AI 力，决定了你能否在 AI 时代胜出！

AI 是新技术，人和组织需要和技术有效地互动，才能让 AI 作为一种新技术在个体和集体层面发挥出真正的和最大的价值。

从个人电脑到互联网，从互联网到移动互联网，从移动互联网到 AI，从 AI 到生成式 AI，信息技术在加速渗透。根据 Coatue 的研究，PC 覆盖 50% 的用户用了 20 年，互联网用了 12 年，移动互联网用了 6 年（Coatue，2023）。从这个趋势中不难看出，也许生成式 AI 覆盖 50% 的用户只需要用3年或更短的时间。

进一步认识 AI

在 OpenAI 的 ChatGPT 横空出世后，人们对 AI 的理解多了一个重要的维度：生成式 AI。过去人们对 AI 的分类更多地偏向学术，现在我们可以简单地将 AI 分为两类：生成式 AI 和分析式 AI。分析式 AI 是根据现有的数据、信号等进行分析，进而给出建议、结论。当我们用搜索引擎、今日头条、快手等信息流型产品时，就在使用分析式 AI。而生成式 AI，顾名思义，就是生成、创造、创新。无论是通过文字生成文字，还是通过文字生成图片、音频、视频，都是属于生成式 AI。生成式 AI 是基于海量的数据进行训练后形成的一种涌现能力。海量数据训练的模型也叫大模型，训练的参数规模往往在数十亿到数千亿之间。

基于 AI 的应用场景，我们可以将 AI 分为通用型 AI 和行业型 AI。通用型 AI 是为不特定的人群和不特定的目的所开发的一般性人工智能产品。行业型 AI 则是为垂直领域，特定约束和人群所开发的产品。比如金融领域的风控 AI 产品就是典型的行业型 AI 。

我们可以将上述两个分类方式放在一起进一步认识 AI ，可以看出，目前大家关注最多的是通用型生成式 AI 。在金融领域，我们应当进一步思考和应用行业型 AI，无论是小模型产品还是大模型产品。

在组织中，我们的工作可以分为两类：一类是创意类的工作，一类是精确的工作。创意类的工作如撰写一段文案，给出一些方案，设计广告等；精确的工作如计算利息，做出重要的决策，识别高潜力客户等。

AI 在组织中的形态也可以分为两种，一种是以副驾驶（Copilot）的形态出现；一种是以自动驾驶智能体（Autopilot）的形态出现。AI 作为副驾驶并不替代驾驶员的开车过程，而是在司机身边提供必要的建议和帮助。自动驾驶形态则不需要原本的司机，由AI来完成全部的工作。这两种形态也可以理解为副驾驶属于增强形态，自动驾驶属于替代形态。副驾驶增强了司机，自动驾驶替代了司机。AI 可以在某些场景增强人才，也可以在某些场景替代人才。

目前市面上的人工智能产品，无论是分析式 AI 还是生成式 AI，主要还是以副驾驶的形态出现，在不少领域朝着自动驾驶的形态演进。

AI 对个人和组织的价值越来越明显

目前学术界和工业领域已经有多篇针对 AI 在组织中应用从而提升生产力的实证研究，表明 AI 可以显著地提升知识工作者的生产力和多项关键指标。

我们看到，在 2022 年美国国家经济研究署针对 5147 名技术支持服务人员应用大模型的研究中，通过衡量每小时解决问题数量、每小时对话数量和平均处理时间等因素，发现使用生成式 AI 工具可以有效提高生产力，平均提高程度为 14%，且 AI 对新手和低技能员工的影响程度最大。这个研究表明大模型产品可以对客户服务领域产生直接的帮助和改变。在金融领域，很多业务都涉及服务人员和热线工作，这是一个很好的提升生产力的机会。

