在亚洲各地，越来越多的组织正迅速为员工提供生成式 AI、企业级 Copilot 和自动化平台。然而，能够使用 AI，并不等同于真正实现转型。
员工或许已经在利用 AI 撰写报告、分析信息、制作演示文稿、协助客户沟通以及辅助决策。但如果审批流程、管理层期望、绩效衡量方式和问责机制依旧没有改变，那么整个组织的工作模式可能仍停留在“前 AI 时代”。
Pravena K 的工作聚焦于人才能力、领导力以及 Human + AI 转型的交汇领域。她是 Virtual Assistance Asia 的 Founder and CEO，负责领导东南亚地区的企业培训、咨询及人才能力发展项目，同时也是 Global Skill Development Council 的 AI Programs Advisory Board 成员。
对 Pravena 而言，如今的问题已经不再只是组织是否正在采用 AI，而是：既然 AI 已经存在，组织是否也相应改变了工作、判断和问责的组织方式。
亮点
AI 已经改变，但我们的工作方式还没有
Pravena 在工作中持续观察到一个普遍现象：许多组织正在把 AI 引入原本完全按照人工作业方式设计的工作流程。
这些技术或许能够促进尝试和探索，并提升个人生产力，但只有当围绕技术的整个运营环境也开始发生变化时，真正的转型才会出现。
员工可能利用 AI 汇总研究资料、制作演示文稿、起草报告、协助客户沟通或支持决策。然而，审批流程没有改变，管理层的期望没有改变，绩效衡量标准也没有改变，甚至连决策权限可能依旧模糊不清。
AI 已经进入组织，但组织本身还没有针对 AI 赋能的工作方式进行重新设计。
一个真正完成转型的组织，应当能够清楚说明：AI 在工作流程的哪些环节创造价值、哪些环节必须由人工审核、哪些信息可以或不可以输入 AI 系统、如何验证 AI 的输出结果、什么时候需要升级处理，以及最终由谁对决策负责。
这些并不仅仅是技术问题，还涉及治理、领导力、人才能力、岗位设计和问责机制。
正因如此，Pravena 越来越倾向于将 AI 转型视为一个组织设计问题，而非单纯的技术使用权限问题。
“AI adoption begins when the technology enters the workplace. AI transformation begins when the organisation changes the way work, judgement, and accountability are structured because that technology now exists.”
“当技术进入工作场所时，AI 的采用便开始了。而真正的 AI 转型，则始于组织因为这项技术的存在，而改变工作、判断与问责的组织方式。”
数百名 AI 用户可能制造一种危险的假象
高使用率可能会让一个组织看起来比实际情况更具 AI 成熟度。
一家公司可能已经有数百名员工定期使用 AI 进行研究、沟通、报告撰写或内容创作。但 Pravena 指出，如果这些活动背后缺乏一个连贯一致的 Human + AI 运营模式，那么这充其量只能算是个人层面或局部层面的 AI 应用。
一些明显的警讯都非常实际：员工对于应该如何验证 AI 输出没有共同标准，不清楚哪些系统获得批准、不知道哪些决策必须继续由人类主导，也不明确谁应该对 AI 辅助完成的工作承担最终责任。
缺乏结构的 AI 应用实际上可能带来更多复杂性。
不同员工可能使用不同的工具，而这些工具的安全和数据处理标准各不相同。有些人可能过度依赖 AI 生成的结果；另一些人则可能因为只是把 AI 叠加在旧有流程上，反而重复执行原本已有的工作。与此同时，由于组织的工作标准没有随着技术一起演进，管理者也可能难以评估 AI 辅助工作的质量。
因此，有多少人在使用 AI，其实并不能充分说明一个组织的 AI 成熟度。
真正的问题不是“AI 能做到吗？”
与其询问 AI 能否执行某项特定任务，Pravena 认为，组织更应该审视的是：在 Human + AI 环境下，整个任务究竟应该如何运作。
