来源：HRflag

　　（图片由HRflag用ChatGPT image2.5生成 ）

　　当生成式AI开始替思考，企业正在积累一种看不见的能力负债

　　2026年9月，一则关于管理者使用生成式AI的研究登上HR Dive一周热门。来自英国巴斯大学、美国俄亥俄州立大学、瑞士洛桑大学和英国卡迪夫大学的研究者提出，管理者如果持续把构思、分析和问题解决交给生成式AI，可能出现一种“知识去技能化”：工作完成得更快了，原本应在工作过程中形成的判断力、情境理解和实践知识，却没有同步增长。

　　这个提醒出现得很微妙。过去几年，企业讨论AI管理，焦点大多放在工具采用率、使用频次、节省工时和流程自动化上，仿佛只要更多管理者打开对话框、调用模型、生成材料，组织就离生产力兑现更近一步。如今，AI已经从一个偶尔使用的助手，进入会议准备、绩效沟通、经营分析、人才盘点和战略推演，新的问题才逐渐浮出水面： 当管理者越来越擅长获得答案，他们是否还在积累产生判断的能力？

　　这并不是反对AI，也不是怀念靠加班磨经验的旧工作方式。真正值得警惕的，是企业把“减少低价值劳动”和“省略认知过程”混为一谈：前者释放管理容量，后者可能掏空管理能力。AI可以在几秒钟内整理信息，却不会替管理者承担一项决定对客户、员工和组织关系造成的长期后果，更不会因为一次错误判断而在下一次会议里感到犹疑、修正和成长。

　　对CEO和HR负责人而言，这意味着AI转型需要增加一张此前很少被讨论的资产负债表。工具带来的时间节省、内容产量和响应速度容易记录，管理者少经历了多少现场、少追问了多少异常、少建立了多少对业务的真实理解，则很难出现在月报里。 企业可能一边获得显眼的效率红利，一边形成缓慢累积的“判断力负债”，而后者往往要等到复杂问题出现时才会被看见。

　　管理工作最容易被误解的部分，恰恰不是“给出答案”

　　在许多企业的日常场景里，管理者的产出看起来主要由文本构成：一份经营分析、一页汇报结论、一封绩效反馈、一套岗位方案，或者一次会议后的行动清单。生成式AI对这些可见产出极其友好，它能快速压缩材料、补齐结构、统一表达，甚至模拟不同利益相关者的意见。由此产生的错觉是，只要最终文档足够完整，管理过程就已经发生。

　　但真正有价值的管理知识，很少只存在于最后那几页PPT里。它藏在销售数字突然偏离趋势时的一次追问，藏在一名骨干沉默之后没有写进会议纪要的顾虑，也藏在管理者发现制度表面公平、落到不同团队却产生不同结果的那一刻。这些知识带有现场性、关系性和因果链条，无法仅靠总结历史文本完整获得。

　　研究者用“管理实践智慧”描述这种能力。它不是简单的专业知识，也不等于智商或经验年限，而是管理者在具体情境中判断什么值得做、什么时候做、以何种方式做，以及如何权衡效率、公平、风险和长期目标。一个制度在逻辑上可以正确，在组织里却未必可行；一个建议在平均意义上有效，面对某个关键团队时却可能适得其反，管理者的价值正体现在对这种差异的识别上。

　　AI最擅长的是从已有模式中生成可能性，管理者必须完成的却是把可能性放进真实约束中作出选择。模型可以提出六种组织调整方案，却不知道哪位核心负责人刚刚经历团队震荡；可以生成一份绩效谈话脚本，却感受不到员工回答前那几秒停顿的含义。 管理不是把信息处理成语言，而是把不完整的信息、相互冲突的目标和必须承担的后果，压缩成一个可执行的决定。

　　从“认知卸载”到“判断外包”，风险发生在一条很短的斜坡上

　　人类一直在把部分认知工作交给工具。计算器减少心算，导航软件减少路线记忆，搜索引擎降低资料检索成本，这种“认知卸载”本身并不可怕。问题在于，生成式AI与此前工具不同，它不只保存或计算信息，还能直接生成看似完整的分析、理由和行动建议，于是工具第一次如此接近管理者思考过程的中段。

　　一位管理者让AI整理十份访谈记录，属于合理的效率提升；如果让AI直接判断团队士气下降的原因，而自己没有阅读关键原话，工作就发生了微妙变化。再往前一步，如果管理者拿着生成的结论进入决策会，却无法说明哪些证据支持结论、哪些只是模型推断、哪些员工的声音没有被覆盖，认知卸载便已经滑向判断外包。表面上，人仍然在“最终拍板”，实际上决定的框架早已由机器预设。

