文章摘要： 企业应该如何设计人机协同？传统做法往往根据AI能够完成什么任务来划分人与机器的工作，但AI能做，并不代表所有任务都应该交给AI。华商基业认为，人机协同首先是绩效系统设计问题。通过BEM行为工程模型，企业可以从数据、要求和反馈，资源、流程和工具，后果、奖励和激励，以及知识技能、天赋潜能、态度动机六个维度，分析AI如何改善绩效条件，同时防止人的关键能力退化。有效的人机协同应当兼顾当期绩效与长期能力，并根据工作特点选择“AI替人做、AI帮人做、AI陪人学”三种模式，让AI提高组织效率的同时，持续增强人的判断力和创造价值的能力。

一、为什么人机协同不能只按照AI的能力来分工？

企业讨论人机协同时，常见的做法是先列出两类任务。

一类是AI能够完成的工作，例如资料整理、数据分析、标准问答和方案初稿生成。

另一类是人类继续承担的工作，例如复杂判断、客户关系维护、创新决策和责任承担。

这样的分类可以帮助企业初步认识AI的应用范围，但如果直接将其作为工作设计依据，就可能存在一个重要问题：

它首先考虑的是AI能做什么，而不是组织需要什么样的绩效。

AI能够完成一项任务，不等于这项任务就应该完全交给AI。

员工能够完成某项工作，也不意味着这项工作必须继续依靠人工执行。

真正需要分析的是：

这项工作最终要创造什么结果？

结果实现需要哪些信息、行为和判断？

哪些条件可以通过AI改善？

哪些工作需要保留人的认知参与？

企业如果忽略这些问题，可能实现了局部任务效率提升，却没有改善整体绩效，甚至影响员工长期能力发展。

因此：

人机协同的第一步，不是决定谁来做，而是明确为了实现高绩效，工作究竟需要哪些条件。

二、什么是绩效导向的人机协同？

绩效导向的人机协同，是指企业从业务结果和绩效条件出发，系统设计人与AI之间的任务、信息、判断、反馈及责任分工，以实现当期绩效改善和长期组织能力发展的工作方式。

它与简单的任务分配存在明显区别。

简单任务分配关注：

AI擅长什么？人擅长什么？如何把任务划分给双方？

绩效导向的人机协同则进一步关注：

AI介入以后，哪些绩效条件发生改善？哪些新的风险可能出现？人的哪些能力仍然需要保留和发展？

例如，在客户投诉处理工作中，AI可以查询订单、识别投诉类别、检索处理规则并生成回复建议。

但客户问题能否得到真正解决，还可能取决于员工对客户情绪、业务背景、服务政策和长期关系的判断。

某些情况下，员工不仅需要选择一个回答，还需要判断是否应当升级处理、是否可以适用例外政策，以及不同方案可能造成什么后果。

这些问题不能仅靠“AI能否生成准确答案”衡量。

人机协同需要围绕最终绩效结果，重新设计整个工作过程。

三、BEM模型为什么适合用于人机协同设计？

BEM模型的定义与来源

BEM模型（Behavior Engineering Model，行为工程模型）由托马斯·吉尔伯特（Thomas F. Gilbert）提出，是绩效改进领域的重要原因诊断工具。

