這是鼎叔的第一百零九篇原創文章。行業大牛和剛畢業的小白，都可以進來聊聊。
歡迎關注本公眾號《敏捷測試轉型》，星標收藏，大量原創思考文章陸續推出。
人工智慧 2.0 時代，人會被機器替代的擔憂一波又一波。AI 時代一定會產生新的商業機會和新的崗位，這些崗位來自人機協作的中間地帶，讓人類能在職場上更有人性地工作。
本文部分觀點來自埃森哲技術研究團隊。
人工智慧帶來了企業的第三次轉型浪潮，第一次浪潮的標誌是標準化流程，第二次浪潮是自動化流程，第三次就是自適應流程了。這種自適應能力是由實時資料驅動，而非一系列事先設定的步驟驅動的。自適應流程持續提供了更優的結果，讓前沿企業獲得了盈利。
人和機器的融合時代
過去工廠的自動化生產線，人和機器人（機器臂）通常是隔離開的，機器經常是圍在防護屏障裡，隨著各種感測器和深度識別演算法的應用，機器人可以和人類進行貼身合作了。
機器人可以自動感知環境，控制自己手臂的觸碰力度，不會給工人造成傷害。工人就可以進行更復雜的精細化調整，把時間花在更需要創意的地方，雙方都能獲得更高的效率。
新一代的工業製造平臺建立了一套 “數字孿生” 的概念，把工廠所有的裝置資產都在計算機上進行監控和建模，從螺栓到傳送帶，這樣可以大量蒐集執行資料，最終實現生成業務流水線的重構：
重構維護方式。AI 能預測哪些部件可能發生故障的時間。
重構產品開發。透過蒐集的過程資料分析，AI 幫助研發工程師瞭解系統內部執行變化情況。
重構測試方式。基於數字孿生收集的現場資料，構建虛擬的極限災難情況進行虛擬測試，大幅降低測試成本，大幅最佳化輸出結果。
基於 AI 的業務工作流程重構，不僅適合智慧化工廠，也適合物流倉庫領域，精準農業生產領域，市場銷售管理領域…
這不就是國家說的 “新質生產力” 麼？
AI 讓機器無需明確程式設計的情況下具備自主學習能力。傳統 IT 時代的程式設計師利用靜態程式碼設定啟動的預定路徑，到了 AI 時代就會轉型成教練，根據資料更新改變內部模型和看世界的方式。
當員工不用去承擔機器一樣的重複任務和低可見性任務時，員工的工作就更有人性了。
研發流程中的 AI
我在測試右移中提到，使用者反饋的處理和改進，是服務品質提升的關鍵閉環，但是這些環節非常煩瑣：投訴的讀取，標記分類，處理，初步判斷。這些非結構化資訊以往只能交給人工處理，現在交給 AI 進行初步處理是非常高效的，準確率可以達到 90%。參考 聊聊大模型如何為敏捷研發提效
人類這個時候也不是置身事外，他對於機器的可疑標註會進行進一步調查和採取行動。
同樣的分級協作流程也在金融風控公司中應用得很成熟。
對於科研實驗行業，一個科學實驗的過程是非常漫長枯燥的，且成本高昂的，但由於科學方法的步驟非常明確，AI 就可以對這個過程進行重構。人類研究員很擅長提出創新性見解，但機器在資料組織和資料呈現方面做得更好，幫助人類研究員在幾個月內完成幾年的研究成果。機器學習平臺負責發現可疑的觀察資料（假設階段），研究員進一步發現隱藏的因果關係。
在產品設計領域，公司利用 AI 和大資料生成無數的可選方案，設計師藉此縮小實驗範圍來挑選最佳方案，更快地將更多優質的產品推向市場。
過去，因為研發專案的極高失敗機率，公司通常不會投資不保險的研究專案，這樣就抑制了創新落地的可能性。但當 AI 被加入到研發渠道中，就可以加速新專案的研發過程，提高專案的成功率。
營銷領域的 AI
品牌廣告和銷售領域的 AI 應用更是屢見不鮮。基於感測器和 AI，廠家賣的是持續服務（照明服務），而不是壽命短的產品（燈泡）。
在零售商場，可以透過 AI 來判斷不同店鋪員工的繁忙程度，合理配置服務人員，提高銷售額。在零售商店，AI 在做最擅長的事（透過資料提出行動建議），人類也在做擅長的事（透過判斷和社交技能幫助顧客滿足需求）。