　　时间压力会加快这条斜坡。研究者特别指出，当管理者面对高强度任务，把AI当作绕过深入思考的捷径时，知识去技能化更容易发生。现实中的管理岗位恰好长期处于时间稀缺状态：会议密集、跨部门协调增加、经营目标收紧，组织又希望管理者同时成为AI采用的示范者，快速生成一份“足够好”的答案自然比保留一个尚未想透的问题更有吸引力。

　　于是，AI使用中的危险动作往往并不激进，甚至显得非常勤奋。管理者频繁生成方案、不断润色材料、迅速回应团队，却越来越少亲自观察业务、核对原始信息和与利益相关者进行艰难对话。 知识去技能化不是某突然失去能力，而是管理者在每一次“这次先让AI处理”中，逐步放弃了形成能力所需的摩擦。

　　企业更先失去的，可能不是知识，而是发现问题的敏感度

　　成熟管理者与普通管理者的差距，经常不在答案质量，而在问题出现早期能否察觉异常。同样一组招聘数据，有人只看到到岗率下降，有人会继续追问岗位画像是否漂移、业务经理是否延迟反馈、候选人在哪个节点退出；同样一次绩效校准，有人关注分布是否整齐，有人会辨认高绩效背后是否存在资源倾斜或目标设置差异。这种“问题敏感度”来自长期接触细节，而不是读过多少总结。

　　生成式AI很容易提供一个结构完整、语言确定的解释。它的流畅性会提前结束探索，让管理者误以为问题已被定义，而定义问题往往正是管理工作中最难、也最值钱的环节。当模型把复杂现象归纳为“沟通不足”“激励不充分”或“能力不匹配”，这些说法未必错误，却可能像尺寸合适的外套一样套在几乎所有组织问题上。

　　如果企业鼓励管理者把AI产出直接作为汇报起点，还可能形成一种新的组织趋同。不同部门使用相似模型、相似提示词和相似模板，最后提交的分析越来越整齐，真正代表本部门业务特征的异常信息反而被平滑掉。高层看到的是更规范的材料，却未必看到更真实的组织，管理语言的一致甚至可能遮住经营判断的差异。

　　这也是为什么AI错误不能只按“事实准确率”管理。一个数字写错很容易被发现，一个因果框架过早收敛却可能顺利通过多轮会议，并影响后续资源配置。 对管理决策而言，最昂贵的AI偏差往往不是胡编了一个事实，而是让一个本应继续追问的问题，看起来已经有了答案。

　　当经验链条被切断，今天的效率会变成明天的人才断层

　　企业里的管理能力从来不是通过课堂一次性获得的。很多重要能力来自一条并不整洁的经验链：接手任务、作出判断、看到结果、承担反馈、复盘因果，再把新理解带入下一次行动。生成式AI如果只是帮助整理信息，这条链条仍然存在；如果它替人完成了问题定义、方案比较和理由生成，管理者接触到的就只剩任务入口与最终输出。

　　这对年轻管理者尤其关键。负责人已经积累了一套识别AI输出质量的内部标尺，知道哪些建议听起来漂亮却无法落地，也知道哪些信息缺失会改变结论。刚进入管理岗位的人尚未形成这种标尺，如果从一开始就以AI生成的“标准答案”处理绩效、冲突和资源分配，他们可能表现得比过去的新人更成熟，却缺少支撑这种成熟表达的真实经验。

　　组织过去依靠大量低风险任务培养下一代管理者：撰写初步分析、参加客户访谈、处理小型项目偏差、为方案失败解释原因。这些任务看上去重复，实际上承担着训练观察、判断和责任感的功能。若企业只按可自动化程度删减任务，却没有重新设计新的学习回路，初级岗位减少的就不仅是工作量，也包括通往高级岗位的练习场。

　　世界经济论坛在2026年关于未来领导力的讨论中也提醒，AI正在压缩一些传统入门岗位，而这些岗位过去承担了培养未来管理者的作用。真正的风险并非年轻人不会写报告，而是他们没有足够机会经历从事实到判断、从判断到结果的完整循环。 企业可以在短期内用AI填补产出缺口，却无法在需要新一代负责人时，临时生成十年的情境经验。

　　岗位设计需要保留“必须由人完成的认知动作”

