联邦快递:目标50%工作流Agent化,45万员工全员AI素养培训
来源:HRflag
一家公司准备让一半工作流实现智能体化,同时面向超过45万名员工推进AI学习,这两件事放在一起,意味着什么?对企业高管而言,它关乎下一轮效率提升究竟发生在哪里。对HR负责人而言,它又把培训、岗位和绩效带到了同一张讨论桌上。联邦快递近期披露的AI推进思路,为这个问题提供了一个具体的观察窗口。
10月30日,InformationWeek刊发对联邦快递高管的报道。数据与AI副总裁Arvind Rajagopalan谈到,CEO Raj Subramaniam希望尽快让公司50%的工作流实现智能体化;公司同时推进面向超过45万名员工的生产力工具应用,以及业务流程中的AI Agent部署。这里的50%是推进目标,45万是报道所述员工规模,并不意味着一半流程已经完成改造,也不代表所有员工已经完成培训。 [1]
另一条已经公开的行动线索是,联邦快递于2025年12月2日宣布启动全公司AI教育与素养项目,并引入埃森哲提供支持。官方公告强调按角色设计学习路径,让员工能够在各自职能中负责任地使用AI,也让管理者理解怎样把AI嵌入团队与跨部门工作。把这份公告与近期报道放在一起,可以看到技术部署和人员能力建设正在并行推进。 [2]
这组动作值得讨论的地方,在于它把企业AI转型中经常分开安排的事情连了起来。流程发生变化,员工就需要理解新的工作方式;员工学会使用工具,企业又需要给他们能够实际应用的场景。 当AI开始参与工作的连续执行,管理层需要同时重新安排任务、权限和责任。 以下关于岗位、绩效和学习体系的讨论,是基于息展开的管理分析,文中的示例用于解释机制,并非联邦快递已披露的内部方案。
50%的目标,把管理视线拉到了工作流
企业讨论AI时,一个直观的起点是给员工增加一个助手。写邮件可以更快,整理会议纪要可以更省力,查找制度也可以更方便。这些变化容易被个人感受到,因此也容易成为推广的切入口。随着应用深入,管理层需要进一步观察,个人省下的时间有没有改变一项业务从开始到结束的实际表现。
工作流之所以值得成为观察单位,是因为客户需要的结果通常跨越多个环节。一份报价要经过需求确认、成本核算和权限审批,一次招聘要经过需求提出、候选人沟通和录用决策。某个环节更快,后续环节仍然需要等待时,最终交付时间就未必随之缩短。企业由此需要把视线从工具使用延伸到工作如何接续。
在这里,可以把AI Agent理解为能够在设定权限内,为实现一个任务目标调用工具、执行步骤并根据结果继续处理的软件系统。它与单次生成一段文字的使用方式相比,涉及更多连续动作,也更接近业务的执行过程。具体能做到什么,取决于企业接入的系统、提供的数据以及允许它采取的行动。智能体化因此具有不同程度,不能简单等同于完全自主运行。
假设一家企业处理客户订单变更,AI可以协助读取申请、核对库存并整理影响范围,也可以在明确授权下更新部分信息。涉及价格调整或重要交付承诺时,流程仍可要求负责人确认。这样一来,人和系统之间的交接位置就发生了变化,管理者需要重新说明每一步的完成条件。改造的深度,取决于哪些动作能够可靠地交给系统,以及哪些判断需要保留给人。
理解这一点,才能准确看待50%这个目标。工作流的数量、覆盖的业务量和消耗的工时,是不同口径;一半工作流得到Agent支持,也无法直接换算成一半岗位或一半劳动时间的变化。一个低频流程和一个高频流程,在统计上都可能被计为一个,但对运营的影响可以相差很大。企业参考这一方向时,需要先说明自己准备改变什么,再讨论比例。
