这是鼎叔的第一百零九篇原创文章。行业大牛和刚毕业的小白，都可以进来聊聊。

欢迎关注本公众号《敏捷测试转型》，星标收藏，大量原创思考文章陆续推出。

人工智能 2.0 时代，人会被机器替代的担忧一波又一波。AI 时代一定会产生新的商业机会和新的岗位，这些岗位来自人机协作的中间地带，让人类能在职场上更有人性地工作。

本文部分观点来自埃森哲技术研究团队。

人工智能带来了企业的第三次转型浪潮，第一次浪潮的标志是标准化流程，第二次浪潮是自动化流程，第三次就是自适应流程了。这种自适应能力是由实时数据驱动，而非一系列事先设定的步骤驱动的。自适应流程持续提供了更优的结果，让前沿企业获得了盈利。

人和机器的融合时代

过去工厂的自动化生产线，人和机器人（机器臂）通常是隔离开的，机器经常是围在防护屏障里，随着各种传感器和深度识别算法的应用，机器人可以和人类进行贴身合作了。

机器人可以自动感知环境，控制自己手臂的触碰力度，不会给工人造成伤害。工人就可以进行更复杂的精细化调整，把时间花在更需要创意的地方，双方都能获得更高的效率。

新一代的工业制造平台建立了一套 “数字孪生” 的概念，把工厂所有的设备资产都在计算机上进行监控和建模，从螺栓到传送带，这样可以大量搜集运行数据，最终实现生成业务流水线的重构：

重构维护方式。AI 能预测哪些部件可能发生故障的时间。

重构产品开发。通过搜集的过程数据分析，AI 帮助研发工程师了解系统内部运行变化情况。

重构测试方式。基于数字孪生收集的现场数据，构建虚拟的极限灾难情况进行虚拟测试，大幅降低测试成本，大幅优化输出结果。

基于 AI 的业务工作流程重构，不仅适合智能化工厂，也适合物流仓库领域，精准农业生产领域，市场销售管理领域…

这不就是国家说的 “新质生产力” 么？

AI 让机器无需明确编程的情况下具备自主学习能力。传统 IT 时代的程序员利用静态代码设置启动的预定路径，到了 AI 时代就会转型成教练，根据数据更新改变内部模型和看世界的方式。

当员工不用去承担机器一样的重复任务和低可见性任务时，员工的工作就更有人性了。

研发流程中的 AI

我在测试右移中提到，用户反馈的处理和改进，是服务品质提升的关键闭环，但是这些环节非常烦琐：投诉的读取，标记分类，处理，初步判断。这些非结构化信息以往只能交给人工处理，现在交给 AI 进行初步处理是非常高效的，准确率可以达到 90%。参考 聊聊大模型如何为敏捷研发提效

人类这个时候也不是置身事外，他对于机器的可疑标注会进行进一步调查和采取行动。

同样的分级协作流程也在金融风控公司中应用得很成熟。

对于科研实验行业，一个科学实验的过程是非常漫长枯燥的，且成本高昂的，但由于科学方法的步骤非常明确，AI 就可以对这个过程进行重构。人类研究员很擅长提出创新性见解，但机器在数据组织和数据呈现方面做得更好，帮助人类研究员在几个月内完成几年的研究成果。机器学习平台负责发现可疑的观察数据（假设阶段），研究员进一步发现隐藏的因果关系。

在产品设计领域，公司利用 AI 和大数据生成无数的可选方案，设计师借此缩小实验范围来挑选最佳方案，更快地将更多优质的产品推向市场。

过去，因为研发项目的极高失败概率，公司通常不会投资不保险的研究项目，这样就抑制了创新落地的可能性。但当 AI 被加入到研发渠道中，就可以加速新项目的研发过程，提高项目的成功率。

营销领域的 AI

品牌广告和销售领域的 AI 应用更是屡见不鲜。基于传感器和 AI，厂家卖的是持续服务（照明服务），而不是寿命短的产品（灯泡）。

在零售商场，可以通过 AI 来判断不同店铺员工的繁忙程度，合理配置服务人员，提高销售额。在零售商店，AI 在做最擅长的事（通过数据提出行动建议），人类也在做擅长的事（通过判断和社交技能帮助顾客满足需求）。