BEM模型将影响人员绩效的因素划分为环境因素和个体因素，共六个维度，帮助组织分析绩效差距产生的原因并选择相应干预措施。

BEM不是专门为AI时代开发的模型，但它所强调的系统性绩效诊断，可以为人机协同提供有价值的分析框架。

华商基业在BEM应用实践中，将环境因素的改善称为“技控”，将个体因素的改善称为“人控”。

BEM的六个绩效因素如何对应人机协同？

这一框架带来的重要改变，是把人机协同的讨论从“AI能不能完成任务”，转向“AI究竟改善了哪些绩效条件”。

同时，企业也需要检查技术应用是否对其他绩效因素造成不利影响。

四、第一类人机协同：通过AI改善数据、要求和反馈

很多员工绩效问题并不来自能力不足，而是来自信息条件不充分。

例如：

销售人员拜访客户之前，需要从多个系统查找历史资料。

客服人员处理问题时，需要反复查询政策、订单和历史记录。

管理者完成经营分析后，需要等待较长时间才能获得反馈。

这些问题都与BEM模型中的第一个环境因素有关：

数据、要求和反馈。

AI可以帮助员工在需要的时候，更及时地获取必要信息。

例如，在销售拜访前整合客户背景和历史沟通记录；在客服沟通过程中提示适用规则和潜在风险；在员工完成任务后，依据明确标准提供检查建议。

这里AI的主要价值并不是直接替代员工，而是改善员工所处的信息环境。

员工仍然负责理解情境、开展沟通和作出必要判断。

AI则帮助减少信息搜集成本，提高信息获得的及时性和完整性。

从绩效改进的角度看：

有效的人机协同，不只是AI替员工完成工作，更是AI让员工在关键时刻获得过去难以及时获得的信息。

五、第二类人机协同：通过AI改善资源、流程和工具

企业工作中存在大量重复、机械且标准相对明确的操作。

例如，数据复制、资料整理、格式转换、常规检索、重复录入和标准化内容生成。

这些活动可能占用大量时间，却不一定需要员工持续投入复杂判断。

从BEM模型看，这属于第二个环境因素：

资源、流程和工具。

AI可以通过自动化和智能辅助，降低员工完成这些工作的操作难度。

但企业不能只关注某一个动作节省了多少时间。

还需要分析：

这项工作是否真正必要？

AI处理后的结果是否能够直接进入下一个流程？

是否减少了员工的重复检查和信息搬运？

是否消除了原来不合理的工作步骤？

例如，员工原本需要从多个系统获取数据并整理报告。

如果AI只能更快生成报告，而报告之后仍然需要人工复制、反复修改和重复提交，那么整体流程改善可能有限。

更有效的方案，是将数据获取、分析、报告与后续业务处理重新设计为衔接顺畅的工作过程。

因此：

AI最应该减少的，是工作中不必要的机械性参与，而不是简单以减少人员作为目标。

六、第三类人机协同：如何通过AI支持知识技能与判断力发展？

AI介入工作之后，企业会遇到一个更加复杂的问题。

既然AI可以分析问题、生成方案并提供建议，员工是否还需要学习这些工作？

如果只考虑短期任务效率，答案似乎是：AI已经能够完成，就没有必要再让人重复学习。

但从长期绩效看，这种做法存在明显风险。

为什么不能将全部思考过程交给AI？

判断力并不是通过阅读答案自动形成的。

员工往往需要在实际工作中经历信息分析、方案比较、判断决策、结果反馈和复盘，才能逐渐积累经验。

德勤《2025全球人力资本趋势》在讨论未来管理者时，特别强调了判断力（Judgment）的价值。

随着技术和功能性任务越来越多地能够由AI支持，人类在缺少明确答案、信息不完整和情况复杂时作出判断的能力，变得更加重要。

德勤同时指出，判断力需要经验和实践，而组织可能因为工作方式变化，减少员工获得相关经验的机会。

这意味着，人机协同不能只提高工作完成速度，还需要保留必要的学习与实践过程。

AI应该如何支持员工形成判断力？

例如，新顾问分析客户绩效问题时，如果AI直接给出完整诊断报告，新顾问虽然能够快速完成交付，却可能没有经历关键的分析和判断过程。

更好的学习型协同方式可以是：

首先让员工提出自己的初步判断。

然后由AI提示可能遗漏的信息、提出反问或提供不同分析角度。

员工需要进一步解释判断依据，并在最终结果出来后完成复盘。

在这个过程中，AI不是代替员工思考，而是帮助员工提高分析质量。

AI时代的能力建设，不只是让员工学会使用AI，更要让员工在使用AI的过程中继续发展独立判断能力。

七、为什么“AI负责思考，人负责确认”可能成为新的绩效风险？

在人机协同设计中，有一种容易被误认为高效的工作方式：

AI完成数据分析。

AI提出建议。

AI生成方案。

员工只需点击确认。

从短期看，这种流程可能明显提高工作处理量。

但如果员工长期不参与分析过程，就可能逐渐缺少理解和判断AI结果的能力。

这时，组织虽然保留了人工审核环节，但实际上的审核质量可能已经下降。

员工很难回答：

为什么采用这个方案？

这个结论依据哪些信息？

还有哪些其他可能？

AI的判断在哪些情况下可能不适用？

这类问题涉及人的认知参与，而不只是工作分工。

德勤2026年关于AI时代工作设计的研究也指出，形式上的Human-in-the-loop（人在回路中）机制，如果只是让员工被动验证AI输出，可能削弱其主动判断和能力形成的机会。

