来源：HRflag

　　（图片由HRflag使用Chatgpt image2.5生成 ）

　　2026年9月，CIO刊发的一篇报道，把企业AI落地中一个常被忽略的问题重新摆到了管理者面前：当很多公司仍在追踪账号开通率、月活率和调用次数时，摩根大通在推出内部生成式AI平台LLM Suite之初，并没有向员工下达使用指标，也没有把登录次数写进绩效要求。平台先在资产与财富管理等业务中分阶段开放，员工可以自愿申请，使用经验则通过同事之间的推荐逐渐扩散。结果是，上线八个月后，已有20万名员工完成接入，约占当时全公司员工总数的三分之二。

　　这组数字容易被写成一个“不给指标反而增长更快”的管理故事，但它真正有价值的地方，并不在于证明KPI失效，也不在于鼓励企业对AI采取完全放任的态度。摩根大通并没有放弃管理，而是改变了管理的对象：不把“员工用了多少次”当成最终成绩，而是把自然使用看作产品是否有用的信号，把项目能否进入生产、流程是否改善、业务结果是否出现变化作为更重要的判断。 它放松的是采用动作上的强制，收紧的却是价值验证上的纪律。

　　这一区别，正好切中了企业AI进入规模化阶段之后的核心矛盾。工具采购、账号开通和培训覆盖都可以在短时间内完成，真正困难的是让AI从个人桌面上的效率助手，进入组织的流程、标准和经营结果。麦肯锡2026年8月发布的全球AI调查显示，80%的受访者认为AI改善了个人生产率，50%认为AI帮助自己作出更好的决策；但能够把AI使用与企业层面EBIT影响联系起来的受访者仍只有37%，与一年前基本持平。个人感受到的“省时间”，还没有自动变成组织可以确认的“增价值”。

　　因此，摩根大通的案例并不是一场关于“要不要考核AI”的简单投票，而是在提醒高管和HR：企业需要区分推动采用、形成能力和创造结果这三件事。把三者合并成一个AI使用率，管理看起来更简单，实际却可能掩盖最值得追问的部分。 AI采用率可以是一只温度计，却不适合直接变成员工的成绩单。

　　一场没有使用命令的规模化扩散

　　LLM Suite于2024年夏季向符合条件的员工推出，提供一个能够保护客户与公司数据的受控环境，让员工使用大语言模型完成构思、资料整理和内容起草等工作。摩根大通当时没有把它描述成一个需要所有人完成打卡的新系统，而是给了一个很具体的工作隐喻：把它当作一名研究助理，可以向它索取资料、草稿和想法。这个定位没有试图解释模型原理，而是直接回答了员工最现实的问题——它能在今天的工作中替我解决什么。

　　自愿申请并不意味着平台只能等待员工偶然发现。LLM Suite采取分阶段开放，先进入需求清晰、知识工作密集且具备使用场景的业务领域，再依靠真实体验和同事推荐扩大影响。摩根大通在官方资料中提到，平台从零发展到20万名已接入用户只用了八个月，其中一个重要推动力就是员工需求；CIO的报道还显示，平台随后形成了450多个投入生产的用例。这里的扩散逻辑不是“总部要求所有人使用同一种方法”，而是一个员工解决问题后，身边的人开始询问他是怎么做到的。

　　口碑扩散之所以在企业内部格外重要，是因为AI不同于传统流程系统。财务报销、考勤或客户信息录入可以通过制度要求统一上线，因为它们本身就是组织流程的一部分；生成式AI面对的却是大量开放性任务，同一个工具在研究员、程序员、客服人员和HR手中，价值密度完全不同。若企业只用统一活跃率衡量这些岗位，容易把任务差异误读成员工态度差异，也容易让本来不适合高频使用AI的岗位，为了完成数字而制造低价值调用。

　　摩根大通的做法让采用率恢复了“信号”的意义。如果没有强制要求，一项工具仍持续吸引员工使用，说明它至少在便利性、可信度或任务适配上提供了真实价值；如果某个部门使用不活跃，管理者也能进一步判断，是场景尚未找到、数据尚未接通、能力尚未形成，还是工具确实没有解决足够重要的问题。相反，当使用率被写成绩效目标后，同一个数字就很难再回答这些问题，因为员工会合理地围绕指标调整行为。

