来源：HRflag

　　当企业开始把AI从个人工具推向核心流程，真正稀缺的资源不再只是算法、算力和软件，而是业务专家愿意投入的时间、判断与责任。技术可以买到，专业知识却不会自动进入系统。

　　《哈佛商业评论》近期文章指出，企业AI实验能否持续推进，很大程度上取决于领域专家是否得到足够支持。真正的问题并不是“员工愿不愿意创新”，而是组织是否为专家腾出了时间、允许高质量试错、建立共同评审机制，并让参与AI建设成为一种有职业回报的正式工作。

　　过去两年，许多企业完成了AI工具采购、账号开放和通识培训，员工使用率也在快速上升。但从试用走向稳定经营结果时，项目往往在同一个地方停住：模型能生成内容，却无法理解企业特有的客户情境、质量边界、例外处理和责任要求。技术团队知道系统如何运行，真正知道结果能不能进入业务流程的人，仍然是长期身处现场的业务专家。

　　这类专家可能是销售、招聘负责人、客服主管、法务顾问、财务经理，也可能是掌握生产工艺、供应链异常或行业规则的骨干员工。他们未必懂模型参数，却能识别一份看似完整的答案为何在现实中不可用，也知道某个小错误会不会进一步演变为客户投诉、合规风险或经营损失。AI越深入核心流程，这种判断就越重要。

　　问题在于，很多企业一边把业务专家视为AI落地的关键，一边又把他们的参与当作额外义务。专家需要完成原有目标，再利用碎片时间参加访谈、整理案例、标注数据、测试输出、解释错误并协调跨部门资源。项目成功时，成果容易被归为技术上线；项目失败时，业务团队又可能被认为“不配合创新”。

　　企业真正缺少的，往往不是更多AI创意，而是一套让最懂业务的人能够持续参与、敢于判断并获得回报的组织机制。 当专家投入没有时间预算、没有正式角色、没有决策权，也没有进入绩效与晋升体系，再有热情的人也很难长期坚持。AI项目因此停留在演示阶段，并不是模型不够强，而是组织没有为知识转化设计基础设施。

　　01

　　相似的技术条件，为什么产生完全不同的实验结果

　　《哈佛商业评论》文章讨论了两家专业服务机构的AI实验。两家机构都拥有高知识密度的业务、经验丰富的专业人员，也都面对生成式AI可能改变工作方式的机会。技术条件并没有形成决定性差距，真正拉开结果的是组织如何对待参与实验的专家。

　　在支持更充分的组织中，专家有明确时间参与测试，失败不会立即损害个人评价，团队能够共同讨论什么叫可接受结果，技术与业务之间也有人承担整合责任。专家不只是提供几个案例或修改几条答案，而是能够持续定义问题、审查结果、调整标准，并将经验沉淀为可以复用的工作方式。

　　另一种组织虽然同样鼓励创新，却没有改变日常目标、资源分配和责任边界。专家只能在完成本职工作之后参与实验，项目协调依赖个人关系，失败成本主要由参与者承担。随着实验变复杂、争议变多，最初的热情逐渐消退，留下来的往往不是最懂业务的人，而是暂时有空或风险承受能力更高的人。

　　这种差异揭示了AI转型中经常被忽略的事实：专业知识不是一个可以一次性提取的数据包。专家判断通常来自长期实践，包括对模糊信号的辨认、对例外情境的理解，以及对结果后果的预估。企业必须通过持续互动，让这些隐性知识逐步进入案例、规则、评审标准和流程设计。

　　AI项目的真正难点，不是让模型模仿专家说什么，而是理解专家为什么在某个情境下作出这样的判断。 如果缺少持续参与，系统可能学到表面表达，却无法掌握决定业务质量的边界条件。模型输出越流畅，这种差距反而越容易被忽视。

　　02

　　时间支持：AI共创不能建立在下班后的热情上

　　业务专家往往也是组织中工作负荷更高的人。他们承担关键客户、复杂项目、团队管理和质量责任，本来就没有多少可自由支配的时间。企业要求这批人参与AI实验，却不减少任何既有目标，本质上是把战略转型的成本转嫁给个人。

