公司中的生成人工智能：如何通过以人为本的策略提高生产力和工作质量。
采用新技术不仅可以通过节省时间来提高效率，还可以提高效率还有工作质量，因为它可以让你全身心投入战略和创造性活动。但有必要提供有针对性的培训，并使其适应不同的公司职能。
随着智能的进步人工生成（AI Gen），领导者的下一个挑战很明确：做到这一点可扩展并且可以提供一个可衡量的价值跨组织（Davenport 和 Bean，2025）。
随着公司从实验转向全企业范围的采用，许多公司面临的不是工具本身，而是将工具有效地融入人们日常工作所需的组织转型。工具将继续发展：等式的人性方面这决定了 AI Gen 计划的真正成功。
我们在跨国制药公司研究了迄今为止最大的现实世界 AI Gen 实施之一诺和诺德。他的经验表明，成功不仅仅取决于基础设施，还取决于人们的思维方式，是的适应e他们合作与人工智能。一个重要的教训是：虽然 AI Gen 的采用和更广泛的数字化转型有着共同的根源，但前者尤其具有颠覆性，以前所未有的方式重新定义了工作的本质。
与许多组织一样，诺和诺德从一个熟悉的期望开始：AI Gen 将主要提高生产力（Brynjolfsson、Li 和 Raymond，2025）。在“时间是终极货币”的领导原则和“让你的时间发挥作用”的活动的指导下，该公司在整个企业范围内实施了该工具微软的副驾驶 AI Gen2024 年初，目标是节省时间e提高效率。而且，公司在很多方面都实现了这一目标。
开始使用该工具后，每位员工平均每周节省 2.17 个小时。但意想不到的事情也发生了：这些时间并不是员工最看重的。员工对 Copilot 的满意度与感知改进的相关性增加了三倍工作质量那在节省的时间里。员工报告内容合成、内容创作和构思的质量有所提高。有趣的是，许多员工将节省下来的时间重新投入到与人互动、战略规划和创造性工作上。正如其中一位人士所说：“我可以投入更多的时间和精力来制定项目的战略和规划。”
这种见解对许多 AI Gen 实施的基本假设提出了质疑：技术的核心价值在于纯粹的效率。在实践中，AI Gen 的承诺更广泛、更以人为本。
诺和诺德的实施经验从 2024 年 1 月的几百名 Copilot 用户增加到 2025 年 2 月的 20,000 名，为应对扩展 AI Gen 挑战的领导者提供了重要的经验教训。超过3000名员工通过内部分析和一线访谈，我们揭示了员工动态和经过现场检验的领导方法，以推动有意义的大规模采用。
扩展 AI Gen：它不是即插即用的
扩展 AI Gen 不仅是一项技术挑战，也是一场变革管理马拉松。真正的工作是支持员工们尝试、奋斗并最终找到了使用这些新工具的最佳状态。
在诺和诺德，Copilot 的采用并不是线性的，而是已经发生的三相。首先有一个顶峰: 大约一个月后，23%的人是频繁用户，并且74%由中等用户。然后有一个衰退感兴趣的，与15%的早期采用者群体在三四个月后不再活跃，节省的平均时间从2，29一个2,14每周的小时数。一位用户表示：“我还没完全弄清楚如何使用它。我一开始尝试了一下，但收效甚微，此后就再也没有使用过。”应用程序使用情况也出现了类似的模式：当用户将 Copilot 的使用范围从一两个应用程序（例如 Word 和 Excel）扩大到四五个应用程序后，生产力和质量的提升有所下降，但随后在六个或更多应用程序中出现反弹。
这种周期中期的下降是人工智能一代采用的典型现象。随着眼前利益的枯竭和整合难度的增加，人们最初的热情逐渐被挫败感所取代。如果不加以控制，这种下降可能会变成放弃。我们的研究表明，一些失望就足以摧毁人们对技术的热情；换句话说，用户可能会在几次失败的尝试后放弃使用 Copilot。然而，在这种下降之后坚持下去的员工往往会报告业绩大幅提高，这可能是由于累积学习的影响。这是有针对性的培训干预的关键时刻。