怎样避免人工审核流于形式？

企业应当根据工作风险和复杂程度，设计真正具有判断价值的人工参与。

例如：

要求员工理解重要结论的依据。

对于存在明显不确定性的任务，保留人工分析与方案比较。

对高风险决策设置明确的审查责任。

为新人提供独立思考、实践和复盘机会。

通过抽样检查、情境训练和异常案例演练，验证员工是否仍然具备必要能力。

人机协同需要保护的，不只是人的岗位，更是人的认知参与和真实判断能力。

八、为什么AI可能解决一个绩效问题，又产生新的绩效问题？

BEM模型提醒我们，绩效因素之间存在相互影响。

改善一个环境条件，不一定意味着整个绩效系统都同步改善。

例如，某销售团队原来的问题是客户资料分散、信息获取困难。

企业引入AI后，可以自动整合客户信息并生成客户摘要。

这改善了“数据、要求和反馈”方面的问题。

但如果销售人员从此不再主动研究客户行业和业务背景，长期可能减少相关知识与分析经验的积累。

这样，一个信息环境问题得到解决，却可能产生新的知识技能发展问题。

客服场景也类似。

AI可以为客服人员提供标准答案，提高常规问题处理效率。

但如果员工长期只根据系统建议回复，而缺少处理非常规问题的实践机会，复杂客户问题的处理能力可能受到影响。

这些都是需要评估的潜在风险，并不意味着使用AI必然导致能力退化。

真正重要的是：

企业在设计人机协同时，不仅要评估AI改善了哪些绩效条件，还要分析它可能影响哪些其他条件。

如何用BEM开展系统评估？

企业可以沿着六个维度进行检查。

AI是否改善了信息获取？

是否降低了操作难度？

是否改变了员工行为的评价与激励？

是否影响员工学习和技能形成？

是否改变了岗位对个人能力的要求？

是否影响员工参与工作的动机？

只有把这些问题放在一起，企业才能避免只追求单点效率，而忽视整个绩效系统的长期变化。

九、人机协同的三种模式：AI替人做、AI帮人做、AI陪人学

从绩效改进角度出发，可以根据工作特点，将人机协同归纳为三种实践模式。

模式一：AI替人做——减少机械性劳动

定义： 将规则明确、重复性高、判断复杂度相对较低且风险可控的工作，交由AI或自动化系统完成。

例如：

标准化资料整理、常规信息提取、格式转换和部分重复数据处理。

其主要目标是减少机械劳动，让员工将时间投入更有价值的工作。

但需要根据业务风险配置必要的检查、异常处理和责任机制。

模式二：AI帮人做——增强信息与判断支持

定义： AI负责提供信息、分析、建议和反馈，人类继续承担关键判断、选择及相应责任。

例如：

AI帮助销售人员分析客户信息，但客户沟通和重要策略选择仍然由销售人员完成。

AI帮助管理者识别数据异常，但绩效原因诊断和干预决策仍然需要结合实际情境判断。

其主要目标不是代替人，而是提高人的决策质量和工作效率。

模式三：AI陪人学——促进知识技能和判断力发展

定义： 将AI设计为学习和实践过程中的辅助工具，通过提示、反问、反馈、情境模拟和复盘，帮助员工持续形成必要能力。

例如：

AI引导新顾问分析绩效案例，而不是直接给出完整答案。

AI帮助新任管理者比较不同决策方案，并要求说明判断依据。

AI模拟客户沟通情境，让销售人员练习并获得反馈。

这一模式不仅关注当前任务完成情况，还关注员工未来是否能够独立完成相关工作。

三种模式有什么区别？

这三种模式并不是相互排斥的。

一项复杂工作可能同时包含自动执行、智能辅助和学习发展等不同部分。

企业应该根据绩效目标、工作性质、风险程度和人员发展需要进行组合。

十、为什么人机协同必须同时关注当期绩效和长期能力？

企业评估AI项目时，通常关注效率指标。

例如，节省多少工时、减少多少人工操作、提高多少任务处理量。

这些指标有价值，但不能完整反映人机协同的绩效表现。

从BEM模型和长期组织能力建设的角度看，企业至少需要关注两个结果。

第一个结果：当期绩效。

AI是否帮助企业改善了任务效率、工作质量、客户体验和经营结果？

第二个结果：长期能力。

