在AI仅能进行基础操作时,人指挥AI曾经是不言自明的默认设定,AI作为工具被嵌入工作流,人决定方向、AI执行操作。
但随着AI算法升级,工具从被动执行进化为主动建议,指挥权从单向赋予变为双向协商。于是就出现了组织结构变革中最具颠覆性的命题——谁指挥谁?工作流中人与AI的指挥关系如何重新分配?
一、人机分工的基本框架
01三种协同模式
在前述人机协作边界中讨论了人机协作的三种典型模式。从工作流的角度可以进一步理解为,一是人在流程中,人类参与每个关键决策节点,AI提供选项与预判,人在AI输出的基础上做出最终判断,决策权完全保留在人手中。二是人在流程之上,人类监督而非介入,AI在设定范围内自主执行,人保留干预权但不参与每一个节点,只有当AI触发预警或超出边界时人才介入。三是人在流程外,AI完全自主决策与执行,人仅在事前设定规则与边界、事后审查结果,过程不介入。
三种模式构成了人机权力分配的基本框架,人的角色从决策者到监督者再到规则设定者,AI的角色从辅助者到执行者再到自主者。
02分工决策的三个维度
三种模式的选择不是主观偏好,而应由决策属性的三维度共同决定。
影响范围,衡量的是决策后果波及多大。例如一个排版建议只影响文档呈现,一个投资建议可能影响数亿资金流向,影响范围越大,人需要保留的决策权越重。
可逆程度,衡量的是错误能否回退。如果AI只是误判了推荐排序可以立即修正,但如果AI误判了不可逆的医疗操作则后果无法挽回,可逆程度越低,人需要介入的节点越密集。
道德风险,衡量的是决策是否涉及价值判断。资源分配、人员评价、内容审查等决策不仅关乎效率更关乎公平与正义,道德风险越高,人需要保留的裁量权越大。
三个维度共同界定了每一个决策的人机分工方案:高影响范围、低可逆程度、高道德风险的决策必须采用人在流程中模式,确保人在关键节点保留否决权;低影响范围、高可逆程度、低道德风险的决策可以采用人在流程外模式,释放AI的自主效率;居中的决策适用人在流程之上模式,AI自主执行但人保留干预权。
03三种模式的切换逻辑
同一个工作流中不同环节的决策属性往往不同,因此三种模式不是固定选择而是动态切换。切换逻辑的核心是将每一个决策环节对应到三维度的坐标系中,根据坐标位置确定对应模式,工作流设计的本质从人执行流程转变为配置每一个决策环节的人机分工方案。
以一个典型的AI辅助投资分析流程为例:数据采集与清洗环节影响范围有限、错误可逆、不涉及道德判断,可以采用人在流程外模式让AI自主完成;投资标的筛选环节影响范围中等、部分决策可逆、涉及一定的价值判断,适用人在流程之上模式由AI自主筛选但保留人工复核;最终投资决策环节影响范围大、资金不可逆、涉及信托责任,必须采用人在流程中模式由人做最终裁决。
二、嵌入AI的业务流程设计
传统业务流程建立在计划、执行、检查、改进构成完整循环的串行逻辑之上,反馈需要等到一个完整周期结束才能启动。
其根源是信息处理能力受限,任何环节都无法在信息不全时同步推进,流程因此是一条单向流水线,纠偏大多数时候只能发生在周期结束后,然而AI时代工作流的并行化打破了这一线性约束。
01AI时代工作流特点
多任务同步推进。当AI承担了信息处理与执行操作,原本依赖人工串行衔接的环节可以在同一时间推进,如数据采集、市场监控、方案生成可以由多个AI代理同步运行,互不等待。
持续反馈。传统流程的反馈是周期性的,一个循环结束后才能启动新一轮改进;并行流程的反馈是持续性的,执行结果被实时反馈到流程中,偏离目标立即触发调整,不再需要等待检查环节。纠偏也不再是阶段的终点,而是运行中的伴随状态。
以投资分析流程为例,AI模式下,数据实时汇聚、模型持续更新、异常自动预警同时进行,分析结论随市场变化动态刷新,流程从按周期运转变为按事件驱动。