工作流成为改造对象之后,企业需要回答的是一项工作怎样被重新完成。 哪些等待能够减少,哪些信息不必反复转交,哪些决定可以在清晰规则下更早作出,都需要放进同一条流程观察。这使AI项目自然地进入业务管理的范围,也让HR能够参与工作分析和职责调整。培训的内容,随后才有了更具体的落点。
让一段工作更快,还要让整个交付更顺
联邦快递的业务背景,使工作流的意义更容易被理解。物流连接的是现实中的货物、设备和客户承诺,信息处理的变化最终需要在实际交付中得到验证。对于其他行业,道理也相通:制造企业关注订单能否按期完成,服务企业关注客户问题能否妥善解决。AI的价值需要沿着业务链条向后追踪,才能看清它真正改善了什么。
用一个简化的物流异常场景来看,客户询问货物为何延迟,背后可能涉及运输状态、天气变化和后续安排。AI如果能够汇总相关信息,工作人员就有机会更快判断影响,并向客户作出有依据的说明。企业随后还需要观察,信息是否及时更新,新的安排能否被执行,问题是否获得持续跟进。一个更快生成的回复,只有与后续处理衔接起来,才可能改善客户体验。
同样的思路也适用于HR。员工询问一项福利政策,获得准确答复只是服务的一部分;如果他还需要申请,后面就涉及资格确认、材料提交和办理结果。AI可以帮助员工理解要求,也可以协助减少重复填写,但最终体验取决于整个申请过程。HR由此需要区分信息服务的改善和事务办理的改善,避免用一个环节的表现代替全程结果。
流程分析还有一个容易被忽略的作用,就是让隐性的等待显现出来。有些时间花在正式操作上,有些时间花在寻找资料、核对版本或等待其他人回应上。员工通常熟悉自己负责的步骤,却未必看得见一项工作在部门之间停留了多久。围绕完整流程收集信息,有助于管理层判断下一笔投入究竟应该用于模型能力、系统连接,还是工作规则的调整。
例如,AI能够很快生成一份人员分析报告,但如果不同部门使用的在岗人数口径不同,后续仍然需要花时间核对。这里最有价值的改进,可能是统一数据定义,并让报告直接引用经过确认的数据。模型能力和流程基础需要相互配合,最终收益才会稳定。对于管理层,这意味着评估项目时要允许团队说明真正的约束,而不能只展示生成速度。
当整条流程成为共同讨论的对象,技术团队与业务团队之间也更容易形成明确分工。业务负责人说明什么结果值得交付,技术团队判断怎样支持连续执行,HR帮助识别职责和能力的变化。各方共同决定工作怎样接续,能够减少上线之后再补规则的反复。这样的协作,也为大规模培训提供了更可信的使用场景。
45万人的AI学习,为什么需要按角色展开
回到联邦快递的培训公告,一个值得留意的细节是按角色设计。官方介绍的内容包括个性化学习路径、技能认可和互动式培训,目标是形成共同的AI理解,并支持员工在不同职能中使用AI。它把基础素养与岗位应用连接起来,也把管理者纳入能力建设范围。这种安排,为理解大规模企业为什么需要分层学习提供了线索。 [2]
全员AI素养可以先建立一层共同基础。员工需要知道公司允许使用哪些工具,哪些信息适合输入,输出在什么情况下需要核查,以及遇到不确定结果时可以向谁求助。共同基础越清楚,跨部门配合时的理解成本就越低。企业也更容易围绕同一项工作讨论AI能够承担的部分,而不必每次从概念解释开始。
在共同基础之上,不同岗位需要学习的内容会逐渐分开。面向客户的员工,需要练习怎样结合上下文使用建议,并把解释讲清楚;负责业务分析的员工,需要理解数据口径和结果验证。负责流程配置的人,则需要掌握任务范围、权限和异常处理。学习路径沿着工作需要展开,培训才更容易与员工每天面对的问题建立联系。
对拥有大量一线岗位的企业,学习方式本身同样重要。员工的工作地点、班次和设备条件不同,统一安排长时间在线课程,未必能覆盖真实需求。短时练习、班组交流和工作现场的指导,可以根据岗位条件组合使用。企业需要关注员工是否有适合的学习时间,以及学习之后能否在实际工作中得到支持。
