别只学AI工具,该学的是这五种协作策略

上一篇文章，我们讨论了一个很重要的判断：AI替代的通常不是一个完整岗位，而是岗位中的一部分任务。

这句话听上去像是在缓解焦虑，但它其实会带来一个更具体、也更难回避的问题。

如果资料搜集、表格整理、初稿撰写、代码编写、标准化回复、基础分析这些任务，越来越多地可以由AI完成；如果原来需要三个人、三天才能完成的工作，现在一个人加上AI一天就能完成——那么，省下来的时间会流向哪里？人又应该把自己放在哪里？

有的人会把答案理解为：只要学会几个AI工具就可以了。

但工具会变，模型会变，今天有效的提示词明天可能就过时。真正值得学习的，不是某一个工具的操作，而是一个更稳定的问题：怎样与越来越聪明的机器重新分工。

这不是一个纯技术问题。它会决定一个人的职业路径，也会决定一家企业怎样设计流程、岗位和组织。

一、人机协作的五种策略

麻省理工学院教授托马斯·达文波特与朱莉娅·柯比曾提出五种人机协作策略：向上走、向旁走、向内走、向深走、向前走。

今天，AI的能力已远超当年：它不仅能检索、写作和编程，也开始能够理解图像与语音、调用工具，并完成多步骤任务。现在，我们站在当前的能力边界上，重新理解这五种策略。

1、向上走：从完成任务，走向定义问题

AI很擅长解决一个已经被表述清楚的问题。

你让它分析某类缺陷的原因，它可以快速关联设备参数、检测图像、维修工单和历史批次；你让它比较十家供应商，它可以在很短时间内整理价格、交期和公开评价；你让它写一份方案，它可以生成多个版本，甚至连反对意见也一并列出来。

但有一个问题，AI并不会天然替人解决：我们究竟应该解决什么问题？

这就是“向上走”的起点。

例如，一家企业发现产品良率下降。表面问题似乎很明确：把良率拉回来。AI也许很快会给出一组相关性很高的参数组合。

但真正值得追问的可能是：问题究竟发生在制造环节，还是研发设计改变后没有充分验证？是某一类客户产品的缺陷，还是来料标准已经与新的材料体系不匹配？我们追求的是本周的良率数字，还是未来六个月的可靠性？

问题定义不同，后面的数据、模型、方案和行动都会不同。

管理学家彼得·德鲁克有一个著名提醒：最危险的错误，往往不是得到错误答案，而是提出了错误问题。在AI时代，这句话变得更锋利。因为当AI可以在几秒内给出一百个答案时，答案本身会越来越便宜；而识别真问题、定义正确目标的能力，反而越来越值钱。

向上走的人，不一定是职位最高的人。他可以是项目负责人、产品经理、工艺总师、客户经理，也可以是一位能把局部异常看成系统问题的一线工程师。

他们通常做三件事：

• 把模糊的抱怨变成明确的问题。“客户总在投诉”要进一步变成：哪类客户、哪种场景、哪个环节、什么指标出了问题？

• 把单一目标变成多目标取舍。成本、质量、交期、安全、客户体验和长期声誉，往往不能同时做到最好。

• 把AI的建议放进更大的背景中判断。一个局部最优的方案，可能会把风险转移到下一个工序、下一个季度或另一个团队。

所以，向上走不是脱离细节，而是在AI越来越擅长细节之后，站到更高处重新看目标、边界和后果。

2、向旁走：从提供答案，走向建立信任与促成行动

过去谈人机协作，常有人说：“机器没有共情能力，所以人应该去做更有人情味的工作。”

这句话今天已经不够准确。AI可以用很自然的语言回应情绪，可以写出有感染力的文案，也可以模拟耐心的沟通。真正稀缺的，不是“说出一句像人在关心的话”，而是在真实关系中理解处境、建立信任，并推动不同的人一起行动。

想象一个常见场景。

某个重要客户临近交付，供应商来料出现轻微波动。AI分析后给出两个方案：放宽一项抽检标准，可以保证交期；维持原标准，则有延迟风险。

系统可以把风险、成本和概率列得很清楚，但它无法独自完成接下来的工作：谁去向客户解释？谁与供应商谈补救计划？谁协调质量、采购、生产和销售之间的冲突？谁决定在信息并不完整时承担哪一种风险？

