要么人机协同，要么思维退化

本文来自微信公众号：清华管理评论，作者：孙美全、莫申江，编辑：刘永选，原文标题：《学习革命：解码自动化时代的人机协同》，题图来自：AI生成

第四次工业革命浪潮中，以人工智能为主的自动化技术正在重塑传统工作范式，催生出许多新型的人机协同（human-AI collaboration）模式。这些模式下，人类与人工智能系统通过功能互补和认知交互，可以更高效地完成复杂任务。例如，美国直觉外科公司（Intuitive Surgical）开发的微创手术辅助系统——达芬奇手术机器人（da Vinci surgical system），正在深刻改变医疗手术流程及效果。

在达芬奇手术机器人高精度机械臂、3D高清视觉系统和直觉控制技术等自动化智能技术加持下，主刀医生可以更加轻松自如地开展复杂精细手术，从而减少患者出血、疼痛和恢复时间，大幅提升手术成功率。与此同时，该公司配套开发的虚拟现实模拟器（dV-Trainer）和模块化课程，以标准化虚拟课程学习替代传统的观摩实践学习，颠覆了医疗领域经典学习曲线及职业成长路径。

然而，当我们对达芬奇手术机器人“技术之美”大加赞叹时，必须审慎地注意到它对人类“学习过程”可能产生的影响。近期一系列现场研究证据表明，长期使用达芬奇手术机器人系统，医生可能会因为缺失触觉反馈导致手部精细操作的熟练度大幅降低，最终遭遇传统开放手术或腹腔镜手术技能逐渐退化的窘境。

此外，由于达芬奇手术机器人主要依赖主刀医生远程操作，临床助手、护士和学生们的现场学习机会大幅减少，也会导致手术团队整体技能发展不均衡、年轻医师缺少手把手教学等问题出现。因此，自动化时代人机协同掀起的这一场“学习革命”，似乎并不是一个完美的“最优解”，而更像是一柄“双刃剑”，需要我们辩证看待并合理应用。

一、学习革命：从人际协同到人机协同

相较于传统人际协同，人机协同主要呈现出三维特征（见图1）——功能互补性、动态适应性、认知耦合性。

功能互补性是指人类智慧与人工智能的优势整合，推动人机整体效能显著提升。在认知分工上，人类擅长处理如医疗诊断中的鉴别判断、金融风控的伦理决策等需要直觉和创造力的非结构化工作；AI则更擅长执行结构化任务，如标准化流程、大数据分析和医学影像识别等。在任务架构上，人机协同能够通过模块化设计实现最优分工。在效能整合上，人类能提供更具“人性”的方案来优化AI算法输出的结果，AI的知识图谱能提升人工效率。

动态适应性是指人机协同系统能在复杂环境中持续优化演进。人类根据AI反馈优化决策，AI则通过人类输入调整行为模式，形成良性循环。同时，人机协同系统能灵活应对变化，灵活调整人机分工与协作策略。AI实时监测效能指标，优化交互方式，提升协作效率。例如，美的佛山灯塔工厂的人机协同机器人具备动态学习能力，在检测到工人操作习惯变化时能自动调整装配节奏，并利用数字孪生技术快速生成新产品的操作指引，实现高效能协同。

认知耦合性是指人类经验与算法分析相互验证，动态分配控制权。例如，在智能医疗中，医生临床观察与AI影像分析共同支撑诊断，治疗方案综合专业判断与机器预测。在知识层面，通过共享语义空间实现概念对齐，使人类领域知识与机器符号化表示相互映射。在决策层面，人类启发式思维与机器计算推理互补，人类引导非结构化问题解决方向，机器处理海量数据支持决策。

人机协同系统所具备的功能互补、动态适应、认知耦合特征，使得人机协同学习在知识类型、认知过程、学习路径、能力发展等方面均产生了与传统人际协同学习不一样的表现（见表1）。

在知识类型方面，传统人际协同学习更有利于隐性知识的掌握和传递。例如，资深年长员工通过案例研讨、故事叙述等人际互动方式，将行业洞察、人际判断等难以编码的经验传递给新员工。相比之下，人机协同系统更擅长处理显性知识的高效传递及强化，如在线学习平台、虚拟视觉培训模拟器等。这些人机协同学习系统可以高效便捷地传授标准化操作流程，但若想要在此模式下培养人类对模糊复杂情境的应对能力，则实属困难。