员工是否仍然具备必要的业务理解、分析能力、判断能力和复杂问题处理能力？

如果某项AI应用明显提高了当期处理效率，却持续压缩员工学习和判断的机会，那么企业就需要重新评估其长期影响。

如何建立双重评估指标？

指标应当根据具体业务确定。

例如，在客服工作中，不能只衡量AI辅助后的平均响应时间，还可以观察员工独立处理复杂投诉的质量。

在咨询项目中，不能只衡量AI生成报告的速度，还需要关注顾问能否解释分析依据、识别错误并独立提出判断。

真正有效的人机协同，应当提高今天的绩效，同时保护并发展明天创造绩效的能力。

十一、企业如何运用BEM模型设计人机协同？

企业可以将BEM作为人机协同方案设计与评估的辅助诊断框架，按照以下步骤推进。

第一步：明确最终绩效目标

先回答需要改善什么业务结果。

例如，提高客户问题一次解决率、缩短方案交付周期或改善销售转化。

避免将AI使用次数或任务自动化比例直接等同于最终绩效。

第二步：识别关键业务环节和行为

分析哪些环节真正影响业务结果，哪些工作行为需要得到改善。

如果企业已运用关键价值链方法，可以进一步识别具有改善潜力的关键环节。

第三步：利用BEM分析绩效条件

分别检查环境侧和个体侧六个因素。

明确问题究竟来自信息、工具、流程、激励，还是知识技能、岗位能力和动机。

第四步：确定人机协同模式

根据具体任务选择：

AI替人做、AI帮人做、AI陪人学。

对于不同工作环节，可以采用不同模式。

第五步：设计责任、反馈和能力发展机制

明确AI输出如何验证，哪些事项需要人工判断，谁承担最终责任，以及员工如何持续积累经验。

第六步：同时评估绩效和能力

观察AI是否真正改善经营结果，是否形成新的工作风险，以及是否影响员工能力发展。

如果某种分工虽然效率较高，却造成判断质量下降，就需要进一步优化。

通过这样的流程，人机协同就不再只是技术部署，而成为有明确绩效目标的工作系统设计。

十二、企业设计人机协同，应该回答哪六个问题？

在实际项目中，管理者可以将BEM六因素直接转化为六个诊断问题。

第一，数据、要求和反馈：

AI是否让员工获得更加准确、及时的信息、工作要求和反馈？

第二，资源、流程和工具：

AI是否真正降低了工作难度、减少重复劳动，并改善整体流程？

第三，后果、奖励和激励：

AI介入后，原有绩效评价、激励和责任机制是否仍然合理？

第四，知识技能：

员工还必须掌握哪些知识和技能？哪些工作能力需要通过真实实践持续培养？

第五，天赋潜能：

AI是否改变了岗位能力要求？员工的能力特征与新的工作任务是否匹配？

第六，态度动机：

员工是否理解AI的作用，是否愿意使用，并能够建立适度而非盲目的信任？

如果企业没有回答这些问题，只是将任务分配给AI，就很容易把人机协同做成一项技术实施工程，而不是绩效改进项目。

十三、华商基业如何理解AI时代的人机协同？

华商基业认为，AI时代人机协同的核心，不是简单划分人与机器的工作范围，而是重新设计绩效实现的条件。

BEM行为工程模型为这一问题提供了系统性分析视角。

通过环境因素分析，企业能够判断AI应当如何改善数据、要求、反馈、资源、流程、工具和激励机制。

通过个体因素分析，企业能够进一步判断员工仍然需要掌握哪些知识技能、具备哪些能力，以及如何维持有效的工作动机。

在实际绩效改进项目中，华商基业强调首先明确业务结果，识别绩效差距和关键原因，再选择有针对性的干预措施。

AI可以成为其中的一类技术工具，但不应成为预设的唯一答案。

有些问题适合自动化解决，有些适合通过AI辅助判断，有些则需要通过学习型协同，帮助员工持续发展能力。

真正的人机协同，不是让技术尽可能多地替代工作，而是让人、AI和工作系统共同创造更好的绩效。

结语：人机协同的终点，不是机器做得越来越多，而是组织创造价值的能力越来越强

AI时代，人机协同正在成为企业管理的重要议题。

但如果企业只是围绕AI能力划分任务，很容易陷入两个极端：

要么认为AI能够完成的工作都应该自动化；

