AI 战略转型的关键：从“追求最强 AI”到“配置最适合的 AI”

人工智能（AI）的快速发展正在重塑工作世界，引发关于其社会影响的广泛讨论。一些观点认为 AI 将提升生产力并推动经济增长，使整个社会受益；另一些观点则担心这项技术可能替代人类劳动，降低工资。

对于负责组织 AI 战略和人才发展的决策者而言，一个核心问题尚未得到充分解答：AI 的哪些改进会增加劳动力收入，哪些会减少？更重要的是，是否存在一个理论框架能够指导组织在 AI 时代最大化劳动力价值？

1. 问题的本质：缺乏理论框架

在当前的 AI 转型实践中，人力资源部门正陷入重重困境。

矛盾一：投入巨大，效果难证。许多组织每年投入数百万资金进行 AI 培训和转型，但 HR 却无法向高管证明这些投资到底带来了什么价值。培训数据分散在各个系统，无法形成完整的证据链。当高管质疑“这些培训到底提升了多少业绩”时，HR 只能给出模糊的定性描述，拿不出硬数据。这种“投入看不见回报”的困境，让 HR 在预算谈判中处于被动地位。

矛盾二：战略模糊，路径不清。组织都知道要数字化转型，但“怎么转”却成了难题。许多组织投入大量资源，但转型效果不明显，缺乏清晰的实施路径。更关键的是，组织不知道应该优先提升 AI 的哪些能力。是追求”最强 AI”吗？还是应该有所侧重？这个根本性的战略问题，至今没有理论框架来指导。

矛盾三：员工担忧，转型受阻。员工担心 AI 改进会降低自己的收入，甚至被替代。这种担忧导致员工对 AI 转型产生抵触情绪，影响转型推进。但组织却无法向员工解释清楚：AI 的哪些改进会真正帮助员工，哪些会影响员工利益？缺乏这个答案，组织就无法消除员工的担忧，也无法获得员工对 AI 转型的支持。

这些矛盾的根源在于，我们缺乏一个理论框架来理解 AI 改进对劳动力的影响机制。传统观点可能认为 AI 改进总是对劳动力有利，或者认为更强的 AI 必然带来更好的结果。但最新经济学研究揭示了一个颠覆性的洞察：AI 改进方向比改进程度更重要。这个发现，正是解决上述三个矛盾的关键。

IESE 商学院的 Enrique Ide 和 Eduard Talamàs 在 2024 年 8 月发表的研究论文中，构建了一个知识经济模型来分析 AI 能力对劳动力收入的影响。

2. 洞察一：“图灵谷”现象——AI 在弱维度改进反而降低劳动力收入

论文的第一个核心发现是：当 AI 在机器弱于人类的维度改进时，劳动力收入下降；当 AI 在机器强于人类的维度改进时，劳动力收入上升。

理解框架：知识的多维性

这个发现的核心逻辑是：AI 改进的方向决定了人机协作的价值变化。

论文将知识理解为多维度的能力。比如，一个销售岗位可能需要两个维度的能力：产品知识维度（了解产品特性）和人际沟通维度（理解客户需求、建立信任）。AI 擅长快速检索产品信息（强维度），但不擅长理解客户情绪（弱维度）。

如果 AI 在它弱于人类的”理解客户情绪”维度改进，它只能独立处理简单沟通，把复杂问题留给人类，人机协作价值没有提升，反而让人类工作更困难。但如果 AI 在它强于人类的“产品知识”维度进一步改进，它就能解决更多之前无法解决的复杂问题，让人机协作创造更大价值，人类收入因此上升。关键在于：AI 应该在自己擅长的领域变得更强，而不是在自己不擅长的领域追赶人类。

核心发现：改进方向决定收入变化

论文通过经济学模型证明了一个关键规律：

• 当 AI 在它不擅长（弱于人类）的领域变强时，员工收入反而下降

• 只有当 AI 在它本来就擅长（强于人类）的领域更强时，员工收入才会上升

为什么会出现这种反直觉的结果？

论文提供了清晰的解释：当 AI 在它不擅长的领域硬补短板时，它只是学会了独立搞定那些简单任务。结果就是：AI 抢走了容易的活儿，把最复杂的问题留给了人类。这不仅没创造新价值，反而让人类的工作变得更艰难了。

相反，当 AI 在强维度改进时（比如在产品知识维度进一步提升），这种改进既提升了人机协作的价值，又增加了知识协同效应。论文指出：“AI 现在能独立解决的每个新问题，都是组织之前无法解决的问题。因此，AI 现在提出的、人类无法回答的问题更少了，有效改善了人类需要处理的问题池”。