在认知过程方面，人际互动引发的学习行为具有分布式认知特点。在团队协作中，成员们通过观点碰撞激发认知重构，这种社会性建构过程能产生突破性创新。例如，一些互联网产品公司通过跨学科头脑风暴催生设计创意。人机协同学习则侧重强化式认知模式，即AI工具作为认知外延，帮助员工快速获取所需的信息资源。例如，法律顾问使用案例检索系统能提高效率，但也可能因过度依赖系统导致深度思考能力弱化。AI是否一定能够帮人类找到最准确、有效的知识和信息？这并不一定。

在学习路径方面，员工通过传统的非正式人际观察学习（如师徒制中的示范模仿）、经验分享会等社会化过程来获取知识。这种学习过程能够容忍偏差及错误发生，员工可以在工作场景中循序渐进地修正行为。例如，销售团队通过共同拜访客户来积累实战经验。人机协同学习则构建了数据驱动的学习闭环，呈现出精准干预的特征。例如，亚马逊仓储员工佩戴的智能手环能即时纠正并优化其拣货路径，可一旦出现技术参数错误，将导致无效学习甚至是有害的学习结果。

在能力发展方面，在传统团队合作中，人们不仅提升了专业技能，还锻炼了协调资源、解决矛盾、带领团队等综合学习能力。这些能力可以灵活运用到不同场景中，帮助应对未来工作中的各种变化。与此同时，人机协同（比如使用AI或自动化工具）则可以让员工逐渐学会“算法思维”——把复杂问题拆解成机器和人能分别处理的小模块。比如，数据分析师习惯把问题分解成结构化步骤来解决。值得注意的是，长期依赖这种思维模式，可能会降低人们应对突发或非结构化问题的灵活性。

二、人机协同学习的新红利

我们对“为何学”“怎么学”“学什么”等问题的基本认知已不知不觉地被人机协同系统改变了。人机协同引发的“学习革命”究竟带来了哪些实际红利？我们将从个体、团队和组织等三个层面来深度思考这个问题。

优化个体学习行为与职业发展

人机协同学习正在对职业发展过程产生长期影响（见图2）。首先，人机协同让职业技能学习事半功倍。AI能快速筛选海量信息，帮人们省去烦琐的查找过程；还能提供即时、精准的反馈，比如编程练习中的错误提示，帮助我们更快改进。

其次，人机协同能根据个体的需求实时调整学习内容。AI会分析员工的学习进度，自动调整课程难度，确保所学内容与个体需求相符；AI还能监测市场趋势，及时推荐与新技能需求相关联的学习资源，帮助个体保持竞争力，强化持续学习习惯和职业敏捷度。

最后，人和AI的深度融合为职业发展提供了创新动力。在解决复杂问题时，人类负责直觉和创意，AI负责数据计算，两者结合能做出更精准的决策。IBM的“人工智能技能学院”实践结果表明，经过这种人机协作训练的员工，往往能更快得到晋升，并能够胜任跨职能、多职能角色，为组织贡献更丰富的创新成果。

增强团队学习行为与知识创造

人机协同学习为团队知识创造构建了全新协作范式（见图3）。

首先，人机协同学习重构了团队协作结构。人类成员善于理解情境、判断价值和构思创意，而AI系统在数据分析、模式识别和流程优化等方面表现卓越，这种互补能够让成员真正“扬长避短”。同时，AI的客观计算和人类的主观经验可以互相验证，让团队决策更全面。

其次，人机协同学习强化了团队的持续迭代能力。AI能够实时监测团队交互数据、任务进展和知识流动，据此按照团队成员的能力特征优化任务分配，并在不同项目阶段提供详略适中的指导。AI系统还能识别团队认知盲区和知识缺口，自动推荐学习资料，促进团队知识的持续更新。例如，波音公司用AR眼镜和AI知识库帮助工程师维修飞机。AR眼镜能识别零件，并叠加3D操作指南；AI知识库可以根据历史维修记录推荐解决方案，并提示风险。新手工程师跟着AR指引操作，专家团队通过远程系统实时指导，并修正AI建议。同时，团队遇到的新问题会被反馈到AI系统，促进知识库不断升级。

最后，认知耦合性实现了团队认知与机器智能的深度融合。在团队学习过程中，机器的结构化思维与人类的发散思维相互激发。这种深度耦合促进了团队之间的知识互相转换，激活多团队联动的创新活力。更重要的是，深度认知耦合形成了新型的集体认知模式，使团队能够处理更复杂的知识创造任务。

