当AI成为“同事”，我们如何重塑“学习”？

“数智创新与管理”

ZJUSOM

你听说过“达芬奇手术机器人”吗？它凭借高精度机械臂、3D高清视觉系统和直觉控制技术等自动化智能技术，让主刀医生得以更轻松自如地开展复杂精细手术，从而减少患者出血、疼痛和恢复时间，大幅提升手术成功率。

图片来源：©千库网

不止医疗领域，从工厂车间的协作机器人到职场中的智能办公工具，自动化时代的人机协同，正悄悄重塑着我们学习与工作的底层模式。那么，在这场人机共生的学习革命中，我们该如何抓住机遇、赢得先机？浙江大学管理学院领导力与组织管理学系教授莫申江及其博士生孙美全在《清华管理评论》发表《学习革命：解码自动化时代的人机协同》一文，从特征、红利、挑战到应对之法，全方位拆解了自动化时代的人机协同学习逻辑。

学者简介

莫申江，浙江大学管理学院领导力与组织管理学系教授、博士生导师，浙江大学国际联合商学院（ZIBS）副院长。研究领域：商业伦理、组织行为、领导力、社会责任等。

从人际协同到人机协同，

“学习”发生了什么改变？

Part.1

当学习的协作主体从“人与人”延伸到“人与机器”，人机协同也展现出和传统人际协同截然不同的核心特质，具体可归结为功能互补性、动态适应性、认知耦合性三大方面。

功能互补性

所谓功能互补，本质上是人类智慧与机器智能的“强强联手”。人类在直觉判断、伦理决策、创造性突破等非结构化任务上有着天然优势，比如医疗领域的疑难病症鉴别、商业场景中的战略创新；而人工智能则凭借强大算力，在海量数据处理、标准化流程执行、精准趋势预测等方面表现突出。这种互补性能让“人+机器”实现实现“1+1>2”的效应。

动态适应性

动态适应性让人机系统拥有了类似生命体的“进化能力”，能在复杂多变的环境中持续学习、不断调整。系统会根据人类的反馈优化决策逻辑，AI也能通过捕捉人类的行为输入，动态调整自身的响应模式，形成人机互动的良性循环。

美的佛山灯塔工厂的人机协同机器人就是典型例子，它能敏锐检测到工人的操作习惯变化，自动调整装配节奏，还能借助数字孪生技术，快速生成新产品的操作指引，让人机协作始终保持高效。

图片来源：佛山日报

认知耦合性

认知耦合性意味着人类的经验性知识与机器的算法分析不再“各自为政”，而是相互验证、深度融合，并在不同情境下灵活分配决策控制权。

在智能医疗场景中，医生的临床观察、触诊经验与AI对医学影像的精准分析“并肩作战”，共同支撑诊断结论；而最终的治疗方案，也是专业医学判断与机器预测模型综合权衡的产物。

正是这三大核心特征，让人机协同学习在知识类型、认知过程、学习路径、能力发展等方面，都展现出了与传统人际协同学习截然不同的表现。

人际协同与人机协同的差异

传统的人际协同擅长传递“隐性知识”，资深员工通常会通过案例研讨、故事叙述等互动方式，把行业洞察、人际判断等难以用文字编码的经验，“手把手”传递给新员工。人机协同则精于“显性知识”的高效规模化传递，像在线学习平台、虚拟视觉培训模拟器这类工具，能便捷高效地传授标准化操作流程。只是，这种模式在培养人类应对模糊复杂情境的能力时，往往会显得力不从心。

许多互联网公司的创意源于跨学科头脑风暴，这就是人际协作中成员们通过观点交锋推动彼此认知重构、从而催生出突破性的创新成果的体现。而对于人机协同而言，AI工具会成为人类的认知外延，虽然能快速检索、整合海量信息，却可能在一定程度上削弱人类的深度思考与批判性辨析能力。而且，AI并不一定能够帮人类找到最准确、有效的知识和信息。