以一个涉及研究和决策的工作流程为例。
AI 可以协助研究、信息综合、模式识别、内容起草或情景生成。随后，由专业人员解读这些信息、结合具体背景、验证准确性，并作出最终判断。
人类与 AI 应该如何分工，则取决于工作的性质和风险程度。
因此，重新设计工作流程绝不仅仅是找出哪些任务可以自动化。
组织需要明确人类与 AI 各自的角色，建立适当的审核和升级处理机制，并确保整个过程中始终能够清楚识别责任归属。
目标并不是简单地把 AI 塞进现有的工作流程，而是重新思考：既然 AI 已经能够承担部分认知工作，那么原有的工作流程是否也应该随之改变。
你的 AI 仪表板可能衡量错了东西
许可证启用数量、Prompt 使用量以及使用频率，可以反映员工是否正在接触和使用 AI。但仅凭这些指标，并不能证明组织是否因此变得更有能力、更高效，或能够作出更好的决策。
Pravena 认为，更有意义的衡量标准应该与工作流程绩效和组织成果直接相关。
AI 是否缩短了工作周期？是否减少了重复性的行政工作？产出质量是否提高？返工是否减少？员工是否能更快获得所需信息？决策支持是否得到加强？专业人员是否因此能够投入更多时间处理高价值工作？
根据不同场景，组织还可以评估风险是否能够更早被发现、客户或员工的反馈是否有所改善，以及管理者是否获得了更有价值的信息来支持决策。
同样的原则也适用于人才发展。
员工参加过 AI 培训，本身并不等于他们已经具备相关能力。更重要的衡量标准，是他们在培训结束之后真正能够做到什么。
他们是否能够识别自己岗位中适合使用 AI 的场景？能否判断 AI 输出是否可靠？是否理解保密要求和数据处理的边界？当 AI 生成的建议需要由人类判断来推翻或质疑时，他们能否识别这种情况？
频繁使用 AI，也完全可能与低质量的工作同时存在。因此，如果只衡量 AI 使用活动，却不衡量这些活动究竟改善了什么，管理者看到的就可能只是一幅不完整的图景。
对 Pravena 来说，更有价值的问题不只是：“我们的员工使用 AI 的频率有多高？”
真正应该问的是：
“因为我们的员工使用了 AI，究竟有哪些事情得到了可衡量的改善？”
AI 可以提出决策建议，但它无法承担后果
随着 AI 能够承担越来越多分析和决策支持工作，机器输出与人类判断之间的界限也变得越来越重要。
Pravena 的观点十分明确：
“AI can participate in a decision-making process, but it cannot own the consequences of that decision.”
“AI 可以参与决策过程，但它无法为这个决策产生的后果承担责任。”
AI 可以分析大量信息、识别模式、比较文件、总结证据、生成不同情景并挑战既有假设。这些能力能够显著提高决策支持的速度和广度。
但是，拥有分析能力，并不意味着 AI 应该自动获得决策权。
AI 应该拥有多大程度的自主权，应根据工作的风险水平、错误可能产生的后果，以及其中涉及的专业责任程度来决定。
在风险相对较低的活动中，AI 可以拥有更高的自主程度。但在影响较大的场景中，包括招聘、员工评估、财务决策、法律分析、医疗、安全以及其他受监管领域，人工监督应该明显加强。
最终的责任仍然属于设计、批准和使用这些系统的个人与组织。
“算法是这么说的”并不是一种问责机制
当技术模糊了责任归属时，AI 治理的问题就会变得尤其明显。
“系统是这样建议的”，或者“算法把这名候选人排在了这个位置”，听起来似乎意味着责任已经从人转移给了机器。
但事实并非如此。
有人选择了这个系统，有人决定使用哪些数据和标准，有人批准了系统的使用，也有人决定了系统提出的建议是否应该影响最终行动。
这正是 Human-in-the-Loop（人在回路）设计变得至关重要的地方。
AI 可以承担大量认知工作，例如阅读、提取、综合、比较信息以及识别潜在问题。但当决策后果达到一定重要程度时，专业人员必须继续承担解读、结合背景、验证以及作出最终判断的责任。
然而，在文件上规定责任归属仅仅是第一步。
