當(dāng)AI工具進入團隊，承諾的高效背后可能隱藏著協(xié)作危機。AI的“自信”錯誤不僅浪費資源，更會悄然瓦解成員間的信任，讓團隊陷入自我懷疑。問題的根源并非技術(shù)本身，而是我們錯誤地將團隊融合挑戰(zhàn)當(dāng)成了技術(shù)問題。領(lǐng)導(dǎo)者需要運用人際協(xié)作智慧，為團隊構(gòu)建能與AI健康共處的新規(guī)則。

你的團隊中可能正在發(fā)生一些令人不安的變化：盡管引入了AI工具以期提升效率，整體團隊績效卻不升反降。成員開始陷入自我懷疑，信任正以難以察覺的方式流失。

試想這個場景：市場團隊使用生成式AI分析營銷活動表現(xiàn)，AI基于看似可靠的數(shù)據(jù)分析自信地建議重新分配預(yù)算。結(jié)果因其對客戶分群的根本性誤讀，導(dǎo)致活動失敗、預(yù)算浪費。此時團隊成員不僅質(zhì)疑AI的未來建議，甚至開始懷疑自己評估建議的能力。

隨著AI被快速整合到組織的工作流程中，領(lǐng)導(dǎo)者逐漸意識到，其帶來的挑戰(zhàn)不僅停留于技術(shù)層面，更深遠(yuǎn)地影響著團隊的協(xié)作動態(tài)。那些以提高效率為承諾的AI工具，反而可能引發(fā)一系列可預(yù)見的團隊功能障礙——正如經(jīng)典的“工作垃圾”現(xiàn)象：AI生成的產(chǎn)出無法推動項目進展，反而讓同事承擔(dān)額外的認(rèn)知與情感勞動來修正重做。這不僅損害效率，更侵蝕同事間的信任。

問題的關(guān)鍵在于：多數(shù)領(lǐng)導(dǎo)者未將這些視為團隊融合挑戰(zhàn)，而是當(dāng)作可通過工具升級或技能培訓(xùn)解決的技術(shù)問題，忽略了這本質(zhì)上需要運用人際協(xié)作原則來解決的團隊效能議題。

在我們的工作中發(fā)現(xiàn)，理解人機協(xié)作動態(tài)不僅關(guān)乎組織理論與實踐，更直接關(guān)系到預(yù)防重大失誤和維護團隊信任。

信任崩塌之處

信任對團隊效能至關(guān)重要，而AI正在改變這種動態(tài)。當(dāng)AI提供自信但錯誤的信息時，就會產(chǎn)生“信任模糊性”——人們認(rèn)為應(yīng)當(dāng)信任AI，卻缺乏實際信任感，且這種不信任往往難以言說。處于信任模糊狀態(tài)時，成員不僅對AI輸出失去信心，甚至開始質(zhì)疑自身判斷力。研究表明，長期使用AI會削弱專業(yè)人士挑戰(zhàn)AI建議的信心，即使他們具備相關(guān)專業(yè)知識。這種模糊性直接威脅到團隊學(xué)習(xí)與績效的基石——心理安全感，因為它抑制了人們發(fā)聲的意愿。

再設(shè)想另一個場景：AI基于專利分析自信地推薦某項“突破性”可持續(xù)技術(shù)，卻誤將過期專利視為活躍創(chuàng)新，導(dǎo)致團隊圍繞過時技術(shù)展開投資討論。

這不僅是準(zhǔn)確性問題，更是AI失誤在團隊中引發(fā)的連鎖反應(yīng)——與人類犯錯的影響機制截然不同。當(dāng)人類同事出錯時，團隊常通過集體意義建構(gòu)來更新心智模型，理解彼此的認(rèn)知邊界。