这就是向旁走。

向旁走的人，不是躲开技术，而是把技术腾出来的时间，投入到更需要人的工作中：

• 在客户出现重大问题时，理解对方真正担心什么，并恢复信任；

• 在跨部门项目卡住时，发现每一方没有说出口的约束，推动协作；

• 在新流程上线时，帮助一线员工理解变化、学习新方法，而不是只下达命令；

• 在谈判、管理和危机处理中，作出承诺，并对承诺负责；

• 在设计、品牌、产品定义中，判断什么真正适合用户、什么值得坚持。

AI可以帮助准备材料、模拟对话、梳理选项，但它不能替你获得别人的长期信任，也不能替你为一个承诺负责。

因此，未来值得刻意训练的，并不只是表达能力，而是倾听、谈判、冲突处理、说服、带领团队和承担责任的能力。

3、向内走：从使用AI，走向理解、校准和治理AI

如果说向上走决定“做什么”，向旁走决定“如何与人一起做”，那么向内走关注的是：AI到底能不能被可靠地用起来。

这条路径尤其值得今天的知识工作者和专业人士关注。

因为现实里，AI项目失败很少只是因为模型“不够聪明”。更多时候，问题发生在模型与真实工作之间：数据口径不一致，知识没有被整理，系统不知道现场约束，输出没人复核，出了问题也没有人能解释、纠正和改进。

以设备预测性维护为例。AI可以读取振动、电流、温度、维修记录和报警日志，预测一台设备未来发生故障的概率。看上去，系统已经完成了很难的分析。

但要让它真正创造价值，仍然需要有人判断：传感器数据是否可靠？设备刚换过工况，历史规律还适用吗？这次预警应该立刻停机检查，还是继续观察？模型频繁误报，问题在算法、数据，还是维护记录本身？

更重要的是，这台设备此刻生产的是哪一位客户的哪一代产品？这位客户是否有比通用标准更严格的可靠性要求？该产品是否正处于验证、爬坡或关键交付阶段？过去是否发生过类似的质量争议？

这些看似“只有老员工才知道”的信息，并不必然永远只能靠人记住。只要企业把客户特殊规范、产品版本、合同约束、验证记录、异常案例和最终处置结果持续沉淀为可访问、可更新的知识，AI完全可以在长期使用中学习这些企业 know-how，并在下一次预警时主动把它们纳入判断。

但系统学会历史经验，并不等于可以不加判断地照搬历史。仍然需要有人持续确认：这些规范是否已经变更？过去的案例是否真的适用于当前产品和工况？AI是否拿到了完整且有权限使用的信息？当质量、交期、成本和客户关系相互冲突时，哪一种取舍应当被接受？人的角色因此不是守着一份AI永远学不会的知识，而是校准知识的时效、适用范围和使用边界，并为最终取舍负责。

这些工作，就是向内走。

向内走的人，既不是只会点按钮的用户，也不一定是开发底层模型的工程师。他们是AI与真实业务之间的连接者，负责：

• 将客户的特殊规范、产品版本差异、验证历史与合同约束沉淀为AI可用的知识，并持续校准其时效与适用范围；

• 判断哪些任务可以自动执行，哪些必须由人审批；

• 设计抽检、复核、升级、留痕和回滚机制；

• 发现AI的误报、漏报、偏差和越权行为；

• 收集一线反馈，让系统持续改进；

• 向同事、客户和管理者解释系统的建议与边界。

未来会越来越需要这类“既懂业务、又懂系统”的人。对大多数人来说，这也是最现实的起点：不必等到成为算法专家，先在自己的工作中学会判断AI何时可用、何时不可靠、怎样让它变得更可靠。

