如何看待AI+业务场景赋能情况？

在 AI+ 业务赋能方面，各行各业已有丰富的探索和应用。

1.AI+ 业务赋能场景 1： 用 AI 促进知识运用

AI 的应用，可以促进组织内知识的收集、存储、分享和运用，对部分环节的自动化， 可以让知识运用的效率更高、质量更佳、成本更低，甚至推动业务的提质增效和创新。 本次对“用 AI 促进知识运用”的 4 个典型 AI 应用，调研了业务管理的期待。总 体而言，业务管理者对于调研的 4 个应用的期待均处于较 高水平。其中“AI 自动收集和分发知识”、“AI 对业务知识库进行自动分类和打标签” 的期待接近，均超过了 7.5 分。 

从行业、企业性质、业务规模、人员规模来看，业务管理者对于调研的 4 个 AI 促进知识运用的应用总体期待和每一项应用的期待存 在差异。 通讯业、科技服务业、工业、外资企业、超大规模企业的业务管理者对所有 4 个应用的期待均较高，这或与这些行业和企业具备一定的 AI 技术、人才、战略和 投资储备有关。 “AI 对业务知识库进行自动分类和打标签”与“AI 自动收集和分发知识”几 乎是所有分类维度下不同组织的业务管理者最为期待的两项应用。金融业业务管理者 的期待排序略有不同，他们将“AI 知识分析和洞察”这项 AI 应用排在了第二位。工 业领域的管理者则更看重“AI 将知识服务嵌入工作流”这一应用。

超大型组织（营收 300 亿 / 人员 10000 人以上）的业务管理者对 4 个应用的期待最高，中小组织（营收 300 亿 / 人员 300 人以下）的期待次之，中大型组织（营 收 3 亿—300 亿 / 人员 300—10000 人）的期待相对最低。这一差异可能与不同规模组 织的管理成熟度和资源储备有关。超大型组织由于管理体系完善且具备扎实的数据基 础，更容易采纳和实施 AI 技术。中小型组织由于自身积累较少，可能更容易接纳新 技术，而中大型组织可能面临资源不充分、数据不规范的问题，导致其对 AI 的战略 和投入选择产生影响，进而影响管理者的认知。

从管理层级、部门、年龄来看，业务管理者对 AI 促进知识运用的四个应用的期待也存在差异。

基层管理者、研发和技术、销售与市场、客户服务与支持的业务管理者对于 AI 这 4 个应用的期待整体较高。

AI 对业务知识库进行自动分类和打标签”和“AI 自动收集和分发知识”几 乎是各个分类维度下业务管理者最为期待的两项应用。这表明通过 AI 节约人力、提 高效率的价值得到了广泛认同。 然而，“AI 知识分析和洞察”这项 AI 应用在“销售与市场”和“其他”部 门的业务管理者中的期待排在了第二位。这可能是由于销售与市场部门承担着抓住市 场机会、推动业务增长的重要职责。在面对海量的非结构化信息时，他们更期待 AI 能够识别出未被注意的规律或机会，从而为业务增长提供新的动力。

从年龄来看，业务管理者对于 AI 促进知识运用的 4 个应用的期待，整体上并未呈现出明显的差异。值得注意的是，45 岁以上的管理者 对其期待略低于其他年龄段，这可能反映出该年龄段的管理者对新技术采纳的保守态 度或者对于新技术的理解存在一些差异。年轻的管理者（25 岁以下）相较于其他年龄 段的管理者，对于“AI 对业务知识库进行自动分类和打标签”和“AI 知识分析和洞 察”的期待似乎更为保守。这可能与年轻管理者更多关注与个人业务目标或决策相关 的 AI 应用有关。随着管理者年龄和职位的提升，他们的职责可能会更多地转向组织 整体的降本增效和长期竞争力的打造

2.AI+ 业务赋能场景 2：用 AI 承担业务专家角色

在专家匹配和服务方面，通过运用 AI 技术和大数据支持，可以实现专家与需求 的更精准、高效匹配，并提供便捷的咨询交流途径。同时，借助 AI 技术，还可以构 建专家个人知识库，打造专家的数字分身，让专家服务实现“及时获得”和“无处不 在”，进而促进专家经验和智慧的高效转化和应用。 在“用 AI 承担业务专家角色”场景调研中，主要针对专家匹配和服务场景中的 两个 AI 赋能应用进行了深入探究。总体而言，业务管理者 对两个应用的期待普遍较高，在 10 分的刻度中，期待得分分别为 6.96 分和 7.38 分。 其中对“专家数字分身”的期待尤其强烈。这一方面说明管理者对于专家知识和经验 在业务价值上的高度认可，同时也说明管理者极为期待可以通过 AI 便捷高效地获得 这些知识及经验。

从行业、企业性质、业务规模、人员规模来看， 将 AI 作为核心经营业务的通讯业和科技服务行业、意识领先且资源较为充沛的外企，以及规模效应显著的超大型企业，对 AI 在专家匹配和服务中的应用持有相对较高的 总体期待。同时，无论是哪一类组织，管理者对“专家数字分身”较之“AI 匹配业 务专家”的期待普遍更高，这一点呈现出了跨组织的一致性。这也意味着管理者对于 解决问题的效率和可靠性的普遍追求。