换句话说，当 AI 在强维度改进时，它能够解决更多之前无法解决的复杂问题，这让人机协作的价值大幅提升，劳动力收入因此上升。

组织的四种可能形态：

1. 单层自动化组织：只有 AI，没有人类

- 就像完全由机器人运营的工厂，AI 独立处理所有问题

2. 单层非自动化组织：只有人类，没有 AI

- 就像传统手工作坊，所有工作都由人类完成

3. 底层自动化组织：AI 在底层，人类在顶层

- AI 先处理问题，解决不了的向人类求助，人类是”救火队员”

- 例子：客服系统（AI 先回答，转人工）

4. 顶层自动化组织：人类在底层，AI 在顶层

- 人类先处理问题，解决不了的向 AI 求助，AI 是”专家顾问”

- 例子：医生诊断（医生先看诊，疑难问题咨询 AI）

3. 洞察二：最大化劳动力收入的 AI 不是最强的 AI

论文的第二个核心发现更加反直觉。当人类在至少一个维度足够强时，对员工最有利的 AI 配置是“非对称”的：在人类相对强的维度表现尽可能差，在人类相对弱的维度表现尽可能好。

这个发现完全颠覆了“AI 越强越好”的直觉认知。论文明确指出：“当 AI 在人类相对强的维度表现尽可能差，在人类相对弱的维度表现尽可能好时，劳动力收入达到最大化”。

为什么会出现这种“非对称”配置？

论文提供了经济直觉解释：在人类有相对优势的情况下，劳动力偏好相对便宜、非自主的机器，这些机器可以在人类弱的维度补充人类；而资本偏好自主的、在所有维度都尽可能强的机器。

用一个例子来理解：假设销售人员在人际沟通维度很强（能建立客户信任），但在产品知识维度较弱（难以记住所有产品细节）。如果组织引入一个“”非对称”的 AI——在人际沟通维度表现一般（不强），但在产品知识维度表现优秀（能快速检索所有产品信息），这个 AI 就能在销售人员弱的维度补充他，形成完美的人机协作。销售人员专注于自己擅长的沟通，AI 提供产品知识支持，两者协作创造最大价值。

但如果引入一个“全维度强”的 AI——在人际沟通和产品知识两个维度都很强，这个 AI 可能会独立完成更多工作，减少对人机协作的需求，反而降低劳动力收入。

这一发现揭示了劳动力与资本在 AI 发展方向上的根本分歧：劳动力希望 AI 是“补充者”（在人类弱的维度强），而资本希望 AI 是“替代者”（在所有维度都强）。

4. 洞察三：人机协作的知识协同效应

论文还揭示了一个重要机制：人机协作可以产生知识协同效应，即人机联合解决问题的能力可能大于各自独立解决问题能力的并集。

这个发现意味着，人机协作不是简单的“1+1=2”，而是可以创造“1+1>2”的协同价值。比如，人类单独能解决 60% 的问题，AI 单独能解决 50% 的问题，但人机协作可能能解决 80% 的问题，超过了简单的相加。

这一理论发现得到了实证支持。Krakowski 等学者在 2024 年的元分析显示，人机协作在皮肤癌诊断中表现优于单独的人类或 AI。这证明了人机协作不仅仅是简单的替代关系，而是可以创造真正的协同价值。

5. 战略启示：从“能力提升”到“能力配置”

基于这些研究发现，论文提出了一个重要的战略启示：组织应该关注“在哪些维度提升 AI”而非“提升多少”。

这一思维转变具有重要的实践意义，也为组织发展提供了具体指导。传统数字化转型可能陷入“追求最强 AI”的误区，但论文揭示应该追求“最适合的 AI 配置”。论文明确指出，最大化劳动力收入的 AI 配置与最大化资本收入的 AI 配置不同，说明 AI 配置需要战略选择。

人机协作组织设计

论文的人机协作组织设计框架可以帮助组织设计最优的人机协作结构。论文分析了不同组织层级配置（单层对比双层，机器在底层对比顶层）的效率，为组织设计提供了理论依据。

关键原则是最大化知识协同效应。组织应该设计人机协作模式，使得人机联合解决问题的能力大于各自独立能力的并集。这需要识别 AI 在哪些维度强于人类，在哪些维度弱于人类，然后设计相应的协作结构。

AI 素养培训方向指导

论文的发现为 AI 素养培训提供了方向指导。培训应该重点培养员工在 AI 强维度上的协作能力，同时在 AI 弱维度上保持人类优势。

论文的“非对称 AI 配置”理论可应用于个性化培训设计。不同员工在不同知识维度有不同优势，需要“非对称”的 AI 协作培训方案，而非一刀切的标准化培训。这为解决“个性化培训需求与规模化交付矛盾”提供了新思路。