4、向深走：从拥有知识，走向拥有场景与判断

AI的发展让许多人产生一个担忧：既然它能读完大量资料、回答专业问题，深耕专业还有没有意义？

答案是：有。但专业化的含义正在变化。

过去，知道一套知识本身就很有价值。今天，公开、标准化、容易描述的知识会越来越容易被AI获取和调用。只靠“我比别人多知道一点信息”，很难构成长期优势。

真正更难替代的，是那些与具体场景、长期经验和结果闭环绑定在一起的专业判断。

比如，同样是懂激光焊接，有人可以解释基本原理；另一位工程师长期服务于某类医疗器械产品，知道特定材料在不同湿度、夹具磨损状态、批次波动下会出现什么问题，知道客户审厂最看重哪些证据，也知道怎样在不牺牲可靠性的前提下缩短验证周期。

后者拥有的不是一份知识清单，而是一套在真实世界里反复验证过的判断。

这就是向深走。

今天的向深走，不是故意选择一个冷门领域，而是建立四层难以复制的优势：

• 深度场景：真正理解一个行业、一个客户群、一类产品或一段流程里的复杂约束；

• 私有案例：积累成功、失败、返工和异常处置的真实经验；

• 专业信誉：拥有客户信任、行业网络、认证资质或解决关键问题的记录；

• 结果闭环：不仅给建议，还能推动实施、看到后果，并据此修正判断。

AI不是这条路的对手，反而可以成为杠杆。它能帮专家检索资料、整理案例、比较参数、追踪变化、生成初步方案；而专家把精力集中在例外、风险、现场约束和最终结果上。

所以，专业知识不会消失。会贬值的是脱离场景、无法转化为行动和结果的知识。

5、向前走：从改造旧工作，走向创造新的价值

向前走的人，不满足于让AI替自己写得更快、分析得更快。他们会继续追问：当AI能够参与理解、分析、规划和执行时，我们能不能创造过去不存在的产品、服务、平台与商业模式？

流程重构当然是向前走的一部分。很多企业的AI应用停留在“加法”：给员工增加一个问答机器人，给会议增加一个纪要工具，给报表增加一个自动分析功能。这当然有价值，但它通常只是让旧工作做得更快，还没有创造新的价值。

真正的向前走，既包括对旧流程做“减法”和重构，更包括面向客户、市场和产业链创造新的供给。

例如，一家企业处理质量异常的传统流程可能是：现场发现问题，人工填报，工程师排队分析，多个部门开会，安排试验，最后把结论再反馈给现场。信息在不同人、不同系统和不同表格之间来回流动，几天甚至几周后才形成闭环。

重新设计后，流程可以变成：

系统实时发现异常信号 → AI关联历史批次、物料、设备与工艺记录 → 自动生成风险等级和排查清单 → 低风险问题触发标准处置 → 高风险问题推送给对应专家 → 专家的判断与实际结果回写知识库 → 下一次识别与分流变得更准确。

这里的重点不在于“AI生成了一份报告”，而在于信息怎样流动、谁在哪个节点判断、例外如何处理、经验如何沉淀，整个价值创造过程被重新组织了。

但向前走不应止步于内部效率。更大的机会，是把这种新能力变成客户愿意购买的新价值。比如，设备制造商过去卖的是一台设备和一次售后服务；接入AI后，它可以进一步提供基于实时运行数据的预测性维护订阅、能耗优化服务、远程工艺诊断平台，甚至按设备可用率或产出效果收费。它卖的就不再只是设备，而是持续、可量化的生产保障。

同样地，一家原本只提供检测服务的公司，可以把长期积累的缺陷图像、失效案例和专家经验做成面向客户的质量风险预警平台；一家材料企业可以将配方、试验和应用知识与AI结合，提供更快的联合研发与定制化解决方案。AI在这里不是附加功能，而是让新产品、新服务和新价值交换方式成为可能的基础。

向前走需要的人，也不只是工程师或程序员。它同样需要懂客户的业务人员、懂场景的领域专家、能设计产品和流程的人、能推动制度与组织改变的管理者，以及能把新能力变成客户价值的销售和创业者。

真正有价值的AI创新，不是做出一个看起来很聪明的Demo，也不只是让内部成本更低，而是让它进入真实业务后，持续创造客户愿意选择、愿意付费的新价值：更好的结果、更快的响应、更低的风险、更个性化的服务，或过去根本无法提供的新能力。