为了应对周期中的衰退，诺和诺德实施了许多支持策略，包括： 在关键采用阶段进行有针对性的培训干预；重新分配许可证和等候名单以重振人们的兴趣； AI Gen 倡导者网络提供情境指导并支持采用势头；有针对性的微通信，例如以提示为重点的时事通讯，以解决用户报告的挑战；持续反馈，例如定期调查、使用情况仪表板和竞争对手基准监控，以便随着用户需求的变化提供支持。
正如该公司的经验所强调的那样，AI Gen 需要持续的培训和支持。 AI Gen 的有效性取决于对人的培训，而不仅仅是 AI 模型。领导者应该培育一个生态系统，让员工感到支持、知情和激励，以进一步推动技术的能力（Puranam，2025）。
根据业务功能定制AI Gen赋能
然而，不同的业务功能需要不同类型的支持。认识到不同角色和心态的人们如何与 AI Gen 互动对于推动有意义的采用至关重要。
在诺和诺德，Copilot 的影响因功能而异，导致从统一实施转向有针对性的支持。该分析比较了企业、商业、生产和研究领域的时间节省和质量改进，揭示了巨大的差异。
企业和商业团队在提高 Copilot 的生产力和工作质量方面是最有效的。另一方面，诸如此类的部门研究,数据e人工智能e临床开发在继续受益的同时，在时间节省和质量改进方面的收益较小。员工干习惯于具有恒定结果的确定性系统，经常与 AI Gen 的概率性质作斗争。由于它运行在产生可变响应的模型上，因此其结果可能与需要可靠性的基于精度的工作流程相冲突。这幻觉人工智能的（错误或无意义的结果）使该工具与以研究为导向的活动的集成进一步复杂化，其中准确性和可靠性至关重要。这些幻觉以多种方式表现出来，包括捏造、事实不准确、逻辑或推理错误、数学错误以及基于不相关模型的选择（Sun等人。，2024）。
这种变化破坏了人们对该系统的信任，并对其采用造成了重大障碍。正如一位研究人员所说：“我不知道如何将其应用到我的工作中。”相比之下，一位销售用户将其描述为“对我工作的许多方面来说，这是一次颠覆性的改变”。适应 AI Gen 需要 STEM 员工改变思维方式：他们必须学会管理此类工具固有的不可预测性。
为了促进这一进程，诺和诺德已从统一实施转向统一实施个性化。他为他创建的每个职能启动了特定的入职计划剧本与工作角色相一致的用例和学习库，并与 Microsoft 合作为不同团队定制 Copilot 功能。这种灵活性确保了具有创造性和精确性角色的员工可以找到与其工作流程相一致的有意义的应用程序。
惊喜冠军：最有经验的员工
与有关数字原住民的一些神话相反，数据表明，我高级员工诺和诺德的 倾向于比他们更有效地使用 AI Gen年轻的同事。调查结果表明，经验丰富的员工在提高生产力和提高工作质量方面都优于年轻同事。为什么？这些年长员工对工作流程的深入了解使他们能够快速识别 Copilot 等工具可以在哪些方面增加价值。此外，他们更有能力评估人工智能生成的结果，并将其集成到更复杂的任务中。精确。
相比之下，年轻员工往往缺乏识别高影响力机会的背景。一位年轻员工说：“我不知道足够多的实际用例；我能用它做什么？”另一位指出：“我还没有一个具体的用例可以清楚地看到使用/探索 Copilot 的好处。”
教训：组织不应假设年轻员工将引领人工智能时代的潮流，而应使负责经验丰富的员工充当放大器。
在这一见解推翻了诺和诺德高管的假设后，创建了一个主要由经验丰富的员工组成的跨职能网络，以开展点对点演示课程，提供针对特定角色的培训，并分享针对特定工作环境的实际示例。与此同时，Viva Engage（Microsoft Teams 中内置的社交协作工具）等内部企业社交媒体社区实现了高级和初级员工之间的知识共享，从而推动了采用。
通过投资高级员工作为采用推动者，领导者可以利用这些人的背景专业知识来推动 AI Gen 的有意义使用，根据工作流程和资历定制培训，并确保初级员工获得清晰、可访问的用例来建立他们的信心。通过将支持与经验结合起来，组织可以在各个层面释放 AI Gen 的潜力。
AI Gen 的性能并不取决于技术专业知识，而是取决于上下文的流动性、信任以及人类将新工具集成到细致入微的工作流程中的能力。
克服文化阻力和人工智能羞辱
