人工智能将全面取代人类吗?Ⅱ. 基于任务过程的人智(HI-AI)分工与协作模式

Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 4 (July 2026)

doi: 10.13209/j.0479-8023.2026.023

国家自然科学基金(72472003)和教育部人文社会科学基金(22YJC630130)资助

收稿日期: 2025-12-31;

修回日期: 2026-04-17

人工智能将全面取代人类吗?Ⅱ. 基于任务过程的人智(HI-AI)分工与协作模式

1. 西安外国语大学商学院, 西安 710023; 2. 北京大学心理与认知科学学院, 生物与机器智能教育部重点实验室,脑机接口与心理健康调控北京市重点实验室, 北京 100871; † 通信作者, E-mail: annyan.zhang@pku.edu.cn

摘要针对当前人智协作研究中存在的协作模式体系碎片化、未能与任务特征系统关联的问题, 构建以任务过程模型为基础的模块化人智协作设计框架, 针对 10 项关键任务特征, 提出覆盖任务输入、处理和输出 3 个环节的 11 种基础协作子模式, 并明确其组合规则。以新产品开发和多学科诊疗等 6 个典型团队任务为例, 演示如何根据具体任务在多环节、多维度上的特征, 依次选择协作子模式。通过提出全过程、多特征、可组合的协作模式, 整合碎片化的协作模式, 将协作设计推进至操作化层面, 为组织系统规划和优化人智协作工作流程提供理论支撑与实践路径。

关键词人智协作; 任务特征; 协作模式; 任务过程模型; 人工智能

Will Artificial Intelligence (AI) Completely Replace Humans?II. Task-Process-Based Model of Human-AI Division of Labor and Collaboration

1. School of Business, Xi’an International Studies University, Xi’an 710023; 2. Key Laboratory of Machine Perception (Ministry of Education), Beijing Key Laboratory of Brain-Computer Interface and Mental Health Modulation, School of Psychological and Cognitive Sciences, Peking University, Beijing 100871; † Corresponding author, E-mail: annyan.zhang@pku.edu.cn

Abstract Current human-AI collaboration (HAIC) research suffers from fragmented collaborative taxonomies and a lack of systematic alignment with task characteristics. To address these gaps, this study constructs a modular HAIC design framework grounded in the task-process model. On the basis of analyzing ten critical task characteristics, the framework defines eleven fundamental collaborative sub-patterns spanning task input, processing, and output stages,while clarifying their underlying combination rules. Finally, utilizing six representative team tasks — such as new product development and multidisciplinary consultation — we demonstrate how to sequentially select and adapt collaborative sub-patterns based on specific multi-stage and multi-dimensional task features. By providing a comprehensive, multi-feature, and modular theoretical collaboration framework, this research integrates fragmented collaborative models and advances HAIC design to an operational level. These findings offer both theoretical support and a practical roadmap for organizations to systematically plan and optimize human-AI collaborative workflows.

Key words human-AI collaboration (HAIC); task characteristics; collaborative patterns; task-process model;artificial intelligence

基础模型(如大语言模型)的快速发展催生新型人工智能(AI)体, 这些系统具备目标导向、工具调用和多步骤推理能力, 能承担复杂工作流程与专业角色。与人类相比, AI 在信息处理规模和预测精度方面展现出显著优势[1], 已在多个专业领域(如医疗诊断、人才评估、产品设计和风险投资等)达到甚至超越人类水平。随着 AI 被深度整合进职业环境, 劳动力市场结构正被重塑。研究表明, 美国约 80%的劳动者将有至少 10%的工作任务受到大模型影响, 其中 19%的劳动者过半任务可能被波及[2]。在这一趋势下, 人智(即人与 AI)协作已从可选项转变为提升组织效能的必然实践。同时, AI 系统远未完善, 技术局限使其难以完全接管需综合判断与情境理解的决策任务[1]。当 AI 独立运行时, 还可能出错甚至失效, 而因其自主性引发的非预期行为更有可能带来偏见与系统性风险[3]。因此, 人类介入不仅是纠正错误的关键, 也是系统持续优化的反馈来源。在医疗和驾驶等高风险领域, 人智协作已成为确保系统可靠性与安全性的共识。

然而, 协作并不总是有效的。设计不当的任务和协作模式都有可能使得协作无效[4]。例如, 在医疗诊断领域, 当 AI 为医生提供治疗建议时, 如果协作制度未明确医生是应完全采信还是有义务复核这些建议, 便可能引发“责任踢皮球”的问题。一旦发生误诊, 很难界定是医生的失职还是算法的缺陷。这种困境产生的深层根源在于, 当前组织在引入 AI时, 往往将其视为单纯的替代工具, 未能根据任务的特征, 针对性地设计人智协作模式来明确人与 AI的分工与责任边界。根据信息处理理论(information processing theory), 组织结构的效能取决于其“信息处理能力”与环境带来的“信息处理需求”之间的匹配程度[5]。因此, 根据任务特征, 针对性地设计人智协作模式, 是目前人智协作中的关键议题。然而, 现有人智协作的研究大多关注人类对 AI 的接纳心理与协作态度[6], 探讨人类在何种条件下愿意与 AI 建立伙伴关系, 以及如何平衡双方在决策中的角色, 并致力于构建人智交互的设计准则与系统框架[7-8], 从技术实现层面确保协作的可行性与流畅性。少数研究关注协作模式本身, 例如从人智互动程度(如国际机器人联合会的 4 类协作)、任务分工逻辑(如串行/并行模型[9])或人类参与角色(如HITL/HOTL 框架[10])等维度, 对协作形态进行系统性地归纳与分类[11]。这些研究为理解人智协作奠定了重要基础。然而, 现有研究存在显著的局限性, 导致在指导组织实践时面临挑战。首先, 现有协作模式的研究维度不一致, 或聚焦交互紧密性, 或侧重分工逻辑, 缺乏一个能够整合多维度协作因素、揭示其内在关联的系统性分类框架, 致使模式体系碎片化, 难以应用于复杂的现实场景。其次, 这些模式大多停留在抽象描述阶段, 未能深入地探讨任务特性(如结构化程度或创新性要求)与不同协作模式之间的匹配关系, 导致在面对具体工作时缺乏针对性的指导价值。

为弥补这一研究空白, 本文提出一个全新的人智协作分析框架。在前期研究中, 我们基于任务过程模型, 针对 AI 的工作条件以及人与 AI 的能力特征, 识别出凸显 AI 和人类差异的 11 个任务特征(如可数字化描述的程度、规则明确性、创造洞察相关和失误代价性等)[12]。在上述研究的基础上, 本文基于任务过程模型(IPO 模型), 系统地论证输入、处理和输出 3 个环节中人智协作模式的设计逻辑。需要说明的是, 本文的 IPO 划分着眼于组织管理层面的功能性边界: 输入端侧重人类对提示词、上下文及约束条件的定义, 处理端侧重人与 AI 在逻辑加工中的角色分工, 输出端侧重对最终结果的校验与决策。具体而言, 任务输入端的协作模式设计聚焦于信息的动态化和复杂性以及任务的 AI 完备性(可数字化描述性、信息封闭性与重复性)等任务特征, 处理端的模式选择与规则明确性、创造洞察、社交智力和风险程度等特征紧密相关, 输出端则以失误代价和伦理安全性为核心驱动, 着力于实现对结果的审查、整合与完善。

基于此, 本文构建一个覆盖任务全过程的模块化人智协作子模式体系, 并阐明其组合规则和决策流程。该框架的创新之处在于, 它并非提供静态的模式清单, 而是一个动态的“设计工具箱”——组织可依据任务在各环节的具体特征, 从输入端到输出端, 依次选配最适宜的协作子模式, 灵活地组合为定制化的人智协作方案。通过上述工作, 本文将推动人智协作研究从“模式分类”向“系统设计”演进。通过建立一个全过程、多特征、可组合的协作模式理论框架, 本文旨在为组织在 AI 时代系统性地规划和优化人智协作工作流程提供坚实的理论支撑与可操作的实践路径。

1 文献综述

1.1 人智协作的定义与内涵

参考人机协作的定义[13], 本文将人智协作(也就是人与 AI 协作)定义为人类与 AI 系统共同工作来实现特定目标的过程。这一概念强调系统整体性能的最优化, 而非单方面替代人类或机器。从系统的视角看, 可将人智协作视为一种以目标为导向的多智能体系统, 其核心在于通过明确的任务分工与紧密的流程耦合, 将人类在情境理解、伦理判断和直觉创造方面的优势与机器在信息处理、模式识别和不知疲倦方面的特长有机地整合, 从而实现超越单一智能固有上限的表现。

为突显 AI 系统具备认知功能与一定的智能水平, 有别于传统的被动工具, 部分研究将人与 AI 之间的协作称为“智能体间协作”, 即将 AI 视为能与人类主体协同完成任务的主体[14]。与此相关的概念还包括混合智能(强调人类智能与机器智能的融合, 目标在于增强人类能力, 实现任何一方无法单独达成的目标)[15]、以人为本的 AI (主张 AI 系统应作为更大人智社会系统的一部分进行设计, 既能从社会文化层面理解人类, 也能帮助人类理解 AI 本身)[16]以及多模态人智自主团队(由人类与自主系统如 AI或机器人通过语音、手势和视觉等多种交互模式进行协作的团队形态[17])。虽然这些概念的侧重点不同, 但共同指向人智协作的核心内涵——构建人类与智能系统之间高效、互补的协同关系。