人們可以追問（“你參考了哪些數(shù)據(jù)？”“你的推理邏輯是什么？”）、理解情境（“你當(dāng)時在趕截止日期”）、協(xié)作預(yù)防（“我們增加復(fù)核環(huán)節(jié)吧”）。這種相互學(xué)習(xí)與責(zé)任探究的過程，反而可能強化團隊凝聚力與學(xué)習(xí)能力。

生成式AI的失誤卻可能中斷這種團隊學(xué)習(xí)進程。當(dāng)AI自信地給出建議時，團隊因“黑箱”特性無法進行協(xié)作式意義建構(gòu)。這種不透明性使成員難以校準(zhǔn)對AI的信任度，也難對其輸出建立信心。團隊可能因信任AI而簡化常規(guī)檢查與討論，導(dǎo)致錯誤決策。他們無法質(zhì)疑AI的前提假設(shè)、檢驗其方法論或理解推理鏈條，從而產(chǎn)生歸因不確定性——團隊知道問題源于AI輸出，卻無明確路徑理解原因、降低不確定性或預(yù)防重演。

這種不確定性持續(xù)積累，最終形成信任模糊性。團隊開始質(zhì)疑其他AI輸出（“既然這個錯了，還有什么是錯的？”），甚至懷疑自身判斷（“我們是否過度信任AI？或過度懷疑？如何校準(zhǔn)？”）。與可通過團隊討論消化吸收的人類錯誤不同，AI錯誤會引發(fā)不斷擴散的懷疑循環(huán)，且沒有明確的解決路徑。

協(xié)作失調(diào)之處

最新研究表明，AI團隊成員可能通過破壞團隊動態(tài)對關(guān)鍵協(xié)作流程產(chǎn)生負(fù)面影響。例如某項研究發(fā)現(xiàn)，含AI成員的團隊因人類成員努力程度下降而出現(xiàn)更多協(xié)作問題，導(dǎo)致整體表現(xiàn)降低。

這揭示了一個普遍挑戰(zhàn)：團隊中AI的存在可能損害溝通協(xié)調(diào)等重要集體流程，同時影響努力程度與責(zé)任歸屬，導(dǎo)致成員間互動效能下降。

這與組織行為學(xué)已知結(jié)論一致：高效團隊協(xié)作需要流暢、自適應(yīng)的配合，這建立在成員相互預(yù)判需求與行為的基礎(chǔ)上。AI以微妙卻顯著的方式干擾這一過程，影響信任建立與決策制定。與人類成員不同，AI無法捕捉情境線索、不會根據(jù)團隊動態(tài)調(diào)整溝通方式、也不能通過非正式關(guān)系建立有效連接。AI也不會為錯誤承擔(dān)后果。與按不同規(guī)則運作的“成員”協(xié)作，可能產(chǎn)生持續(xù)累積的隱性成本。

更值得注意的是，由于AI被視為擁有近乎無限信息的技術(shù)，人類成員可能對其能力過度自信，從而產(chǎn)生認(rèn)知卸載。這導(dǎo)致成員放松責(zé)任意識與批判性參與，形成“人機監(jiān)督悖論”。

將心理安全原則應(yīng)用于AI整合

解決方案不是放棄AI或接受這些缺陷，而是將已驗證的組織行為原則應(yīng)用于AI整合與相關(guān)變革管理。這需要將AI整合本質(zhì)上視為團隊學(xué)習(xí)挑戰(zhàn)，而不僅是技術(shù)實施問題。具體方法如下：

1.重構(gòu)認(rèn)知：將AI整合視為學(xué)習(xí)過程而非執(zhí)行過程

正如將工作定位為學(xué)習(xí)任務(wù)（而非單純執(zhí)行）能建立心理安全感，成功的AI整合同樣需要將技術(shù)部署視為持續(xù)的實驗與動態(tài)學(xué)習(xí)過程。領(lǐng)導(dǎo)者應(yīng)清晰傳遞這樣的理念：團隊必然會發(fā)現(xiàn)AI的局限性——這在任何新領(lǐng)域都并非失敗，而是寶貴的情報來源。早期AI的“誤判”，恰恰應(yīng)成為團隊校準(zhǔn)期望、優(yōu)化協(xié)作機制的學(xué)習(xí)契機。