并非诺和诺德的每个人都欢迎 Copilot。那里抵抗力文化以及所谓的人工智能羞辱造成了重大障碍，一些员工认为 AI Gen 不道德或类似骗局。一位用户表示：“我认为 Copilot 在道德上存在问题：能耗极高，而且基于无耻的隐私和侵犯权利的做法。”
其他人则担心会扰乱常规、犯错误或因人工智能生成的结果而受到审查。一位用户表示：“我担心我用 Copilot 做的事情是错误的，或者我会在工作中犯错误。”这种态度导致员工不愿意将技术整合到他们的工作流程中。对结果所有权和工作流程变化的担忧加剧了对 AI Gen 的进一步抵制。
即使在高科技组织中，这种微妙但真实的文化阻力也会减缓采用速度。诺和诺德采取多方面战略应对这一挑战，重点关注透明度和信任。该公司推出了道德使用指南，明确了所有权和结果披露的期望，并发起了“花时间节省时间”活动，将 AI Gen 重新定义为战略因素，而不是捷径。
负责实施 Copilot 的诺和诺德高管马克·纳瓦斯 (Mark Navas) 强调了这一信息：“Copilot 的目的是让我们的员工更好地工作，而不是走捷径。”定期反馈（包括调查和使用分析）使公司能够监控阻力并调整支持。由冠军主导的演示通过展示成功使用 AI Gen 的现实示例，使采用正常化。Viva Engage 平台等安全空间允许员工提出问题、分享担忧并获得信任，而不必担心受到评判。
实施 AI Gen 的领导者可以像诺和诺德那样采取多种策略来减轻文化阻力,将阻力转化为参与，并为可持续采用铺平道路。
澄清道德使用。制定并传达有关人工智能的使用、所有权和披露的准则。确保员工了解如何无缝集成 AI Gen。
规范各个英雄对 AI Gen 的使用。聘请经验丰富的员工来展示实际且合乎道德的应用，使 AI Gen 更易于理解和可信。
促进安全空间。建立内部社区以获得同事支持，员工可以在其中表达自己的担忧并分享成功，而不会受到评判。
积极解决信任问题。对员工进行有关数据隐私、环境影响和负责任使用的培训，以建立信任并应对道德异议。
重新定义人工智能的作用。将 AI Gen 定位为一种工具，通过领导层发出一致的信息来提高工作质量，而不是取代人类的努力。
人就是平台
诺和诺德计划进一步扩大其 Copilot 部署范围20米拉一个37 英里2025年员工人数。（公司大约有75 英里全球员工）。首席数字和信息官（兼合著者）Anders Romare 表示，公司与 AI Gen 的未来将取决于能否超越最初的热情，构建支持持续学习、信任和集成到现实世界工作流程的系统。
随着公司继续实施，一个教训变得越来越清晰：AI Gen 的成功并不主要取决于工具本身，而是取决于使用这些工具的人以及他们如何适应、协作和拥抱变化。
这种成功不仅是由自动化推动的，而且还得益于人们愿意重新思考自己的工作方式、相互支持并对人工智能支持的新工作方式建立信任。冠军成为变革的推动者。社区成为加速器。经验，而不是年轻，成为采用的隐藏催化剂。
如果你想成功扩展 AI Gen，请从人开始，而不是从代码开始。
参考书目前的注释
作者要感谢苏黎世联邦理工学院博士生 Jingqi Liu 对本文的撰写做出的贡献。
参考书目
T.H. Davenport 和 R. Bean，“2025 年人工智能和数据科学的五个趋势”，《麻省理工学院斯隆管理评论》，2025 年 4 月 15 日，https://sloanreview.mit.edu。E. Brynjolfsson、D. Li e L. Raymond，“工作中的生成式人工智能”，《经济学季刊》140，n。 2（马吉奥 2025 年）：889-942。P. Puranam，“重新人性化：如何在算法时代建立以人为本的组织”（新加坡：企鹅兰登书屋，2025 年）。孙宇，盛德，周子，等，“人工智能幻觉：人工智能生成内容中扭曲信息的综合分类”，人文社科通讯11期，第1期。 1（2024 年 9 月）：1-14。S. Raisch e S. Krakowski，“人工智能与管理：自动化增强悖论”，《管理学院评论》46，n。 1（根纳奥 2021 年）：192-210。