1.2 现有的人智协作的主要研究

研究表明, 多智能体系统能够通过整合不同来源的输入并降低个体误差, 有效地提升决策的准确性[18]。在知识工作中, 人类与 AI 协同决策也有助于提高输出的质量与准确性。因此, 理解人类与 AI如何合理地分配任务, 成为该领域的重要研究方向[19]。现有的人智协作研究可大致归纳为两个主要方向, 一是关注人类在协作过程中的心理接纳与行为互动, 二是探讨人智系统的设计准则、交互模式及其有效性因素。

1.2.1 人类对AI的接纳与协作态度

多数早期的研究聚焦于人类对 AI 的接受与使用。研究表明, 虽然管理者愿意与 AI 建立协作关系, 但前提是其自身的判断能在决策中发挥作用, 强调人类干预与指导的必要性[20]。这种协作关系远比预想的复杂, 员工并不会简单地遵从 AI 的决策[21]。人类普遍偏好协作而非全自动化, 尤其反对AI 担任领导角色, 认为其公平性不足, 但愿意将其视为由人类领导的队友[5-6]。这些发现共同指向一个核心问题——人类期望在与 AI 的伙伴关系中寻求控制权与发挥 AI 能力之间的平衡, 希望其既能增强人类能力, 又不凌驾于人类之上。但是, 目前对于如何实现这种平衡以及最佳协作模式为何, 尚缺乏深入的理解。因此, 明确人智之间的劳动分工, 实现社会与技术的深度融合, 已经成为关键研究需求[22-23]。

1.2.2 人智协作的设计准则与有效性

另一脉络的研究致力于构建有效协作的系统化路径。早期的研究探讨用户如何与智能系统互动和设计这些交互为何困难等问题[24-25]。针对这些问题, Amershi 等[7]提出通用的人智交互设计准则, 为构建以人为本的系统奠定基础。为建模复杂的交互过程, 人们从人际沟通中汲取灵感[26-27], 并提出解释意图与接收者感知的动态模型[28]。Holter 等[8]进一步将协作的核心抽象为能动性、交互和适应性 3个层面, 构建能系统地描述人智系统的框架。

在应用与评估层面, 相关研究呈现多样化的趋势, 一部分工作聚焦于特定领域(如医疗和可视分析)的协作实践和技术细节[29-30], 另一部分则关注人与 AI 在互动中的共同适应与学习[31]。此外, 有大量研究分析影响人智协作有效性的关键因素, 普遍认为信任、伦理、透明度与用户体验是决定协作成败的核心因素[32-33]。

1.2.3 现有人智协作模式

大多数 AI 协作都以技术为中心[34-35], 关于人类和 AI 协作任务和工作设计的文献很少, 只有少数研究提出一些人智协作的模式(表1)。

1) 基于交互紧密性的协作模式。此类模式关注人与 AI 在物理空间以及工作时间上的耦合程度,典型代表是国际机器人联合会提出的 4 种渐进式协作类型(从低到高): 在物理上相互隔离的“共同存在”、共享空间但分时作业的“顺序协作”、在同一零件上同步操作的“共同作业”以及要求机器人对人类动作做出实时响应的“响应协作”。为更精细地刻画这种交互性, Schmidtler 等[37]从工作空间、时间、任务目标和接触情况 4 个维度, 将人机关系区分为“共存”、“合作”和“协作” 3 种形态, 系统地揭示不同互动层级的本质差异。此类模式主要起源于工业机器人领域, 侧重于物理空间与时间的耦合,其局限性在于过度关注“接触”和“共存”等物理特征,忽视知识工作中人机之间隐性的信息流向与认知协同。在 GenAI 背景下, 物理边界不再是协作的核心挑战, 如何界定人与 AI 的逻辑交互边界成为该模式难以触及的盲区。

2) 基于任务分工逻辑的协作模式。此类模式聚焦于如何根据人与 AI 的技能差异来分配和整合任务[38]。其中, 专业化分工遵循比较优势原则, 具体表现为以下 3 种形式: 由 AI 替代重复性劳动的“基础替代型”、增强人类能力的“提高增强型”以及利用 AI 创造新价值的“创新重塑型”。在招聘过程中, AI 进行简历初筛, 人类进行深度面试, 便是此逻辑的体现。与之相对的是非专业化分工, 其核心不在于发挥各自专长, 而在于集成双方智慧。Choudhary 等[38]称之为“集成模式”, 要求人智系统对同一任务独立做出预测, 再通过聚合机制形成最终决策, 据此方式提升精度。此外, Jain 等[9]提出的模型综合了交互与分工, 从“并行或串行”和“有无专业化”两个轴线, 组合出无专业化并行、专业化并行、无专业化串行(先人类后 AI)、无专业化串行(先 AI 后人类)、专业化串行(先人类后 AI)和专业化串行(先AI 后人类) 6 种分工模式, 为理解任务流程与能力分配提供了细致的分析框架。

尽管此类模式指出应用 AI 的逻辑(如替代、增强和重塑)及协作的先后顺序(如串行或并行), 但在指导组织实践方面仍然存在局限性。首先, 现有研究缺乏对协作过程的深度“操作化”定义, 虽然指出分工的先后, 但未能清晰地界定在具体的交互节点上, 人类与 AI 应分别执行何种具体行为(即“做什么”)以及如何协同(即“怎么做”)才能最大化地产出效率, 使得协作方案往往停留在理论构想层面。其次, 此类模式缺乏任务情境的适配性指导, 未能揭示任务的内在属性(如创造洞察相关)与特定协作模式之间的内在关联, 导致实践者在面对具体任务时,依然面临“如何为特定任务匹配最优模式”的选择困境。这使得现有的模式过于笼统, 难以针对任务特征给出具体的实操建议。

3) 基于人类参与角色的协作模式。此类模式定义人类在 AI 系统运作过程中的监督与控制层级。Saha 等[10]系统性地提出 5 种模式。① 人在环路(human-in-the-loop): 人类积极参与 AI的训练与微调(如提供数据和反馈), 常见于数据标注。② 人在回路(human-on-the-loop), 也叫智能增强或半人马系统[39-40]): 人类作为监督者, 在 AI 自主运行中进行关键性干预和处理复杂情况。③ 人在幕后(human-under-the-loop): 人类主要负责监控AI 系统的性能和提供监督, 并确保符合安全和伦理标准。④协同过滤(collaborative filtering): 利用用户群体的行为数据, 为个体提供个性化推荐, 是推荐系统的核心机制。⑤ 联邦学习(federated learning): 是一种去中心化的协作训练模型, 多个参与方共同优化模型而无需共享原始数据, 侧重技术实现层面的协作。

尽管此类模式明确了人类参与的角色, 但都以AI 为中心, 由 AI 执行核心任务, 而对人类执行、AI 提供支持的场景关注不足, 导致协作模式不够全面。其次, 角色定义与任务特征脱节, 未能指明在何种任务属性(如规则明确性和失误代价等)下应选择何种协作模式。缺乏明确任务特征与协作模式的匹配逻辑, 限制了这些模式在具体组织实践中指导任务设计与流程优化的效度。

1.3 现有研究的不足

尽管现有研究从交互紧密性、任务分工逻辑及人类参与角色等多个维度为人智协作模式提供了有益的探索, 但仍然存在明显的局限性, 主要体现在以下两方面。1) 缺乏整合性的分类框架。现有研究对协作模式的界定维度纷繁复杂, 或侧重于交互程度, 或聚焦于分工逻辑, 或定义人类角色。虽然这些视角各有侧重, 但彼此间存在交叉与重叠, 目前尚缺乏一个能够统摄多维度协作因素并揭示其内在关联的系统性整合框架, 导致人智协作模式体系呈现碎片化状态, 难以进行比较。2) 忽视任务特性的关键影响, 协作模式的有效性高度依赖于具体任务的特性[41]。这是因为不同任务特征直接决定人类与 AI在协作中的相对优势与劣势, 协作模式应与之适配。然而, 现有研究大多停留在模式本身的提出与描述, 未能深入探讨不同任务特征与最优协作模式间的匹配关系[42]。这种脱节使得许多理论模式在面临复杂多变的实际工作场景时缺乏切实的指导价值。虽然研究者已经确定随着 AI 的出现, 人类与技术之间关系的变化[23], 但仍然需要探索新的工作模式设计, 使这种人智协作发挥效力[19,42]。

基于上述分析, 本文拟从两个方面推进现有研究。1) 以任务过程模型为基础, 在顺序安排、参与程度和分工机制 3 个维度上, 系统地梳理不同任务环节中可能适用的人智协作模式, 并明确其与具体任务特征之间的对应关系。根据文献[12]基于任务过程模型的梳理, 与 AI 使用相关的任务特征共有10 余种。全面纳入这些特征, 将有助于构建更具系统性和完整性的人智协作设计理论。2) 从任务执行全过程出发, 探索人智协作模式的组合逻辑和衔接流程, 以及典型多特征任务对应的模式集成方案。实际任务往往具备多重特征交织的复杂性, 因此需要探索面向多特征组合情境的协作模式构建方法。

