的指标和操作手册，将AI转化为实际影响力。在近期访谈中，McDonagh-Smith分享了组织如何弥合AI潜力与现实影响之间差距的关键策略。

二、范式转变：从工具箱到操作系统

许多企业仍将AI视为可以插入现有工作流程的组件，通常用于提升效率。但这种做法过于狭隘。“太多组织将AI视为工具箱，“McDonagh-Smith指出，“他们没有将AI视为操作系统。“这一区分至关重要。当AI被当作工具时，它被叠加到现有流程之上，并使用过时的指标进行衡量。这使得即使价值正在被创造，也难以评估其影响。结果是AI以碎片化的方式部署，而非作为连贯系统的一部分。将AI视为操作系统意味着：

▸ 系统性整合：AI不是附加组件，而是重塑业务流程的基础设施

▸ 指标重构：需要建立与AI能力相匹配的全新评估体系

▸ 流程再造：从根本上重新设计工作流，而非在旧流程上打补丁

三、思维模式进化：从模型到探索

理解模型仍然重要，但仅有技术知识已不足够。McDonagh-Smith描述了AI的阶段性演进，每一步都解决了前一代的局限：

1. 规则系统时代：早期系统依赖人类编写的固定规则

2. 机器学习时代：被能够从数据中学习规律的模型所取代

3. 生成式AI时代：最新系统能够处理语言、图像和其他复杂信息

每一项进步都解决了一个问题，因此理解当今系统的局限性——例如它们对海量数据和计算能力的依赖——有助于组织预见未来发展方向。但组织需要超越技术知识。“我们需要从模型转向探索与进化的思维模式。“这意味着在实践中使用AI——在真实问题上测试它，观察什么有效。

四、重构工作：从岗位到任务的范式转换

采用AI对工作结构具有深远影响。McDonagh-Smith指出，工作岗位已不再是理解工作的合适分析单位。“将职位角色作为测量单位的时代已经过去了。相反，你需要将工作分解为其组成部分。一个岗位可能包含15到20项核心活动。“AI正在逐任务地改变工作——自动化某些任务，增强其他任务，实现人与系统之间的任务分工。

” gone are the days when you can think of a job role as a unit of measurement. Instead, you need to break a job down into its constituent parts.”—— Paul McDonagh-Smith

这意味着组织需要围绕任务而非岗位重新设计工作流程，而不是简单地将AI叠加到现有角色上。管理者需要：

• 绘制工作实际执行方式的详细流程图

• 明确界定人与AI之间的任务分工边界

• 识别哪些任务适合自动化，哪些适合增强

• 建立动态调整机制，随技术发展持续优化分工

五、建立新的绩效评估体系

传统绩效指标往往无法捕捉AI创造的价值。“我们继承的价值指标和测量单位……未来未必适用，“McDonagh-Smith指出。相反，组织需要新的绩效基准方式，包括：

▸ 决策速度：从数据到决策的时间缩短程度

▸ 人机协作效率：人与AI系统协同工作的流畅度

▸ 洞察反馈速度：洞察转化为业务行动的速度

▸ 决策质量提升：AI辅助决策的准确性和效果

▸ 系统自主性：AI系统独立处理任务的程度

▸ 组织理解度：AI系统对组织情境的适应和理解能力

起点是在关键工作流程中定义一套小规模的AI特定指标，并用它们测试价值正在何处被创造。

六、攻克“最后一公里”难题

AI采用的核心挑战出现在McDonagh-Smith所称的“最后一公里“——即AI系统未能转化为业务价值的环节。“AI最后一公里工程的根本在于缩小AI潜力与现实影响之间的差距。“在许多组织中，AI项目陷入停滞，因为尽管模型有效，但它并未被应用于日常决策和工作流程。

“AI last-mile engineering is fundamentally about reducing the space between AI’s potentiality and its real-world impact.”—— Paul McDonagh-Smith

攻克最后一公里的结构化方法

1. 明确问题定义：识别待解决问题的共同分母：需要清晰定义试图用AI解决的问题

2. 用户参与设计：系统应与使用者共同构建，而非强加于他们

3. 关注实际情境：优先考虑工作实际执行方式，而非仅依赖计算能力

4. 测试与规模化：通过小规模应用测试、衡量结果并规模化成功经验

5. 建立用户信任：从一开始就建立信任，建立治理机制和持续监督

核心理念：小步快跑

“Ship small, learn fast”（小步快跑，快速学习）——McDonagh-Smith强调，进步来自小规模测试、衡量结果并规模化有效方案。这种敏捷方法比大规模一次性部署更能降低风险并加速学习曲线。

七、结论：协同对齐创造转型价值

AI转型的成功不在于技术本身的先进性，而在于组织能否实现工作、劳动力和工作场所三要素的协同对齐。从工具思维转向操作系统思维，从模型导向转向探索进化，从岗位管理转向任务重构，从传统指标转向AI原生评估——这些范式转变是释放AI商业价值的必经之路。攻克“最后一公里“需要结构化方法、用户参与和持续迭代。只有将技术潜力转化为实际工作流程中的可衡量影响，AI投资才能真正实现回报。在这个快速演进的时代，组织需要的不仅是技术能力，更是重新想象工作方式的战略勇气和持续学习的文化韧性。

__________________________________________________

原文来源：MIT Sloan Ideas Made to Matter

https://mitsloan.mit.edu/ideas-made-to-matter/how-to-accelerate-ai-transformation

编者：老农    译者：王荟