　　管理学中有一个广为人知的现象：当衡量指标变成追逐目标，它往往会逐渐失去衡量作用。放到AI场景里，这种变化尤其隐蔽，因为高频登录、提示词数量和生成文档数量都是真实数据，也很容易被做成漂亮的仪表盘。问题在于，它们只说明人和工具发生过交互，并不能说明输出质量更好、客户响应更快、风险更低，甚至不能说明员工真的节省了时间。

　　一家企业完全可能同时拥有很高的AI月活率和并不明显的经营收益。员工为了完成要求，每周登录一次；部门为了展示成果，把普通搜索、润色和摘要都计入AI案例；管理者看到采用曲线持续向上，却仍然难以解释项目交付周期为什么没有缩短。数字没有造假，只是被放到了超出其解释能力的位置上。

　　这也是摩根大通案例中最值得HR关注的管理转向： 不是取消衡量，而是把“有没有用”交给自然采用来回答，把“是否有效”交给业务结果来回答。 员工愿不愿意回来继续使用，是产品价值的早期信号；一项应用是否值得扩大，则需要观察流程、质量、客户、收入、成本或风险指标。前者帮助企业发现需求，后者帮助企业配置资源，两种数据各司其职，才不会让采用率承担它无法承担的责任。

　　“自愿采用”不是放任，而是一套更精细的组织设计

　　如果只看到“不设使用目标”，企业很容易复制到最表面的一层：买好工具、发出通知，然后期待员工自行探索。摩根大通能够形成规模化使用，并不是因为管理缺席，而是因为自愿采用背后存在一整套基础设施。安全的企业环境、清晰的使用边界、分阶段的准入、贴近任务的产品定位、业务部门提出需求的渠道，以及能够把有效项目推入生产的技术和治理能力，共同降低了员工尝试的成本。

　　金融机构对数据、合规和模型风险的要求很高。员工若不确定哪些资料可以输入、生成内容能否进入客户文件、最终责任由谁承担，即使工具功能很强，也会倾向于谨慎观望。LLM Suite首先提供受控环境，本质上是在组织层面承担安全设计责任，让员工不必在每一次点击前独自判断所有风险。 自愿使用能够发生的前提，是企业先把“可以放心尝试的空间”建设出来。

　　这种空间还需要足够低的学习门槛。把AI介绍成“研究助理”，比要求每个人学习一套复杂的技术语言更容易形成行动，因为它把抽象能力翻译成了熟悉的工作关系。员工知道可以让它找资料、搭框架、写初稿，也知道最终判断仍由自己完成。一个恰当的角色隐喻，实际上同时完成了价值说明和责任说明。

　　在很多组织里，AI培训容易从模型知识讲起，课程结束后员工记住了参数、术语和提示词公式，却仍然不知道第二天该在哪项任务中使用。真正影响采用的通常不是员工是否理解大模型的全部原理，而是能否在自己的工作流里识别一个足够具体的入口。比如招聘团队先从职位描述的结构化整理开始，财务团队先从差异说明的初稿开始，销售团队先从会前客户资料汇总开始，使用才可能从一次演示变成重复行为。

　　自愿采用也并不排斥管理者发挥作用。微软2026年工作趋势指数对2万名AI使用者的调查显示，组织因素——包括文化、经理支持和人才实践——对受访者所感知AI影响的解释力，是个人努力的两倍。另一项覆盖1800名员工的研究发现，当管理者公开示范AI使用时，员工报告的AI价值提高17个百分点，对AI使用的批判性思考提高22个百分点，对智能体AI的信任提高30个百分点。员工并不需要经理催促登录，但需要看到经理如何选择任务、如何审查结果，以及如何对最终决定负责。

　　这意味着，企业内部最有效的AI推广者往往不是站在台上宣布目标的人，而是能够展示一个真实工作前后变化的人。一名经理把过去两小时完成的客户会议准备压缩到四十分钟，同时说明哪些信息必须人工核实，这种示范比“本月使用次数提高20%”更容易引发团队模仿。员工传播的不是一个工具名称，而是一种被验证过的新工作方法。