2 基于任务过程模型的人类-AI 任务特征-分类模型

张燕等[12]针对“哪些岗位应引入 AI, 哪些仍应由人类员工承担”这一关键问题, 构建了一个系统化的任务特征-分类模型。该模型通过比较 AI 与人类智能的能力差异, 识别出 11 个关键任务特征, 并将其归纳为任务输入、处理、输出及制约因素 4 个维度。1) 在任务输入环节, “可数字化程度” “信息封闭性”和“任务重复性” 3 个特征共同决定任务能否被 AI 处理: 工作任务涉及的信息、流程和标准须可转化为机器可以识别和处理的格式; 所有可能的输入和对应的输出须可以被预先穷举和界定; 且具备足够的重复性来支撑 AI 的训练与学习。2) 在任务处理环节, “规则的明确性”和“程序的可分解性”是 AI 可用的前提条件; 前者指任务目标与步骤是否有清晰的界定, 后者指任务能否被拆分为可执行的逻辑序列。只有两者兼备, AI 的算法才能被有效地部署。“信息加工效率”体现 AI 在速度、精度等方面的优越性; 当任务对数据处理的速度、精度、广度和深度有极高的要求时, AI 能够超越人类,展现其卓越的计算与分析能力。“创造洞察相关程度”和“社交互动相关程度”则标志着人类在创新思维、情感共鸣等方面不可替代的优势。前者指任务是否需要创新思维、深度理解和情境判断, 后者则强调任务是否涉及情感共鸣、人际沟通和信任建立。在这两类需要高度灵活性、同理心与原创性的任务中, 人类智能的表现依然远胜于 AI。3) 在任务输出环节, 聚焦“失误代价性”, 衡量任务执行过程中一旦出现错误或偏差, 可能导致的负面影响程度。对于失误代价低的任务, AI 偶发错误尚在可接受范围; 对于航空驾驶、医疗手术等高风险任务,人类员工可随时干预的监督与控制能力至关重要。4) 在制约因素环节, 关注了两个特征。“环境不友好程度”评估任务所处物理环境是否恶劣、危险或超出人类的生理承受极限。在诸如深海勘探、高温车间或放射性环境等场景中, AI 具有显著的适用性;“伦理相关程度”判断任务是否涉及复杂的道德抉择、隐私保护或社会责任等伦理问题。由于 AI 缺乏真正的道德判断力和责任感, 在如人事裁决等场景, 须由人类员工承担主体责任, 确保决策的合宜性与问责的明确性。

本文将在任务特征模型的基础上, 研究不同特征所适用的人智协作模式。在已识别出的 11 个任务特征[12]中, 本文未纳入信息加工效率。这是由于无论效率要求高低, AI 均可发挥解放人力的作用, 因此信息加工效率要求不再成为重要考量。此外, 环境不友好性考量的是部署 AI 的必要性, 随着 AI技术的发展, 使用 AI 的必要性已达成共识。并且, 本文讨论的是基于人与 AI 的优势和 AI 执行的前提条件, 如何进行人智的分工与协作, 因此在人智协作模式的探讨中, 本文未纳入环境的不友好性。本文加入一个新的任务特征——信息的动态复杂性。随着多模态信息技术的发展, AI 可以识别、搜索和整合图片、文字和声音等多模态的信息, 使得应用AI 不断全面扫描环境信息成为可能。对于高度动态化的复杂信息处理任务, 在搜集任务信息环节使用 AI, 能极大地提高响应速度与效率。

3 任务过程中的人智分工与协作模式

AI 发展的根本宗旨在于服务人类, 其价值应体现在对人类需求的增进与福祉的保障方面。基于“以人为本”的理念, 本文认为, 在任务中引入 AI 的核心目标应是双重的, 既要积极利用其优势, 以便提升效率, 更要确保人类对关键决策的掌控, 保障安全与伦理。尽管 AI 在多数任务中能显著地提升效率, 但其应用伴随着不容忽视的安全与伦理风险[2-3]。由于特征各异的任务能被 AI 处理的程度不同, 人机协作在效率与安全方面的优势也各不相同。因此, 人机分工的设计绝非追求极致的自动化, 而应是一种审慎的权衡——在何处引入 AI 来增强人类能力, 又在何处必须保留并强化人类的判断与干预。下面将依据任务过程模型, 从“增效”与“控险”两个相辅相成的维度出发, 系统地分析在不同任务特征的驱动下, 应如何在各个环节引入 AI, 并科学地规划人类与 AI 之间的分工与协作, 从而确保技术应用始终服务于人类的根本利益。

任务过程模型将任务执行过程分为任务输入、输出、处理技能和约束因素 4 个方面[43-44]。任务输入涉及执行任务所需行为或动作要求, 输出指任务的目标或成果, 处理技能指将输入转化为输出所需能力, 约束因素则包括限制操作者技能发挥的元素(如环境噪音等)。根据此模型, 本文从任务输入、处理和输出 3 个方面, 分析人类与 AI 的分工与协作模式。每个环节的叙述顺序按照人类参与程度逐渐减弱、AI 参与程度逐步加强的逻辑展开。由于环境因素通过影响任务执行过程而发挥作用, 因此本文不单独分析环境因素中人类与 AI 协作问题。此外, 本文讨论的 AI 侧重于其作为协作系统的功能输出, 不进一步区分其内部是单一模型还是多智能体协同互补, 也不区分其内部的任务流水线。

3.1 任务输入端的人智分工与协作模式

3.1.1 人类对 AI的输入完备化: 子模式I1

1) 任务特征: 可数字化描述性低, 信息封闭性低, 重复性低。艺术审美等任务难以用数字化描述,导致无法调用建立在数字化信息处理基础上的 AI进行处理。信息的不确定性导致信息不封闭, 即无法穷尽任务输入的要素。例如在客户服务中, 无法完全穷尽客户可能的提问与诉求。异常即非常规任务, 信息输入重复性低, 导致 AI 无法利用足够多的数据进行学习。这类任务特征可以称为输入的非AI 完备性, 难以使用 AI 进行处理, 或使用 AI 处理效果不佳。AI 算法未能取代人类决策者的更关键因素在于数据类型的局限性——这不仅是数据量的问题, 并非所有相关数据都能以 AI 算法可用的方式被捕获和编码, 而且决策所需相关数据的范畴往往难以明确[38]。Choudhary 等[38]将可被数字化并用于 AI 训练的数据定义为 I 型数据(这类数据人类同样可以获取), 而 II 型数据特指人类可获取但难以被 AI 用于训练的信息, 例如招聘场景中候选人的临场应答和肢体语言等难以编码的隐性信息。

2) 输入干预: 人类进行输入的 AI 完备化。对于这类非 AI 完备的任务, 人类员工应该在任务的输入端进行输入要素的 AI 完备化, 即对输入的材料(如信息、目标和任务框架等)进行数字化描述和信息封闭处理, 或者给出 AI 的学习样例(图1(a))。① 数字化描述: 对于难以数字化描述的任务, 对其任务要件进行数字化描述。例如, 在音频处理任务中, 将输入的声音拆解为频率和波形等输入要素,将艺术画作分解为颜色、谐度以及线条流畅度等输入要素。② 信息封闭化: 对于信息不封闭的任务(即无法穷尽情况的任务)进行预测, 并设定任务执行规则和程序。③ 非常规任务的处理样板: 对于非常规任务, AI 缺少学习样本, 难以建立处理规则。针对这类任务, 人类员工可以输入学习样例来弥补数据缺乏的问题。通过人类员工的这些举措,将识别出的任务单元尽可能地 AI 完备化。

3.1.2 无人类输入干预的直接使用: 子模式 I2和 I3

在 I1 模式中, 一些非 AI 完备的任务经由人类员工处理, 具备了 AI 完备性, 可以调用 AI 处理, 即I1 模式是通过人类加工来实现从非完备到完备的转化。然而, 还有一些任务无法经由人类处理使其具备 AI 完备性, 必须在处理环节交由人类处理; 另一些任务输入信息已具有 AI 完备性, 无须经过人类处理, 可直接调用 AI 加以执行。这两种情况下, 在输入端都无需进行操作, 但在任务处理环节需要选择不同的模式。本文将这两种情形命名为 I2 模式(直接进入由人类处理的模式)和 I3 模式(直接进入调用 AI 参与处理的模式)。例如, 心理咨询任务具有极高的情感复杂性、伦理敏感性以及语义模糊性, 这类任务无法实现 AI 完备性, 只能由人类来处理。因此, 我们将其判定为 I2 模式, 意味着此类任务只能选择 3.2 节阐述的人类独立执行模式(P1 模式)或 AI 信息刺激下的人类执行模式(P2 模式)。I3模式的一个例子是智能工厂设备预防性维护。智能制造系统中的数据是高度结构化和标准化的数字流, 天然具备 AI 完备性, 因此不需要在输入端做任何处理。将其判定为 I3 模式, 意味着在此类任务可调用任何由 AI 执行的模式, 如 3.2 节阐述的人类-白盒化监控下的 AI 执行模式(P3 模式)、人类处理结构化下的 AI 执行模式(P4 模式)以及 AI 独立执行模式(P5 模式)。可见, 与 I1 模式和后续的 I4 模式不同, I2 和 I3 模式的本质并非“操作”, 而是通过识别任务 AI 完备化程度, 为后续选择由人类还是 AI 处理该任务奠定基础。