　　最常见的做法，是把AI共创安排在零散会议中。专家临时演示工作流程，回答技术团队的问题，再用业余时间测试新版本。由于缺少连续投入，他们很难系统整理典型案例、困难案例和风险案例，技术团队获得的知识也容易停留在片段层面。

　　时间支持不只是允许员工参加会议，而是正式调整工作组合。组织需要明确专家每周投入多少时间，哪些原有任务相应减少，谁来承接被释放的工作，以及项目延期时如何保护参与者的绩效。没有这些安排，“AI优先”很快会输给更明确、更紧迫的日常指标。

　　投入比例还应随项目阶段变化。早期探索需要专家帮助选择场景、建立案例和识别风险；原型阶段需要密集评审与错误分析；上线后则需要持续观察例外、更新知识和修订标准。把专家参与理解为一次需求访谈，通常会低估AI产品的长期维护成本。

　　如果一家企业没有为业务专家设置时间预算，它实际上也没有为AI落地设置预算。 模型费用、软件采购和技术人力容易出现在项目表格里，专家时间却经常被视为免费资源。正是这种看不见的成本，决定了项目能否越过试点阶段。

　　03

　　试错支持：允许项目停止，也要让失败留下知识

　　AI实验天然包含不确定性。某个场景可能因为数据不足而无法推进，某种输出可能始终达不到专业标准，一项自动化也可能在考虑核验和异常处理之后没有净收益。如果组织只接受成功，参与者就会倾向于选择容易展示、风险较低但经营价值有限的项目。

　　更危险的是，专家可能因为担心承担责任而降低反馈质量。他们会避免指出根本性问题，只对措辞和格式提出局部修改，让项目在“不断优化”的状态中延续。最终系统看似完成了测试，却没有真正获得进入业务流程所需的信任。

　　组织需要让停止成为正常的项目决策。当实验无法证明价值、风险无法控制或整合成本明显过高时，团队应当可以基于证据暂停，而不把它视为个人失败。及时停止低价值项目，还能释放稀缺的专家时间，转向更重要的问题。

　　没有上线的实验，也可能帮助组织识别数据缺口、澄清风险边界或发现流程本身存在的问题。如果企业只奖励上线数量，团队会倾向于隐藏失败、降低标准，并重复开展那些看起来有成果但经营价值有限的项目。管理层需要区分低质量失败与高质量失败。

　　没有明确问题、没有记录过程、没有形成结论的试验，只是在消耗资源；围绕高价值问题开展、经过规范测试并沉淀了判断依据的失败，则是组织学习的一部分。衡量实验不能只看“有没有做成”，还要看“组织因此知道了什么”。

　　对业务专家而言，最重要的安全感来自边界清晰。哪些数据可以使用，哪些输出只能作为参考，什么场景需要人工复核，出现什么问题必须立即停止，这些规则越明确，专家越敢于深入探索。模糊的授权不会带来自主性，反而会让谨慎的人退缩，让冒进的人扩大风险。

　　创新文化不是要求员工勇敢，而是由组织承担员工合理试错的成本。 当实验时间被正式计入工作量，失败结论能够进入知识库，风险问题有清晰升级路径，业务专家才不必用个人声誉为每一次模型输出担保。试错支持的本质，是把个人风险转化为组织学习。

　　04

　　共同评审：把“我觉得可以”变成可复用的质量标准

　　许多AI项目无法扩大的原因，不是模型表现太差，而是组织无法就“什么叫足够好”达成一致。同一份输出，有人认为效率明显提高，有人认为专业性不足；有人关注准确率，有人更在意客户体验；有人可以接受人工修改，有人则认为修改成本已经抵消了AI价值。没有共同标准，实验只能停留在观点争论。

　　业务专家在这里承担着标准制定者的角色。他们需要把多年形成的专业判断拆解出来，说明哪些错误可以修正，哪些错误不可接受；哪些内容需要事实核验，哪些表达必须符合特定语境；哪些场景适合AI先行，哪些场景必须由人主导。这一过程实际上是在重新定义组织的质量管理体系。

　　共同评审不能只依赖一位权威专家。个人经验可能非常宝贵，但企业级AI需要跨人员、跨团队保持相对稳定的判断。组织可以建立案例库，让多位专家对同一输出进行独立评估，再对分歧较大的样本展开讨论，从而逐步形成统一的评价尺度。