　　因此，“有用→自传播”不是一个自然发生、无需管理的浪漫过程，而是一种经过设计的扩散机制。企业负责提供可信工具、清晰规则和可学习的优秀样本，业务团队负责提出真实问题，员工通过实际结果决定是否持续使用，管理者再把成熟做法沉淀为团队标准。这里没有硬性打卡，却有比打卡更清楚的责任分工。

　　企业真正要跨越的，不是采用鸿沟，而是价值鸿沟

　　AI进入企业的早期，管理层最容易获得的是采用数据，因为账号、登录和调用都可以自动记录。到了规模化阶段，这些数据的边际价值开始下降，管理问题会从“有没有人用”转向“为什么用了之后，组织结果没有同步变化”。麦肯锡2026年的调查给出了一个清晰对照：近九成受访者所在组织已在至少一个职能中经常使用AI，44%的组织正在全企业范围扩展AI，高于一年前的38%；但AI高绩效企业仍只占约6%。

　　所谓AI高绩效企业，是指受访者认为AI贡献了至少5%的EBIT，并带来显著价值的组织。这些企业和其他企业的差距，并不主要表现在员工是否多问了几次AI，而在于是否重构了工作流。近四分之三的高绩效企业因AI使用而从根本上重新设计流程，其他企业中这样做的比例只有四分之一；高绩效企业也更可能把增长与创新和效率目标放在一起，并建立明确的影响衡量机制。

　　这组数据解释了为什么个人节省时间并不必然进入财务报表。假设一名员工借助AI把一项分析任务从三小时缩短到一小时，但后续审批仍需两天，客户交付时间就不会因此减少；如果节省出的两小时被零散会议和等待填满，组织也不会形成可调度的新产能。员工的效率感是真实的，企业的收益没有出现也是真实的，两者之间缺少的是流程重构和产能再配置。

　　CIO在分析摩根大通时提到了一个很形象的情况：一段流程中的时间被节省下来，瓶颈可能只是转移到了下一环。把各岗位自报的节省小时数相加，计算结果可以完全准确，却不一定能说明端到端流程变快了。 AI最容易制造的是局部速度，企业真正需要的是整体吞吐。

　　这种差异对HR尤其重要，因为节省时间之后发生什么，往往不是技术部门能够单独决定的。如果岗位目标、协作边界、授权机制和绩效标准仍保持原样，员工即使掌握了AI，也只能在旧系统中更快地完成旧任务。组织若希望把时间红利转化为客户价值，就需要重新定义员工该把新增产能投向哪里，哪些工作可以提高质量标准，哪些工作可以扩大服务范围，哪些流程需要减少交接。

　　例如，一名HRBP使用AI更快地完成访谈纪要和数据归纳，价值不一定体现为少花了多少分钟。更有意义的变化可能是，她因此能够提前识别某个团队的能力断层，增加与业务负责人的讨论频率，或把过去每季度一次的人才盘点支持变成更及时的决策支持。如果绩效体系仍只计算完成了多少份报告，AI释放出的时间就很难进入更高价值的工作。

　　同样，招聘人员可以利用AI缩短职位信息整理、候选人沟通草稿和面试记录汇总的时间，但招聘质量仍取决于需求是否清楚、面试判断是否专业、关键人才是否得到有温度的沟通。真正值得跟踪的不是招聘人员生成了多少段文本，而是职位启动周期、候选人体验、有效面试比例、录用接受率和入职后的质量是否改善。AI改变的是完成工作的路径，绩效仍应落在业务结果上。

　　这也是从个人效率走向组织价值时必须完成的一次“单位换算”。个人使用通常以分钟、草稿和任务计数，组织经营则以周期、质量、容量、收入、成本和风险计量。企业如果不主动设计两套单位之间的转换关系，就会长期停留在大量员工都觉得有帮助、财务负责人却看不到完整回报的状态。

　　为什么AI使用量不适合直接写进个人绩效

　　把AI使用量纳入KPI的吸引力很强。它可量化、可比较、可视化，也能够向组织传递转型决心；尤其在平台刚上线、员工观望情绪较重时，一个明确指标似乎可以迅速拉高采用曲线。但从绩效管理角度看，行为指标一旦与奖金、晋升或排名直接挂钩，员工就会把注意力放在满足指标，而不是判断何时使用AI最合适。