3.1.3 AI信息搜集与筛选: 子模式I4

1) 任务特征: 信息的动态复杂性。组织需要根据其所处环境条件的变化, 从结构和行为方面进行适应和调整[45]。任务信息的动态复杂性主要来源于两个相对独立的维度。其一是复杂性, 指环境中所含要素的数量、多样性以及它们之间差异化的程度。一个任务需要处理的要素越多, 种类越不同, 相互依赖的关系越错综复杂, 信息的复杂性就越高。例如, 一家跨国科技公司需要应对全球不同的法律法规、多元化的市场需求、海量的竞争对手、快速变化的技术流派以及复杂的供应链网络。其二是动态性, 指所需处理信息随时间变化的频率、速度以及不可预测性。例如, 社交媒体行业的用户行为和竞争策略瞬息万变, 具有极强的动态性。面对错综复杂、动态性极高的信息处理任务, 基于历史数据、线性因果和周期性规划的传统做法会迅速失效; 相反地, 任务的成功执行需要快速地扫描和搜集信息。

2) 输入干预: AI 进行信息收集与筛选。在高复杂度的信息处理任务中, 海量、多源(如市场报告、社交媒体和传感器数据)的信息远超人类管理者的处理能力。关键信号(如一个微小技术突破或者潜在的供应链风险)往往隐匿于噪声之中。相反,AI (尤其是自然语言处理与模式识别技术)能够 7×24小时不间断地扫描、清洗和分类, 初步分析海量非结构化数据, 从看似无关的事件中提取潜在的关联与微弱信号, 将信息海洋转化为结构化的情报, 克服人类的认知带宽限制。进一步地, AI 可通过知识图谱和多模态大模型等技术连通异构数据源, 构建动态演化的“环境数字孪生”(即环境数字化镜像)。人类员工可以在此模型上进行推演和压力测试, 预见不同决策可能引发的连锁反应, 从而做出更具韧性的选择。这一输入中的分工模式如图1(b)所示。

3.2 任务处理端的人智分工与协作模式

3.2.1 人类独立执行: 子模式P1

当任务的规则模糊, 流程难以分解, 或属于高度依赖情商与文化语境的社交型任务(如冲突调解、客户关系管理)时, 其核心依赖于难以被显性化的隐性知识及非结构化的综合判断。在此类场景中, AI 无法替代人类进行价值判断和关系构建, 因此任务的执行主体仍然应是人类。例如在招聘过程中, 能力评估和录用决策的环节会涉及一些直觉和隐性知识, 应交由人类员工执行, 如图2(a)所示。

3.2.2 AI信息刺激下的人类执行: 子模式P2

1) 任务特征: 创造和洞察相关任务。虽然人类在创意和洞察方面拥有 AI 不具备的优势, 但仍然可以借助 AI 提高人类在这类任务中的效率和表现。例如, 森马用 AI 工具做设计, 效率提升 30%以上① https://www.semir.com/new/news/318;; 酷开做 AI 绘本, 12 秒可生成绘本故事② https://www.coocaa.com/news/1940602040438751232。

2) 任务执行: AI 信息刺激下的人类执行。人类具备创造力, 能够提出新概念, 产生创新产品[46]。虽然 AI 技术在执行重复性和结构化任务方面表现出色, 但在处理非结构化和高级别任务时存在局限性, 尤其缺乏人类创造新答案的能力[47]。因此, 人类在创意生成方面有超过 AI 的独特优势, 应该承担创意生成这一核心任务。

即便如此, 可以用 AI 生成一些创意刺激(图2 (b))。人类可以基于 AI 提供的刺激方案提出独特的创意, 或者在这些创意中注入独特的元素或人类的情感成分, 将其转化为一个连贯且独特的成果。例如, 艺术创作中 AI 生成灵感草稿使艺术家的创作效率提升 60%, 人类情感注入使作品的独特性提升到 90%, 这一过程还可以多次迭代。人类生成创意思路与方向后, 可能会调整最初输入 AI 的风格与框架, 由 AI 产生新的创意刺激, 再由人类加工为新的创意方案。在平行艺术(parallel art)[48]框架中, 人类设定艺术主题(如“未来城市的环保生活”), AI 生成视觉素材(如借助 Midjourney 绘制场景), 人类再基于素材调整细节(如优化色彩或补充人文元素)。或者, 人类确定广告目标人群与核心卖点(如“针对年轻人的环保饮料”), AI 生成个性化广告文案和图像[49], 人类最终筛选并优化符合品牌调性的方案。在游戏开发过程中, 人类设计游戏剧情框架与角色设定, AI 生成角色对话和场景模型(如实时 3D 渲染), 人类再调整剧情逻辑与视觉风格[50]。

3.2.3 人类白盒化监控下的AI执行: 子模式P3

1) 任务特征: 失误代价性高、伦理相关。对失误代价性高的任务, AI 存在三重安全隐患: 其一,决策过程缺乏透明性, 工作过程难以管控; 其二,系统具有脆弱性[51], 一旦情境超出训练数据范围,系统的表现可能出现灾难性衰退; 其三, 互联网中普遍存在的虚假与偏见信息可能污染训练数据, 导致缺陷性决策输出。相比之下, 人类的工作过程透明, 可随时中断和干预, 能够有效地管控风险。以航空业为例, 飞行员在突发情况下的即时应变能力至关重要[52], 即便启用自动驾驶, 飞行员随时接管飞行任务的权限仍然不可或缺。当然, 人类也可能因疲劳出现失误, 此时 AI 可作为有益的补充。因此, 此类任务中人智协作的核心在于协同识别与防范失误。

在伦理相关任务中, AI 同样面临多重风险。AI可能在人类不知情的情况下访问个人信息[53], 数据滥用可能引发严重的数据安全风险[54], 算法决策还带来组织问责难题[55]。此外, 伦理因素往往涉及产品的长期效应与跨领域影响, 如“信息茧房”效应横跨信息服务与社会文化两大领域, 使技术与伦理之间的关联错综复杂, 现有 AI 技术尚不足以有效地应对[56]。因此, 伦理相关任务须以人类为主体, 确保决策的合宜性与问责的明确性。

2) 任务执行: 人类进行处理过程白盒化, 并监控整个执行过程。对于失误代价高昂或涉及重大伦理决策的任务, 关键在于构建防范技术性失误与伦理性失范的双重保障机制, 核心要求是将 AI 的执行过程强制白盒化——其分析逻辑与决策步骤须对人类监督者保持可见、可审和可溯(图2(c))。

白盒化是实现双重目标的基础。在技术维度, 过程的可见性使人类专家得以审查 AI 的推理链条, 精准地识别逻辑偏差、事实谬误或模型“幻觉”; 在伦理维度, 它构成算法问责与公平性审查的前提, 使监督者能够检测 AI 决策是否潜藏偏见或偏离伦理准则。在此基础上, 系统还须具备可中断与可干预特性, 既作为控制技术风险的“紧急制动阀”, 在AI 即将因逻辑错误执行有害操作时强行接管, 也作为人类行使伦理裁决权的最终手段, 在 AI 输出违背价值观的内容时及时纠正。以金融风险识别为例, 人类分析师审查 AI 决策逻辑, 既需要技术性地确认模式识别结果是否源于真实欺诈而非数据偏差, 也需要伦理性地核查判断是否对特定群体构成系统性的歧视; 学术研究中, 研究人员审视 AI 提炼的概念关联, 既为消除“幻觉”, 也为评估结论的潜在社会影响。

如同 Saha 等[10]提出的人在幕后(human-underthe-loop)模式, P3 模式构建了一个闭环: 白盒化为技术与伦理的双重判断提供信息基础, 可中断性为双重风险提供干预机制, 而人类的全程参与则确保在关键决策上, 最终的责任、可靠性判断及价值权衡始终由人类这一责任主体牢牢掌握。

3.2.4 人类处理结构化下的AI执行: 子模式P4

1) 任务特征: 规则明确性适度, 任务可分解性适度。除数据外, AI 的另一个构成要件为算法。算法是规则的有穷集合, 通过特定的方法将输入转化为输出[57]。使用算法的前提是存在明确的规则。规则明确的任务可被算法高效地执行, 如自动驾驶中, AI 结合交通规则与环境感知数据即可实现实时决策[58]; 而在艺术创作等缺乏固定评判标准的领域, 规则的缺失使算法难以有效地完成任务。