管理者的学习还需要增加一层业务设计能力。他们既要理解工具如何使用,也要能够判断团队的哪项工作适合调整,调整后怎样观察效果。面对AI提出的建议,管理者需要练习追问依据、识别信息缺口,并决定何时请专业人员介入。员工是否敢在工作中使用AI,很大程度上也取决于直接管理者能否提供清楚的规则和稳定的支持。
因此,45万人这个规模带来的启发,不能只落在培训覆盖人数上。企业需要让不同岗位建立与职责相匹配的能力,并让这些能力在同一条业务流程中衔接。对于HR,这意味着学习项目的起点要与岗位变化相连,结束条件也应包含实际应用。课程完成率能够说明参与情况,工作中的表现才能进一步说明能力是否形成。
经理要开始管理人与Agent怎样配合
当Agent进入业务执行,经理的日常管理会出现新的内容。过去,分配任务主要围绕员工的经验、时间和工作量展开;今后,经理还需要判断哪些步骤可以交给系统处理,以及人应当在哪个位置接手。团队中的工作安排因此会变得更细,任务边界也需要更明确。管理能力的一部分,将体现在能否把这些配合关系组织好。
设想一个提供员工服务的团队,Agent可以在授权范围内回答标准问题,也可以协助整理需要人工处理的申请。经理需要确认哪些情况属于标准范围,哪些信息缺失时应当停止继续处理,哪些问题需要交给专业人员。员工也需要知道自己接手后应该检查什么,而不是从头重复全部步骤。清楚的交接规则,才能让自动处理和人工判断相互支持。
这会提高对管理者表达工作规则的要求。有经验的经理往往能够凭借背景知识判断情况,但系统需要可执行的说明,团队成员也需要一致理解。管理者因而要把隐含在经验中的判断条件逐步讲清楚,并通过实际案例检验这些条件是否适用。这个过程本身,也可能帮助团队发现原有流程中可以澄清和改进的地方。
另一个变化是责任安排需要覆盖连续执行。一个Agent可能在多个系统之间调用信息,但每段业务仍然需要有能够说明结果的负责人。经理需要明确谁批准了使用范围,谁维护工作规则,出现异常时由谁组织处理。职责清楚之后,员工才能判断自己在什么范围内可以采取行动,管理者也才能把问题交给有能力解决的人。
这里的人工确认,也需要配套条件。如果一个人没有足够时间阅读材料,无法查看关键依据,或者缺乏作出判断的专业能力,增加一次确认并不能自动提高质量。企业需要根据任务的重要程度安排审核,并为负责人提供必要的信息。HR可以参与分析审核工作的实际负荷,避免把复杂责任附加到岗位上,却没有同步调整资源。
对于经理的评价,也可以逐步观察这些新的管理工作。团队能否把异常处理清楚,工作规则是否持续更新,员工是否理解自己的决定范围,都与流程质量有关。随着系统承担更多标准步骤,管理者有机会把精力用于协调复杂事项和培养人员。要实现这种变化,企业需要在管理者发展项目中加入真实的流程练习。
岗位说明书,要跟着工作内容一起更新
经理需要重新安排配合关系,岗位说明书也就不能停留在原来的任务清单上。一些重复的信息整理可能被系统协助完成,员工则会增加核验、解释和处理特殊情况的工作。岗位名称可以保持稳定,岗位内部的时间分配和能力要求却可能逐步变化。HR需要通过实际工作观察识别这些变化,才能判断哪些职责应当更新。
以一个简化的运营岗位为例,员工原先可能花较多时间收集信息、整理表格,再提交给负责人作判断。引入AI之后,信息汇总可以更及时,但仍然需要有人确认数据是否完整,识别异常是否值得跟进,并推动后续处理。这个岗位的贡献会更多体现在问题识别和行动跟进上。岗位描述也应当相应说明需要交付的结果,以及员工能够作出的决定。
这种变化并不意味着所有岗位都会沿着同一条路径发展。有些岗位适合增加系统使用能力,有些岗位需要更深的专业判断,有些岗位则更依赖现场经验和人与人之间的沟通。企业需要结合业务特点,观察任务的实际组合。把复杂差异压缩成统一的AI能力等级,可能难以支持准确的招聘和发展决策。