　　很多企业的AI岗位改造从任务清单开始：哪些工作可以自动化，哪些可以增强，哪些必须保留人工审核。这个框架解决了效率分工，却没有回答能力如何继续生长。对管理岗位而言，更重要的问题不是“哪一项任务由谁做”，而是“哪些认知动作必须由管理者亲自经历”，否则岗位即使完成全部KPI，也可能不再生产合格的管理者。

　　例如，人才盘点可以让AI整合绩效、经历与技能数据，但管理者仍应亲自解释一名员工为什么具备更大潜力，并说明证据来自哪里；经营复盘可以让AI识别异常，但业务负责人仍需到现场验证至少一个关键假设；组织调整可以让AI模拟跨度与层级，但涉及关键岗位和协作关系的判断，必须通过真实访谈补足模型看不到的部分。这里保留的不是低效流程，而是判断力形成所需的接触面。

　　岗位说明书也需要从“职责描述”升级为“责任与证据描述”。过去写“负责团队绩效管理”，在AI时代过于宽泛；更有效的写法是明确管理者必须掌握哪些一手信息、需要对哪些判断给出可追溯解释、哪些关键沟通不可完全由AI代理。这样做不是增加文书负担，而是避免管理责任在工具链里逐渐变得模糊。

　　HR可以为不同层级设置“不可外包的管理动作”。基层管理者需要保持与员工的直接反馈和现场问题诊断，中层管理者需要亲自完成跨团队取舍和关键人才判断，高层管理者则需要对战略假设、利益相关者影响与长期后果作出解释。 AI使用边界不应只由数据敏感度决定，还应由一项任务对管理能力形成的重要程度决定。

　　绩效不能只奖励速度，否则组织会主动训练出依赖

　　当企业要求管理者广泛使用AI，却仍以材料数量、响应时长和短期交付作为主要绩效信号，过度依赖几乎是可以预测的结果。管理者会自然选择最容易被看见的效率收益，把更多思考步骤交给模型，并用更快、更完整的输出证明自己拥抱变化。此时，即使培训反复强调“保持批判性思维”，绩效制度也在向相反方向施加力量。

　　GoTo在2026年对2500名员工和IT负责人的全球调查显示，半数员工认为自己过度依赖AI，39%认为这种依赖削弱了技能，Z世代中的这一比例达到46%；与此同时，60%的员工感到组织在推动他们用AI提高生产率。数据未必能证明AI直接造成能力下降，却揭示了一个明显张力：组织持续提高使用压力，员工却开始怀疑自己的独立工作能力。

　　更合理的绩效设计不是降低效率要求，而是在结果之外评价判断过程。面对重要决策，管理者是否识别了关键假设，是否寻找过反例，是否听取受影响者意见，是否能够说明AI建议被采纳或被拒绝的理由，这些都可以成为高风险任务的过程证据。评价不必把每次AI使用变成审计，但至少要让“解释得清楚”比“生成得迅速”更有价值。

　　对于创新、人才和组织议题，企业还可以观察决策后的学习质量。一个方案结果不理想并不自动等于低绩效，真正值得区分的是管理者能否从偏差中更新判断；相反，一个由AI偶然给出正确答案、管理者却无法解释原因的结果，也不应被视为能力已经形成。 绩效管理如果只奖励答案，就会放大AI的替代效应；如果同时奖励证据、解释与复盘，AI才更可能成为能力增强器。

　　能力模型要从“会使用AI”转向“能驾驭AI参与判断”

　　企业这两年快速把AI素养加入领导力模型，但不少定义仍停留在会不会写提示词、会不会选择工具、会不会生成内容。这些能力是入场券，不是管理者AI能力的上限。随着模型操作越来越简单，真正稀缺的将是管理者能否辨认问题边界、评价证据质量、发现模型遗漏，并把机器建议转化为组织能够承担的行动。

　　英国特许管理协会2026年的研究显示，70%的管理者会向生成式AI而不是自己的经理寻求建议，超过80%的管理者认为，如果更理解如何管理AI，个人和团队绩效都会改善。这个数据既说明AI已经成为管理基础设施，也暴露出传统辅导关系正在改变。过去，向上级请教不仅为了得到答案，也是在学习企业如何看问题；当咨询对象变成模型，组织经验需要通过新的方式被保留下来。

　　因此，AI时代的管理能力至少需要覆盖四类动作：提出值得解决的问题，检验AI所依赖的事实与假设，把通用建议放入具体组织情境，对最终选择及其后果承担责任。这四类动作不是新的漂亮标签，而应进入案例评鉴、晋升答辩、继任计划和领导力发展。候选人不仅要展示“用AI做出了什么”，还要解释“哪些部分没有交给AI，以及为什么”。