零售個性化的背後就是道德風險，使用者可能擔心自己的隱私被商場機器監聽，私人資料被採集，用於商業用途。
基於 AI 的品牌擬人化設計是一種很好的策略，比如有些企業的數字人主播，但要小心，海量客戶對 AI 數字人互動的評價，會極大影響品牌形象，數字人的各種特徵也都屬於公司決策問題，代表著公司的價值觀。
人機協作 - 中間地帶的新崗位
機器的優勢在於速度，準確性，重複性，資料預測和擴充套件性等。
人的優勢在於創造性，靈活性，判斷力，社交能力和領導力，
企業認識到雙方的相對優勢，可以同時提高員工的效率和動力，不應該把雙方視為爭搶工作的對手，而是重構業務流程，讓雙方成為盟友，大幅提升業績。
圖片
除了人類專門活動和機器專門活動，中間有很多地帶是人機可以協作的，要麼是人類彌補機器的不足，要麼是 AI 賦予人類超強能力。
從人類彌補機器的不足出發，可以做的新工作有三類：
AI 系統的訓練師
訓練師要做的主要工作內容有：清理上傳的資料，標記資料以便更好的使用，把機器訓練得更像人類。
訓練師可以從人的喜好厭惡視角進行標註，讓 AI 知道字面以外的常識，識別很細微的差異。
招聘優秀的訓練師，應該考察他/她掌握多少隱性知識，以及是否懂得訓練機器的同理心，前提是自己具有強大的同理心。
大模型時代所有的 AI 產品幾乎都具備閒聊能力，訓練師如果幫助 AI 具備更強的同理心，甚至幽默感，就更能贏得使用者的芳心。
招聘訓練師的另外一個優秀能力要求，是人性化設計，怎麼讓 AI 更通人性，在使用者不同情緒下能夠安撫使用者情緒，用更合適的語氣讓使用者接受建議，這種設計能力價值極大。
因此，優秀的訓練師可能有完全不同的學科背景，比如心理諮詢，編劇，社會學，作家，詩人。
還有一類優秀能力，就是全球視野和本地文化的深刻理解。AI 產品的國際化大潮，可能會讓不同國家的使用者接觸該產品，那麼懂得宏大世界觀和本地化文化的訓練師就能確保地域差別被照顧到，增強不同國家種族使用者的信任感，減少文化衝突的災難。
既然是訓練師，離不開一類巨大作用的平臺能力，眾包訓練，這塊在本公眾號將來的主題中可以再展開。
眾所周知，資料的質量和偏好，會直接影響訓練的結果，因此訓練師也承擔了資料衛生員的重大職責，一方面要給資料偏好進行分類（並不是扔掉，而是用在不同的任務上），另一方面把資料廢氣（看起來價值很低的採集資料）進行標準化處理和儲存，將來可能用得上。
AI 系統的解釋師
AI 產品的不可解釋性可能給公司輿情帶來巨大的負面風險，讓管理層對 AI 黑箱屬性產生不安全感，因此 “解釋師” 的價值就更加重要了。他要做的重要工作有兩類：
透過觀察和分析演算法找出機器的可解釋性。更新介面以增強演算法的可解釋性。
檢查機器各種輸出的一致性和合規性，將輸出結果轉化為見解，解釋給利息相關方和客戶，解讀機器的運作模式。
常見的場景，比如貸款風控環節，解釋師讓使用者更容易理解為什麼貸款會被拒絕。
解釋師的產出反過來也讓業務團隊受益，比如幫助團隊發現有趣的關聯巧合。
解釋師也是最佳的應對監管部門的介面人，解釋影響客戶的行動的合理性，或者配合專業人員對演算法進行 “取證”。
當系統演算法出現錯誤，解釋師能夠藉助工具解剖問題，找到原因。
解釋師要考慮準確性和可解釋性的平衡關係，幫助決策 AI 系統哪些內容採用更黑箱技術，哪些內容採用透明化的傳統規則技術。
運營 AI 系統的維護師
只有不到 1/3 的公司對 AI 的公平性和可稽核性有足夠信心。
確保 AI 系統正確執行，不傷害員工和使用者，消除外部的不安全感，就是維護師的崗位價值。
他的主要工作是：監督機器的表現，在必要情況下對它進行約束限制，可持續發展，維繫好利益相關者的信心。適當時機降級或移除系統。