二、人类三种不可替代的能力

五种策略看上去各不相同，但它们最终都建立在三种更基础的能力之上。

1、 问题定义者

AI越来越擅长给答案，但“什么问题值得解决、目标应该怎么设定”，仍然需要人判断。

问题定义者能从大量现象中分辨真正的问题。他不会满足于“销量下降”“客户投诉增加”“良率波动”这样的表述，而会继续追问：下降发生在哪里？什么变化导致了它？我们真正要优化的是什么？解决这个问题会不会制造更大的问题？

当答案变得廉价，问题定义会成为最重要的稀缺能力之一。

2、 人机协作设计者

AI做了很多工作，不意味着人只需在最后点一下确认。

人机协作设计者知道怎样把复杂任务拆开：哪些部分适合AI检索、比对、生成和重复执行；哪些部分需要人提供关键上下文；哪些结论必须复核；发现异常后由谁接手；最终谁拥有决定权。

例如，在来料质量检验中，AI可以负责读取检验报告、识别图像缺陷、比对历史批次；质检人员复核边界样本；质量工程师决定是否扩大抽检、冻结批次或要求供应商纠正；处置结果再反馈给系统。

这是一种新的工作设计能力。它要求理解AI的能力边界，也要求理解业务的风险边界。

3、有判断力的领域专家

AI可以学习大量专业知识，但它不会自动拥有对真实后果的判断。

很多重要决定都不是简单的对错题，而是在不同风险之间取舍：停线会影响交付，继续生产可能扩大质量损失；更换供应商能降低短期成本，却可能带来验证与稳定性风险；采用新技术可能提升性能，也可能增加长期不确定性。

这需要专业知识，但不止是专业知识。它还需要理解客户、法规、组织能力、时间窗口和利益相关方。

因此，未来更稀缺的组合是：

领域专业知识 + 跨领域整合能力 + 价值取舍能力 + 对结果负责的意愿。

“知道是什么”会越来越容易；“知道在这个具体情境下应该怎样取舍”，会越来越重要。

三、从会用AI，走向重构自己的任务

不必等到企业上线一套庞大的AI系统，个人今天就可以开始改变。

第一，拆解自己的工作。

找一项每周都会做、又耗时较多的工作，例如分析异常、准备项目材料、制定验证计划、整理客户反馈或追踪供应商交付。把它拆成信息收集、模式识别、初步分析、决策、沟通、执行和复盘，再分别标记：哪些可以交给AI，哪些需要人机协作，哪些必须由自己负责。

第二，练习解释自己的判断。

面对重要决定，不妨写下目标、依据、替代方案、反例、风险和最终理由。让AI帮你找信息、挑战假设，但不要把价值取舍外包给它。只有能够说清“为什么这样判断”，你才有能力在AI出错时纠正它。

第三，选一个小流程重新设计。

不要先问“哪个AI工具最强”，而要问：团队里哪一段流程最慢、最依赖人工转交、最容易信息丢失、最经常因为例外返工？从一个小而具体、结果可衡量的流程开始，重新设计人和AI的分工、检查点和反馈机制。

结语

看清AI替代的是任务，而不是一个完整岗位，只是第一步。

更重要的下一步是：主动决定自己要进入哪些新任务，承担哪些更重要的责任。

向上走，去定义问题、目标与边界；向旁走，去建立信任、协调关系、促成行动；向内走，去理解、校准和治理AI；向深走，去把专业经验沉入真实场景；向前走，去重新设计流程，并创造新的产品、服务、平台和商业模式。

这五条路并不互斥。对多数人而言，最现实的起点是向内走：先在自己的领域里学会可靠地使用AI、质疑AI、改进AI。然后再根据自己的禀赋和机会，走向更高层的系统判断、更深的专业能力、更强的人际协作，或者新的创新机会。

当执行越来越便宜，真正稀缺的不是更快完成任务的人，而是能定义问题、设计协作，并对最终结果负责的人。

参考阅读

• Thomas H. Davenport & Julia Kirby, Only Humans Need Apply: Winners and Losers in the Age of Smart Machines.

• Peter F. Drucker, The Effective Executive.

• NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.