负责任地使用 AI 必须真正转化为日常工作中的具体行为。员工需要明确知道哪些信息可以输入 AI 系统、哪些输出必须经过验证、什么情况下应该升级处理、哪些决策不能交给 AI，以及最终由谁签字确认结果。
只有当员工能够把治理原则真正应用到眼前的实际工作中，治理才具有真正的意义。
购买最多 AI 工具的公司，不一定会成为领先者
Pravena 预计，未来三年，真正的 AI 领先组织与那些只是“看起来已经准备好迎接 AI”的组织之间，差距将越来越明显。
她认为，真正的差异化因素未必是一个组织拥有多少 AI 工具，也不一定取决于它正在开展多少 AI 实验。
组织与其先问“应该购买哪个 AI 平台”，不如首先审视哪些工作环节速度缓慢、重复、碎片化或需要大量认知投入，然后再判断哪些地方应该发生改变。
与此同时，决策权限也需要变得更加明确。
随着 AI 深度融入日常工作，员工必须知道：哪些地方 AI 可以提出建议，哪些地方必须由人类验证，以及哪些地方的最终决定权必须完全掌握在人类手中。
如果缺乏这种清晰度，更快的速度和更高程度的自动化反而可能导致工作质量和责任归属更加模糊。
因此，能够走得更远的组织，会把 AI 看作重新思考工作组织方式的契机，而不仅仅是软件体系中增加的另一层工具。
你的管理者即将管理并非完全由人类完成的工作
AI 赋能的工作模式，也正在改变组织对管理者的要求。
管理者将越来越多地监督那些部分由 AI 生成、分析或提供信息支持的工作成果。他们可能并没有亲自完成这些工作的每一个部分，但仍然必须判断结果是否准确、是否恰当，以及是否符合实际用途。
这需要一种不同的管理能力。
领导者必须具备质疑 AI 生成结果的能力，理解 AI 的局限性，并确保更快的工作速度不会取代人的判断。
这也意味着 AI 能力培养的方式需要改变。
当财务、HR、运营、销售、高管支持、教育和领导团队与 AI 的互动方式各不相同时，通用型的 AI 认知培训所能发挥的作用将越来越有限。
Pravena 认为，相较于主要依赖广泛的工具演示，组织更需要根据实际工作流程、风险和岗位责任，为不同角色培养针对性的 AI 能力。
真正的问题将从“员工是否知道如何使用 AI 工具”，转变为“员工是否知道如何在自己负责的工作中恰当地使用 AI”。
AI 越强大，这些人类能力就越有价值
AI 改变的不只是工作流程，它也迫使组织重新思考岗位本身应该如何设计。
随着 AI 承担越来越多重复性的认知任务，Pravena 预计，人类在判断力、情境推理、沟通、关系建立、伦理推理、协作和领导力等方面的相对价值将进一步提高。
这也带来了一个看似矛盾的现象。
技术的能力越强，组织就越需要明确哪些真正属于人类的能力应该得到加强，而不是被取代。
AI 可以承担更多阅读、提取、综合、比较和模式识别的工作。但组织仍然需要能够理解具体情境、权衡后果、与他人协作、运用专业判断，并对最终决策承担责任的人。
因此，Human + AI 人才体系并不仅仅是确定技术能够做什么。
组织还必须更有意识地思考：究竟有哪些事情，是人类需要特别擅长的？
结语：亚洲面临的更大问题，可能并不是 AI 应用鸿沟
亚洲的 AI 竞赛经常围绕技术获取、采用程度和速度展开。但 Pravena 看到的是另一个正在浮现的挑战。
组织其实已经开始采用 AI。更重要的问题在于，它们能否以足够快的速度重新设计自身，从而真正有效地使用 AI。
这意味着，组织必须超越单纯的技术堆栈和实验阶段，转向更明确的决策权限、针对不同岗位的人才能力、可落地的治理机制、对管理者的新要求，以及能够明确界定人类和 AI 分别在哪些地方创造价值的工作结构。
因此，在 Pravena 看来，亚洲面临的可能与其说是“AI 应用鸿沟”，不如说是“AI 运营模式鸿沟”。
能够弥合这一鸿沟的组织，将不再只是简单地实现 AI 赋能，而是有意识地围绕 Human + AI 协作方式构建组织，形成更清晰的工作流程、更强的人才能力、更完善的治理机制，以及更加明确的责任归属。
亚洲下一阶段的 AI 转型，重点或许不再是如何把 AI 带进工作场所，而是如何围绕 AI 已经带来的全新可能性，重新构建工作场所。
亮点
Read the English article here.