　　领导力培训也应减少只有标准步骤的工具课，增加带有冲突信息和不完整证据的情境练习。可以让管理者先独立形成判断，再查看AI建议；也可以故意提供一份语言流畅但遗漏关键变量的模型输出，要求参与者找出风险。 AI素养的成熟标志不是提示词越来越长，而是管理者越来越清楚哪些判断不能被流畅的答案替代。

　　真正有效的人机协作，不是“人做最终确认”这么简单

　　许多AI治理制度喜欢用“人在回路”解决责任问题，仿佛只要最后有一个人点击确认，决策就仍然由人掌控。但如果这个人没有接触原始信息、没有时间挑战模型、也没有权力改变建议，人工确认只是把责任签名留给了人，并没有把判断留给人。形式上的审核甚至会制造额外安心，让组织忽略认知过程早已被自动化。

　　有效的人机协作需要把人放在多个关键节点，而不是只放在终点。任务开始时由人定义目标与边界，生成过程中由人补充情境和反例，输出之后由人核验证据、评估影响并作出取舍，执行之后还要由人观察结果并更新规则。AI可以参与每一环，但不能悄悄成为贯穿全程的“隐形作者”。

　　不同风险级别也应采用不同协作强度。会议纪要、格式转换和公开资料汇总可以高度自动化；涉及岗位取消、人才评价、薪酬差异、劳动关系和重大资源分配的任务，则需要更完整的人工调查与解释机制。企业不需要让所有任务都变慢，而是要把有限的人类注意力集中到后果难以逆转、情境高度复杂的决定上。

　　研究者提出的“知识再技能化”提供了更积极的方向：管理者不把AI当成替自己得出结论的机器，而是用它挑战假设、探索替代情景、暴露论证缺口。一个简单变化是，在询问“应该怎么做”之后，继续要求AI列出反对该建议的证据、指出需要向哪些人核实、说明如果关键假设错误会发生什么。 当AI被用来增加问题而不只是减少问题，它才开始参与管理能力的增长。

　　广告

　　组织知识不能只存进模型，还要继续长在人身上

　　企业部署知识库、企业搜索和智能助手，一个核心愿望是把分散在个人手中的经验转为可复用资产。这条路径当然有价值，但知识一旦被检索出来，并不等于被使用者理解。组织知识真正发挥作用，需要人知道它产生于什么背景、适用于什么边界、与当前问题有何不同，也需要有人在新情境中修订它。

　　如果员工和管理者习惯直接向AI索取结论，知识库可能越来越丰富，组织内部真正能够判断知识质量的人却越来越少。模型保存了历史做法，却未必保存当时的权衡、争论和未被采用的方案；保存了成功案例，也可能淡化偶然性和失败成本。当组织把“可检索”误当成“已掌握”，知识管理就会从能力建设退化为内容仓储。

　　这也会改变专家的角色。过去，专家通过解决问题积累声誉，也通过带教、评审和争论把隐性知识传给下一代；AI助手普及后，业务人员可以绕过专家直接获得建议，效率提高了，专家参与真实问题的机会却可能减少。长期来看，企业既可能失去专家影响一线判断的通道，也可能失去培养新专家的场景。

　　更稳妥的做法，是让AI知识系统同时记录答案和判断轨迹。重要案例不仅沉淀最终模板，还要保留问题背景、关键假设、争议点、被否决选项和结果反馈；专家不必重复回答所有基础问题，但应参与高风险内容的校准和复盘。 企业需要建设的不是一个“什么都能回答”的大脑，而是一套能让更多人理解答案为何成立、何时不成立的学习系统。

　　管理责任必须重新变得具体，而不是停留在“最终由人负责”

　　AI时代经常听到一句正确但空泛的话：技术只提供建议，最终责任仍由管理者承担。问题是，当任务经过数据平台、模型、自动化流程和多人协作后，管理者可能只看到最后一版结果，很难知道自己究竟应该对哪一段负责。如果权责设计不变，“人负责”很容易变成事故发生后的归责用语，而不是决策发生前的行为约束。

　　责任需要被拆成可执行的义务。谁负责确认输入数据足够代表现实，谁负责识别受影响群体，谁负责挑战模型建议，谁有权暂停自动化流程，谁需要向员工解释决定，应该在关键场景中清楚标注。对于高风险管理任务，还应明确哪些判断必须留下依据，哪些会议必须有人提出反方观点，哪些结果需要在一定周期后复盘。