已有研究也提醒企业关注工作组合的变化。NBER于2025年发布的一项研究,在宝洁776名专业人员中开展真实产品创新任务实验,发现使用AI的个人在该任务上的表现可以达到未使用AI的双人团队水平。这个发现说明AI可能影响部分协作安排,但研究范围有明确边界,不能据此直接推导其他业务的人员配置。 [3]
对HR更有用的思路,是围绕新的任务组合重新设计评价情境。招聘时,可以让候选人在允许使用指定工具的条件下完成工作样本,再观察他怎样验证信息、解释选择并处理不确定性。内部发展时,可以通过真实项目了解员工需要补足的能力。这样的评价,比单独询问会不会使用某个工具,更接近岗位需要。
岗位变化还会牵动职业发展路径。曾经通过反复完成基础任务积累经验的员工,需要获得新的练习方式,才能逐步形成独立判断。企业可以保留案例复盘、专业轮岗和带教机会,让员工理解系统输出背后的业务逻辑。 岗位更新的质量,既要看今天怎样完成工作,也要看员工明天凭什么承担更复杂的职责。
绩效考核,需要看见完整的业务结果
岗位职责发生调整,绩效指标也需要跟着审视。员工使用AI后能够更快生成材料,企业可以记录这种改善,但材料数量未必能充分说明贡献。对于连续执行的工作,还需要看结果是否准确,后续是否顺利,以及客户或内部使用者是否真正得到帮助。绩效设计由此需要把个人产出与流程结果连接起来。
例如,一个服务团队引入AI后,每天能够更快回应更多请求。管理者可以进一步观察,同一问题是否需要反复联系,复杂事项能否及时转交,以及最终解决情况怎样。这样才能判断速度提升有没有同时带来服务质量的改善。如果只增加响应数量指标,团队可能难以获得处理复杂问题所需要的时间。
人工处理工作的构成也可能随之变化。当系统承担较多标准事项,员工接手的案例可能更复杂,完成单个案例所需时间也可能增加。此时直接沿用原来的件均处理时间进行比较,就需要谨慎解释。管理层应当结合案例难度和任务分工,判断员工的实际贡献,避免把工作内容的变化误读为能力变化。
对于效率收益,企业还需要区分可释放时间和已经实现的经营价值。假设1000名员工各自每天节省30分钟,算术上相当于500小时,这是一个用于说明口径的假设,并非联邦快递披露的结果。这些时间能否转化为更多有效服务、更及时的交付或更充分的客户沟通,还取决于工作安排。把时间估算继续追踪到业务结果,收益才更容易核实。
绩效也可以认可那些帮助团队持续改进的人。维护知识、整理高质量案例和修正流程规则,都可能提高后续工作的稳定性,却未必表现为个人完成了更多单据。如果这些贡献长期不被记录,团队就难以持续投入。企业可以根据工作特点,把对共享知识和流程改进的贡献纳入评价,并用实际采用情况或质量变化加以说明。
个人使用AI的次数,可以帮助了解工具采用情况,但需要结合岗位条件解读。有的人工作高度适合使用AI,有的人主要承担现场操作或重要判断,调用频率自然不同。更稳妥的做法,是围绕员工所负责的结果讨论工具是否用得合适。 绩效最终需要认可的是有质量的业务贡献,并为实现这种贡献保留合理的工作方式。
这也让HR与业务负责人之间有了新的合作议题。双方需要在流程变化初期就讨论指标,确认原有目标是否仍然适用,以及新增加的审核和协作责任怎样被看见。评价口径提前调整,可以帮助员工理解企业究竟鼓励什么。员工对目标的理解越清楚,学习和使用新工具的投入就越容易与业务需要一致。
学习预算的价值,要在工作现场得到验证
全员学习项目会让管理层关注培训投入,但联邦快递公开资料并未披露相关预算金额,也没有给出预算结构的具体变化。因此,能够讨论的是这种行动对学习体系提出了什么新要求。对于企业学习与发展部门,关键在于怎样让投入持续支持工作变化。培训规模扩大之后,课程质量、学习条件和应用支持都需要一起考虑。