赋能组织学习行为与组织创新

人机协同学习深度赋能组织创新，为现代组织数智化发展提供了变革路径（见图4）。

首先，人机协同学习重塑了组织学习的价值创造逻辑。组织成员擅长把握战略方向、传承企业文化、做出复杂决策，AI智能系统则更擅长从海量数据中提取知识、优化业务流程、预测未来趋势。组织使用AI处理基础性的知识管理和信息分发工作，让员工能集中精力思考战略问题。这样既保持了企业原有战略方向，又加入了数据驱动的科学方法，往往能产生突破性解决方案。

其次，人机协同学习赋予组织学习系统持续进化的生命力。AI可以根据组织战略发展阶段调整知识体系结构，针对业务变化更新学习内容。当AI发现某些知识已经过时或员工能力跟不上时，会自动触发学习计划，确保企业知识库与时俱进。平安开发的“AI+专家”医疗系统已经帮助2000多家医院实现知识更新。这个系统既能用AI辅助诊断，又能让专家验证结果。2023年数据显示，接入“人工智能+专家”智慧医疗系统的医院，其临床路径创新提案数量增长65%，新治疗方案研发周期缩短30%。

最后，人机协同学习促进企业知识库的建立与更新，打造真正的“组织大脑”。AI的数据分析能力与企业的经验智慧相互促进，不仅让隐性经验变得可传承，还促进了跨部门知识交流，大大提升了组织韧性。

 三、人机协同学习的新挑战

人机协同有助于驱动个体、团队和组织革新学习方式及结果，但这种划时代的新兴工作模式也对“有效学习”提出了全新挑战，甚至会在短期内造成诸多困扰，必须引起重视。

从个体层面看，AI的深度介入会剥夺员工通过实践积累经验的关键学习机会。当AI代替员工做判断和决策时，员工有可能会失去在工作中犯错、反思和进步的机会，这种“学习剥夺”效应可能会削弱员工技能发展潜力。同时，AI的自动化特性也可能会降低员工感知到的学习必要性。如果工作都交给AI完成，员工容易产生“技术依赖”心理，认为“反正有AI帮忙，不用学那么多了”，失去主动学习的积极性。此外，AI驱动的个性化推荐也可能造成知识结构的系统性缺陷。例如，AI推荐学习内容虽然方便，但往往会推送员工熟悉或容易理解的内容，从而限制了员工的全面发展。当然，人机协同作为一种新型工作模式，其复杂性还会显著增加员工的工作认知负荷。员工和AI配合工作需要适应新的工作方式，理解AI的输出结果。这些额外的工作会消耗大量精力，减少员工深度学习的时间和精力。

从团队层面看，AI的加入会给团队知识有效存储、布局及转化带来新挑战。首先，AI会接手一些基础工作，这虽然减轻了员工的负担，但也减少了团队成员之间的交流机会。当AI处理简单任务后，成员们不得不立刻适应更复杂的工作，这种突然的转变常常会让团队短期内效率下降。其次，和AI合作本身就需要学习新技能，例如怎么操作系统、理解数据、验证结果等，这些新规则往往会打乱团队原有的工作默契。特别是当AI频繁更新时，团队成员要不断重新适应，这不仅影响工作效率，还可能导致知识掌握不均衡。AI决策过程往往像个“黑匣子”，这种不透明性会让团队成员难以真正理解AI给出的建议，久而久之会让团队失去主动探索的精神。而且，当AI参与决策后，责任归属会变得更加模糊。这种不确定性会让团队成员的学习积极性降低，不愿分享想法，也不敢大胆创新。

从组织层面看，人工智能确实能大幅提升组织内知识及信息的传递效率，但也造成三个深层问题。首先，过度标准化会让员工变成“执行机器”，削弱其创新和应变能力。当遇到突发情况时，组织可能因依赖AI而手足无措。其次，AI生成内容比重的持续增加，可能会导致知识体系变得单一肤浅，质量也难以保证。组织因此陷入一个关键困境：如何在享受AI带来的效率提升的同时，保持知识体系的多样性。最后，更为严峻的是，当遭遇AI失效或异常情境时，组织可能面临严重的应急挑战。长期依赖AI使得组织逐渐丧失了传统的问题解决机制和应急预案，一旦系统出现偏差或崩溃，组织将陷入反应迟滞的被动局面。

四、人机协同学习的“应对之道”