　　研究发现，管理者知道自己必须解释决定并承担后果时，更可能把AI当作反思工具，而不是思考替代品。这与传统问责并不矛盾，却比“出了问题找负责人”更进一步：问责在决策前就影响思考深度。一个需要在评审会上说明证据、反例和利益相关者影响的管理者，不太容易把模型的第一版输出直接变成组织行动。

　　CEO在这里传递的信号尤为重要。如果高层只在会议上追问AI带来了多少提效，管理层自然会展示速度；如果同时追问“你亲自验证了什么”“哪些人会受到影响”“什么信息会让你改变决定”，组织便会重新重视判断过程。 管理责任不是AI治理文件的最后一行，而是在每一次经营讨论中允许什么被省略、又坚持什么必须被解释。

　　HR要管理的，不只是AI技能供给，还有组织的“认知健康”

　　AI普及初期，HR承担的任务主要是培训、工具推广、岗位影响评估和使用规范。随着AI深入管理工作，HR还需要观察组织的认知健康：人们是否仍能独立完成关键任务，是否愿意挑战机器建议，专家知识是否继续流动，年轻人才是否获得足够练习，以及管理者是否因为追求速度而远离一线。这些问题不像采用率那样容易做成仪表盘，却决定AI转型能否持续。

　　组织可以建立少量但有辨识度的信号。例如，在关键岗位中抽样测试无AI条件下的基本判断能力；在重大项目复盘中区分人类判断与模型建议各自发挥的作用；观察同类材料是否出现过度模板化，以及一线员工是否感到管理者更快回应、却更少真正理解问题。这些信号不是为了限制工具，而是为了发现能力链条在哪里变薄。

　　人才盘点也应增加一个过去很少出现的维度：候选人是否具备“独立判断与增强判断的切换能力”。真正成熟的AI管理者既不会凡事手工完成，也不会离开模型便无法工作；他知道什么时候利用机器扩大搜索范围，什么时候关掉工具进入现场，什么时候需要暂缓决定以补齐情境。这样的能力比单纯统计AI使用次数更接近未来领导力。

　　对HR自身而言，这种要求同样成立。AI可以生成岗位画像、访谈提纲、绩效建议和组织诊断，但HR负责人不能因此失去对业务节奏、员工关系和组织政治的感知。 如果HR只剩下对模型输出的流程审核，它就会在效率提升中失去最需要被保留的价值：理解组织中那些无法被完整结构化的人与关系。

　　企业需要的不是“少用AI”，而是建立一套不让判断力退场的工作制度

　　面对知识去技能化，最简单的反应是规定哪些场景禁止AI，或者要求管理者保留更多手工步骤。这类措施在数据安全和合规场景中有必要，却无法单独解决能力问题。禁止工具并不会自动带来深度思考，反而可能让真实使用转入地下；关键是重新设计工作，让管理者在使用AI后仍必须接触事实、解释判断并承担结果。

　　一个可行的制度起点，是把任务按“效率价值”和“学习价值”同时分类。高效率、低学习价值的工作可以大胆自动化，例如格式转换、常规摘要和信息归档；高学习价值的工作即使能够由AI完成，也要保留人类练习与复盘，例如处理复杂员工关系、关键客户问题和跨部门资源冲突。企业由此避免用同一套自动化逻辑处理所有知识工作。

　　另一个起点，是在重大决策中建立“先判断、后询问”的机制。管理者先写下自己的初步判断、关键证据和不确定点，再调用AI寻找替代解释和反证，最后记录哪些观点被改变。这个顺序看起来只多花几分钟，却能防止模型的第一答案成为认知锚点，也让组织看到管理者是在借助AI扩大思考，而不是借AI跳过思考。

　　团队层面还可以安排定期的“AI逆向评审”。成员不展示模型如何把材料写得更好，而是选取一次AI建议，讨论它遗漏了什么、为什么会遗漏、若直接采纳会产生什么后果。这样的复盘既训练判断，也能积累更符合企业情境的使用规则。 成熟的AI文化不以从不出错为目标，而是让组织越来越善于发现机器答案与现实之间的缝隙。

　　效率红利之后，企业竞争会重新回到判断质量

　　当多数企业都能获得相近的模型能力，生成文档、分析数据和检索知识的成本会继续下降。曾经构成效率差异的能力会逐渐成为基础设施，管理者能否更快得到一个像样的答案，也不再是长期竞争优势。真正拉开差距的，将是组织能否提出更好的问题、保留独特的情境知识，并在模糊环境中作出别人难以复制的取舍。