　　不同岗位的“合理使用频率”并不相同。软件工程师可能每天多次调用代码助手，法务人员可能只在部分低风险文本任务中使用，负责复杂员工关系的HR则需要保留更多面对面判断。如果企业用同一个活跃标准评价这些岗位，指标表面公平，实质上忽略了工作内容、风险级别和价值链位置的差异。

　　AI也并非越多使用越好。微软2026年调查显示，最成熟的一类AI使用者会主动判断一项任务应由AI还是人完成，其中53%会在开始工作前有意识地停下来作出选择，而其他使用者中这一比例为33%；他们也更可能刻意保留一部分不依赖AI的工作，以维持自身技能。成熟不是无条件增加调用，而是形成更好的任务判断。

　　如果AI用量成为个人绩效指标，员工还可能减少那些不易被平台记录、却对组织非常重要的行为。向同事解释一个方法、审查AI输出、发现数据边界、及时停止一个不适合自动化的方案，都可能比再次调用模型更有价值，却不一定进入使用仪表盘。最终，组织奖励的是留下数字的人，而不是提高工作可靠性的人。

　　绩效体系更适合评价AI参与之后的工作结果，以及员工在新工作方式中表现出的能力。输出质量是否提高，返工率是否下降，响应是否更及时，判断是否保留证据，风险是否得到控制，经验是否能够被团队复用，这些指标更接近企业真正需要的行为。对于管理者，还应观察其是否重新设计任务分工、建立质量标准、为团队创造安全试验空间，而不是只看团队总调用量。

　　这并不意味着所有采用数据都应被取消。在推广初期，企业仍可观察开通率、首用率、四周留存、重复使用和场景分布，用来诊断平台体验与支持缺口；培训部门也可以跟踪完成率和练习表现，了解能力建设是否覆盖到位。关键在于， 这些数据主要用于改善系统，不宜直接用于给个人贴上“拥抱AI”或“抗拒AI”的标签。

　　一种更稳妥的做法，是把AI采用指标放在团队和组织层面，以趋势而非排名来观察。某个团队的持续使用下降，可以触发访谈和场景复盘，而不是立即触发绩效扣分；某项用例使用快速增长，可以进一步验证质量与业务结果，而不是马上宣布成功。这样一来，数据仍然推动行动，却不会扭曲员工的选择。

　　当然，并非所有AI使用都必须保持自愿。当企业已经验证某项AI功能比原流程更安全、更稳定，并正式嵌入标准作业流程，例如合规检查、知识检索或客户服务辅助时，按流程使用可以成为岗位要求。此时被要求的不是“为了AI而用AI”，而是遵循已经被验证的新工作标准；考核对象也应是流程合规和结果质量，而不是工具崇拜。

　　广告

　　岗位重构应从任务开始，而不是从人数开始

　　AI带来的效率讨论很容易迅速转向人员规模，但摩根大通的案例展示了另一条更具操作性的路径：先观察员工把AI用于哪些任务，再识别哪些做法能够稳定进入生产。摩根大通2025年年报显示，超过90%的工程师已经使用AI代码助手，仅企业与投资银行部门就有超过6.5万名员工积极使用LLM Suite。大范围使用让企业获得了一张真实的任务地图，也让岗位重构不必只依赖管理层的想象。

　　一张有价值的任务地图，不只区分“可自动化”和“不可自动化”。它还需要识别哪些任务适合AI起草、人类审查，哪些任务适合AI检索、人类判断，哪些任务可以由智能体执行但必须设置升级节点，以及哪些任务因责任、关系或风险原因应由人主导。岗位不会因为某个工具上线而整齐地消失，它更可能被重新拆分、组合和提高质量门槛。

　　对知识型岗位而言，AI通常先压缩资料搜集、格式转换、初稿编写和重复核对等环节。节省出的时间若被重新投向问题定义、利益相关者沟通、复杂判断和结果负责，岗位价值会向上移动；若组织没有重新设计目标，员工则可能只是承担更多同类任务。两种结果都可以表现为“效率提高”，但对人才发展、工作体验和长期能力的影响完全不同。