AI 完成任务的过程实际上是变量状态转化的过程[59]。以自动驾驶为例, 传感器采集的环境数据经提取后转化为路况、障碍物和交通信号等状态变量, 系统据此实时调整决策。任务的执行须依赖至少一个状态变量集合来定义完成的不同阶段[60-61]。对于无法分解的任务, 既无法建立明确规则, 也无法描述任务完成状态, 因此任务的可分解性从根本上决定人智协作的效力潜力[38]。创意写作即为典型案例, 创作过程的复杂性与抽象性使其难以拆解为可算法化的步骤, 因此 AI 难以创作出具有深度的作品。此外, 涉及伦理困境的任务同样因规则难以明确而无法有效地借助 AI 来执行。

2) 任务执行: 人类处理结构化下的 AI 执行。在这一模式下, 人类员工将任务执行过程进行分解,并根据任务情景进行深度解读, 提炼出明确的执行规则(图2(d))。这一过程始于对任务情境的深度解读: 1) 人类员工首先识别情境线索, 敏锐地捕捉未被明确定义的背景信息、利益相关者的潜在诉求以及环境中的细微约束; 2) 进行框架重构, 将原本混沌的问题重新界定为一个清晰的可操作的具体议题; 3) 完成规则显化, 把依赖直觉与经验的隐性知识, 提炼为适应此时此境的明确原则、决策标准和行动优先级。例如, 一位资深客服在感知到客户语气中的愤怒时, 能动态地将“安抚情绪”提升为最高优先级规则, 并据此形成具体的沟通策略。在此基础上, 人类专家进一步将高层级目标(如“提升客户满意度”)通过递归式分解, 转化为一系列逻辑清晰的可依次执行的具体行动链条, 例如“表达歉意→确认问题细节→提供备选方案”, 从而在不确定性中系统性地构建通往问题解决的路径。

3.2.5 AI独立执行: 子模式P5

如前所述, 对于规则明确、可分解性高、信息加工效率要求高的任务, 可以直接调用 AI 执行, 如图2(e)所示。

3.3 任务输出端的人智分工与协作模式

输出端协作不仅是任务的终点, 更是反馈循环的起点。通过 O1 (人审机)或 O2 (机审人)的质量校验, 任务可以在必要时重回输入环节。

3.3.1 人类审查与整合AI的输出: 子模式O1

1) 任务特征: 失误代价性高, 伦理相关。此类任务不但在任务的处理端需要人智协作, 在输出端, 人类也需要最终审查和整合, 承担“技术验收官”与“伦理审查委员会”的双重角色。

2) 输出干预: 审查与整合 AI 输出。人类要对AI 执行的任务输出进行技术与伦理的安全审查, 确保结果安全可靠, 如图3(a)所示。对于人类和 AI 共同执行的任务, 则需要将各自输出的结果进行比对与整合。例如, 在皮肤癌分类中, 人机协作诊断准确率(82.95%)比单独 AI (81.59%)提升 1.36%; 在良恶性分类任务中, 协作的灵敏度(89%)比单独 AI (86.1%)提升 2.9% [62]。在此场景中, AI 系统对医学影像(如 X 光或 MRI)或患者数据进行初步筛查, 提供鉴别诊断或标出关注区域。医生随后进行最终诊断, 将 AI 的输出与其临床专业知识、患者病史和体检发现相结合。对于风险预测的任务, AI 利用预测性分析技术(如 LSTM 和 CNN 网络)识别潜在危险(如操作员疲劳或管道泄漏), 人类则负责验证警报并执行干预措施。在金融风险识别中, AI 标记出高风险交易, 人类分析师审查其决策结果, 确认是真实欺诈还是模型偏差(如针对特定地区的误判)。经验证据表明, 这种混合方法的诊断准确率通常高于单独使用人类或单独使用 AI, 因为它弥补了各自固有的缺陷。此外, 这种模式培养了对 AI 的信任和适当的依赖, 因为人类仍然是最终的决策者, 同时得到 AI 的有效增强。

3.3.2 AI细节完善与检查: 子模式O2

在输出端子模式 O2 中, AI 扮演“细节完善者”与“质量审计员”双重角色。此模式适用于人类员工主导任务处理(P 环节), 但需要 AI 在输出阶段进行精细化磨合或规范性核验的场景(图3(b))。

该模式体现为 AI 对任务产出的细节完善与技术实现。在创造洞察相关的任务中, 人类确认核心创意后, 利用 AI 在细粒度上操纵视觉特征或文本风格的能力, 可以大幅度地提升产出效率。例如,艺术家的角色从手动执行笔触转变为协调概念与美学的融合, 利用 AI 快速生成多版设计草案; 在游戏开发过程中, 人类负责设计剧情框架与角色设定,由 AI 执行角色对话填充与实时 3D 渲染等高强度工作。这使得人类员工从具体的细节执行中抽身, 专注于创意的生成与决策。

该模式涵盖 AI 对人类输出结果的逻辑检查与纠偏, 这就是生成式 AI 时代极具代表性的“机审人”场景。当人类完成初步处理的工作后, AI 在输出端进行代码 Debug (除错)、事实核查或合规性审计(如法律合同的风险扫描)。这种检查机制不仅能有效地识别潜在的人类疏忽, 也构成 IPO 框架内反馈循环的关键节点: 若 AI 发现逻辑冲突或违规, 任务将返回至输入或处理环节进行再次迭代。

4 人智协作模式的全过程组合

表2 中总结了在任务的输入、处理和输出 3 个环节, 人类与 AI 的分工与协作模式。

4.1 模式组合的规则

在应用中, 组织可以根据任务的特征, 按照一定的规则与流程, 将 3 个环节的各种分工模型进行组合, 如表3 所示。

在输入环节, 任务特征的可数字化描述程度等决定 AI 的调用方式与可行性。对于可数字化描述性低、信息封闭性低和重复性低的任务, 难以调用AI 直接处理, 因此在输入环节, AI 无法有效地干预(对应模式 I2)。此类任务需要在处理环节交由人类主导执行, 即与 P1 (人类独立执行)或 P2 (AI 信息刺激下的人类执行)模式组合。对于可数字化描述性、信息封闭性和重复性均为中等的任务, 可经人类进行输入的 AI 完备化预处理后, 调用 AI 参与(对应输入模式 I1), 并在处理环节适配 P3～P5 中任一AI 参与执行的模式。对于可数字化描述性高、信息封闭性高和重复性高的任务, 可以直接调用 AI处理, 无需前置干预(对应输入模式 I3), 并在处理环节匹配 P3～P5 中相应模式。

在处理环节, 任务的规则明确性与可分解性共同影响执行路径的选择。若任务规则明确性与可分解性均较低, 不满足 AI 有效执行的前提, 应以人类员工为主导(模式 P1 或 P2), 输出环节可辅以 AI 进行细节完善与规范检查(组合 O2 模式)。对于规则明确性与可分解性中等的任务, 可采用 P4 模式, 由人类对任务进行结构化处理后, 再调用 AI 执行。在输出环节, 可根据需求, 引入人类审查机制(组合O1 模式)。对于规则明确性与可分解性均较高的任务, 可直接交由 AI 执行(模式 P5), 在输出环节, 同样可以结合 O1 模式进行人工审核。此外, 部分任务因本质属性, 需要以人类为核心, 并辅以 AI 支持。具体而言, 社交智力相关的任务须由人类执行(模式P1), 但可在输出环节借助 AI 完善细节与规范检查(组合 O2); 创造与洞察类任务适合在 AI 信息刺激下由人类执行(模式 P2), 并可在输出环节结合O2 模式来优化成果质量。

在输出环节, 决策主要依据任务的失误代价。失误代价属中等水平的任务, 可在输出环节引入人工审核(模式 O1)。若任务失误代价极高, 则需在处理环节实施人类对 AI 的“白盒化”实时监控(模式P3), 并在输出环节叠加人工审查(组合 O1), 构建双重保障机制。

环境因素亦影响模式选择。当所处理信息具有极强的复杂性和动态性时, 可采用 I4 模式, 由 AI 自动扫描和筛选环境信息, 并输入处理环节。该模式可与任意处理模式组合使用。

4.2 典型团队任务全过程协作模式应用示例

为详尽地说明本文框架的实践价值, 我们选取6 个典型的团队任务场景, 通过深入分析各任务的内在特征与情境需求, 展示如何依据其子任务的不同性质, 动态地组合并应用全过程协作模式, 从而实现人智优势的最大化协同。

4.2.1 跨部门新产品开发项目

新产品开发本质上是探索未知市场的过程, 其核心特征在于信息的高度动态化和复杂性。这源于消费者偏好的快速变迁、竞争格局的动态演变以及技术路径的潜在颠覆, 使得任何线性的预测都面临巨大的挑战。为应对这种挑战, 在项目初期, 可采用 I4+P2+O2 组合: AI 持续扫描并筛选海量的行业报告、社交媒体动态和专利数据库, 将环境的“噪音”转化为有价值的“信号”(I4); 产品经理与设计师在 AI 提炼出的关键信息刺激下进行创意碰撞与机会识别, 融合人类洞察力与 AI 的信息广度(P2); 最终可由 AI 辅助完善市场分析文档与可视化, 并进行合规检查(O2)。

当项目进入技术方案可行性评估阶段, 则可采用 P4+O1 的组合。此子任务规则的明确性和可分解性均为中等, 需要工程师先将模糊的性能需求与技术约束转化为具体的可计算的分析维度与测试流程, 然后调用 AI 驱动仿真软件, 进行快速的参数化分析与优化(P4)。然而, 所有分析结果仍然需要人类工程师进行最终审查(O1)。