　　这解释了为什么知识去技能化并非一个个人学习问题，而是企业战略问题。管理者的判断力决定资源如何配置、人才如何识别、风险何时暴露，也决定同一套AI能力最终被用于复制行业平均答案，还是形成组织独有的行动。若管理层逐渐失去对业务细节和因果关系的掌握，企业购买再先进的模型，也可能只是更高效地趋向共识。

　　AI当然会改变优秀管理者的工作方式。他们不再需要亲自完成每一份材料，却需要比过去更清楚材料从何而来；不再需要记住所有信息，却需要知道什么信息缺失会改变判断；不再独自构思全部方案，却需要辨认哪个方案符合企业此刻的能力与责任边界。工具减少的是处理负担，提高的是对选择质量的要求。

　　因此，企业真正要避免的并不是管理者依赖AI，而是管理者只依赖AI。前者是现代工作的自然结果，后者意味着组织把最稀缺的能力交给了一个无需承担后果的系统。 AI可以替管理者完成越来越多工作，但企业仍要确保，管理者在这些工作中继续成为更懂业务、更懂人，也更能解释自己为何作出选择的人。

　　结语：不要让更快的答案，终止更慢的成长

　　生成式AI给管理者带来的更大诱惑，不只是节省时间，而是消除思考中的不适。面对模糊问题，它迅速给出结构；面对冲突意见，它快速生成折中方案；面对尚未形成的观点，它提供一套足以进入会议的语言。管理工作因此变得顺滑，但很多真正重要的成长，恰好发生在答案尚不清晰、人必须继续观察和承担的阶段。

　　对企业而言，接下来的AI转型不应只计算多少流程被自动化、多少小时被节省，还要回答另一组更难的问题：哪些能力会因为流程变化而不再自然形成，哪些岗位正在失去练习复杂判断的机会，哪些管理者的高效率建立在对模型无法解释的依赖之上。只有把这些问题纳入组织设计，效率才不会以未来的领导力为代价。

　　对HR而言，这是一项比组织AI培训更深的工作。它涉及岗位如何保留学习价值、绩效如何奖励判断过程、能力模型如何识别独立思考、继任计划如何验证真实经验，以及责任机制如何让管理者愿意解释而不是只确认。它最终指向的不是一套限制AI的规则，而是一种更成熟的人机分工。

　　真正先进的组织不会要求管理者在AI与人类判断之间二选一。它会让AI承担搜索、整理和模拟的优势，同时让管理者持续经历现场、反思、对话与责任；它既追求更快的产出，也保护那些无法被压缩的学习过程。 当答案越来越廉价，能够理解情境、作出取舍并承担后果的判断，反而会成为企业最昂贵的管理资产。

　　参考资料

　　HR Dive， Week in review: Leaders might lose know-how by relying on AI ， 2026年9月14日： https://www.hrdive.com/news/week-in-review-leaders-might-lose-know-how-by-relying-on-ai/830258/

　　HR Dive， Generative AI overuse may hurt leaders’ judgment， researchers warn ， 2026年9月9日： https://www.hrdive.com/news/generative-ai-overuse-may-hurt-leaders-judgment/829898/

　　University of Bath， AI could undermine managers’ judgement unless used carefully， University of Bath-led study warns ， 2026年9月4日： https://www.bath.ac.uk/announcements/ai-could-undermine-managers-judgement-unless-used-carefully-university-of-bath-led-study-warns/

　　Lindebaum， D.， Balasubramanian， N.， Ashraf， M. & Haack， P.， A Process Model of Managerial Phronesis in the Age of Generative AI ， Academy of Management Review， 2026： https://doi.org/10.5465/amr.2024.0582

　　HR Dive， Amid heavy AI use， workers say their skills are atrophying ， 2026年5月22日： https://www.hrdive.com/news/amid-heavy-ai-use-workers-say-skills-atrophying/820975/

　　Chartered Management Institute， Artificial Intelligence; Real Leadership Report ， 2026： https://www.managers.org.uk/knowledge-and-insights/research/ai-real-leadership-report/

　　World Economic Forum， The AI-related leadership crisis that’s only five years away ， 2026年6月10日： https://www.weforum.org/stories/2026/06/ai-related-leadership-crisis/

　　原文链接：https://mp.weixin.qq.com/s/Jyf75kh7JfZqjF1i2dx4tg