　　HR在这里承担的不是替技术部门宣传工具，而是把任务变化翻译成岗位变化。职位说明书需要从静态职责清单转向更清楚的结果责任，能力模型需要加入任务分解、AI协作、证据核验和风险判断，编制规划需要区分真实需求下降与产能释放。只有这些制度同步调整，AI使用才会从个体技巧变成组织能力。

　　麦肯锡2026年调查也提醒企业，对人员规模的预期需要保持审慎。2025年的受访者中有32%预计未来一年会因AI减少整体员工规模，但到了2026年，实际报告出现下降的比例只有14%，不到此前预期的一半；与此同时，39%的受访者又预计下一年会出现下降。预期持续走在现实前面，说明AI对岗位的影响并非简单按技术能力兑现，而要经过流程、治理、客户需求和组织决策的共同作用。

　　对高管而言，更有价值的问题不是“AI理论上可以替代多少任务”，而是“释放出的容量准备怎样使用”。企业可以选择提高服务深度、扩大客户覆盖、缩短产品周期、增加风险检查，也可以在业务自然变化中优化资源配置。不同选择对应不同的人才策略，不能由一张工具使用报表自动得出答案。

　　能力建设的重点，正在从“会提问”转向“会负责”

　　生成式AI刚进入企业时，培训普遍从提示词技巧开始，这在启蒙阶段有现实价值。随着模型交互越来越自然，单纯会写提示词正在迅速变成基础能力，真正拉开差距的是员工能否定义问题、拆解任务、提供上下文、辨别证据，并对输出进入业务流程后的后果负责。AI降低了生成内容的门槛，也相应提高了判断内容的要求。

　　微软2026年调查中，50%的AI使用者认为AI输出质量控制的重要性正在上升，46%提到批判性思维，86%把AI输出视为起点而非最终答案。这个结果说明，员工并没有因为AI能够生成答案，就自然失去对专业判断的重视。企业能力建设真正要解决的是，如何把这种责任意识转化成可重复的方法和明确标准。

　　例如，同样是让AI起草一份人才评估摘要，初级使用者关注文字是否流畅，成熟使用者会先确认数据来源是否完整、评价维度是否一致、推断是否越过证据边界，以及哪些表述可能影响员工权益。前者完成了一次内容生成，后者完成了一次受控的专业工作。两者的调用次数可能完全相同，能力水平却有明显差异。

　　因此，企业内部的AI认证不宜只考工具功能和提示词模板。更合理的考核可以围绕真实案例展开，让员工说明为何选择AI、哪些资料可以使用、如何设置质量标准、怎样核验结果、何时必须升级给专业人员，以及最终产生了什么业务影响。这样的认证既能支持采用，也能避免把熟练操作误当成专业成熟。

　　能力建设还需要从统一通识逐步走向岗位场景。所有员工都需要了解安全、隐私、知识产权和基本核验原则，但销售、研发、财务、法务和HR需要不同的任务训练与质量标准。统一课程解决“能不能开始”，岗位课程解决“能不能做好”，真实项目复盘则解决“能不能持续改进”。

　　在这个过程中，组织内部最有价值的人可能不是调用次数最多的人，而是能够把个人经验转化为团队资产的人。他们会整理高质量的工作模板，标注常见错误，说明适用边界，并帮助同事缩短试错过程。摩根大通提到“公民开发者”用例开始进入生产，背后反映的正是员工从工具消费者转向工作方式设计者的变化。

　　HR可以据此重新识别AI时代的高潜人才。除了学习敏捷性和数字素养，还应关注谁能发现值得解决的问题，谁能跨越业务与技术语言，谁能让新的工作方式被他人采用，谁能在效率与风险之间保持稳定判断。 AI高潜不等于最会使用模型的人，而是最能把模型能力转化为组织结果的人。

　　经理人的新职责，不是催使用，而是重构工作

　　AI采用是否能够穿透到团队结果，很大程度上取决于一线经理。员工可以自行探索工具，技术部门可以保障平台稳定，HR可以提供课程与政策，但只有经理最清楚团队的工作如何分配、质量如何判断、哪些环节存在等待，以及节省出来的时间应该投向哪里。AI落地进入深水区后，经理人的作用会从“批准工具”转向“设计工作”。