AI能力具有较强的场景依赖,同一项基础知识进入不同岗位,练习方式就会不同。员工能够在课堂上完成一个示例,并不意味着面对实际数据、系统权限和业务约束时也能顺利完成任务。学习设计需要尽可能接近真实工作,同时控制练习所用信息的范围。员工在练习中暴露的问题,也能帮助项目团队改进工具和流程。
对于培训节奏,可以随着业务部署逐步安排。在某条流程准备上线时,先让相关员工理解任务变化,再通过模拟或受控试用练习接手和判断。上线后根据实际遇到的问题补充案例,让学习与工作保持连接。这样,培训内容能够持续回应业务需要,员工也更容易感受到学习带来的帮助。
已有工作场景研究支持关注这种差异。斯坦福数字经济实验室介绍的一项研究,分析了5172名客户支持人员逐步获得生成式AI助手的情况,按每小时解决问题数量衡量,平均生产率提升约15%,不同员工之间的收益存在明显差异。这个结果不能直接用于预测另一家企业的收益,但提醒管理层结合岗位和经验水平评估应用效果。 [4]
培训效果也可以沿着同一思路观察。企业可以结合员工学习前后的任务表现,关注准确性、完成质量和独立处理能力,并尽量考虑工作量与任务难度的变化。课程参与数据仍然有用,但它更适合说明学习过程。业务表现与员工反馈结合起来,才能帮助学习团队判断哪些内容需要加强,哪些支持应该转移到工作现场。
预算安排因此需要覆盖持续练习所需的条件。除了课程与平台,企业还可能需要投入带教时间、案例维护和岗位应用支持,具体比例应由实际需求决定。员工用于学习和试用的工作时间,也应被纳入安排。学习与发展部门由此能够更深入地参与业务变化,帮助员工把知识转化为稳定的工作能力。
让经验变成可用的知识,需要尊重专业贡献
当培训开始紧贴工作,企业很快就会遇到知识基础的问题。AI能否提供有用支持,与它能够使用什么信息密切相关;员工能否判断结果,也取决于规则是否明确。对于HR,这会涉及岗位定义、制度版本和能力标准。对于业务部门,则可能涉及服务承诺、产品条件和异常处理经验。
一份看似简单的岗位信息,就可能包含多种口径。岗位名称相同,不同业务单元的职责范围可能不同;同一项能力,在初级岗位和负责人岗位上的要求也可能不同。企业需要逐步澄清这些差异,让系统和员工能够在同样的语境下理解信息。这个过程往往需要HR与业务负责人共同完成,因为含义来自实际工作。
制度知识也需要明确适用条件。一项规则可能只适用于特定地区、岗位或时间,单独读取其中一句话,容易遗漏关键上下文。知识整理应当帮助使用者看到适用范围,并找到当前有效的版本。员工遇到复杂情况时,也需要能够继续向负责部门确认,而不必把系统答复当作最终结论。
更有价值的一部分知识,来自经验丰富的员工。他们知道怎样判断一个看似普通的异常,也知道客户提出某种要求时需要补充确认什么。要让这些经验被其他人和系统使用,需要通过真实案例还原判断过程,并说明当时掌握了哪些信息。把经验整理为可学习的知识,会消耗专业人员的时间,也需要他们持续参与验证。
因此,企业有必要认真安排知识贡献的认可方式。员工帮助形成有效规则、带教新人或改进案例库,都能够支持团队能力积累。管理者可以通过项目职责、发展机会和绩效评价,让这些贡献获得合理体现。专业人员愿意持续投入,知识基础才更可能随着业务变化得到维护。
这也连接着新人的成长。如果基础任务越来越多地获得系统支持,企业仍然需要让新人理解判断依据,练习识别信息缺口,并在指导下处理特殊情况。可以通过解释案例、复核结果和讨论不同方案,保留形成专业能力的过程。工作效率与人才培养需要同时考虑,企业才有条件持续补充能够承担复杂责任的人。
董事会关心能否解释清楚,管理层就要说明责任
