开场 pp. 192–193 · 团队场景为编辑设想
AI 是在增强人，还是在替代人？
起初 · 增强
专业人员纠正分类、补充例外，说明哪些信息重要
哪些异常值得追查？ 客户要求变了，规则怎么调？ 结果由谁负责？
摘要 · p. 192（中文转述）
在管理领域，增强无法和自动化干净地分开
ACADEMY OF MANAGEMENT REVIEW · 46(1): 192–210 · 2021
Artificial intelligence and management: The automation–augmentation paradox
《人工智能与管理：自动化与增强的悖论》
Sebastian Raisch（日内瓦大学）· Sebastian Krakowski（斯德哥尔摩经济学院）
理论评论 三本 AI 商业书 悖论理论 企业案例
没有做新的实验 没有统一的绩效估计
为什么不能只看一项任务、一个时点 pp. 193–194
自动化 · automation
机器接手一项原本由人做的任务
增强 · augmentation
人和机器持续密切合作，一起完成任务
这里的增强：一种工作安排，还不等于效果变好
上一集 · Vaccaro 等（2024）的元分析
“增强”是一个结果 ：人用了 AI，表现超过自己单独做
作者讨论的三本 AI 商业书 · pp. 193–194
都劝企业优先选择增强
微软 德国电信 IBM 也公开把 AI 的目标说成增强人
视角局限：一项任务 × 一个时间点（p. 194）
悖论：矛盾、依赖，还会持续 pp. 194–195、198–199
悖论 = 矛盾 ＋ 依赖 ＋ 持续的张力
矛盾
某一项任务、某一个时点，只能选一种；对时间、权限、投入的要求不同
依赖
拉长到一段过程、扩大到前后多项任务，两种做法互为条件
持续
复杂管理流程在可见的将来不会完全自动化；比例随任务和环境变
时间：一个时点 → 一段过程
空间：一项任务 → 前后多项任务
书里只看这一格
时间：增强为自动化铺路 pp. 195–197
规则明确的常规任务 · 发票、报销单
→ 把规则写进系统，直接自动化
大多数管理任务 · 规则不清楚
→ 用增强的方式继续探索
领域专家 ⇄ 机器
提供材料 · 评价输出 · 修正模型 —— 人从机器学，机器也从人学
模型足够稳健 → 这项任务自动化
随着时间推移，增强可能促成向自动化的过渡（p. 196）
作者引用的企业报道 · p. 196
摩根大通 · 招聘
人力资源团队和 AI 合作整整一年 ，去掉有统计偏差或有争议的预测指标
→ 候选人评估自动化
Symrise · 香精香料
调香师借助约 170 万 种香型的数据库，和系统合作两年
→ 创意生成自动化
作者转引的案例：说明机制，不是本研究测出的收益
增强
自动化
条件变了 需要的技能不在数据里
回到增强 重新调整模型
摩根大通的折返是作者的推想
走到自动化，只是暂时缓解了张力
流程：这一步省了，相邻的步骤变了 p. 197 · 课程例子为编辑设想
这里的“空间”：前后相连的任务，不是办公室
目标设定 → 创意生成 · 自动化 → 创意筛选
输入目标和限制，按输出反复调整 挑配方、试剂量，来回几百次
作者 · p. 197
一项任务的自动化会“外溢”，促成相邻任务的增强
编辑设想 · 课程团队让 AI 批量出练习题
调整学习目标和限制 ⇄ AI 批量出题 ⇄ 试做 · 查难度 · 排除歧义
↓ 动手试试：把整条流程的时间算一算
只押一边，两种恶性循环 pp. 199–200
理论推论，不是估计出的轨迹
偏向自动化
为短期降本不断自动化 → 对手被迫跟进 → 专家被裁或生疏 → 失去改变流程的技能 ↺
环境一变：锁在既有的自动化里
偏向增强
持续投入和试验 → 常常失败 · 人的偏见留在里面
为证明投入值得，继续加码 → 更多增强 → 继续失败 ↺
“投入升级”（escalation of commitment）
作者的结论 · p. 200
只押一边：忽视了两种用法之间动态的相互依赖
接受、分化、整合 pp. 200–201 · 交接处的问题为本片延伸
① 接受
两种需要都在；选了哪一边，都会加深对另一边的需要
Symrise 的分化
生成候选配方（搜索范围超出人的能力） 自动化 挑选和打磨配方（靠人的整体判断） 增强
机器输出挑战人的直觉 ⇄ 人的反馈进入下一轮分析
作者 · p. 200
整合要求人对整个管理过程保留总体责任
本片要看的交接处
自动运行什么时候该暂停？
什么证据会触发人工复核？
人的判断怎样回到系统和流程里？
看得见过程 有时间理解 有权改变结果
企业受益，员工和社会呢 pp. 201–202 · 追问与检查为本片延伸
组织 · 兼顾两者
自动化的效率和一致 ＋ 增强的学习和创新；释放的资源再投入增强
社会 · 只押一边
只偏向增强
新的数字鸿沟：好处集中在少数已有能力和资源的人身上
作者引用的瑞银报道 · p. 202
客户转账指令 · 原来每笔 45 分钟 → 自动化
省下的时间
银行家和 AI 一起探索交易策略；数据科学家支持银行家学习新的工作方式
本片追问
在别的组织里，省下的时间会用来学习，还是被更高的产量填满？
论文没有系统检验这些机会能否普遍落到员工身上
自动化
可以减少人的偏见
也可能带来更系统的歧视（亚马逊停用的招聘工具）
增强
可以靠人纠正机器
人的偏见也可能被机器证实，更不愿质疑
作者：分化 ＋ 整合
机器挑战人，人挑战机器；流程里的人解释系统输出
本片再补三项检查
独立的评价标准 分群体检查结果 提出异议的渠道
今天重读，怎样研究 pp. 198、203–206 · 研究做法为编辑延伸
技术能力的判断 · 论文当时 · p. 198
机器只能做训练过的那项任务；没有人的感官、感知、情感和社会技能
今天重读：两类问题分开检查
作者呼吁：管理学者 ＋ 计算机科学家，到真实组织里研究混合系统
编辑延伸 · 沿一个流程追踪变化
哪些步骤自动化了？
哪些判断新增了？
哪些技能少用了？
修改规则的机会在谁手里？
自动化和增强本身无所谓好坏（p. 203）
哪一项任务？ 在什么时候？ 影响了谁？ 下一步变成了什么样？