　　这种设计首先体现在目标上。经理需要把“大家多用AI”翻译成一个真实业务问题，例如把客户方案准备周期缩短20%，把新员工找到准确制度答案的时间从半小时降到五分钟，或者在不降低质量的前提下扩大服务覆盖。目标一旦与工作结果相连，团队才有可能选择合适场景，而不是寻找最容易完成的调用。

　　随后是流程边界。经理需要明确AI在哪个环节提供初稿，谁承担复核责任，什么情况下必须人工处理，出现异常时向谁升级。对于高风险任务，清楚的人工验证节点比模糊的“谨慎使用”更有操作性；对于低风险高频任务，过多审批又会抵消工具价值。管理成熟度就体现在这种有差异的边界设计上。

　　经理还需要重新安排节省出的时间。员工用AI完成工作后，如果团队仍用原来的任务量、会议结构和响应方式运转，新增产能很快会被日常噪音吸收。管理者需要提前决定，这部分时间是用于服务更多客户、提高分析深度、开展创新试验，还是减少低价值负荷并改善工作体验。没有去向的时间节省，很难形成可以持续的价值。

　　更重要的是，经理要建立一种允许试验但不降低责任的环境。员工可以公开分享不成功的提示、错误输出和被终止的用例，不必为了证明“拥抱AI”而只汇报成功案例；与此同时，涉及客户、员工权益和重大决策的输出仍要保留核验记录。心理安全与专业问责并不冲突，它们共同决定团队能否快速学习。

　　微软的研究显示，只有26%的AI使用者认为公司领导层在AI方向上表现出清晰而持续的一致性，65%担心如果不快速适应AI就会落后，但45%又认为专注于当前目标比用AI重构工作更安全。员工同时接收到“要创新”和“不能影响既有结果”两种信号，自然会选择最保守的使用方式。经理如果不能处理这种张力，采用率再高，也可能只停留在边缘任务。

　　这要求企业在经理人评价中加入新的管理责任。可以观察其是否提出有价值的业务场景，是否建立人机协作标准，是否推动端到端流程改善，是否培养团队的判断能力，以及是否对结果和风险保持清晰责任。经理不必成为团队里最熟练的提示词工程师，但需要成为新工作系统的设计者。

　　HR需要一套比“使用率排行榜”更成熟的仪表盘

　　AI采用并非不能衡量，而是需要分层衡量。准备度指标包括合规工具覆盖、权限开通、岗位场景清晰度、培训可及性和经理支持，用来回答员工是否具备安全使用的条件。若准备度不足，使用率低通常不是态度问题，而是组织尚未完成必要投入。

　　自然采用指标包括首用、重复使用、四周留存、使用场景分布和团队内复用。它们可以帮助企业识别哪些工具与任务形成了真实匹配，但应尽量以群体趋势和匿名洞察呈现，避免转化为个人排名。尤其值得关注的不是一次性高峰，而是员工是否在没有额外活动刺激的情况下持续回来。

　　能力与质量指标包括任务选择是否合理、输入是否合规、输出是否经过核验、返工率是否下降、专业标准是否保持。这里需要系统数据与抽样评审结合，因为很多关键判断无法从后台日志直接得出。HR、业务专家、风险与技术团队可以共同建立不同岗位的质量量表。

　　流程结果指标包括端到端周期、等待时间、吞吐量、一次通过率、客户响应和员工负荷。它把个人的时间节省连接到团队运行，能够识别效率是否只是把瓶颈推向下一环节。若某个步骤快了而整体周期不变，企业获得的是局部容量，还需要继续调整流程。

　　经营价值指标则包括收入增长、客户留存、成本结构、风险损失、创新速度和组织韧性。并非每个用例都要直接对应利润，但企业应在立项时说明它预期影响哪一类价值，以及用什么证据验证。摩根大通在项目试验前预先设定继续或停止的门槛，并借鉴临床试验思路设置对照组，正是为了把相关性与真实贡献区分开。