面对上述诸多困扰，个体和组织都必须冷静直面并主动应战。个体需要主动重构自身学习模式，培养算法思维与批判性思考能力，采取与AI协同进化的学习策略。组织则需构建科学的学习支持体系，设计人机互补的培训机制、建立知识共享平台、培育开放包容的学习文化等，实现技术赋能与人才成长的良性循环。这种个体与组织的协同进化，是应对自动化时代人机协同挑战的关键路径。具体而言，人机协同学习的应对策略分为两类六项（见图5），一类是个体维度，即前三项；另一类是组织维度，即后三项。

对策1：强化自主学习能力，避免过度依赖AI

在AI深度赋能职场的新时代，亟须建立“以人为本、技术为用”的新型学习范式。首先，确立清晰的人机定位认知。员工应当深刻理解，AI始终是辅助工具，人才是知识创造和价值产出的核心主体，避免陷入技术依赖的误区。其次，构建“思考—验证—优化”的工作闭环。面对具体任务时，员工应当先独立完成问题界定、方案构思等关键认知环节，再引入AI工具进行数据验证和方案优化。

以市场分析为例，专业分析师需要先行构建研究框架、明确关键假设，随后运用AI完成数据采集和模型运算，最终将算法输出与专业判断有机融合，形成具有战略价值的商业洞察。这种工作流程既保持了人类思维的创造性，又充分释放了AI的计算优势。此外，个人应主动探索适合自身的学习模式，在合理利用AI工具提升学习效率的同时，保持基础性学习训练，同时探索人机协同的创新学习方式。例如，在语言学习中，通过智能软件强化语言输入，借助真实对话提升交际能力，结合手写笔记促进深度内化；同时，定期进行脱离屏幕的深度学习（如纸质阅读、思维导图等），维持认知系统的平衡发展。

对策2：培养技术批判思维，提升信息筛选技能

首先，员工既要清晰理解AI工具的技术原理和算法特性，又要保持对其局限性的清醒认识。员工可以积极借助知识教育平台和媒体来了解算法决策的基本逻辑和数据来源，同时保持对技术的理性怀疑态度，对AI输出保持合理质疑。当使用智能推荐系统时，员工应当思考推荐依据是什么，可能存在哪些数据偏差。其次，员工需要建立多维度的信息甄别机制。

一方面，通过权威数据库和学术资源进行交叉验证；另一方面，运用批判性思维分析信息的逻辑一致性。同时，员工需要仔细考察和甄别信息来源的可靠性和时效性。例如，当使用AI生成学习资料时，应当同时查阅教材、学术论文等经过同行评议的权威资料，以确保获取知识的准确性。最后，面对AI推送的海量信息，员工应当建立“基础筛选—深度加工—定期整理”的处理流程。在第一阶段实施初级筛选，快速过滤明显无关内容；在第二阶段对关键材料进行精读，添加结构化批注；在第三阶段每周预留一定时间，按照类别将处理后的信息录入个人知识管理系统，同时借助AI软件更新个人知识图谱。

对策3：构建自我监控体系，预防知识碎片化

员工需要建立起自我学习过程追踪机制，重点关注三个维度：知识结构化程度、技能迁移广度和思维发展深度。首先，个体在启动任何学习项目前，可以运用思维导图等工具绘制知识体系框架，明确核心概念、分支领域和相互关系。以数字化转型的学习为例，员工可先构建包含基础理论、技术工具、应用场景和案例分析的四维图谱，为后续学习提供系统导航。其次，员工可以采用记录学习日志的方法，一方面记录AI工具提供的解决方案，另一方面同步记载个人的反思总结过程，通过对比分析发现认知缺口。

最后，员工可以通过学术写作训练系统性思维，并借助不同渠道自行开展研究性学习项目，培养创新能力。在AI辅助完成基础性工作后，员工若能进一步提出创新性问题并进行深入探索，学习效果会有显著提升。此外，员工还可定期对自身工作能力进行评估，构建人机协同的反思机制。员工可以利用AI学习分析工具追踪个人学习轨迹，同时保持人工反思习惯。通过对自身学习行为的监控，员工能有效识别和弥补因人机协作导致的学习盲区，保持知识体系的完整性。

对策4：建立分层递进学习体系，平衡技术应用与人才培养

组织应当构建结构化学习框架，明确划分人机协同的适用边界。组织需要将学习内容按照知识属性和技能要求划分为基础层、应用层和创新层三个维度。基础层聚焦标准化知识和程序性技能，组织可充分利用AI教学系统的优势，通过自适应学习平台实现个性化、规模化的培训覆盖。应用层针对复杂情境问题解决能力培养，组织需要设计混合式学习场景，如“AI+导师”的沙盘演练，其中AI负责提供实时数据支持和方案模拟，人类导师负责引导策略优化。