　　评价指标也不能只看技术准确率。一项企业AI方案至少需要同时考虑业务结果、风险水平、员工体验和客户影响。模型回答准确，却让员工需要花更多时间核验，不一定创造了价值；流程速度提高，却使异常情况更难被发现，也不能简单视为成功。

　　更成熟的做法，是把评审标准嵌入日常流程。员工在接受、修改或拒绝AI输出时，可以用简单方式标注原因；系统定期汇总高频问题，专家团队再根据真实使用情况调整规则。这样一来，业务专家的判断不再停留于项目会议，而是成为模型、知识库和流程持续改进的数据来源。

　　评审标准还需要明确更新权。业务政策、客户需求、监管要求和模型能力都在变化，一套标准不可能长期不变。企业必须指定谁有权发起修订、谁负责批准、谁通知使用者，以及历史结果是否需要重新检查，避免AI应用在上线后逐渐偏离现实。

　　AI治理最容易被误解为限制使用，实际上，高质量治理首先是在组织内部建立“什么叫好”的共识。 如果企业无法定义可接受结果，再先进的模型也只能提供演示价值。业务专家真正贡献的，不是多提几个修改意见，而是把专业判断转化为组织可以共同执行的尺度。

　　05

　　对齐与整合：别把跨部门协调成本留给业务骨干

　　一个AI原型能够工作，并不代表它能进入真实流程。模型需要连接数据、权限和现有系统，输出需要进入审批、服务或决策环节，相关责任还会跨越业务、技术、法务、风控和信息安全部门。越接近企业核心业务，整合难度越高。

　　很多项目会把这部分协调工作默认交给最积极的业务专家。他们既要解释业务需求，又要寻找技术资源；既要回应合规问题，又要推动直属领导支持；既要测试方案，还要说服同事改变习惯。专家原本提供的是专业判断，最后却变成了没有正式授权的项目经理。

　　这会产生明显的资源错配。最稀缺的专业人才把大量时间花在预约会议、追踪审批和协调接口上，真正用于判断场景、分析错误和优化流程的时间反而被压缩。项目一旦推进缓慢，外界又容易把原因归结为“业务不够积极”。

　　组织需要设立明确的整合责任。AI产品负责人可以统筹需求与技术，流程负责人可以协调端到端变革，数据和合规团队则应提供标准化支持，而不是让每个项目重新寻找入口。业务专家应当深度参与关键判断，但不必独自承担全部协调成本。

　　对齐还包括与经营目标的连接。一个项目如果只能证明员工每周节省了若干分钟，却无法说明这些时间如何转化为服务能力、收入增长、质量提升或风险降低，就很难获得持续资源。业务负责人应当从一开始就明确价值路径，避免把调用量、生成量和活跃人数误当作最终成果。

　　麦肯锡2026年研究指出，在受访者中，70%认为自己已经准备好使用AI，但只有27%的认为组织已经准备好完成面向智能体时代所需的人员与文化转变。这个差距说明，员工的工具采用速度正在超过组织重构流程的速度，真正的瓶颈已经从个人学习转向制度协调。

　　麦肯锡另一项研究也显示，在已经部署生成式AI的企业中，仅有1%的受访高管认为所在组织已经达到成熟阶段，即AI正在根本改变工作方式并产生显著业务结果。大量组织仍然停留在出现价值的试点阶段，或者只完成了局部流程提效。

　　这并不意味着企业缺少项目，而是项目之间缺少共同方向。市场、客服、财务、HR和运营各自购买工具、建立知识库、开展试验，短期看提高了活跃度，长期却可能形成新的系统孤岛。 AI规模化不是把更多试点同时启动，而是把少数高价值流程真正打通。

　　广告

　　06

　　角色与奖励：让专家看见参与AI建设的职业回报

　　如果业务专家参与AI实验不会影响绩效、晋升和职业发展，这项工作很难长期维持。越优秀的专家，原有任务通常越饱满，放下客户、项目或团队管理去参与实验，意味着必须承担真实的机会成本。仅靠荣誉证书、创新大赛或内部宣传，很难弥补这种成本。

　　企业需要把AI建设从临时贡献转化为正式职责。部分专家可以承担AI场景负责人、业务评审人、知识资产负责人或流程架构师等角色，并明确其投入比例和决策权限。其他人员则可以通过阶段性项目参与，在完成实验后获得可记录的能力认证和成果评价。