图片来源：©千库网

以往，员工通过传统的非正式人际观察学习（如师徒制中的示范模仿）、经验分享会等社会化过程来获取知识，这种学习过程能够容忍偏差及错误发生，员工可以在工作场景中循序渐进地修正行为。现在的人机协同学习，则构建了数据驱动的学习闭环，呈现出“精准干预”的特征。例如，亚马逊仓储员工佩戴的智能手环能即时纠正并优化其拣货路径，可一旦出现技术参数错误，将导致无效学习甚至是有害的学习结果。

在能力发展方面，传统团队合作带来的成长，从来都不只是专业技能的提升。人们在协作中，还会慢慢练就协调资源、化解矛盾、带领团队等综合能力。这些能力能灵活迁移到不同场景，帮助员工应对未来工作中的各种变化。但如果长期使用AI或自动化工具工作，会让人逐渐形成“算法思维”——把复杂问题拆解成标准化步骤。值得注意的是，长期依赖这种思维模式，可能会降低人们应对突发或非结构化问题的灵活性。

图片来源：©千库网

由此可见，人机协同并非对传统学习的简单替代或升级，它开辟了一条全新的学习轨道，有其独特的优势与红利，也伴随着固有的挑战与局限。理解这些根本性的改变，是我们主动适应并驾驭这场学习革命的第一步。

这场“学习革命”，

带来了什么红利？

Part.2

如今，人机协同不仅改变了我们对“为何学”“怎么学”“学什么”等问题的基本认知，也在个体、团队、组织三个层面带来了实质性的红利，推动学习效能与发展质量的全面升级。

对个体：学习效率与职业发展的双提升

对于个体而言，AI就像一位“专属学习教练”，一方面可以快速筛选海量信息、提供即时精准反馈，帮助人们快速改进；另一方面还能根据学习进度与市场趋势动态调整学习内容，实现个性化学习。当人类的直觉创意与AI的数据计算深度融合，决策的精准度也会大幅提升。

IBM的“人工智能技能学院”就印证了这一点：经过人机协作训练的员工，不仅晋升速度更快，还能胜任跨职能、多职能的工作角色，为组织创造出更丰富的创新成果。

图片来源：©千库网

对团队：重构协作模式，激活知识创造活力

在团队层面，人机协同为知识创造搭建了全新的协作范式，让团队的“战斗力”大幅提升。人类成员擅长情境理解、价值判断与创意构思，AI系统则在数据分析、模式识别和流程优化领域表现卓越，这种功能互补让团队真正实现“扬长避短”，做出更为全面周详的决策。

人机协同还为团队注入了持续迭代的动力。AI能实时捕捉团队的交互数据、任务进展轨迹和知识流动路径，再根据成员的能力特征动态优化任务分配，在项目不同阶段提供适配性的指导，推动团队的知识体系不断更新。波音公司的实践颇具代表性：工程师借助AR眼镜与AI知识库开展飞机维修工作，AR眼镜能自动识别零件并叠加3D操作指南，AI知识库则基于历史维修记录推荐解决方案、提示潜在风险。新手工程师可以跟着AR指引实操，专家团队则通过远程系统实时指导、修正AI建议；当团队遇到新问题，相关经验还会同步反馈至AI系统，反向推动知识库的迭代升级。

图片来源：©千库网

此外，认知耦合性还让团队认知与机器智能实现了深度融合。在团队学习过程中，机器结构化思维与人类发散思维相互碰撞，促进了跨团队的知识转换与共享，激活了多团队联动创新，从而打破传统团队能力边界，让团队能处理更复杂的知识创造任务。

对组织：赋能数智化转型，打造“组织大脑”

在组织里，人类成员擅长把握战略方向、传承企业文化、制定复杂决策，AI则在数据提取、流程优化、趋势预测上具备天然优势。让AI承接基础性知识管理与信息分发，能将员工从繁杂事务中解放，聚焦战略思考与复杂问题解决，这种“战略把控+数据支撑”的组合，往往能催生突破性创新方案。