创新层专注于突破性思维的培育，组织需要适当保留纯粹的人际协作空间，通过头脑风暴、思维工作坊等形式，激发创造性思维。管理者要定期通过能力测评和工作观察，监测员工对智能工具的依赖程度，识别潜在的能力退化风险。组织可针对性地设置配套的“去人工智能化”的学习任务，例如定期开展无AI辅助的案例分析会议。组织还需要考量员工的数字化工具技能，建立阶梯式发展路径，确保员工能够从基础层稳步提升至创新层，避免因技术便利而停滞在低阶学习阶段。这种分层设计既能发挥技术优势，又可防范能力退化的风险，亦可挖掘和培养数字化复合型人才。

对策5：打造动态监测反馈系统，鼓励可持续学习

组织构建智能化的动态监测与反馈系统对保障员工可持续学习至关重要。

首先，组织应当开发智能学习分析平台，需要聚焦的评估维度包括：知识掌握度评估，通过自适应测试和项目成果分析，追踪员工对核心概念的掌握深度；技能迁移能力监测，记录员工在不同场景下的技能应用表现差异；创新思维发展追踪，利用自然语言处理技术分析员工的问题解决路径创新性。

其次，组织应当构建闭环式反馈优化系统，这一系统包含三个关键环节：在实时数据采集层，通过系统接口整合学习平台、工作系统等多源数据；在智能分析层，运用机器学习算法识别学习模式异常；在干预反馈层，提供个性化改进建议。双向反馈通道的建立尤其重要，一方面收集员工对学习体验的主观评价，另一方面分析技术使用的客观成效。在此基础上，组织需要组建由学习科学家、数据工程师和业务专家构成的跨职能团队，保障系统的专业性，并每隔一段时间根据反馈数据，优化学习内容和推荐算法。

最后，为避免技术依赖导致的能力虚高，组织需要开展无AI辅助的情景模拟测试，抑或通过组织跨部门实战项目，观察员工在真实工作场景中的表现，并建立360度评估机制，整合主管、同事和客户的多元反馈。

对策6：重塑组织学习文化，完善人机协同新生态

组织必须从文化层面引导建立健康的人机协同关系，为可持续学习创造良好的生态环境。

首先，组织需要推进技术透明化教育，通过工作坊、案例解析和技术开放日等形式，帮助员工深入理解AI系统的工作原理、数据来源和算法局限。例如，可以开发AI决策可视化系统，直观展示推荐系统的运行逻辑，消除技术黑箱带来的认知障碍。

其次，组织要培养员工的批判性使用意识，鼓励员工保持对技术输出的质疑态度，发展独立判断能力。例如，通过设立AI挑战活动，奖励发现智能系统偏差的案例；开发人机双盲评审机制，要求重要决策必须经过人工复核。

再次，组织要建立跨领域协作机制，打破技术使用者与开发者之间的壁垒，促进双向知识流动。例如，定期组织技术和业务对话，促进双向知识流通；实施轮岗计划，让业务人员参与AI技术岗的模型测试，让技术人员深入业务场景。

最后，组织要完善激励机制，将技术创造性应用和基于人机协同的创新产出纳入绩效考核体系，引导员工在借助技术工具的同时保持主体性思考。

五、结语

自动化时代，人机协同正深刻改变着个体与组织的学习行为和方式。对个体而言，AI工具在提升知识获取效率的同时，还通过个性化推荐和实时反馈，推动个体从被动接受到主动探索的学习模式转变。对组织而言，人机协同构建了动态的知识创造闭环——AI系统处理海量信息并识别模式，人类团队则专注于情境化解读与创新决策，二者协作加速了组织知识的有效沉淀与快速迭代。

面对“大势所趋”，个体需培养与AI高质量协作的核心能力，包括主动学习、批判性思维和自我监控；组织则需审慎地重构流程，建立人机双向反馈机制，并将协同成果制度化、长效化。唯有把握好人机协同下有效学习的关键密码，才能够在自动化时代的人机共生学习革命中赢得先机。

本文来自微信公众号：清华管理评论，作者：孙美全（浙江大学管理学院博士研究生）、莫申江（浙江大学管理学院教授），编辑：刘永选