　　奖励也不应只给最终上线的项目。高价值贡献可能包括发现关键风险、建立评审标准、淘汰低价值场景、沉淀专业案例、帮助其他团队复用方案。这些工作不一定形成醒目的产品界面，却直接决定企业能否安全、稳定地扩大应用。

　　成果归属需要更加清楚。技术团队负责模型和系统，业务专家负责问题定义、规则提炼与质量判断，管理者负责资源与流程，几类贡献都应进入项目记录。把所有成果归给某一个部门，容易削弱其他参与者的投入意愿，也不符合AI项目本身的跨职能属性。

　　职业回报还应体现在晋升标准中。未来能够定义高价值问题、组织人机协作、评估AI结果并承担业务责任的人，理应成为管理和专业序列中的重要人才。企业如果仍然只奖励个人业务产出，就会让专家在“完成眼前目标”和“建设未来能力”之间被迫二选一。

　　让专家参与AI，不是要求他们无偿训练一个可能改变自己岗位的系统，而是邀请他们共同设计下一代工作，并分享由此产生的职业机会。 只有当员工看到新的角色、新的影响力和新的成长路径，AI共创才可能从少数人的热情变成稳定的组织行为。

　　从这一点开始，AI实验不再只是技术项目，而会沿着岗位、绩效、能力和管理责任，逐步进入企业人才体系。

　　07

　　岗位重构：从“谁会被AI替代”转向“谁负责定义AI的工作”

　　AI进入企业后，岗位变化往往先从任务层面发生。资料整理、初稿生成、标准回复和基础分析逐渐由AI承担，人类工作的重心则向问题定义、结果评估、异常处理和责任决策移动。如果职位说明仍然停留在原有任务清单，企业就无法准确招聘、配置和发展人才。

　　HR需要重新进行岗位分析，但不能只列出哪些任务可以自动化。更重要的是识别每项工作中的判断点、例外点、交接点和责任点，明确AI可以自主执行什么、需要人机协作什么、必须由人负责什么。岗位重构的基本单位因此不再只是任务，而是完整的工作闭环。

　　世界经济论坛将AI时代两类重要职责概括为“AI工作架构师”和“AI监督者”。前者定义业务问题、成功标准、数据条件、约束范围和人机交接方式，后者则根据专业知识和现实情境验证输出，决定接受、修改、拒绝、停止还是升级处理。这些职责可以成为独立岗位，也可以嵌入现有的业务和管理岗位。

　　对中国企业而言，不一定需要立即增加大量带有“AI”字样的新职位。更可行的方式，是在关键岗位中增加AI场景设计、输出评审、知识维护和风险升级职责，并明确相应权限。例如，招聘人员不只是使用AI生成内容，还要负责定义筛选边界、审核偏差、维护岗位知识并分析招聘质量。

　　岗位价值的判断也需要更新。过去，一名专家的价值可能主要体现在亲自完成复杂任务；未来，专家还需要把自己的判断转化为团队和系统能够复用的能力。能够解决一个难题固然重要，能够建立一套让更多人稳定解决同类问题的机制，价值可能更高。

　　这会使部分岗位从“高级执行者”转向“工作系统设计者”。专家不再只是处理更多案件、客户或项目，而是决定哪些任务交给AI、哪些节点必须人工介入、什么质量标准能够支持规模化。岗位层级越高，对流程和判断体系负责的比重也应越大。

　　入门岗位同样不能被忽视。如果基础任务大量交给AI，新员工将失去通过重复实践积累模式识别能力的机会，企业未来也可能缺少能够成长为业务专家的人才。岗位设计必须保留“尝试—反馈—修正”的学习循环，让年轻员工先形成自己的判断，再借助AI比较和改进，而不是一开始就完全依赖模型答案。

　　麦肯锡在2026年关于专业能力传承的研究中建议，企业应当把专家的思考框架、决策规则和历史判断进行结构化沉淀，同时让初级员工在真实工作中与AI共同学习。管理者的重点也应从监督任务步骤，转向辅导判断、情境理解和影响能力。