4.2.2 危机公关处理

危机公关的核心工作场景是在信息爆炸和时间压力下进行精准决策, 其信息的动态化和复杂性被急剧放大。危机的起源、传播路径和公众情绪的走向均在实时地变化, 任何信息的误判都可能导致次生灾害。因此, 在危机爆发伊始, 团队必须首先启动 I4+P4+O1 组合来驾驭信息洪流: AI 作为前沿的舆情雷达, 能够 7×24 小时抓取并过滤全网的多模态信息(I4); 随后, 人类专家需要对危机情境进行深度解读, 构建应对框架。例如, 将应对策略分解为事实澄清、情绪安抚、责任承诺和整改行动等几个明确的沟通维度, 并为每个维度设定核心信息点和底线原则; AI 基于此结构化框架, 自动生成针对不同平台、不同受众的应对内容初稿(如声明模板、问答口径以及社交媒体回复), 这一过程就是人类将模糊任务结构化为清晰的规则和步骤, 并调用 AI 处理(即 P4 模式); 最终, 所有 AI 生成的内容必须由公关负责人进行审查校准(O1), 确保其精准、一致且符合组织机构的立场。

4.2.3 智能制造产线运维

现代制造运维是常态与应急的混合体。对于产线设备的预测性维护, 其任务具有高重复性和高规则性, 非常适合自动化处理。因此, 运维团队可依赖 I3+P5+O1 模式。

然而, 当生产线引入一款新材质零部件, 其加工参数与旧材质差异很大时, 初期的工艺调试任务便呈现规则明确性和可分解性均为中等的特征。此时就需要选择 P4+O1 组合, 资深工程师需要根据材料特性和设备能力, 将“加工出合格零件”这一目标分解为具体的刀具选择、转速和进给量等一套可执行的工艺规则。AI 系统则基于这套人类提供的结构化规则进行模拟计算和参数优化(P4), 工程师对优化结果进行审查(O1), 构成 P4+O1 的协作链条。

4.2.4 多学科诊疗

多学科诊疗团队是针对复杂疾病的核心工作模式, 其任务特征为信息高度复杂化, 决策风险极高,且依赖多专家间的社交互动。面对分散在多维度的海量数据, 团队在信息整合阶段可采用 I4+P5+O1模式: AI 自动从各医院信息系统中抓取并初筛患者全维度数据(I4); 在影像分析子任务中, 人类和 AI共同执行初筛任务, AI 自动识别病灶并提取量化特征, 放射科医师也同步审阅影像, 两者共同工作,在医师主导下整合, 输出一份结构化报告。

在制定个体化治疗方案环节, 任务因涉及生命伦理而具备极高的失误代价, 因此采用 P3+O1 组合: AI 可以基于临床指南和类似病案, 生成初步的用药或手术方案建议, 但主治医生必须对其推荐逻辑进行“白盒化”的审视与监控(P3), 确保其与患者的具体情况(如并发症和个人意愿)相符; 最终方案必须经由多学科专家会议(此过程是典型的 P1 模式,即人类独立执行的高阶社交与决策互动)集体审查与拍板(O1)。此外, 对于方案制定中规则明确和可分解性高的部分, 如根据患者体表面积计算标准化疗药量, 则可嵌入 I3+P5+O1 模式, 由 AI 独立完成计算(P5)后, 由药师进行复核(O1)。

4.2.5 风险投资决策

投资决策的本质是在不确定性中通过管理风险来追求回报。在项目海选阶段, 委员会运用 I3+P5+O1 模式处理大量标准化信息。对于进入深度尽职调查阶段的项目, 由于信息复杂且决策失误代价极高, 委员会启动 I4+P3+O1 组合。

在此过程中, 针对特定行业的商业模式评估,该子任务的规则明确性中等, 需要分析师首先构建评估框架, 将其分解为可量化的评估维度。随后,AI 可基于此框架对信息进行自动打分与风险标记,分析师则对 AI 的评估过程与结果进行深度核查,并将关键发现整合进最终的投资建议书。这说明P4 与 P3 模式可以在复杂任务中嵌套使用。

4.2.6 智能客服中心

智能客服中心是处理海量客户问询和复杂服务请求的核心团队, 其任务特征表现为需求多样化、服务实时性要求高, 且同时涵盖高重复性标准化任务与高社交互动性非标准化任务。面对多渠道涌入的客户请求, 团队可以在问询分流与预处理环节采用 I2+P5+O2 的组合: 标准化查询(如账单查询或密码重置)被直接输入系统(I2), 由AI 客服独立完成信息检索与答复(P5), 并自主优化回复措辞与补充相关链接来完善细节(O2)。

在复杂化或情绪化客户案例的升级处理环节, 任务因高度依赖共情、谈判和情境化沟通而呈现高社交互动性, 因此需采用 P1+O2 组合: 人类客服专家独立执行客户沟通、情绪安抚与个性化问题解决(P1); AI 则在输出端辅助完善后续工单记录与服务摘要(O2)。此外, 在服务知识库优化和运营洞察环节, 面对的是非结构化的海量对话数据, 具有很强的信息动态化和复杂性以及创造性洞察需求, 此时可采用 I4+P2+O2 模式: AI 持续监控并筛选全渠道对话中的非常规问询与负面反馈(I4), 运营经理则在 AI 提炼的洞察刺激下(P2)进行深度分析并形成决策报告, 最终由 AI 辅助完成报告的细节完善与可视化呈现(O2)。

5 结论与讨论

5.1 主要结论

本研究针对现有人智协作研究缺乏系统性整合框架且与具体任务特征严重脱节的核心问题, 构建一个以任务过程模型为基础, 覆盖任务全过程的模块化人智协作设计框架。本文的主要结论如下。

1) 本文针对与人智协作相关的 10 项任务特征, 从任务输入、处理和输出 3 个核心环节中, 系统性地提出一套包含 11 种人智协作的子模式体系。该体系将以往分散在不同维度(如交互紧密性、分工逻辑和人类角色)的协作模式整合到一个统一的分析框架中, 明确每种子模式(如 I4-P4-O1)所响应的具体任务特征(如信息的动态复杂性-规则明确性-失误代价性)。

2) 本文超越单一和静态维度的分类模式, 提出基于多环节、多维任务特征进行模式组合的内在逻辑与决策路径。有效的人智协作并非选择一个“最优”的单一模式, 而是根据任务在多环节多维度上表现出的复杂特征, 进行“积木式”的精准匹配与组合。本文阐述的组合规则与流程图为组织机构提供了可操作的系统设计方法, 使其能够针对任何具体任务, 从输入端、处理端到输出端, 逐步推理并构建定制化的、端到端的人智协作方案。

3) 通过对跨部门新产品开发、危机公关、智能制造运维、多学科诊疗、投资决策和智能客服中心 6 个典型团队任务的分析, 本文展示了如何将团队任务分解为子任务, 并根据任务的多环节多维度特征, 设计人智协作的模式组合。

5.2 理论贡献

本研究通过构建一个全过程、多特征、可组合的人智协作框架, 对现有理论做出以下贡献。

1) 整合并超越现有相对孤立的研究视角, 提出一个统一的人智协作模式分类框架。现有文献对人智协作模式的归纳维度不一, 或聚焦于交互紧密性(如国际机器人联合会的分类), 或侧重于任务分工逻辑[9], 或定义人类参与角色[10]。虽然这些视角各有价值, 但彼此交叉重叠, 缺乏一个能够统摄全局的系统化体系。本文以任务过程模型为理论基础,成功地将上述分散的视角整合到一个连贯的统一框架中。这一整合性框架不仅厘清不同模式之间的内在关联与适用边界, 更为解决长期以来该领域模式体系碎片化的问题提供关键的理论工具, 为后续研究建立了清晰且可以扩展的概念基础。

2) 将协作模式的设计与选择, 从抽象的原则层面推进到与具体任务特征精准对接的操作化层面,深化对 AI 情境适配性的理解。信息处理理论强调,组织机构的效能取决于其“信息处理能力”与环境带来的“信息处理需求”之间的匹配程度[2]。任务特征(如 AI 完备性和信息的动态复杂性)本质上构成任务的信息处理需求。因此, 有必要根据任务特征设计相应的协作模式, 构建人智系统所能提供的信息处理能力。尽管已有研究认识到任务特性对协作效果有关键影响[41], 但多数研究仍然停留在模式本身的提出与描述阶段, 未能系统地阐明“何种任务特征适用何种模式”的内在机理。本文基于张燕等[12]对任务特征的系统性梳理, 明确建立 10 项关键任务特征与 11 种协作子模式之间的映射关系。这一贡献将人智协作研究从“是什么” (模式描述)和“为什么”(原则阐释)推进到“怎么做” (基于特征的设计), 为构建一个高度情境化的、可操作的人智协作设计理论奠定核心基石, 同时将信息处理理论拓展到 AI应用领域的研究之中, 扩展了理论应用的边界。