培训效果评估框架升级

论文的发现还为培训效果评估提供了新框架。传统培训效果评估只看“提升了多少”，但论文揭示“在哪些维度提升”更重要。这为培训效果评估提供了新维度：不仅要量化能力提升，更要评估提升方向是否正确。

这一框架可以帮助 HR 向高管证明培训投资的价值。通过方向性评估，HR 可以证明培训投资的战略价值，而不仅仅是能力提升的程度。

6. 结论：重新思考 AI 战略

这项研究揭示了一个关键洞察：AI 改进方向比改进程度更重要。当 AI 在机器弱于人类的维度改进时，劳动力收入反而下降；只有当 AI 在机器强于人类的维度改进时，劳动力收入才会上升。

这一发现为组织 AI 战略、人机协作设计和 AI 素养培训提供了全新的理论框架。组织应该从“追求最强 AI”转向“追求最适合的 AI 配置”，在 AI 投资决策中考虑劳动力利益，最大化知识协同效应而非简单追求 AI 能力提升。

对于人力资源部门而言，这一理论框架提供了向高管证明培训投资价值的新工具。通过方向性评估，HR 可以证明培训投资的战略价值，而不仅仅是能力提升的程度。

在 AI 快速发展的时代，理解 AI 改进方向对劳动力的影响，比单纯追求 AI 能力提升更为重要。这不仅是技术问题，更是战略选择。

基于这一理论框架，UMU 开发了相应的产品和方法论，帮助组织在 AI 时代最大化劳动力价值。通过科学的理论框架和实用的工具支持，组织可以在 AI 转型中既提升效率，又保护员工利益，实现可持续的数字化转型。

UMU AI 力课程：基于论文洞察的 AI 素养提升

UMU 出品《发展大模型时代的 AI 力》课程，基于论文的洞察设计学习内容。课程重点培养员工在 AI 强维度上的协作能力，同时帮助员工在 AI 弱维度上保持优势。这与论文揭示的“AI 在强维度改进对劳动力有利”的发现高度契合。

课程采用“实践中学习”的理念，将论文的“非对称 AI 配置”理论应用于个性化学习路径设计。不同员工在不同知识维度有不同优势，课程通过场景化的 AI 工具练习，帮助员工识别自己的优势维度，并设计“非对称”的 AI 协作模式。

课程内容覆盖 UMU 主张体系的四个层级：提示词素养、大模型素养、AI 素养和 AI 工作场所转型。其中，大模型素养模块重点讲解如何“认识并善用大模型的天然优势”，这与论文揭示的人机协作知识协同效应理论直接相关。

UMU AI Tools：支持”非对称”人机协作的场景化工具

UMU AI Tools 提供场景化的 AI 工具，支持“非对称”的人机协作模式。这些工具基于论文揭示的不同 AI 能力配置对协作效果的影响进行设计，帮助组织最大化知识协同效应。

工具设计遵循论文的“知识协同效应”理论，重点不是替代关系，而是如何最大化协同效应，创造“1+1>2”的价值。通过 AI x 职位、AI x 场景的精准匹配，工具帮助员工在 AI 强维度上发挥协作优势，在 AI 弱维度上保持人类优势。欢迎点击试用：UMU AI Tools

UMU 方法论：AI 力多维测评工具

基于论文的深度洞察，UMU 将多维评估框架转化为实用的 AI 力测评工具。它能帮助组织精准识别员工优势，让 HR 能够手握科学的硬数据，从“能力配置”的全新维度，向高管清晰证明培训投资的战略价值。立即体验：UMU AI 力测评

UMU ALT 团队由来自清华大学、北京大学、中国人民大学、康奈尔大学、佛罗里达大学等全球知名高校的博士组成，专注于深入解析 AI 与组织、管理、人力资源等领域的交叉研究。我们系统梳理大量相关学术论文，提炼其中的研究方法与核心洞见，并将其转化为企业可实际应用的知识资源。欢迎关注 AI 力论文研究合集。同时，我们结合学术成果、行业领袖建议及最佳实践访谈，推出了《发展大模型时代的 AI 力》在线系列课程。该课程旨在帮助企业全面理解 AI 技术演进对组织架构、管理模式及员工能力所带来的深远影响，助力组织构建面向未来的 AI 竞争力。欢迎点击文末“阅读原文”，深入了解课程内容，或联系 UMU 专属顾问，开启您的 AI 转型之旅。

参考文献：

Ide, E., & Talamàs, E. (2024). The Turing Valley: How AI capabilities shape labor income. IESE Business School.