　　因此，AI岗位重构不能只追求减少多少人力。企业还要回答：未来的业务专家从哪里成长，哪些经验必须通过实践获得，哪些判断需要人与AI共同训练。 如果AI提高了今天的效率，却切断了明天的专家供给，这种效率最终会变成能力债务。

　　08

　　绩效重构：不能只奖励AI带来的速度

　　当AI显著缩短任务时间，传统绩效指标很容易出现失真。员工完成内容更多、响应速度更快，并不一定代表业务质量提高；某些人调用AI次数很高，也不一定说明使用成熟。企业如果继续用数量和速度衡量绩效，可能会鼓励员工制造更多低价值输出。

　　AI时代的绩效需要从个人产出转向综合贡献。员工不仅要对最终结果负责，还要对问题定义、输出验证、异常发现、知识沉淀和流程改进负责。对于参与AI实验的业务专家，组织还应评价其是否帮助团队形成了可复用标准，而不是只看个人完成了多少任务。

　　企业可以建立两套相互连接的记录。一套关注经营结果，包括收入、成本、周期、质量、客户体验和风险；另一套关注能力建设，包括有效实验数量、关键问题发现、知识资产沉淀、跨团队复用和人员培养。前者防止AI项目脱离业务，后者避免长期建设被短期指标挤出。

　　对于失败项目，绩效评价需要看决策质量，而不是简单扣分。如果团队基于明确假设开展实验，及时发现方案不适合，并在投入扩大前终止项目，这可能是一项高质量决策。相反，一个勉强上线却长期无人使用的项目，即使完成了立项指标，也不应被视为成功。

　　业务专家参与评审的质量也可以被观察。高质量评审能够指出错误类型、解释业务后果、提出修订方向，并判断问题能否通过技术解决；低质量评审则只有“好用”“不好用”或零散修改意见。把评审能力纳入专业序列，有助于企业培养真正懂得人机协作的人才。

　　团队绩效的重要性也会上升。AI解决方案往往横跨业务、技术、数据和风险部门，过度强调单一部门业绩会强化边界，降低协作意愿。企业需要设置共同目标，让参与方围绕同一项业务结果承担责任，而不是分别追求上线速度、系统稳定或部门成本。

　　管理者还要防止一种隐性的工作转移。AI可能减少员工撰写初稿的时间，却增加核验、纠错、处理例外和解释结果的负担；表面上的效率提升，可能只是把可见工作转换成了更难衡量的隐形工作。如果绩效制度没有记录这些变化，员工会感到工作强度上升，组织却误以为生产率已经提高。

　　AI绩效管理的重点，不是证明工具有人使用，而是确认新的工作方式创造了可持续价值。 调用量适合判断早期采用，却不适合代表最终成效。越接近规模化阶段，企业越需要把指标从“用了多少”转向“改变了什么”。

　　09

　　能力重构：AI素养必须建立在业务判断之上

　　近年来，企业投入了大量资源培训提示词、智能助手和自动化工具，这些内容能够降低使用门槛，却不足以支撑高价值场景。真正决定AI应用上限的，是员工能否识别问题、提供背景、设置边界、验证答案并理解后果。工具熟练度只是AI素养的外层，业务判断才是核心。

　　世界经济论坛《未来就业报告2025》显示，AI与大数据、网络与网络安全、技术素养位列增长最快的技能，同时分析思维仍然是企业最重视的核心能力。报告还预计，到2030年，平均39%的现有技能将发生变化或失去原有适用性，63%的雇主把技能缺口视为业务转型的主要障碍。

　　这组数据并不意味着所有人都要转型为技术专家，而是说明技术能力和业务能力正在重新组合。企业需要的不是单纯会操作工具的人，也不是拒绝理解技术的传统专家，而是能够在专业场景中正确使用AI、发现AI边界并改进工作系统的复合型人才。

　　培训方式也需要变化。面向全员的通识课程适合建立基本认知，但无法替代岗位场景训练。销售人员需要围绕客户研究、商机判断和沟通质量练习，HR需要围绕招聘、绩效、人才发展和员工服务练习，财务人员则需要围绕数据解释、预测假设和风险控制练习。

　　优秀的场景训练应当使用真实但经过安全处理的工作材料。员工先独立判断，再观察AI输出，比较两者差异，分析模型遗漏了哪些背景以及自己忽略了哪些可能性。通过反复进行“尝试—比较—修订”，员工才能逐渐形成稳定的人机协作能力。