3) 首次提出一个覆盖任务全过程的、模块化的协作模式组合方法论, 实现从静态模式清单到动态系统设计的理论跃迁。现有研究大多将协作模式视为孤立的、静态的选择项, 而现实工作中的任务往往是多特征、多环节的复杂综合体。本文的理论创新在于, 它不再提供一份固定的模式菜单, 而是提供一个动态的“设计工具箱”与清晰的“组合流程图”。这种模块化、可组合的视角, 使得研究者与实践者能够像“装配流水线”一样, 为复杂的多阶段任务构建定制化的协作方案。这一方法论上的突破, 推动该领域的研究范式从孤立的“模式选择”转向系统的“流程设计”, 为人智协作系统在真实组织环境中的有效集成与效能优化提供全新的理论视角与实践路径。

5.3 实践启发

本研究构建的人智协作框架不仅具有理论价值, 也可为组织管理实践提供切实可行的指引。具体而言, 其应用价值主要体现在以下 4 个方面。

1) 本文框架为组织机构提供一套系统的“设计蓝图”, 可指导其进行具体任务的人智协作流程再造。管理者不再依赖于直觉或零散的经验来引入 AI, 而是可以遵循清晰的决策流程。首先是任务诊断与解构: 运用本框架提供的任务特征体系对目标任务进行多维度剖析, 明确其在输入、处理和输出各环节的特征。其次是模式匹配与组合: 依据本文确立的组合规则, 为每个环节和每个子任务选择并组合最适配的协作子模式。最后是方案实施与验证: 将最终形成的定制化协作方案(如 I4+P4+O1)付诸实践, 并持续评估其效能。这套标准化流程能显著地降低 AI 部署的盲目性与试错成本, 使组织能够有条不紊地、科学地将 AI 深度整合到核心业务流程中, 实现从“任务自动化”到“流程智能化”的升级。

2) 本文框架依托的任务特征体系为组织评估现有员工能力与 AI 能力的匹配度提供了精准的标尺。通过分析各项任务对规则明确性、创造洞察相关和社交智力相关等特征的要求, 组织可以清晰地识别出哪些岗位或工作环节具有被 AI 增强或替代的潜力, 从而做出更具前瞻性的人力资源规划。例如, 对于高重复性和高规则性的任务(对应 P5 模式), 组织可战略性地投资于 AI 自动化; 对于高社交互动和高创造性的任务(对应 P1 和 P2 模式), 投资重点则应放在提升员工的同理心、批判性思维和创造性解决问题等“人类专属”能力上。这有助于组织在AI 时代优化其人力与科技资本的投资组合, 实现资源的最优配置。

3) 在实践中, 组织需要根据任务链条各环节的不同需求, 部署具备相应专长的 AI 智能体, 并将其整合为协同系统。例如, I4 模式下, 应部署擅长环境扫描、网络爬取、多源异构数据融合及自然语言处理的智能体; P2 模式下, 需要部署具备发散性联想和跨领域知识组合能力的智能体或 AI 应用; P5 模式下, 需要专注于精度、速度和可靠性的智能体或与传统业务流程紧密集成的规则引擎, 以便准确无误地执行标准化操作。此时, 管理者的任务不仅是分配人类与 AI 的工作, 更在于规划和治理一个“智能体组合”。这要求组织在 AI 战略层面构建多功能AI 工具箱, 根据本文框架识别出的任务特征, 为不同环节匹配最合适的智能体专长, 并通过清晰的接口和流程, 将它们与人类员工的工作流程无缝集成,最终形成高效协同的有机整体。

4) 现有人智协作决策研究主要关注专业化分工效益, 即人类与 AI 在各自主导的子任务中发挥优势, 不可避免地导致 AI 在部分环节代替人类。然而, Balasubramanian 等[63]已警示, 这种替代策略可能引发组织机构短视和多样性衰减(如导航系统的普及导致人类定向能力退化)。本文框架通过强调人类在关键环节(如 P1, P2, P3 和 P4 模式)的不可或缺性, 为规避这一风险提供结构性保障。它提醒管理者, 在追求效率的同时, 须有意识地在协作流程中设计与保留人类关键能力的“锻炼区”。例如, P4模式中的规则制定应被视为培养员工系统分析与框架构建能力的机会, P3 模式中的监控过程则应成为训练批判性审视与伦理决策能力的实践场景。如此, 组织不仅能利用 AI 提升当下效能, 更能确保其人类团队核心能力的持续进化和组织的长期韧性。

5.4 未来研究方向

尽管本研究构建了一个系统性的人智协作框架,但这一领域仍然处于快速发展阶段, 未来的研究中可在以下几个方向进行深化和拓展。

1) 框架的实证检验与精细化修正。本文提出的理论框架与组合规则, 亟需通过严谨的实证研究进行验证与校准。未来的研究中可采取纵向案例研究的方法, 在真实组织中长期跟踪应用本文框架的团队, 考察其协作模式的演进过程、适应性挑战及长期绩效影响, 也可以开发并验证对本文框架中任务特征与协作模式的量表, 通过大规模调研, 量化验证不同特征与模式之间的匹配关系及其对工作成果的影响机制。这些实证工作将有助于修正和优化本文框架中的组合规则, 使其更加精确和可靠。

2) 动态适应性与学习机制的研究。现实工作中的任务特征与环境条件可能随时间动态地变化。未来研究的一个方向是探索动态自适应的人智协作系统。例如研究如何通过实时监测任务进程与外部环境, 开发能够自主或在人类指导下动态切换协作模式的智能系统。另一个方向是研究人类与 AI 在协作过程中如何相互学习和彼此适应。例如, 探索AI 如何从人类在 P4 模式中提供的结构化框架中学习, 提升其处理模糊任务的能力, 人类如何通过观察 AI 的决策(在 P3 模式下)来提升自身的判断力; 探索如何培养人类与 AI 系统对自身协作状态进行监控、评估与调整的“元协作”能力, 使系统具备持续的自我优化功能。

3) 跨文化、跨组织情境的适用性拓展。本文框架的普适性需要在不同情境下进行检验和丰富。未来的研究中可以探讨不同文化背景(如个人主义或集体主义)的员工在不同协作模式(如监督性的 P3与被监督性的 P5)中对 AI 的接受度以及信任建立机制是否存在系统性差异, 分析不同组织结构(如科层制与扁平化团队)、不同行业(如制造业与创意产业)对本文框架中模式选择与组合逻辑的特殊要求, 发展出更具情境化特色的子理论。

4) 前沿技术演进下的框架演进。AI 技术, 特别是智能体(agent)技术的快速发展, 将为人智协作带来新的可能性与挑战。随着具身 AI 和机器人技术在物理世界中扮演的角色越来越积极, 本文框架中基于交互紧密性的模式需要进一步细化, 以便涵盖更丰富的物理交互、安全和共融挑战。

通过上述方向的持续探索, 人智协作的研究将能更好地应对未来工作的复杂性, 最终实现人类与AI 之间更高效、更和谐和更具韧性的伙伴关系。

[1] Raisch S, Krakowski S. Artificial intelligence and management: the automation-augmentation paradox.Academy of Management Review, 2021, 46(1): 192-210

[2] Eloundou T, Manning S, Mishkin P, et al. GPTs are GPTs: an early look at the labor market impact potential of large language models [EB/OL]. (2023-03-20)[2025-09-01]. https://arxiv.org/abs/2303.10130

[3] Rahwan I, Cebrian M, Obradovich N, et al. Machine behaviour. Nature, 2019, 568: 477-486

[4] Coutu D, Hackman J R. Why teams don’t work. Harvard Business Review, 2009, 87(5): 99-105

[5] Tushman M L, Nadler D A. Information processing as an integrating concept in organizational design. Academy of Management Review, 1978, 3(3): 613-624

[6] Sowa K, Przegalińska A, Ciechanowski L. Cobots in knowledge work: human-AI collaboration in managerial professions. Journal of Business Research, 2021,125: 135-142

[7] Amershi S, Weld D, Vorvoreanu M, et al. Guidelines for human-AI interaction // Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. Glasgow, 2019: Paper 3

[8] Holter S, El-Assady M. Deconstructing human-AI collaboration: agency, interaction, and adaptation. Computer Graphics Forum, 2024, 43(3): e15107

[9] Jain R, Garg N, Khera S N. Effective human-AI work design for collaborative decision-making. Kybernetes,2022, 52(13): 5017-5040

[10] Saha G C, Kumar S, Kumar A, et al. Human-AI collaboration: exploring interfaces for interactive machine learning. Journal of Propulsion Technology, 2023, 44 (2): 1014-1024

[11] Seeber I, Bittner E, Briggs R O, et al. Machines as teammates: a research agenda on AI in team collaboration. Information Management, 2020, 57(2): 103174

[12] 张燕, 王海珍. 人工智能将全面取代人类吗? I. 基于人工智能与人类智能工作条件和优势的任务特征-分类模型. 北京大学学报(自然科学版), 2026,62(1): 1-20

[13] Bainbridge L. Ironies of automation // Analysis, Design and Evaluation of Man-Machine Systems. Oxford:Pergamon, 1983: 129-135