領(lǐng)導(dǎo)者不應(yīng)只問“AI運行良好嗎？”，更應(yīng)詢問成員：“與AI協(xié)作如何影響你們的合作方式？”“你們在何時信任AI、何時依靠人類判斷方面有何發(fā)現(xiàn)？”通過表彰發(fā)現(xiàn)AI錯誤的成員（而非盲目接受AI輸出者），將質(zhì)疑AI塑造為良好判斷力的標(biāo)志而非抗拒創(chuàng)新。

在3M研發(fā)部門開發(fā)生成式AI應(yīng)用案例時，團隊沒有在推出工具后強制推行，而是邀請志愿者參與早期試點。此舉明確傳遞出團隊處于學(xué)習(xí)模式而非部署模式的信號。志愿者與組織都清楚，他們是在幫助理解如何有效應(yīng)用，而非評估一個既定成品。團隊特別展示根據(jù)用戶反饋進行的改進，彰顯學(xué)習(xí)型思維。此外，他們不僅討論節(jié)省時間或自動化任務(wù)，更通過反饋與實證激發(fā)他人信心。

2.示范容錯精神與探索意識

領(lǐng)導(dǎo)者建立心理安全的方式之一，是承認(rèn)自身可能犯錯。在AI語境下，這意味著公開承認(rèn)不理解AI輸出或?qū)ζ浯嬉?。領(lǐng)導(dǎo)者應(yīng)鼓勵負(fù)責(zé)任地使用AI，分享自己的AI失誤與心得，表明質(zhì)疑AI不僅可接受更是被期待的。同時，他們應(yīng)示范對AI工作原理及未來發(fā)展的好奇心，從而更好理解其局限、更充分發(fā)揮其優(yōu)勢?？山⒍ㄆ凇癆I行動后復(fù)盤”等學(xué)習(xí)機制，讓團隊討論成敗得失及原因。

在3M，團隊經(jīng)常通過內(nèi)部渠道分享新發(fā)現(xiàn)、意外洞見與遇到的AI局限。這種重構(gòu)旨在改變技術(shù)社群對該工作的認(rèn)知，讓他們清晰看到工具開發(fā)團隊正在與他們共同積極學(xué)習(xí)。許多分享都著眼于破除AI黑箱迷思——隨著更多技術(shù)人員理解AI是基于模式匹配而非“思考”，他們對AI局限性的好奇（而非盲目信任或完全排斥）日益增強。團隊還舉辦多次活動示范對AI的好奇探索，而非單純論證其使用合理性。

3.構(gòu)建智能容錯機制

借鑒艾米《恰到好處的失敗》中的核心理念，團隊需明確區(qū)分不同類型的AI失誤。所謂“探索性失誤”——即在全新領(lǐng)域測試AI能力，或以可控方式謹(jǐn)慎探索其能力邊界（風(fēng)險較低時）——應(yīng)被視作珍貴的學(xué)習(xí)契機予以鼓勵。而“基礎(chǔ)性失誤”，如在已知存在局限的領(lǐng)域未對AI輸出進行驗證，則需通過流程優(yōu)化加以系統(tǒng)性防范。

因此3M最初讓1-3位技術(shù)專家測試工具，并要求報告所有發(fā)現(xiàn)的問題。專家識別問題后廣泛分享，并具體說明采取了哪些改進措施——建立可見的“失敗-改進”循環(huán)。團隊還分階段謹(jǐn)慎擴展：先由小型專家團隊聚焦測試，再通過志愿者擴大試點與本地部署，隨后制定區(qū)域及全球推廣計劃，建立多重檢查點以捕捉失敗并從中學(xué)習(xí)。