　　业务专家在培训中不只是讲师，也是能力标准的设计者。他们需要说明新手常见错误、哪些信号值得关注、什么情况下必须升级处理，以及高质量结果具体长什么样。学习发展部门则负责把这些经验转化为课程、案例、练习和评估工具。

　　企业还需要建立分层能力模型。普通使用者需要掌握安全规范、基本提示和结果核验；业务骨干需要能够设计场景、建立评审标准和分析错误；管理者需要能够判断价值、配置资源和管理变革；专业建设者则需要连接业务、数据、模型和流程。所有人参加同一门AI课程，看似公平，实际上难以形成岗位所需能力。

　　能力认证也不宜只通过知识考试。员工是否能在真实任务中正确使用AI，是否能够识别高风险输出，是否能解释接受或拒绝建议的原因，比记住工具功能更重要。企业可以用案例评审、现场演练和项目成果代替单纯的课程完成率。

　　AI时代最有价值的员工，不一定是生成答案最快的人，而是最清楚什么时候不能相信答案的人。 专业能力不会因为AI出现而失去价值，反而会从直接执行转向定义问题、校准结果和承担责任。企业需要升级的不是一批“提示词选手”，而是一支能够管理智能系统的业务队伍。

　　10

　　管理责任重构：不能把AI实验外包给积极员工

　　AI项目常见的启动方式，是高层宣布方向，技术部门提供工具，业务部门自行寻找场景。这样的模式在探索初期具有速度优势，却容易把最复杂的组织问题留给中层和一线专家。管理层要求创新，但没有明确哪些工作可以暂停、哪些资源可以调用、失败如何处理，员工只能在现有体系外增加一层工作。

　　CEO的责任是明确AI要解决什么经营问题，而不是简单要求每个部门提交项目数量。真正有价值的方向通常集中在少数关键业务域，例如客户获取、服务交付、供应链、研发、风险管理和人才运营。聚焦能够帮助企业把有限的专家资源投入更具战略意义的流程。

　　业务负责人需要成为AI价值的直接责任人。技术团队可以负责系统建设，却不能替业务部门定义成功；如果业务负责人只在上线时签字，项目就很难进入真实流程。负责人必须参与确定结果指标、人员安排、流程变化和风险边界。

　　CHRO的角色则贯穿岗位、绩效、能力和组织机制。HR要识别哪些专家需要进入AI项目，调整其工作量和评价方式，建立新的角色与职业通道，同时关注入门人才的成长路径。AI转型如果没有进入人才制度，最终就只能依赖临时项目和少数人的个人投入。

　　CIO、CTO或首席数据负责人需要提供稳定的技术与治理底座。业务专家不应该为每个实验重复解决模型接入、数据权限、隐私要求和安全审查问题。平台越标准化，专家越能够把时间放在业务判断上；治理入口越清晰，实验推进越不容易被跨部门协调拖慢。

　　中层管理者是最容易被忽略的一环。他们既要完成短期经营目标，又要释放骨干参与实验，还要应对团队对岗位变化的担忧。如果组织只对中层提出AI采用要求，却不调整其目标和资源，中层自然会优先保护当期业绩。

　　麦肯锡《组织状态2026》显示，受访者认为影响AI采用的重要因素包括易用性、领导层推动和专门团队支持。报告同时强调，AI规模化需要CEO与财务、技术和人力资源负责人共同参与，并把责任嵌入重新设计的工作流程，而不是停留在工具部署层面。

　　管理层还需要提供更透明的变革叙事。企业应该说明AI投资希望提高什么能力、哪些岗位会发生变化、员工如何获得新机会，以及效率收益将怎样转化为业务增长或工作改善。模糊地强调“拥抱变化”，无法消除员工对岗位和价值的担忧。

　　真正的管理支持，不是领导在会议上反复强调AI重要，而是愿意重新分配目标、时间、预算、权力和回报。 如果这些要素没有变化，所谓AI优先仍然只是口号。组织最终获得的，也只能是员工在旧制度中的有限尝试。

　　11

　　中国企业需要避免把业务专家变成“免费训练师”