[14] Phillips P J, Hahn C A, Fontana P C, et al. Four principles of explainable artificial intelligence [R].Gaithersburg: National Institute of Standards and Technology, 2021: NIST IR 8312

[15] Akata Z, Balliet D, De Rijke M, et al. A research agenda for hybrid intelligence: augmenting human intellect with collaborative, adaptive, responsible, and explainable artificial intelligence. Computer, 2020, 53 (8): 18-28

[16] Riedl M O. Human-centered artificial intelligence and machine learning. Human Behavior and Emerging Technologies, 2019, 1(1): 33-36

[17] Lyons J B, Sycara K, Lewis M, et al. Human-autonomy teaming: definitions, debates, and directions. Frontiers in Psychology, 2021, 12: 589585

[18] Rokach L. Ensemble-based classifiers. Artificial Intelligence Review, 2010, 33(1): 1-39

[19] Parker S K, Grote G. Automation, algorithms, and beyond: why work design matters more than ever in a digital world. Applied Psychology, 2022, 71(4): 1171-1204

[20] Haesevoets T, De Cremer D, Dierckx K, et al. Humanmachine collaboration in managerial decision making.Computers in Human Behavior, 2021, 119: 106730

[21] De Cremer D, Kasparov G. AI should augment human intelligence, not replace it. Harvard Business Review,2021, 99(1): 1-8

[22] Grønsund T, Aanestad M. Augmenting the algorithm:emerging human-in-the-loop work configurations. The Journal of Strategic Information Systems, 2020, 29(2):101614

[23] Makarius E E, Mukherjee D, Fox J D, et al. Rising with the machines: a sociotechnical framework for bringing artificial intelligence into the organization. Journal of Business Research, 2020, 120: 262-273

[24] Lu Y, Garcia R, Hansen B, et al. The state-of-the-art in predictive visual analytics. Computer Graphics Forum,2017, 36(3): 539-562

[25] Yang Q, Steinfeld A, Rosé C, et al. Re-examining whether, why, and how human-AI interaction is uniquely difficult to design // Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems.Honolulu, 2020: doi: 10.1145/3313831.3376301

[26] Mou Y, Xu K. The media inequality: comparing the initial human-human and human-AI social interactions.Computers in Human Behavior, 2017, 72: 432-440

[27] Wang D, Churchill E, Maes P, et al. From humanhuman collaboration to human-AI collaboration: designing AI systems that can work together with people //Extended Abstracts of the 2020 CHI Conference on Human Factors in Computing Systems. Honolulu, 2020:doi: 10.1145/3334480.3381069

[28] El-Assady M, Moruzzi C. Which biases and reasoning pitfalls do explanations trigger? Decomposing communication processes in human-AI interaction. IEEE Transactions on Visualization and Computer Graphics,2022, 28(6): 2690-2703

[29] Cai C J, Winter S, Steiner D, et al. “Hello AI”: uncovering the onboarding needs of medical practitioners for human-AI collaborative decision-making. Proceedings of the ACM on Human-Computer Interaction,2019, 3(CSCW): 104

[30] Maadi M, Akbarzadeh-Khorshidi H, Aickelin U. A review on human-AI interaction in machine learning and insights for medical applications. International Journal of Environmental Research and Public Health,2021, 18(4): 2121

[31] Sperrle F, Jeitler A V, Bernard J, et al. Learning and teaching in co-adaptive guidance for mixed-initiative visual analytics // EuroVis 2020 Posters. Norrköping:EuroGraphics, 2020: 61-65

[32] Agbese M, Alanen H K, Antikainen J, et al. Governance of ethical and trustworthy AI systems: research gaps in the ECCOLA method // 2021 IEEE 29th International Requirements Engineering Conference Workshops (REW). Online Meeting, 2021: 224-229

[33] Rezwana J, Maher M L. Understanding user perceptions, collaborative experience and user engagement in different human-AI interaction designs for co-creative systems // Proceedings of the 14th Conference on Creativity and Cognition. Venice, 2022: 38-48

[34] Shneiderman B. Human-centered artificial intelligence: reliable, safe trustworthy. International Journal of Human: Computer Interaction, 2020, 36(6): 495-504

[35] Xu F, Uszkoreit H, Du Y, et al. Explainable AI: a brief survey on history, research areas, approaches and challenges // CCF International Conference on Natural Language Processing and Chinese Computing. Dunhuang, 2019: 563-574

[36] 黄海丰, 刘培森, 李擎, 等. 协作机器人智能控制与人机交互研究综述. 工程科学学报, 2022, 44(4):1-15

[37] Schmidtler J, Knott V, Hölzel C, et al. Human centered assistance applications for the working environment of the future. Occupational Ergonomics, 2015, 12(3): 83-95

[38] Choudhary V, Marchetti A, Shrestha Y R, et al. Human-AI ensembles: when can they work?. Journal of Management, 2025, 51(1): 205-232

[39] Kruse F, Dmitriyev V, Gómez J M. Building a connection between decision maker and data-driven decision process // European Conference on Data Analysis(ECDA). Lüneburg, 2017: 77-78

[40] Hosanagar K, Ahn D. Designing human and generative AI collaboration [EB/OL]. (2024-12-20) [2025-09-01]. https: //arxiv.org/abs/2412.14199

[41] Yagoda R E, Gillan D J. You want me to trust a ROBOT? the development of a human-robot interaction trust scale. International Journal of Social Robotics, 2012, 4(3): 235-248

[42] Puranam P. Human-AI collaborative decision-making as an organization design problem. Journal of Organization Design, 2021, 10(2): 75-80

[43] Efatmaneshnik M, Handley H A. Task complexity measurement framework for human systems integration. IEEE Systems Journal, 2020, 15(2): 2787-2797

[44] Wood R E. Task complexity: definition of the construct. Organizational Behavior and Human Decision Processes, 1986, 37(1): 60-82

[45] Thompson J A. The second wave of educational reform: implications for school leadership, administration and organization [R]. Washington DC: ERIC, 1986

[46] Granulo A, Fuchs C, Puntoni S. Preference for human(vs. robotic) labor is stronger in symbolic consumption contexts. Journal of Consumer Psychology, 2021, 31(1): 72-80

[47] Jarrahi M H. Artificial intelligence and the future of work: human-AI symbiosis in organizational decision making. Business Horizons, 2018, 61(4): 577-586

[48] Guo C, Lu Y, Dou Y, et al. Can ChatGPT boost artistic creation: the need of imaginative intelligence for parallel art. IEEE/CAA Journal of Automatica Sinica, 2023,10(4): 835-838

[49] Arango L, Singaraju S P, Niininen O. Consumer responses to AI-generated charitable giving ads. Journal of Advertising, 2023, 52(4): 486-503

[50] Martinez-Arellano G, Cant R, Woods D. Creating AI characters for fighting games using genetic programming. IEEE Transactions on Computational Intelligence and AI in Games, 2016, 9(4): 423-434

[51] 李白杨, 白云, 詹希旎, 等. 人工智能生成内容(AIGC)的技术特征与形态演进. 图书情报知识,2023(1): 1-15

[52] Koch-Bayram I F, Kaibel C. Algorithms in personnel selection, applicants’ attributions about organizations’ intents and organizational attractiveness: an experimental study. Human Resource Management Journal,2024, 34(3): 733-752

[53] Siau K, Wang W. Artificial intelligence (AI) ethics:ethics of AI and ethical AI. Journal of Database Management, 2020, 31(2): 74-87

[54] Timmermans J, Stahl B C, Ikonen V, et al. The ethics of cloud computing: a conceptual review // 2010 IEEE Second International Conference on Cloud Computing Technology and Science. Indianapolis, 2010: 614-620

[55] Jarrahi M H, Newlands G, Lee M K, et al. Algorithmic management in a work context. Big Data Society, 2021,8(2): 1-14

[56] 张兆翔, 张吉豫, 谭铁牛. 人工智能伦理问题的现状分析与对策. 中国科学院院刊, 2021, 36(11): 1-10

[57] Frey C B, Osborne M A. The future of employment:how susceptible are jobs to computerisation?. Technological Forecasting and Social Change, 2017, 114:254-280

[58] Bojarski M, del Testa D, Dworakowski D, et al. End to end learning for self-driving cars [EB/OL]. (2016-04-12)[2025-09-01]. https://arxiv.org/abs/1604.07316

[59] Bicchi A, Tonietti G. Fast and ‘soft-arm’ tactics: dealing with the safety-performance trade-off in robot arms design and control. IEEE Robotics Automation Magazine, 2004, 11(2): 22-33

[60] Tahri O, Mezouar Y, Chaumette F. Decoupled Imagebased visual servoing for cameras obeying the unified projection model. IEEE Transactions on Robotics,2010, 26(4): 684-697

[61] Su J. Robotic uncalibrated visual serving based on ADRC. Control and Decision, 2015, 30(1): 1-8

[62] Hekler A, Utikal J S, Enk A H, et al. Superior skin cancer classification by the combination of human and artificial intelligence. European Journal of Cancer,2019, 120: 114-121

[63] Balasubramanian N, Ye Y, Xu M. Substituting human decision-making with machine learning: implications for organizational learning. Academy of Management Review, 2022, 47(3): 448-465