限制來源於道德和法規。監督則來自設計出 AI 增強人類工作能力的介面，來自對資料的檢查和標記誤差，對 AI 的批判性思考。
“道德合規” 是維護師的核心職責。比如上面的信貸風控例子，如果 AI 出現地域歧視和種族歧視，維護師就需要和演算法工程師合作，調查潛在的道德和違法問題。訓練 AI 理解高階的倫理文化也是一條防範之路。
學會解釋自動化倫理，評估 AI 帶來的非經濟影響。AI 自動化給從業人員帶來的失業恐慌和社會擔憂，在前段時間的 “蘿蔔快跑” 新聞中體現得淋漓盡致。
最後，維護師也可以成為 AI 機器的 HR。比如讓效能差的機器降級甚至停用。比如讓 AI 系統的運作符合公司的價值觀。
AI 賦予人的超能力
上圖中間地帶右邊的三種方式，代表著 AI 可以給人類帶來的三種超能力，這很容易理解。
增強：生成式 AI 提供了海量的設計成果，超出了人類的理解範圍。AI 可增強人類的視覺化，環境感知，根因挖掘能力等。
互動：各種 AI 助手問答機器人。
體現：增強了人類的身體能力，如視覺（VR/AR），生產流水線重新以人為中心進行組織，減少身體損傷。
重構業務流程的五大原則
新崗位對管理者也提出更高要求，換個角度理解人機團隊，基於五大原則（思維模式，實驗，領導力，資料，技能）重構流程，管理者應重新思考人才培養策略。人的挑戰往往超過技術的挑戰。
思維模式
管理者要學會發現和描述流程重構的可能性。客戶體驗中的任何痛點都是機會，高階 AI 能否抓住這個機會？
要重構的是內部煩瑣的流程，還是外部耗時的流程？識別這點很不容易，但識別後給出實現方法更不容易，它需要團隊（AI 技術專家，業務專家，現場員工）的共同創造。
實驗
公司創造出一種實驗文化，先行一步，發現可以改進的使用者體驗細節、準確性和自動化場景。比如無人零售店的實驗。
領導力
建立能夠促進人工智慧可靠性的企業文化很難，這種信任缺失需要領導者安排好角色和互動，對員工說清楚 AI 的收益和流程的變化。領導者也鼓勵員工帶著懷疑精神對 AI 變化進行甄別。
藉助前文的角色，提升人類對機器的信任感：
設立流程中的安全護欄（維護者支援）
解釋師把關結果
建立演算法問責制，鼓勵人來承擔系統故障的責任
讓使用系統的人參與到流程重構的實踐中，並賦予一定的決策自主權。
資料
我們必須獲得豐富和龐大的資料，才能訓練出優秀的 AI 系統，資料意識是最終促成行動的推進器。資料供應鏈必須是動態的，儘可能增強資料來源多樣性，移除資訊流動的障礙，提升訪問速度，讓非技術人員也能觀察資料，有高階主管對資料供應鏈負責。
人機協作融合的技能
未來需要的新一代工作技能，每一項都融合了人和機器的強項，包括：
迴歸人性，從基於機器的時間分配，轉移到基於人的時間分配上，讓人利用好機器提供的額外時間。
負責任的引導，對員工對公眾推廣新型人工智慧，強調引進 AI 是為了讓員工更成功，而不是為了裁員。
判斷整合的時機。鼓勵員工發展自己的直覺，識別偏離道德跡象，知道何時人工介入。
追問能力。機器在被訓練的過程中，也在訓練人類如何使用機器，互相學習。prompt engineering 就是這種技能，知道如何讓輸出結果更有意義，哪些輸入資料會使結果偏離。
融合人機能力。學會用最佳方式集合和部署機器人，學會人機能力配合使用，最大化提升效果。比如利用多種 AI 寫金融報告，利用 AI 做招聘等。
總結：
真正的問題不是人被機器取代，而是絕大部分人沒有做好充分的準備，來填補缺失的中間地帶的新崗位需求。
真正實踐 AI 協作新流程的環境裡，人會更有當主人公的全域性把控感，像一個小 CEO 一樣在工作，指揮一批 AI 智慧助手，而不是像以前一樣耗費在瑣碎重複的事情上。