　　CIO的报道显示，摩根大通过去由专业人员协助产品团队时，一年大约能够开展八项严谨测试，后来通过自助实验平台把数量提高到约300项。这说明规模化不只是把同一个应用推给更多人，也包括让更多团队能够用一致方法验证价值。企业未必需要复制大型银行的技术平台，但可以复制“先写清结果、再开始试验”的纪律。

　　这套分层仪表盘也能改变HR与CFO、CIO之间的对话。CIO关注平台、数据和风险，CFO关注投入与经营回报，业务负责人关注客户和流程，HR关注岗位、能力、绩效与体验。若四方只共享一个月活率，讨论很快会停留在数字高低；若能够沿着准备度、采用、质量、流程和经营结果逐层查看，责任边界和下一步行动都会更清楚。

　　从“推动所有人使用”转向“让价值自行显现”

　　对于正在启动企业级AI平台的公司，摩根大通的经验可以被转化为一条更现实的推进路径。平台上线前，先划出安全边界和允许使用的任务范围，让员工知道什么可以做、什么需要核验、什么不能进入模型；上线时，不必用宏大叙事覆盖所有岗位，而应挑选少数高频、清晰、能在数周内看到变化的工作入口。早期体验决定的不是一次活动的热度，而是员工是否愿意向同事推荐。

　　接下来，企业需要建立一个开放的场景入口，让问题从业务中流入，而不是只由总部列出应用清单。摩根大通曾向业务单元询问哪里存在需要解决的问题，几周内收集到近千个想法，最终只有其中一部分进入生产。大量想法被筛选并不意味着创新失败，它说明组织愿意用较低成本发现真正有价值的少数项目。

　　每个试验开始前，都应明确继续、扩大、调整或停止的条件。若目标是缩短招聘周期，就要先确定观察哪个环节、比较哪一组岗位、如何控制季节性与业务波动；若目标是提高员工服务效率，就要同时观察响应速度、解决率、满意度和升级人工的比例。没有预设判断标准的试点，很容易因为参与者投入了时间而长期延续。

　　成熟用例出现后，传播重点应放在工作方法和结果，而不是模型本身。一个可复用案例至少应说明原任务如何完成、AI承担了什么、人保留了什么、质量怎样核验、结果改善多少、适用边界在哪里。这样的案例可以被其他团队迁移，而一句“某部门积极拥抱AI”只能产生短暂关注。

　　与此同时，企业要给经理人真实的调整空间。如果节省时间后仍要求员工完成完全相同的流程、参加完全相同的会议、提交完全相同的材料，AI只能成为额外负担。只有允许团队合并步骤、取消低价值交接、改变授权和重新安排产能，技术红利才会进入组织结构。

　　HR则需要同步更新制度语言。招聘中考察的不是候选人是否使用某个品牌的AI，而是能否展示任务判断、结果核验和责任意识；学习项目不只发放课程证书，还要支持员工完成真实场景；绩效管理不以调用量代表转型贡献，而把流程改善、质量提升和经验复用纳入评价。制度一旦与新工作方式一致，员工才不必在“完成旧KPI”和“试验新方法”之间反复权衡。

　　自愿与强制之间，真正的分界线是“是否已经被验证”

　　讨论AI采用时，企业常把选择理解为两端：要么完全自愿，要么全面强制。更准确的分法应当依据场景成熟度和风险水平。尚在探索、岗位差异较大、价值未经验证的通用工具，更适合自愿使用和自然扩散；已经证明能够改善质量或风险，并被正式嵌入标准流程的功能，则可以成为一致执行的新要求。

　　在探索区，自愿采用能够帮助企业获得更真实的需求信号。早期使用者会暴露产品缺陷，发现高价值场景，也会形成组织最初的实践社群。此时若过早设定个人使用指标，企业容易把探索变成表态，把真实反馈变成成绩展示。

　　在验证区，管理重点转向实验设计和业务证据。企业需要比较使用前后或试验组与对照组，观察质量、周期、风险和成本，并把计算资源、培训投入和人工复核成本一并纳入。只有当综合价值成立，才值得扩大投入。