人机协同还让组织学习系统获得了持续进化生命力。AI可根据组织战略阶段动态调整知识体系，针对业务变化更新学习内容。平安开发的“AI+专家”医疗系统就是组织借助人机协同实现进化的典型例证：该系统既能用AI辅助诊断，又能让专家验证结果，目前已赋能2000多家医院实现知识高效更新。2023年数据显示，接入这一智慧医疗系统的医院，临床路径创新提案数量同比增长65%，新治疗方案研发周期显著缩短30%。

图片来源：©千库网

对组织而言，人机协同更深层的价值，在于推动企业知识库的系统建立与动态更新，打造出具备韧性的“组织大脑”。AI的数据分析能力，能将企业内部的隐性经验转化为可编码、可传承的知识资产；而企业的真实实践，又能为AI算法的优化提供场景支撑。这种良性互动不仅打破了跨部门的知识壁垒、促进了全域知识流通，更让组织在市场变化与技术迭代中，拥有了更强的适应力和响应力。

隐藏的危机：

人机协同下的学习挑战

Part.3

人机协同确实能驱动个体、团队和组织革新学习方式、提升学习效果，但作为一种划时代的新兴模式，它也给“有效学习”带来了全新的挑战。

个体层面：学习剥夺与能力退化风险

站在个体角度，AI的深度参与悄悄埋下了“学习剥夺”的隐患——它可能代替员工做出判断和决策，让员工失去在工作中犯错、反思、改进的关键机会，进而削弱技能发展的潜力。

同时，AI的自动化特性还可能降低员工的学习主动性。如果大部分工作都由AI完成，员工很容易产生“技术依赖”，觉得“反正有AI帮忙，不用学那么多”，慢慢失去主动学习的动力。

此外，AI驱动的个性化推荐，还可能造成知识结构的“偏科”。AI往往会推送员工熟悉或容易理解的内容，长期下来，会限制员工的知识广度，影响全面发展。而人机协同本身的复杂性，也会显著增加员工的工作认知负荷，让人疲于应对。

图片来源：©千库网

团队层面：协作默契与知识传递受阻

从团队层面看，AI的加入给知识的有效存储、流转与转化带来了新难题。AI接手基础工作，虽然减轻了员工的负担，却也减少了团队成员之间的交流机会；而与AI合作需要学习新技能，比如操作系统、理解数据、验证结果等，这些新规则还可能打乱团队原有的工作默契。

更关键的是，AI的决策过程往往像个“黑匣子”，其不透明性会让团队成员难以真正理解其建议背后的逻辑。并且，AI参与决策后，责任归属会变得模糊，这种“不确定性”会导致团队成员的学习积极性下降，不愿分享想法，也不敢大胆创新。

图片来源：©千库网

组织层面：创新弱化与应急能力不足

对组织而言，过度依赖AI的标准化流程，可能让员工变成“执行机器”，削弱其创新和应变能力。当遇到突发情况时，组织很可能因习惯了AI的辅助而“手足无措”。随着AI生成内容的比重持续增加，组织的知识体系还可能逐渐变得单一、肤浅，内容质量也难以保证。

更严峻的是，长期依赖AI会让组织逐渐丧失传统的问题解决机制和应急预案。一旦AI系统出现偏差、甚至崩溃，组织很可能陷入反应迟滞的被动局面，面临严重的应急挑战。

图片来源：©千库网

破局之道：

个体与组织的双向进化

Part.4

如何在享受人机红利的同时，有效应对其所面临的挑战？文章提出，个体需要主动重构自身学习模式，培养算法思维与批判性思考能力，采取与AI协同进化的学习策略。而组织则需构建科学的学习支持体系，设计人机互补的培训机制、建立知识共享平台、培育开放包容的学习文化等，实现技术赋能与人才成长的良性循环。