4.強化人際連接

或許最關(guān)鍵的是，成功的AI整合需要有意識地維護人際連接。隨著AI處理更多常規(guī)任務(wù)，留存的人類工作將變得更復(fù)雜、更需相互依賴。這使得心理安全感愈發(fā)重要而非減弱。領(lǐng)導(dǎo)者需要為團隊成員開辟專屬的討論空間——讓純粹的、不依賴AI的人類智慧，得以充分探討團隊協(xié)作動態(tài)與AI整合過程中遇到的核心挑戰(zhàn)。他們需要識別并討論成員對AI取代人類價值的擔(dān)憂，強調(diào)AI如何增強而非削弱人類專業(yè)能力。

此外，將AI擬人化以增強信任可能產(chǎn)生反效果，造成對其能力的不切實際期望。當(dāng)前AI系統(tǒng)尚不具備真正的智能，其本質(zhì)是提供一種可輔助和增強人類能力的“程序化執(zhí)行力”。然而調(diào)查顯示，大多數(shù)人仍傾向于將AI視為能夠獨立解決問題的工具。

領(lǐng)導(dǎo)者還應(yīng)建立覆蓋機制，確保成員能輕松否決AI建議而無需過度辯解。有時人類直覺能捕捉AI分析遺漏的關(guān)鍵信息。

賦能團隊蓬勃發(fā)展

信任是人機協(xié)作不可或缺的要素。團隊必須在人人都能質(zhì)疑AI表現(xiàn)的環(huán)境中運作。成員應(yīng)能坦然承認(rèn)對AI建議的困惑、報告AI錯誤、建議改進人機工作流程、表達(dá)對AI取代人類判斷的憂慮。領(lǐng)導(dǎo)者必須充分認(rèn)識并應(yīng)對AI干擾團隊協(xié)作的特殊模式——既包括因系統(tǒng)不透明性而阻礙觀點質(zhì)詢的機制，也涵蓋為適應(yīng)AI能力與局限性的快速迭代而需建立的持續(xù)學(xué)習(xí)機制。

未來工作的關(guān)鍵不在人類智能與人工智能間二選一，而在構(gòu)建能讓兩者充分發(fā)揮潛能的團隊。重要的是，AI整合的成功不僅應(yīng)以AI性能指標(biāo)衡量，更應(yīng)考察整體團隊效能、學(xué)習(xí)速度及優(yōu)化利用人機智能的能力。但這要求將AI整合視為有效的團隊發(fā)展挑戰(zhàn)，而不僅是高效的技術(shù)部署。正如我們已認(rèn)識到高效團隊協(xié)作需要未必與生俱來的技能，有效的人機協(xié)作也需要組織刻意培養(yǎng)的新能力。

值得慶幸的是，為盡可能降低信任模糊性，許多適用于人類團隊的協(xié)作原則——如心理安全感、清晰溝通機制以及從探索性失誤中持續(xù)學(xué)習(xí)——同樣可延伸至人機協(xié)作場景，只是其應(yīng)用需更精細(xì)的校準(zhǔn)與更智慧的部署。

關(guān)鍵詞：

杰什里·塞斯（Jayshree Seth）、艾米·C·埃德蒙森（Amy C. Edmondson）|文

杰什里·塞斯是3M企業(yè)科學(xué)家，擁有化學(xué)工程博士學(xué)位和81項專利，入選2025年Thinkers50雷達(dá)榜單，目前負(fù)責(zé)3M研發(fā)領(lǐng)域的生成式AI應(yīng)用案例開發(fā)。艾米·C·埃德蒙森是哈佛商學(xué)院諾華領(lǐng)導(dǎo)力與管理學(xué)教授、《正確的錯誤：科學(xué)看待失敗》作者，專長團隊學(xué)習(xí)與心理安全領(lǐng)域研究。

周強|編校

聯(lián)系方式

投稿、廣告、內(nèi)容和商務(wù)合作

newmedia@hbrchina.org