串行流程每一步都有明确的输入输出,其的优势是可控;并行流程响应速度匹配问题的变化速度,其优势是敏捷,这也正是网状结构与动态单元在流程层面的技术投射。
02例外处理机制
AI并非在所有情况下都能给出确定输出,当数据冲突、模型超出训练边界或信号相互矛盾时,AI输出的不确定性显著上升。
传统流程没有例外通道,因为流程的执行者是遵循规则的人,人面对意外会自行判断。但AI执行流程不同,AI不会在不确定时主动停下来询问,它可能给出看似确定的输出,也可能直接输出错误信号。
因此需要建立例外处理机制,其核心设计原则是:不确定性的识别、标记与升级都要明确写在流程定义中,不依赖AI的自觉。嵌入AI的工作流必须预设升级路径,AI识别自身的不确定性并发出信号,流程对此类输出进行标记,系统自动将决策升级到“人在流程中”的节点,保证不确定性被及时移交到人类判断。
03工作流设计的核心转变
执行与操作环节被AI接管后,人不再直接参与流程的每一步,而是审查AI的输出质量、判断例外升级的决策。
人在流程中的角色从执行者转向审查者、从操作者转向仲裁者,工作流设计的核心转变由此完成。设计对象从规定人的动作变为界定AI的边界,哪些环节AI自主执行、哪些环节必须升级给人、哪些信号必须触发人工介入,都成为流程定义的一部分。
AI获得了流程内部的执行权,人保留了对流程本身的控制权,这是指挥权重新分配在工作流层面的新落点。
04指挥权的反转
工具型AI与自主型AI的本质区别不在于能力高低,而在于主动性。工具型AI被动响应,而自主型AI主动输出建议,基于持续监控的数据主动提示风险、提出方案、预警异常,决策对话的发起权从人转移到了AI一侧。
从人指挥AI到AI建议、人裁决,是权力关系的结构性位移。人不再是发号施令者,而是最终裁决者;AI不再是被动执行者,而是主动建议者。位移的实质是决策的启动机制发生了改变,建议的发起权归于AI,裁决的终局权归于人,决策对话由AI启动、由人终结,指挥权没有消失,而是从发令形式转变为裁决形式。
同时,当AI使信息获取与处理成本趋零,信息优势不再构成决策权的根基。决策者的价值锚点因此从信息优势者转变为判断行使者,面对同样的信息,谁能做出更优的判断、承担判断的后果,谁就拥有决策的正当性。
三、指挥关系重构的组织学意义
指挥权的重新分配对法理型权威提出了根本挑战,传统法理型权威建立在职位之上,权力来源于规则所赋予的职位权限,权威的正当性由制度保障。
当AI承担了信息筛选、方案生成与风险评估,决策依据从职位经验转向数据支撑,也就意味着一个基层数据分析师基于完整数据提出的判断,可能比高层管理者基于经验的直觉更接近正确,从而导致权威的松动,权威不再天然属于职位更高者,而是向掌握更优信息与更强分析能力的一方倾斜。
数据权威与算法权威,两种新型权威也由此浮现。谁掌握更完整、更及时、更高质量的数据,谁就在决策中获得更强的话语权;谁拥有更可靠的模型、更准确的预测,谁的建议就更容易被采纳。
但同时,数据的采集方式、口径选择与样本偏差都可能扭曲客观性;模型的黑箱性质使可靠性无法被外部验证。也就是说数据权威的合法性基础并不稳固,权力正在离开职位,却尚未找到稳固的新载体。
数据权威与算法权威要获得稳定的合法性,必须满足两个前提:可解释性,AI的决策依据必须能够被人类理解,不能以黑箱方式行使权力;可追责性,当AI参与的决策造成损失,责任必须能够追溯到具体的决策环节与责任主体。这两个前提不是技术改良的要求,而是权力合法性的制度要求。
人指挥AI是组织在工具条件下建立的基本权力结构,但当AI从被动工具进化为主动建议者,权力关系发生了结构性位移,决策的启动权归于AI,终局裁决权归于人。
在人机协同重塑决策结构的时代,将人机关系从发令服从转向建议裁决,让AI承担分析建议、让人守住最终裁决,实现人机权力的科学分工,是组织避免“责任悬空”、保持责任清醒的关键。