学术界针对 AI 对人才绩效的影响一直抱有两个不同的假设。一个假设认为，AI 会显著提升高绩效人才的生产力，从而放大差异；另外一个假设认为，AI 不会显著放大人与人之间的差异。我们看到，2023 年 MIT 的两位博士生所做的研究中表明，AI 让参与实验的人员的绩效方差变小了，也就是 AI 打破了绩效的一致性。AI 不但没有扩大人与人之间的生产力差异，反而让人与人之间的绩效更相似了。在这个研究和上文提到的美国经济发展署的研究以及更多研究中都看到，AI 对于新手或者资浅的员工的生产力提升最大。这为组织接下来招聘员工、培养新员工、培养应届毕业生都带来了重要的启示。当 AI 打破了绩效的一致性命题后，很多职位的招聘画像、新员工的达产周期和生力水平都会发生显著的预期改变。

平均而言，我们日常的工作任务中有 63% 是和语言相关的（埃森哲，2023）。只要是和语言相关的工作，基于大语言模型的生成式 AI 产品都有机会显著提升生产力。根据埃森哲的研究，所有行业中 40% 的总工时将更具自动化潜力或更具人员强化潜力，而在银行业这个数字达到了 66%（埃森哲，2023）。

不少全球企业积极地抑或是小心翼翼地引入了大模型产品，目前主要的形态是向所有员工提供了聊天机器人（Chatbot）形态的入口。更多的企业还在观望和评估，以及思考如何引入 AI 从而让组织发展受益，提升生产力。

根据 UMU 和人才发展协会（ATD）在 2022 年、2023 年连续两年开展的全球研究中发现，超过 65% 的受访企业在引入 AI 到组织中存在重重困难。组织要加速引入 AI。AI 不会简单地替代掉工作，我们可以通过 AI 与人的互动关系来分析未来组织中 AI 和人才的互动模式。

AI 是新技术，人和组织需要和技术有效地互动，才能让 AI 作为一种新技术在个体和集体层面发挥出真正的和最大的价值。在北美的一些招聘广告里面，使用生成式 AI 的能力已经成为工作经验的加分项（NYT，2023）。

组织该如何拥抱 AI？管理学大师马奇教授在一篇经典论文中提出，组织学习需要在“利用”和“探索”之间取舍。组织往往利用有余，探索不足。因此组织应当在探索 AI 应用到个人与组织生产力发展中抱有更大的耐心。

大模型时代的“AI 力”

在不少组织提供了 AI 大模型的入口后，企业迎来了大模型使用的小高潮。每个月的大模型账单金额让许多企业大吃一惊：企业并没有收到一张巨额账单，相反，企业每个月的大模型用量非常有限。这有点像企业里面开设了一个图书角或者图书馆，刚开业的时候人流如织，不久后就趋于寂静。图书角或者图书馆之于组织是一种能力，这种能力如果不被日常使用则是一种似有似无的能力。

这说明，大模型作为一种技术能力，并不直接等于个体和组织的生产力。为什么有的人使用大模型会觉得大模型的帮助非常有限，甚至觉得大模型有点笨？为什么有的人使用大模型就能够如虎添翼？这说明，大模型作为一种新技术，将其应用到自己的工作领域并解决实际的问题背后代表了一种能力，这种能力平行于领导力、协作能力、学习能力，可将其定义为”AI 力”。

在清华大学经管学院李宁教授主持的一项研究中发现，使用 AI 的受试者的生产力水平高于不使用 AI 的控制组。当为受试者先提供使用 AI 的培训再提供 AI 产品支持后，其生产力水平远超过仅提供 AI 产品的受试者。

在后续的研究中，通过比较受试者和大模型的互动轮数、首个问题的提示词长度、平均提示词长度、问题的深度等多个指标，可以明显看出提供培训后受试者使用 AI 的能力显著增强。

这也就意味着 AI 作为一种技术，需要通过再培训为组织中的员工赋能，从而帮助员工掌握使用 AI 的能力，从而通过利用 AI 获得生产力的显著提升。

AI 力表现为五个层级，分别是娱乐、检索、反馈、建构、智合。

根据 AI 的使用场景和使用方式，我们可以将五级 AI 力模型放在一起进行比较：

AI 力，顾名思义就是使用 AI 的能力与素养。我们可以用 ASK 模型来解构和充分定义 AI 力。ASK 模型是态度（Altitude）、技能（Skill）、知识（Knowledge）的缩写。