　　对不少中国企业而言，AI应用正在进入一个从普及工具转向寻找收益的阶段。管理层不再满足于员工会写提示词，而是开始要求AI进入销售、客服、研发、运营和人力资源流程。这一变化提高了业务专家的重要性，也增加了专家被过度使用的风险。

　　许多企业拥有经验丰富的业务骨干，却没有把经验系统化。他们知道客户为什么流失、项目为什么延误、候选人为什么不适合、某类质量问题为什么会反复出现，但这些判断散落在个人经验、聊天记录和临时会议中。AI项目一旦启动，组织便希望专家迅速把多年经验整理出来。

　　这种期待本身并不合理。专家知识不是静态文件，而是在特定情境中形成的动态判断，需要通过案例比较、流程观察和持续讨论才能逐步提炼。如果企业只安排几次访谈，就要求技术团队据此训练系统，最终得到的往往只是显性规则，而不是决定业务质量的深层逻辑。

　　中国企业还普遍面临业务节奏快、人员负荷高的问题。骨干员工通常同时承担客户、项目和团队责任，让他们参与AI实验意味着真实的产能取舍。管理层必须明确减少哪些原有任务，而不是默认员工能够通过加班完成战略创新。

　　另一个风险是过度强调短期降本。降本是AI的重要价值，但如果项目从一开始就只围绕减少人员数量设计，业务专家很难建立长期投入意愿。更健康的路径是先明确AI如何提高质量、扩大服务能力、缩短周期和减少低价值工作，再讨论组织规模与岗位结构的变化。

　　对于知识密集型企业，业务专家本身就是核心资产。AI的目标不应是简单复制少数专家，而是把专家的部分判断转化为组织能力，让更多员工能够达到稳定标准，同时让专家转向更复杂的问题。这样既能扩大专业能力供给，也能保留人才成长和知识更新机制。

　　企业还应警惕“专家”模式。让少数骨干同时参与十几个AI项目，看似提高了资源利用率，实际上容易造成判断质量下降和人才透支。更可持续的方式，是围绕不同业务域建立专家网络，让核心专家制定标准，让更多一线人员参与案例标注、结果评审和场景改进。

　　这套网络需要有进有出。专家可以承担复杂场景和标准建设，中生代员工可以作为项目骨干，新员工则通过真实案例学习如何判断。AI实验由此不再只是技术建设，也是专业人才梯队建设。

　　企业不应把业务专家当成供模型提取知识的接口，而应把他们视为新工作体系的共同设计者。 前一种做法追求尽快“复制专家”，后一种做法关注如何持续产生专家。两者的差异，将决定AI究竟扩大组织能力，还是消耗已有能力。

　　12

　　从现在开始，企业可以这样建立AI实验机制

　　企业不需要一开始就建立庞大的AI组织，但需要选择一个足够重要、边界相对清晰的业务域。这个领域应当拥有明确的经营问题、可获得的数据、愿意承担责任的业务负责人，以及能够稳定参与的专家群体。场景数量不必多，关键是能够走完整个价值闭环。

　　在启动阶段，管理层应当确定专家投入比例和替代资源。参与者每周可以投入多少时间，哪些原有目标相应调整，谁负责技术支持，谁处理数据与合规问题，都应该在项目章程中写清楚。没有时间预算的战略项目，最终通常会变成个人加班项目。

　　随后，团队需要建立共同的案例集和评审标准。先选择真实工作中的典型案例、困难案例和高风险案例，让多位专家独立判断，再讨论差异。这个过程既能测试模型，也能暴露企业内部标准本身是否一致。

　　项目推进过程中，应当记录每一次重要修改背后的原因。模型输出哪里不符合业务要求，专家依据什么规则判断，改变数据、提示或流程后效果如何，都需要形成可追踪记录。这些记录比最终的一份提示词模板更有价值，因为它保存了组织学习的路径。

　　当原型进入真实工作后，企业需要观察完整工作量。AI节省了多少生成时间，又增加了多少核验、修改、协调和异常处理时间；员工体验是否改善，客户是否感受到质量变化，都应当纳入评估。只有计算净收益，才能避免把工作转移误判为效率提升。

　　项目达到稳定标准后，再讨论扩大范围。规模化不只是开放更多账号，还包括标准是否能够跨团队复用、专家支持是否足够、数据权限是否稳定、责任边界是否清楚。条件尚未成熟时快速推广，容易让少数成功经验在不同场景中失真。