　　进入标准化区域后，AI已经不再是一项额外工具，而是工作流程的一部分。企业可以要求员工遵守新的操作规范，就像要求使用客户管理系统或合规检查程序一样，但仍需保留人工责任和异常处理机制。此时考核的是是否正确执行流程、是否达到结果标准，而不是谁对AI表现得更热情。

　　这条成熟度路径能够避免两个常见误区。一边是把“自愿”理解成缺少方向，让员工独自承担学习和风险；另一边是把“重视”理解成增加指标，用强制活跃掩盖工具与流程尚未准备好的事实。真正成熟的AI管理，既允许早期需求自然浮现，也能在证据充分后迅速形成组织标准。

　　摩根大通真正提供的，不是一张AI作业清单

　　摩根大通拥有庞大的技术预算、复杂的数据基础和成熟的风险治理体系，大多数企业无法在资源规模上复制它。真正可以借鉴的，是它把采用信号、项目筛选、实验验证和业务结果分开的方法。自愿使用让企业听见需求，严格实验让企业识别价值，流程重构让局部效率进入经营结果，制度调整则让新工作方式得以持续。

　　这套方法也改变了高管看待AI转型的角度。AI项目不再以“覆盖了多少员工”作为主要叙事，而要回答哪些业务问题已经解决、哪些流程完成了重构、哪些能力沉淀进组织、哪些项目因证据不足被及时停止。覆盖规模仍然重要，但它只是结果链条中的一个环节。

　　对HR而言，更大的变化是从AI推广活动的协助者，走向组织吸收能力的设计者。员工是否敢用，涉及政策与心理安全；是否会用，涉及岗位化学习；能否用出结果，涉及目标、流程与经理能力；节省出的时间流向哪里，涉及岗位和绩效重构。AI采用从来不只是技术部门的一张项目计划表，它正在进入人力资源管理的核心区域。

　　2026年的企业AI已经不缺使用热情。麦肯锡的调查显示，近九成组织已在至少一个职能中经常使用AI，60%的受访者预计所在组织未来一年还会增加AI投资；微软的调查则显示，66%的AI使用者认为自己因此能把更多时间放在高价值工作上。现在更稀缺的是，把这些分散在个人桌面的收益吸收到组织系统中的能力。

　　摩根大通没有用强制KPI换取最初的20万用户，却没有因此降低对结果的要求。它让员工用脚投票，让业务用问题提出需求，让实验用证据决定项目去留，再让成熟用例进入生产。 “有用，所以被使用；有效，所以被扩大”——这比一张不断上涨的AI活跃率曲线，更接近企业真正想要的转型。

　　当AI使用量不再承担表态功能，管理层才能重新看见那些更重要的问题：员工解决了什么，流程改变了什么，客户获得了什么，组织学会了什么。到了那一步，AI不需要被每天提醒，它会像所有真正有价值的基础设施一样，逐渐消失在工作本身之中。

　　参考资料

　　01 CIO：《What JPMorgan does differently with AI that any company can apply》，2026年9月4日。

　　https://www.cio.com/article/4208197/what-jpmorgan-does-differently-in-ai-and-how-any-company-can-apply-these-strategies.html

　　02 JPMorganChase：《LLM Suite named 2025 “Innovation of the Year” by American Banker》，2025年6月3日。

　　https://www.jpmorganchase.com/about/technology/blog/llmsuite-ab-award

　　03 JPMorganChase：《2025 Investor Day Transcript — Firm Overview》，2025年5月19日。

　　https://www.jpmorganchase.com/content/dam/jpmc/jpmorgan-chase-and-co/investor-relations/documents/events/2025/jpmc-2025-investor-day/firm-overview-transcript.pdf

　　04 JPMorganChase：《2025 Annual Report》，2026年4月发布。

　　https://www.jpmorganchase.com/content/dam/jpmc/jpmorgan-chase-and-co/investor-relations/documents/annualreport-2025.pdf

　　05 McKinsey & Company：《The state of AI in 2026: On the road to ROI》，2026年8月25日。

　　https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

　　06 Microsoft WorkLab：《Agents， human agency， and the opportunity for every organization》，2026年5月5日。

　　https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

　　原文链接：https://mp.weixin.qq.com/s/uG7RX-o81NO8aOAG-Jr-zQ