这种个体与组织的协同进化，是应对自动化时代人机协同挑战的关键路径。

个体应对策略：构建“自主-批判-监控”三维学习体系

强化自主学习能力，避免过度依赖AI

在AI深度融入职场的当下，员工首先要牢牢树立“以人为本、技术为用”的核心认知——明确AI只是辅助工具，人才是知识创造和价值输出的核心，避免陷入技术依赖。

面对工作任务时，先独立完成问题界定、方案构思等关键环节，再用AI做数据验证和方案优化。同时也要主动探索适合自己的学习模式，比如在语言学习中，先用智能软件打基础，再通过真实对话、手写笔记深化理解，定期脱离屏幕做纸质阅读、绘制思维导图，维持认知系统的平衡发展。

培养技术批判思维，提升信息筛选技能

员工要主动去了解AI的技术原理和算法特性，对其局限性保持清醒认知，不盲目相信AI的输出结果，学会合理质疑。

可以建立多维度的信息甄别机制，通过权威数据库交叉验证信息的真实性，同时考察信息来源的可靠性和时效性；对海量信息，可遵循“基础筛选—深度加工—定期整理”的流程，借助AI搭建个人知识图谱，同时做好信息筛选，避免信息过载。

构建自我监控体系，预防知识碎片化

学习前，不妨用思维导图绘制知识体系框架，明确核心概念和知识点之间的关联；学习过程中，通过学习日志记录AI给出的解决方案，以及自己的反思总结，对比发现自身的认知缺口。另外，还可以通过学术写作、研究性学习培养系统性思维，定期评估自己的工作能力，及时识别并弥补因人机协作产生的学习盲区。

图片来源：©千库网

组织应对策略：打造“体系-反馈-文化”三位一体支持机制

建立分层递进学习体系，平衡技术与人才培养

组织要将学习内容划分为基础层、应用层、创新层三个维度：基础层聚焦标准化知识，利用AI实现规模化、个性化培训；应用层针对复杂情境解决，设计“AI+导师”的混合学习场景，让AI提供数据支撑，导师则引导员工优化解决策略；创新层则保留纯粹的人际协作空间，通过头脑风暴、跨界研讨激发创造性思维。

同时，可以针对性设置“去人工智能化”任务，比如开展无AI辅助的案例分析会议，防范员工的能力退化风险。

打造动态监测反馈系统，鼓励可持续学习

组织构建智能化的动态监测与反馈系统对保障员工可持续学习至关重要。可以开发智能学习分析平台，围绕知识掌握度、技能迁移能力、创新思维发展三大维度，对员工的学习情况进行全面评估；构建“数据采集—智能分析—干预反馈”的闭环系统，整合员工的学习数据、工作绩效等多源信息，及时识别异常的学习模式，并提供个性化的改进建议。

为避免技术依赖导致的能力虚高，组织还需要建立360度评估机制，通过主管、同事、客户的多元反馈，客观评价员工的真实能力，避免单一依赖AI数据的片面性。

重塑组织学习文化，完善人机协同生态

最后，组织必须从文化层面引导建立健康的人机协同关系，为可持续学习创造良好的生态环境。首先，推进技术透明化教育，通过工作坊、案例解析、技术分享会等形式，帮助员工理解AI的工作原理和局限性，并培养员工批判性使用AI的意识。其次，建立跨领域的协作机制，促进技术人员与业务人员的双向知识流动，让技术更好地服务于业务。此外，组织还要完善激励机制，将技术的创造性应用、人机协同的创新成果纳入绩效考核，引导员工始终保持主体性思考，不被技术“牵着鼻子走”。

图片来源：©千库网

自动化时代，人机协同正深刻改变着个体与组织的学习行为和方式。这场学习革命既带来了效率提升、精准赋能的红利，也暗藏着能力退化、思维固化的风险。正如文章所言，面对“大势所趋”，个体需培养与AI高质量协作的核心能力，包括主动学习、批判性思维和自我监控；组织则需审慎地重构流程，建立人机双向反馈机制，并将协同成果制度化、长效化。唯有把握好人机协同下有效学习的关键密码，才能够在自动化时代的人机共生学习革命中赢得先机。

（点击以下标题查看）

*本文改编自莫申江、孙美全在《清华管理评论》第9期发表文章《学习革命：解码自动化时代的人机协同》。

编辑排版：伍梁永

审核：佟庆、莫申江