　　企业还应定期清理项目组合。缺乏业务负责人、长期没有真实用户、无法说明价值路径的试点，应当暂停或合并；能够改善核心流程、拥有稳定专家参与并形成清晰收益的项目，则应获得更多资源。停止低价值实验不是创新失败，而是把专家时间还给更重要的问题。

　　对HR而言，可以同步建立一份“AI共创人才地图”。其中不只记录谁会使用工具，还要记录谁拥有关键业务知识、谁善于解释判断、谁能够跨部门协作、谁适合承担质量责任。这样的人才地图将比一份通用AI证书名单更接近企业真正需要的能力。

　　企业也可以设置专家轮换机制，避免AI建设长期集中在少数人身上。轮换能够扩大参与面，形成专业梯队，也能防止某一套个人经验直接固化为组织标准。核心专家保持最终判断权，更多员工则通过分层参与逐渐提升能力。

　　AI实验机制成熟的标志，不是企业同时运行了多少模型，而是组织能否持续把一线经验转化为标准、流程和经营结果。 当专家参与不再依赖个人热情，试错不再依赖私下加班，项目成果不再依赖一次展示，AI才真正开始成为组织能力。

　　结语

　　AI越强，业务专家越不能缺席

　　过去，企业讨论AI人才，注意力主要集中在算法、数据和工程岗位上。随着模型能力快速商品化，技术门槛正在下降，业务转化门槛却不断提高。企业可以买到更强的模型，却买不到对自身客户、流程和风险的深度理解。

　　这正是《哈佛商业评论》这项研究最值得管理者重视的地方。两家专业机构拥有相似的技术机会，也面对相似的不确定性，但专家是否持续参与，最终带来了截然不同的实验结果。组织提供的支持结构，决定了专业知识能否进入AI系统，也决定了试点能否积累成规模化能力。

　　对企业高管而言，这要求重新审视AI投资的资源结构。预算不能只用于模型、软件和算力，还要覆盖专家时间、流程设计、评审机制、知识治理和人才发展。看不见的组织投入，往往比看得见的技术采购更能决定回报。

　　对HR负责人而言，AI转型不是旁观技术部门的项目，而是一次岗位体系、绩效逻辑、能力模型和管理责任的同步重构。业务专家是否愿意参与、能够参与并从中获得发展机会，直接决定企业能否把专业能力转化为AI时代的竞争优势。

　　未来企业之间的差距，不会简单表现为谁更早接入最新模型。更深层的差距在于，谁能够让最懂业务的人持续参与实验，谁能够把个人经验沉淀为组织标准，谁能够在提高效率的同时继续培养下一代专家。模型能力越接近，组织能力的差异就越明显。

　　企业真正需要建设的，不是一个替代专家的AI，而是一套让专家、员工与AI共同进化的工作系统。 技术会不断更新，工具会持续降价，今天领先的模型也可能很快成为普遍能力。但业务判断、组织信任和责任体系不会自动生成，它们仍然需要企业通过人来建设。

　　当一家企业愿意为专家腾出时间，允许他们认真试错，承认他们在评审、纠偏和知识沉淀中的贡献，并把这种贡献连接到绩效与职业发展，AI实验才可能越过演示阶段。届时，AI不再只是员工手中的效率工具，而会成为企业重新组织知识、流程和人才的一种新基础设施。

　　企业缺少的从来不只是一个更强的模型，而是一套让业务专家愿意留下来、能够持续参与并真正拥有成果的机制。

　　参考资料

　　1. Harvard Business Review：AI Experiments Need Domain Experts. Here’s How to Support Them

　　2. SSRN：Experimentalist Intensification Governance

　　3. McKinsey：Closing the AI Readiness Gap

　　4. McKinsey：AI in the Workplace—Empowering People to Unlock AI’s Full Potential

　　5. McKinsey：Building Expertise in the Age of AI

　　6. McKinsey：The State of Organizations 2026

　　7. World Economic Forum：Defining Roles for Humans and AI in the Future of Work

　　8. World Economic Forum：The Future of Jobs Report 2025

　　— END —

　　原文链接：https://mp.weixin.qq.com/s/jLJkrq4pkphad4CovcUvxA