从管理层级和年龄来看，管理者对 AI 在专家 匹配和服务应用的期待程度与其管理层级和年龄成负相关关系。具体而言，基层管理 者和年轻的管理人员对 AI 技术的接受度和认可度普遍超过了中高层管理者和更为资 深的管理人员。值得注意的是，无论管理层级如何，业务管理者对“专家数字分身” 与“AI 匹配业务专家”两项技术的期待呈现出一个共同趋势：对“专家数字分身” 的期待普遍高于对“AI 匹配业务专家”的期待。

从部门来看，客户服务与支持、研发与生产、销售与 市场等领域的业务管理者对 AI 承担业务专家角色的期待普遍高于其他部门。来自“解 决方案”部门的管理者对 AI 在专家匹配和服务上的预期相对较低，且相比之下，这 些管理者对“AI 匹配业务专家”期待更高。这种差异可能表明“解决方案”部门所 面临的问题往往更加复杂和定制化，仅复制过往的经验和实践已不足以解决这些问题， 更需要人类专家进行多角度的判断和创新性的思考。即使是相同的问题，在不同客户和情境下，也可能需要考虑不同的变量和因素。此外，这一发现暗示“解决方案”部 门的工作可能对人类专家的情感激励和支持需求也较大，而不仅仅是专业知识本身。 因此，业务管理者表现出更强烈的需求，希望能够“匹配到人”――即找到合适的人 类专家，而不是单纯依赖“知识”的数字化和复制。这一趋势清晰地表明了在人机协 作中，人类专家的独特价值仍然不可替代，特别是在需要深层次思考和情感交流的场 景中。

3.AI+ 业务赋能场景 3：用 AI 承担赋能助理角色

AI 技术的发展，尤其是 AIGC 的突破性发展，使得组织的经验萃取和传承、员工 赋能和组织能力建设有望在技术的加持下，更为精准和科学地进行开展，获得更高的 质量和效率。 本次针对AI在承担赋能助理角色的4个应用调研了业务管理者的期待。总体而言， 业务管理者对于调研的四个应用均有较高期待，在 10 分的 刻度中，期待得分均在 7.1 分左右。其中对“管理者的 AI 助理”期待最高，得分为 7.18 分。

从行业、企业性质、业务规模、人员规模来看， 将 AI 作为核心经营业务的通讯业和科技服务行业、意识领先且资源较为充沛的外企， 以及规模效应显著的超大型企业，对 AI 在承担赋能助理角色的应用持有相对较高的 总体期待。

工业领域的管理者对“管理者的 AI 助理”提供的组织能力诊断以及员工提升 建议方面抱有较高的期待。这可能与工业领域的“生产自动化”特性有关，相比于服 务行业，工业生产更易于实现标准化和模式化，这为 AI 技术的应用提供了更有利的 环境。

中大型组织的管理者对于“AI 承担赋能助理角色”的总体期待相对最低。 超大型组织对于“AI 经验萃取”、“管理者的 AI 助理”的期待高，而中小 型组织的管理者则对“AI 辅助业务课程开发”和“员工的 AI 导师”有着更高的期待。 这意味着，当组织规模较小时，组织更侧重于企业课程资源和员工能力建设，对共性、 标准化课程资源建设的需求以及员工技能提升的需求更为迫切。而随着组织规模的扩 大和初步积累的完成，组织将更加关注组织能力的建设以及更具有针对性的经验服务 支持。

从管理层级、年龄来看，管理层级和年龄与管 理者对于 AI 承担赋能助理角色的期待负相关。

从部门来看，销售与市场、研发与生产、客户服务与 支持的业务管理者普遍对“AI 扮演赋能助理角色”持较高的期待。相比之下，解决 方案部门的管理者期待较低。针对特定的 AI 应用，不同部门的业务管理者表现出了 各自的期待偏好： 销售与市场部门的管理者特别期待“AI 经验萃取”和“管理者的 AI 助理”。 这可能基于该部门对于市场动态的快速反应的需要和对经验积累的重视，以及对组织 能力建设进行快速迭代的需求。

研发与生产部门的管理者则更加看重“AI 辅助业务课程开发”和“管理者的 AI 助理”。这反映了研发与生产环节对于专业知识传承和创新能力提升的迫切需求。 客户服务与支持部门的管理者高度期待“AI 经验萃取”和“AI 辅助业务课程 开发”。由于该部门直接面向客户，因此对于经验的系统化整理和员工能力的快速提 升有显著的诉求。 销售与市场、客户服务部门作为“人员密集型”部门，对于课程开发、经验萃取、 组织能力建设有较大的需求，因而对 AI 在这些方面的应用价值持积极态度。而解决 方案部门因其工作性质的专业性和复杂性，可能导致其在 AI 应用上的需求更倾向于 标准化的课程体系建设，以便在高专业度和灵活性的背景下提供基础的培训和支持。