零售个性化的背后就是道德风险，用户可能担心自己的隐私被商场机器监听，私人数据被采集，用于商业用途。

基于 AI 的品牌拟人化设计是一种很好的策略，比如有些企业的数字人主播，但要小心，海量客户对 AI 数字人交互的评价，会极大影响品牌形象，数字人的各种特征也都属于公司决策问题，代表着公司的价值观。

人机协作 - 中间地带的新岗位

机器的优势在于速度，准确性，重复性，数据预测和扩展性等。

人的优势在于创造性，灵活性，判断力，社交能力和领导力，

企业认识到双方的相对优势，可以同时提高员工的效率和动力，不应该把双方视为争抢工作的对手，而是重构业务流程，让双方成为盟友，大幅提升业绩。

图片
除了人类专门活动和机器专门活动，中间有很多地带是人机可以协作的，要么是人类弥补机器的不足，要么是 AI 赋予人类超强能力。

从人类弥补机器的不足出发，可以做的新工作有三类：

AI 系统的训练师

训练师要做的主要工作内容有：清理上传的数据，标记数据以便更好的使用，把机器训练得更像人类。

训练师可以从人的喜好厌恶视角进行标注，让 AI 知道字面以外的常识，识别很细微的差异。

招聘优秀的训练师，应该考察他/她掌握多少隐性知识，以及是否懂得训练机器的同理心，前提是自己具有强大的同理心。

大模型时代所有的 AI 产品几乎都具备闲聊能力，训练师如果帮助 AI 具备更强的同理心，甚至幽默感，就更能赢得用户的芳心。

招聘训练师的另外一个优秀能力要求，是人性化设计，怎么让 AI 更通人性，在用户不同情绪下能够安抚用户情绪，用更合适的语气让用户接受建议，这种设计能力价值极大。

因此，优秀的训练师可能有完全不同的学科背景，比如心理咨询，编剧，社会学，作家，诗人。

还有一类优秀能力，就是全球视野和本地文化的深刻理解。AI 产品的国际化大潮，可能会让不同国家的用户接触该产品，那么懂得宏大世界观和本地化文化的训练师就能确保地域差别被照顾到，增强不同国家种族用户的信任感，减少文化冲突的灾难。

既然是训练师，离不开一类巨大作用的平台能力，众包训练，这块在本公众号将来的主题中可以再展开。

众所周知，数据的质量和偏好，会直接影响训练的结果，因此训练师也承担了数据卫生员的重大职责，一方面要给数据偏好进行分类（并不是扔掉，而是用在不同的任务上），另一方面把数据废气（看起来价值很低的采集数据）进行标准化处理和存储，将来可能用得上。

AI 系统的解释师

AI 产品的不可解释性可能给公司舆情带来巨大的负面风险，让管理层对 AI 黑箱属性产生不安全感，因此 “解释师” 的价值就更加重要了。他要做的重要工作有两类：

通过观察和分析算法找出机器的可解释性。更新界面以增强算法的可解释性。

检查机器各种输出的一致性和合规性，将输出结果转化为见解，解释给利息相关方和客户，解读机器的运作模式。

常见的场景，比如贷款风控环节，解释师让用户更容易理解为什么贷款会被拒绝。

解释师的产出反过来也让业务团队受益，比如帮助团队发现有趣的关联巧合。

解释师也是最佳的应对监管部门的接口人，解释影响客户的行动的合理性，或者配合专业人员对算法进行 “取证”。

当系统算法出现错误，解释师能够借助工具解剖问题，找到原因。

解释师要考虑准确性和可解释性的平衡关系，帮助决策 AI 系统哪些内容采用更黑箱技术，哪些内容采用透明化的传统规则技术。

运营 AI 系统的维护师

只有不到 1/3 的公司对 AI 的公平性和可审核性有足够信心。

确保 AI 系统正确运行，不伤害员工和用户，消除外部的不安全感，就是维护师的岗位价值。

他的主要工作是：监督机器的表现，在必要情况下对它进行约束限制，可持续发展，维系好利益相关者的信心。适当时机降级或移除系统。

限制来源于道德和法规。监督则来自设计出 AI 增强人类工作能力的界面，来自对数据的检查和标记误差，对 AI 的批判性思考。

“道德合规” 是维护师的核心职责。比如上面的信贷风控例子，如果 AI 出现地域歧视和种族歧视，维护师就需要和算法工程师合作，调查潜在的道德和违法问题。训练 AI 理解高级的伦理文化也是一条防范之路。