使用 AI 应当具备怎样的态度？笔者认为应当建立与 AI 协作而非依赖的态度，建立开放而非封闭的态度，建立迭代而非刻舟求剑的态度。对大模型可能产生幻觉持有一种中立的态度，用好大模型避免幻觉，以及避免简单直接使用大模型的回答从而陷入幻觉的风险。

使用 AI 应当具备怎样的技能？笔者认为目前使用 AI 的技能主要分为两大方面：一个是通过”提示词”和大模型进行互动，通过深入学习提示词这种全新的”语言””语法”和最佳实践，从而比较全面地调用大模型的各项能力，充分发挥出大模型的优势。另一个是直接利用 AI 领域最新软件或工具的能力。对于行业型 AI，能够充分利用好 AI 产品或工具也是一种关键技能。如利用 Midjourney 或者其他文生图工具，或者利用 Adobe Photoshop 中最新的 AI 功能进行绘画创作，高质量完成一幅海报设计的过程就是充分利用了这种技能。

使用 AI 应当具备怎样的知识？笔者认为应当全面了解 AI 的发展历史和当下大模型的主要工作原理，了解各类大模型产品的优劣，知道在什么情景使用特定的大模型帮助自己完成工作。使用 AI 需要具备的知识还包括充分理解大模型的幻觉和使用边界，知道什么时候适合使用大模型，什么时候不适合使用大模型解决特定问题。大模型产品日新月异，最佳实践和创新探索也层出不穷，在这个过程中需要保持更新，掌握最新的最佳实践，避免刻舟求剑，以及固定思维模式。

我们可以通过使用生成式 AI 的方式定义使用者与 AI 的关系。

第一种是人为 AI 工作。在这种模式下，典型的使用方式是通过简单的 AI 提示词获得回答，并将 AI 给出的回答当作标准答案直接使用。没有经过系统性训练的大模型使用者都在这一个层级。这时候我们可以把使用者称为”AI 素人”。AI 本身能力下限决定了使用者的常见水准。使用者通过长期简单使用，为 AI 提供语料，并且为终极的通用人工智能提供输入。这种情况下，属于人为 AI 工作，或者说人为未来的通用人工智能工作。终极的通用人工智能可以通过人类简单的输入给出高质量的回答，这个时候多数人在通用人工智能前就会丧失智力价值。模糊输入，高质量输出。使用者对 AI 是盲目依赖关系。

第二种是 AI 为人工作。在这种模式下，使用者学会使用复杂和高级的提示词工程，能够尽可能地发挥出 AI 的能力，为使用者提供更为精确的回答。在这种情况下，使用者对 AI 是高度依赖关系。生成式 AI 发展得越好，这类用户越直接获益。AI 的水平决定了使用者的日常水平。

第三种是 AI 作为大学生与人工作。在这种模式下，使用者不将 AI 的回答直接使用，而是将 AI 的回答作为建构自己思考的基础，也可以称作脚手架。由于使用的提示词比较简单和直接，这个时候 AI 的能力直接决定了脚手架的水准。生成式 AI 发展得越好，这类用户越加速获益。这类用户属于建构式思维能力强，但 AI 素养弱的类型。AI 的水平决定了使用者的底线水平。AI 的上限决定了使用者的水平上限。

第四种是 AI 作为专家与人工作。在这种模式下，使用者利用 AI 作为脚手架进行建构式思考。通过复杂的提示词工程获得诸多创意和待选项，构建出高质量的脚手架和闪光创意。生成式 AI 发展得越好，这类用户越指数性获益，成为生产力与创造力爆棚的使用者。这类用户属于建构式思维能力强，且 AI 素养高的最佳类型。AI 的日常水平决定了使用者的底线水平，AI 的上限决定了使用者的日常水平。

针对内容复杂度和逻辑复杂度进行建模。涉及多个内容领域属于内容复杂度高，涉及多个要素、层级、互动关系属于逻辑复杂度高。使用大模型的时候可以先判断内容复杂度和逻辑复杂度，然后决定使用提示词的策略。

利用好 AI 的组织和个体将获得更高的生产力和更好的工作体验，从而在市场上取得竞争优势。大模型在加速发展，我们对人工智能的理解和应用都在发生着日新月异的升级。在这样一个转型的时间窗口，我们更要更快地采取行动，发展大模型时代的“AI 力”。