AI需要向优秀的人学习，而人也需要向AI学习，双方相互增强，使得人机协作系统的能力不断呈现动态螺旋上升的过程。

人和AI如何协作能产生更好的效果？让我们先从用户的角度来讨论AI对不同个体带来的差异性效果。

不久前，清华大学的李宁老师在一项研究中发现，使用ChatGPT-3.5或是ChatGPT-4.0对任务的完成质量并没有明显差异，但当不同的人使用相同版本的ChatGPT-3.5完成任务时，质量却出现显著差异。基于这一发现，他们提出了一个观点：使用AI的人比AI技术本身更为关键。学术研究中也有许多相关发现，越开放、越外向的人与AI的协作效果越好。另外，还有一项有趣的研究发现，认真负责的人实际上并不太喜欢AI，因为AI与传统技术不同，能够自主做出决策，而这一特性与认真负责的员工的本质有所重叠。因此，认真负责的员工从AI中获益可能会比不那么认真的员工少一些。

这让用户异质性在AI协作中变得日益重要。然而，最为重要的用户异质性因素可能是工作经验。虽然工作经验可以增加对算法建议的补充能力，从而提升协作效果，但有经验的人往往更加相信自己，不太信任算法，也不愿意与AI合作，这会导致协作效果变差。因此，根据这一推理，AI与人协作的效果通常与工作经验呈现出一种“倒U形”的关系，即随着用户工作经验的增加，协作效果先增加后减少。比如，一项在2023年的研究发现，资历高的员工从AI中获益较少。具体而言，经验较少的员工的获益比例达40%，而资历较高的员工从AI中获益仅约为10%到15%左右。然而，研究也发现，当用协作任务专业度来衡量时，具有高专业性的人仍然能够从AI中获益。

如果说，在AI的初期引入阶段，人机系统的设计可能缺乏和人交互的经验，同时人类也缺乏和AI交互的先验经验，这可能导致人机之间存在不信任或者合作不顺畅的现象。那么，随着时间的推移和“1到N”的长期协同阶段的到来，这种不信任或合作不顺畅的现象会逐渐弱化。更多的挑战则来自人机系统如何不断优化迭代。换句话说，AI需要向优秀的人学习，而人也需要向AI学习，双方相互增强，使得人机协作系统的能力不断呈现动态螺旋上升的过程。

在外卖配送场景中，当骑手需要同时取多个订单并且送达它们时，AI通常会建议配送顺序。骑手可以选择遵循AI的建议，也可以自行决定如何派送这些订单。为了进一步提升骑手配送的效率，外卖平台分析了表现最优秀骑手的配送顺序，然后根据这些分析结果对AI算法进行了升级。

和某外卖平台合作的研究结果表明，高经验的骑手相比于低经验的骑手更能够感知到AI系统能力的提升。因此，在AI算法能力提升后，高经验的骑手与AI算法的一致性有了明显的提升，而低经验的骑手的一致性提升则并不明显。因为这些高经验的骑手往往有着相对高的自我要求和业务能力。当他们意识到自己的准时率受到影响时，会努力寻找方法来恢复受损的准时率。

同样地，高经验的用户一旦察觉到AI变得更聪明，他们会迅速调整与AI的合作方式，提高AI遵从率并向AI学习。因此，从长期来看，他们的绩效不断提升。这种提升融合了自身的努力和智慧，有利于系统进一步向他们学习，推动新一轮的迭代优化。相比之下，低经验的用户在这方面几乎没有贡献。从人机合作角度来看，这些高经验用户对于系统整体优化迭代的作用尤为关键，因此他们是企业非常宝贵的财富。

作者 | 卢向华，系复旦大学管理学院信息管理与商业智能系教授、博士生导师

来源 | 《商学院》杂志9月刊