關注工作效率，人工智能助力企業轉型而非裁員

當我在 Stripe 擔任工程師時，大約在 2017 年，我提出了一個機器學習系統，旨在將我們的支持人員數量減半。我認為我解決了公司最大的成本問題：人力成本。畢竟，自動化的目的不就是這個嗎？

支持部門負責人的回應讓我感到意外和震驚：“恭喜你。你已經自動化了簡單的部分。”

我意識到真正的問題在于工作流程。客服人員在十個不同的工具之間來回切換。知識被孤立在各個部門中。工作是手動分配的，無法看到模式或瓶頸。最大的成本不是人力，而是破碎的流程。

以 人工智能 為名削減勞動力成本，往往被證明是個失敗的做法。以 Klarna 為例：在 2024 年初，他們的 OpenAI 驅動助手承擔了近 700 名支持代理的工作量，但這個嘗試并沒有成功。到 2025 年中，公司開始重新雇傭人類代理，承認客戶仍然需要同理心，并且人工智能需要人類的監督才能提供優質服務。

那些真正推動人工智能發展的公司并沒有對其潛力進行夸大，也沒有解雇整個團隊。他們在重新思考工作如何完成。他們在投資于加速學習和實驗的項目和結構，幫助員工與技術一起發展并提高效率。人類和人工智能的結合才能真正釋放出人工智能的全部潛力——而不是不惜一切代價追求僅僅依賴人工智能，這只會在我們需要推動其發展的那些人中播下猶豫的種子。接下來，他們將分享如何利用人工智能實現真正的收益。

為協同設計

當公司把人工智能視為裁員的工具時，他們最終只會追求自動化本身。但如果不將系統、角色和反饋環節連接起來進行自動化，只會加劇混亂。這就像建立一個各部分不相配的流水線。

最有效的團隊不會把人工智能當作獨立的解決方案。他們把它看作更大系統的一部分，包括人類判斷、內部工具、數據流和實時決策循環。目標不是減少人員，而是改善流程。

在Stripe，我曾經建立過一個模型，用于自動回答簡單的支持問題。自動化并不是最重要的部分。最有價值的結果是更新支持問題和文檔的分類，因為這些分類已經過時且過于寬泛。例如，我們識別出，退款費用問題應該與退款證據問題區別對待，而這兩者之前是被歸為一類的。這使得人們能夠開發培訓，構建合適的內部工具，并組織產品反饋。

建立在干凈文檔之上

對失業的恐懼常常促使領導者追求人工智能的快速成果：“我們能在明天實現自動回答嗎？”但人工智能無法回答沒有人正確記錄的問題。知識通常存在于聊天記錄、過時的文檔或某個人的腦海中。這就是推廣工作停滯不前的原因。

高效能、以人工智能為核心的團隊將內部知識視為一種產品。他們記錄決策的制定過程。他們建立系統，讓人類能夠反饋經驗教訓。而且，他們使得人工智能（或任何人）能夠可靠地訪問和應用這些背景信息。

拉丁美洲一家在線食品配送行業的公司提供了一個有用的例子。當人工智能聊天支持出現問題時，團隊首先集中梳理了他們的標準操作流程，并與產品經理一起找出了問題。根據他們的產品經理的說法，許多政策不存在或已過時，缺乏在產品變更后保持文檔更新的整體流程。這在人工智能介入之前就帶來了清晰和一致性，并在人工智能工作開始后加快了自動化進程。

我常常建議公司加快人工智能計劃的方式是：將事情記錄下來，保持更新，然后利用人工智能來發現模式并加快決策。

人工智能不是魔法：它是基礎設施

當領導者把人工智能當作裁員的捷徑時，他們就注定會失望。那些真正取得成效的團隊采取了截然不同的方法：他們將其視為管道。他們將其連接到調度、分析、預測和決策的系統，而且通常關注結果，而不是感覺。

他們也不會過度承諾。他們會測試、調整、撤回。最聰明的運營者不會問：“我們能自動化什么？”而是問：“現在有什么問題，人工智能能幫忙嗎？”

一家擁有超過五百萬用戶的薪資提供商很好地說明了這一點。他們沒有拆除呼叫中心，而是建立了一個撥號系統進行A/B測試，比較AI語音代理和經典的“按2查詢賬單”的語音響應。他們測量了解決問題的成功率，抽樣通話，并持續進行測試。通過將AI集成到現有的電話和質量管理系統中，他們能夠針對特定的工作流程進行自動化，例如排查延遲付款的常見原因。

人工智能不會在一夜之間改變你的勞動力。最優秀的領導者知道如何衡量成功，圍繞這些經驗建立系統，并嚴格推行變革。如果做得正確，人工智能可以幫助你建立一個更具韌性且不依賴于英雄主義的勞動力，不是單純削減員工，而是要深思熟慮地將人工智能融入復雜的運營現實中。通過這種方式，組織可以讓員工參與到這個過程中，確保人工智能成為人們想要使用并最終采納的工具。

我們應該討論的不是哪些工作會消失，而是關于我們如何重新設計系統，使人類和人工智能能夠發揮最佳合作。這才是真正創新發生的地方，也是收益不斷增加的地方。