联邦快递的报道还提供了另一层线索。首席信息安全官Gene Sun表示,AI是每次董事会的重要议题,董事会关注应用如何进入企业系统,以及能否向客户或监管方说明AI采取的行动。报道同时提到,对Agent的行动需要具备可观察性,并能够追溯到人。这显示,推进应用与说明其行为,正在被放进同一套管理讨论。 [1]
从管理实践看,解释清楚至少需要还原一项行动发生的条件。系统使用了什么业务信息,处于怎样的授权范围,哪些环节由人确认,后续结果如何,都应当有据可查。这类证据支持企业复核工作,也帮助负责人向相关方作出说明。业务层面的可追溯,还需要与技术层面的模型理解相配合,不能仅凭一段自然语言解释就认定结果可靠。
以员工服务为例,当AI对某项申请作出提示时,HR需要能够查看它参考的制度和适用条件。如果信息不完整,员工应该有办法补充;如果结果需要专业判断,也应该能够转交给有职责的人。这样的安排使员工知道事情怎样继续办理,也让HR有机会及时纠正偏差。解释由此成为服务过程的一部分,而不只是事后写一份说明。
权限管理也会随着人员和职责变化而持续发生。员工调岗之后,原先参与的Agent或流程可能需要更换负责人,相关系统权限也需要同步调整。HR掌握岗位和组织变动信息,可以与业务及技术团队建立相应衔接。具体管理方式取决于企业系统,但核心是让授权与当前职责保持一致。
对于较重要的业务,企业还需要事先说明出现异常时怎样继续工作。系统在何种条件下暂停,谁有权决定人工接手,接手人员能够获得哪些记录,都可以在试用阶段验证。这里的安排也关系到员工的胜任能力,因为责任必须与信息、时间和专业支持相匹配。流程越深入地参与业务执行,这些细节就越需要被认真设计。
能够说明AI做过什么,也需要能够说明企业为什么允许它这样做。 这会把技术配置、业务授权和人员职责连接起来,让管理层看见应用范围与责任安排是否相称。董事会获得的汇报也可以据此更具体,既了解业务价值,也了解价值如何被稳定实现。对于HR,组织职责与人员能力因而成为AI治理中可实际参与的部分。
规模化从哪里开始,需要一条能够走完的流程
大规模目标给出了方向,具体推进仍然需要选择合适的起点。企业可以先寻找目标清楚、数据基础较好、结果能够验证的工作流程,并结合业务价值判断优先级。某个场景演示起来很直观,未必意味着它最适合率先扩大应用。项目选择需要同时考虑改善空间与实施条件,让团队能够真正完成一次从试用到日常运行的转变。
以招聘协调为例,假设企业已经发现候选人沟通和面试安排存在较多等待,就可以围绕这段工作收集基线信息。团队需要了解请求从哪里发起,哪些信息经常缺失,以及时间主要停留在哪些环节。随后再判断Agent可以协助哪些步骤,并确认候选人和面试官仍然能够方便地沟通调整。起点越具体,项目越容易形成可检验的目标。
项目启动时,业务负责人可以与HR、技术团队共同梳理实际案例,把正常流程和例外情况分别讲清楚。试用范围应当与团队能够提供的支持相匹配,让问题有机会被及时识别和处理。参与员工也需要知道他们的反馈会如何用于改进。这样建立的试用过程,有助于把正式上线所需的规则提前补充完整。
进入实际运行后,团队可以持续比较交付时间、结果质量与人工投入,并记录哪些情形仍然需要较多协助。评估时还需要考虑业务量和任务构成的变化,尽量避免把其他因素带来的改善都归因于AI。对于员工,可以结合访谈了解新的工作负荷和交接体验。量化结果与具体案例相互印证,管理层才更容易判断能否扩大使用。
成本评估也需要覆盖完整运行过程。除了软件和模型调用,还可能涉及系统连接、知识维护以及员工审核所花的时间。随着应用量增加,有些投入可以被更多业务分摊,有些投入则会随处理量持续发生。企业需要根据实际数据估算收益,避免只用试用阶段的局部表现推算长期价值。