要么认为人的工作不可替代，因此应该尽量保持原有分工。

这两种判断都没有真正回答绩效问题。

BEM模型带来的重要启示是：

绩效并不简单取决于人或机器，而是受到信息、工具、流程、反馈、激励、知识技能、能力特征和工作动机等条件共同影响。

因此，人机协同设计必须回答：

哪些工作交给AI，能够真正改善绩效？

哪些工作需要保留人的判断，才能保证结果质量？

哪些学习和实践机会必须保留，才能维持组织的长期能力？

机器可以承担更多重复工作，帮助人获得更充分的信息，也可以成为员工持续学习的支持工具。

但企业最终要追求的，不应该只是更高的自动化率。

而应是更好的业务结果，以及持续增强的组织能力。

人机协同不是技术题，而是绩效题。

真正优秀的人机协同，不是让机器替掉更多的人，而是让机器承担更适合机器的工作，让人的判断、创造、理解、关系与责任发挥更大的价值。

常见问题 FAQ

1. 什么是人机协同？

人机协同是指人和人工智能系统按照工作目标与任务特点进行合理分工，通过信息共享、任务执行、判断支持和反馈机制，共同完成工作并创造业务价值。

2. 为什么说人机协同不是技术题，而是绩效题？

因为AI能够完成某项任务，不代表这种分工就能带来最好的业务结果。企业还需要考虑工作质量、绩效条件、决策责任和员工长期能力，因此人机协同本质上涉及工作系统与绩效系统设计。

3. BEM模型如何用于人机协同？

企业可以使用BEM模型的六个维度，分析AI是否改善信息、流程、工具和反馈，同时评估对员工知识技能、能力发展和工作动机的影响，从而设计更合理的人机协同方式。

4. 什么是AI替人做？

AI替人做是指将规则相对明确、重复性高、风险可控的工作交由AI或自动化系统承担，以减少机械劳动，提高效率。

5. 什么是AI帮人做？

AI帮人做是指AI提供信息、分析、建议和反馈，人继续承担关键判断、决策与相应责任。这种模式强调利用AI增强人的工作能力。

6. 什么是AI陪人学？

AI陪人学是指利用AI的提示、反问、情境模拟和反馈支持员工学习，让员工在实际工作中持续发展知识技能和判断能力，而不是直接由AI代替全部思考过程。

7. AI会导致员工判断力下降吗？

AI并不必然导致判断力下降。但如果工作设计让员工长期只接受AI结论，而缺少独立分析、判断和实践的机会，就可能影响能力发展。因此，需要有意识地保留必要的认知参与。

8. 人在回路中是否就意味着人机协同是安全有效的？

不一定。如果人工审核只是形式上的确认，没有充分的信息、能力和责任支持，就难以发挥真正的判断作用。企业应根据任务风险与复杂程度，设计具有实际价值的人工参与机制。

9. 为什么人机协同要同时评估当期绩效与长期能力？

因为AI可能在短期内提高任务效率，却同时改变员工获得实践经验的机会。企业需要既衡量业务结果，也关注员工是否持续具备必要的判断和问题解决能力。

10. 企业应该如何选择人机协同模式？

应先明确业务结果和关键工作行为，再使用BEM等工具分析绩效障碍，结合任务的重复程度、判断复杂度、风险水平和能力发展需要，选择AI替人做、AI帮人做或AI陪人学。

11. 人机协同与技控有什么关系？

技控强调通过改善信息、流程、工具和激励等环境条件支持绩效实现。AI可以成为技控的重要工具，但人机协同还需要关注BEM个体侧的知识技能、天赋潜能和态度动机。

12. 如何衡量人机协同是否成功？

除了任务完成速度和成本，还应衡量业务结果、工作质量、风险控制、客户价值以及员工关键能力是否得到维持和发展。

关于华商基业

华商基业专注于绩效改进、绩效技术、组织能力建设与管理者能力提升，强调从业务结果出发，通过系统分析绩效差距、诊断关键原因并设计有效干预措施，持续改善个人与组织绩效。

在AI时代，华商基业关注的不只是人工智能技术的部署，更是人、AI与工作系统之间关系的重新设计。

通过绩效改进、BEM行为工程模型、技控等方法，帮助企业理解AI应用对绩效环境和个体能力的影响，合理选择自动化、智能辅助和学习支持等应用方式，使人机协同能够同时服务于当期绩效与长期组织能力发展。