学会解释自动化伦理，评估 AI 带来的非经济影响。AI 自动化给从业人员带来的失业恐慌和社会担忧，在前段时间的 “萝卜快跑” 新闻中体现得淋漓尽致。

最后，维护师也可以成为 AI 机器的 HR。比如让性能差的机器降级甚至停用。比如让 AI 系统的运作符合公司的价值观。

AI 赋予人的超能力

上图中间地带右边的三种方式，代表着 AI 可以给人类带来的三种超能力，这很容易理解。

增强：生成式 AI 提供了海量的设计成果，超出了人类的理解范围。AI 可增强人类的可视化，环境感知，根因挖掘能力等。

交互：各种 AI 助手问答机器人。

体现：增强了人类的身体能力，如视觉（VR/AR），生产流水线重新以人为中心进行组织，减少身体损伤。

重构业务流程的五大原则

新岗位对管理者也提出更高要求，换个角度理解人机团队，基于五大原则（思维模式，实验，领导力，数据，技能）重构流程，管理者应重新思考人才培养策略。人的挑战往往超过技术的挑战。

思维模式

管理者要学会发现和描述流程重构的可能性。客户体验中的任何痛点都是机会，高级 AI 能否抓住这个机会？

要重构的是内部烦琐的流程，还是外部耗时的流程？识别这点很不容易，但识别后给出实现方法更不容易，它需要团队（AI 技术专家，业务专家，现场员工）的共同创造。

实验

公司创造出一种实验文化，先行一步，发现可以改进的用户体验细节、准确性和自动化场景。比如无人零售店的实验。

领导力

建立能够促进人工智能可靠性的企业文化很难，这种信任缺失需要领导者安排好角色和互动，对员工说清楚 AI 的收益和流程的变化。领导者也鼓励员工带着怀疑精神对 AI 变化进行甄别。

借助前文的角色，提升人类对机器的信任感：

设立流程中的安全护栏（维护者支持）

解释师把关结果

创建算法问责制，鼓励人来承担系统故障的责任

让使用系统的人参与到流程重构的实践中，并赋予一定的决策自主权。

数据

我们必须获得丰富和庞大的数据，才能训练出优秀的 AI 系统，数据意识是最终促成行动的推进器。数据供应链必须是动态的，尽可能增强数据源多样性，移除信息流动的障碍，提升访问速度，让非技术人员也能观察数据，有高级主管对数据供应链负责。

人机协作融合的技能

未来需要的新一代工作技能，每一项都融合了人和机器的强项，包括：

回归人性，从基于机器的时间分配，转移到基于人的时间分配上，让人利用好机器提供的额外时间。

负责任的引导，对员工对公众推广新型人工智能，强调引进 AI 是为了让员工更成功，而不是为了裁员。

判断整合的时机。鼓励员工发展自己的直觉，识别偏离道德迹象，知道何时人工介入。

追问能力。机器在被训练的过程中，也在训练人类如何使用机器，互相学习。prompt engineering 就是这种技能，知道如何让输出结果更有意义，哪些输入数据会使结果偏离。

融合人机能力。学会用最佳方式集合和部署机器人，学会人机能力配合使用，最大化提升效果。比如利用多种 AI 写金融报告，利用 AI 做招聘等。

总结：

真正的问题不是人被机器取代，而是绝大部分人没有做好充分的准备，来填补缺失的中间地带的新岗位需求。

真正实践 AI 协作新流程的环境里，人会更有当主人公的全局把控感，像一个小 CEO 一样在工作，指挥一批 AI 智能助手，而不是像以前一样耗费在琐碎重复的事情上。