跨部门复制时,还要重新检查业务条件。两个部门即便处理名称相同的事项,数据质量、审批权限和客户要求也可能不同,因此不能只复制配置。可以保留经过验证的共同部分,再针对差异调整工作规则和培训内容。这样的推进方式有助于积累可复用经验,同时让每个部门对自己的使用范围负责。
HR在这一过程中能够持续提供支持,包括识别工作量变化、调整职责说明和安排相应学习。项目扩大之后,还需要观察员工承担的复杂工作是否增加,以及管理者有没有足够能力支持新的协作方式。业务结果和人员能力一起获得验证,规模化才更有依据。企业也能够逐渐形成自己的判断标准,知道什么样的流程值得继续投入。
员工愿意持续学习,需要看见工作中的机会
规模化最终会回到员工的实际体验。员工投入时间学习新工具,也会关心这项能力怎样帮助自己完成工作,以及今后的职责和发展机会会有什么变化。企业需要根据已经确定的安排持续沟通,让员工能够理解当前阶段的目标。对于尚在探索的事项,明确说明讨论范围和反馈渠道,也有助于形成稳定预期。
直接管理者在这里承担着重要作用。他们需要把学习时间纳入工作安排,帮助员工选择适合的应用场景,并及时处理使用中的困难。员工提出疑问时,管理者能否给出具体支持,会影响后续采用。AI学习因此也考验团队日常管理,培训部门很难单独完成从理解到应用的全部过程。
释放出来的时间怎样安排,同样会影响员工对变化的感受。企业可以结合业务需要,把部分时间用于更复杂的客户问题、专业学习或改进工作,并在团队层面说明相应目标。员工看到能力提升与工作发展之间的联系,更容易持续投入。具体安排需要依据经营条件,但值得被纳入项目设计,而不是留到技术上线之后再讨论。
人才识别也可以借此获得新的观察角度。一些员工可能擅长把业务问题讲清楚,一些员工善于验证结果,还有一些员工能够组织跨部门协作,把新流程真正运行起来。企业可以通过实际项目看见这些不同贡献,为员工提供相应发展机会。AI能力建设由此能够与内部人才流动和专业成长建立更具体的联系。
回看联邦快递的两项行动,技术部署与全员学习被同时推进,为企业提供了一个值得研究的管理方向。50%的目标推动管理层审视工作怎样完成,面向大规模员工群体的学习安排则提醒企业,工作变化需要有人员能力支撑。岗位、绩效和责任的调整,正处在这两项行动的连接处。息尚不能说明最终成效,但已经足以提出一组需要认真回答的问题。
对于正在规划AI投入的高管和HR负责人,一条完整流程可以成为具体的起点。把它需要交付的结果说明白,把人与Agent的配合安排清楚,再让相关员工获得能够胜任工作的学习和支持。随着实际结果积累,企业才有依据判断哪些安排值得扩大,哪些环节需要继续调整。 AI深入业务之后,组织能力的提升,将体现在企业能否持续交付可靠结果,并让员工在新的工作方式中积累能力。
资料来源
[1] InformationWeek|FedEx CISO: Vet AI agents with guardrails first 2026年10月30日
[2] FedEx|FedEx Empowers Global Workforce with AI Education and Literacy Program 2025年12月2日
[3] NBER|The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise 2025年4月
[4] Stanford Digital Economy Lab|Generative AI at Work 研究页面所列更新摘要
原文链接:https://mp.weixin.qq.com/s/UTotpqdAcAWjoq26AwWdGg
[返回上一页]
