管理学顶刊MS：职场引入AI是否会弄巧成拙？

——学 术 动 态——

根据《Management Science》官方网站消息，奥本大学哈伯特商学院的Di Yuan、马里兰大学史密斯商学院的Manmohan Aseri以及匹兹堡大学卡茨商学院的Narayan Ramasubbu共同完成的研究成果《Backfiring AI? AI Deployment in Workplace》已在管理学顶级期刊《Management Science》在线刊登。

标题：Backfiring AI? AI Deployment in Workplace

事与愿违的人工智能？职场中的人工智能应用

Di Yuan

奥本大学哈伯特商学院

Manmohan Aseri

马里兰大学史密斯商学院

Narayan Ramasubbu

匹兹堡大学卡茨商学院

Companies are swiftly integrating AI technologies to boost staff capabilities and business results, aiming to extract value. The integration of AI into business processes allows for the monitoring of high achievers' actions and the encoding of best practices into recommendation engines and training modules. The growing adoption of AI indicates managers' hope that AI-driven knowledge sharing will enhance overall company performance. Nevertheless, implementing AI in the workplace might alter the competitive landscape among staff. The AI system can acquire knowledge from top performers and distribute it to the rest. In a competitive setting, this could demotivate high achievers and ultimately be counterproductive, causing a drop in total firm productivity. This paper investigates the issue of employee incentives when deploying AI in a competitive work environment using a game-theoretic framework. Our findings indicate that when staff compete using both tangible ("hard") and intangible ("soft") skills, corporate policies that encourage AI-driven knowledge transfer and outcome-based pay might reduce firm performance. We demonstrate that the returns from AI implementation rely on workforce diversity, dependence on hard skills, the skill gap among employees, and AI effectiveness. Using our model, we propose policy suggestions to maximize the returns on organizational AI investments. Our results imply that seemingly straightforward fixes, such as guaranteeing or raising the wages of negatively impacted employees, might not effectively resolve the issue, and firms need to carefully select the optimal level of AI efficacy to achieve superior results.

企业为了挖掘人工智能（AI）技术的潜力，正加快引入这些技术，旨在强化员工素质并优化业务表现。AI渗透进企业的运营流程，使企业得以监控优秀员工的工作行为，并将优秀经验固化为推荐系统和培训课程。AI应用日益普及，体现了管理层的期望：即AI驱动的知识传播将带动公司整体业绩。不过，在职场中应用AI可能重塑员工间的竞争态势。AI系统能够向优秀员工汲取经验，并把这些知识分享给其他人。在竞争氛围中，这可能会打击优秀员工的积极性，最终产生负面效应，致使公司整体效率降低。本研究运用博弈论模型，探讨了在竞争性职场中应用AI时引发的员工动力难题。结果显示，当员工利用有形的“硬”技能和无形的“软”技能展开竞争时，那些推崇AI辅助知识传播以及基于任务结果薪酬的企业策略，或许会拖累公司业绩。我们阐明，AI应用的成效受制于员工队伍的差异性、对硬技能的倚重、员工间的技能差异以及AI的效率。依托模型，我们制定了旨在优化组织AI投资回报的政策建议。研究指出，某些看似简单的对策（比如，保障或提升受波及员工的薪资）可能无法妥善处理问题，企业必须明智地挑选最佳的AI效率层级，以取得更佳成效。

旨在利用人工智能技术创造效益，企业正急切地在工作场所推广该技术，期望能提升员工技能并改善业务成果。人工智能系统有能力追踪高绩效员工的任务执行细节，并将最优做法转化为推荐机制及培训计划，从而推动知识共享。管理者普遍认为，通过人工智能实现的知识互通将提升企业整体业绩。然而，职场中的人工智能推广可能改变员工间的竞争局面：系统向高绩效人员学习并将知识传递给其他人员，在竞争条件下可能抑制高绩效人员的奋斗意愿，最终造成企业生产效率滑坡。鉴于此，本文着重探讨在竞争性薪酬体系下引入人工智能所诱发的员工激励困境。

本研究运用博弈论模型，评估了在按绩效付酬（PFP）情境中，人工智能应用对企业业绩的具体作用。研究发现，若员工同时依赖可编码的“硬”技能与难以编码的“软”技能进行角逐，那些侧重人工智能知识传播以及基于任务成果分配薪酬的企业策略，反而可能削弱企业整体业绩。人工智能应用的效果受多重因素制约：员工队伍的异质性、对硬技能的依赖度、员工间的技能落差以及人工智能的知识传播效率。虽然部分管理者觉得保障受影响员工薪资等简易手段能解决问题，但模型结论表明这些举措往往收效甚微。本文进一步提出了旨在优化组织人工智能应用收益的政策建议，并强调企业需谨慎抉择最适宜的人工智能效率标准。

模型假设企业员工具备两类技能：有形（硬）技能能被人工智能系统识别并习得，无形（软）技能则难以被数字化。员工按技能水平被划分为四组：HH（高硬/高软）、HL（高硬/低软）、LH（低硬/高软）及LL（低硬/低软）。企业实施双层级薪酬体系，包含基础工资率与奖金工资率，并依据产出排名来分配奖金。人工智能借助知识传播来增强低硬技能员工的实际能力，其效率由参数f∈(0,1)界定。员工通过调配硬技能与软技能的劳动投入来追求个人效用最大化，企业利润则等于总产出减去薪酬成本。模型利用理性预期均衡来求解员工在不同排名预期下的决策，并对比人工智能应用前后的总产出与利润。另外，模型还延伸探讨了薪资保障政策、人工智能效率的优化选择以及战略性招聘等缓解措施。

研究结论显示，在按绩效付酬的背景下引入人工智能可能引发事与愿违的后果。具体来说，当员工间的硬技能差距不大且劳动力中高硬低软（HL）型员工占比较高时，企业总产出与利润在人工智能应用后会缩减。高硬高软（HH）型员工的利益未受波及，高硬低软（HL）型员工的利益受损，而低硬高软（LH）与低硬低软（LL）型员工的利益则得到改善。薪资保障政策不仅难以有效阻止利润下跌，甚至可能加剧企业业绩的恶化。企业通过选取低于排名反转阈值的人工智能效率水平，能够规避对HL型员工的负面激励；战略性招聘虽能调整劳动力构成，但在高昂招聘成本下作用有限。本文建议企业将人工智能系统配置与任务架构相协调，确认并补偿员工生成训练数据的隐性贡献，并采取模块化劳动分工来减轻非自愿知识传播引发的竞争与激励矛盾。