1、组织中的AI：替代 or 协同

随着数智时代的到来，“人工智能是否会取代人类的工作”成为经久不衰的话题。近期，美国OpenAI研发的ChatGPT引起关注，它能够自主完成撰写邮件、文案、代码等任务，并实现与人类的交互，“人工智能是否会取代人类的工作”的话题再一次引起热议，如图1所示。相比于简单的自动化代替手工任务，人工智能对商业组织更具有“破坏力”，其快速发展也给管理软件智能化带来了许多新的命题与挑战，企业管理者与决策者更需要思考未来组织中人与AI的关系，以及未来工作中人与AI的协同模式。

图1 “ChatGPT”相关话题讨论 

组织管理始终是服务于“以人为中心”的人类活动系统，因此，管理软件领域智能化的核心与难点，不是基于数据、算法的技术系统构建，而是探寻与人协同的机器智能的构建方法，以及人机协同的数智化模式。MISQ主编Rai提出：人工智能与人类需要形成一种“共生”（Symbiosis）的模式，即未来很多工作并不会完全依靠人或者完全依靠人工智能完成，而是人与机器合作完成，其中人与人工智能都应该发挥不可替代的作用[1]。人工智能在组织中是否能够发挥价值，取决于其是否能充分融入具体的知识活动场景，用人与机器的交互对人与人、人与知识交互进行弥补和提升，最终达到人机共生效果。

本文以组织协同风控为例，通过设计基于Human-AI的‘分布式刹车’协同风控，探讨人与AI的协同模式及二者不同的角色定位，并设计智能协同风控平台理论框架及Human-AI协同成长的技术路线，为企业在经营管理中设计和实现Human-AI数智化范式与组织协同管理模式提供方法借鉴。

2、基于Human-AI的‘分布式刹车’组织协同模式

风险管理全过程包括风险识别、分析、评估及决策应对[2,3]，风险识别和分析是风险防控的基础[4]。 辨识潜在的风险源即风险致因是做好风险识别与分析的基础，风险间传导的特性使得某个风险发生可能导致其他多个潜在风险的发生[5]，这种传导以业务节点或组织节点为载体[6,7]，企业经营过程中风险的发生，意味着风险将在多个业务中传导，需要多个组织部门协同应对，各类风险、多个业务与组织之间将形成复杂的耦合关系。

风险本质上是一种概率，受到业务场景中或外部环境中事件影响后，风险被触发并造成损失，有效的风险预防有助于降低风险事件发生的概率。目前大多数企业在经营活动中辨识出风险后，管理者、决策者多基于经验制定防控措施以应对风险，多将风险视为独立事件来处理，单独考虑和解决某个风险点的方法，能够对已被触发的风险进行有效控制，但忽视了风险产生的原因，缺乏由该风险引发的其他风险的解决方案设计，无法全面的解决风险问题。因此，本节综合考虑风险致因、风险传导，通过由风险管理相关人员（如风控部门、业务审批决策者等），与业务人员协同设计的风控AI助手，实现基于Human-AI的‘分布式刹车’协同风控，如图2所示。此处，协同的含义即包括企业组织部门之间的业务协同，以及人与AI的工作协同，进而实现风险协同防控。

图2 基于Human-AI的‘分布式刹车’协同风控示意图

现有风险智能防控的研究多基于企业数据，运用相关机器学习、深度学习等算法设计实现。但基于机器学习、深度学习构建的人工智能并不能提取出语义层面的特征，在模拟人的思考过程、处理常识知识和推理，以及理解人的语言方面仍然举步维艰[8]。风险防控是一项复杂协同决策问题，处理这类问题时需要业务人员或风险管理相关人员基于个人知识、经验进行思考、推理和决策，应对这类问题时有必要基于知识图谱等构建“有学识”的AI[8]，国内也有研究指出将数据与知识结合起来设计人工智能，是下一代人工智能的主要研究方向[9]。本研究拟讨论数据知识驱动的风控AI助手，为业务人员应对风险提供智能化支撑。

图2中的风控AI是由风险管理人员及场景中业务人员共同设计的，在企业经营中发生风险时，风控AI助手将为业务人员提供决策支撑，其具有数据化与知识化的特征，风控AI助手可以嵌入业务系统中，通过文字、语音、视频等形式提供风险解决方案并提醒业务人员，其具备辅助决策能力，风险决策多基于相关制度办法或业务人员知识、经验，因此，风控AI助手的设计除了相关规章制度、数据等支撑外，还需要业务人员与风险管理人员提供相关的知识、经验协同设计实现，因面对不同的风险具有不同的应对方案，且不断有新的风险涌现，因此风控AI助手需要在业务人员与风险管理人员的帮助下成长迭代。

由于风险传导的特性，对于业务场景中的风险的监测、预警、决策应对措施可能在不同的业务场景中发生，涉及多个业务场景、多个组织及多个风险，其应对需要不同业务阶段的不同组织、个人协同应对，大部分业务人员难以站在全局的角度应对复杂的风险传导问题，传统的应对多通过相关规章进行，凭借业务人员的业务能力及经验知识应对风险，难以兼顾全局。

本研究将风控AI助手置于业务场景之中，通过不断的训练学习，使其不仅具备相关风险管控的制度规范等知识，并能持续学习风险管理人员、业务人员等的决策经验，既能在业务场景中辅助业务人员协同应对风险及风险造成的后果，又能通过风控AI助手之间的连接，实现风险传导链条中的多风险同步或异步的联动预警与预控，通过风控AI助手的系统性控制能力，实现不同场景中风险的分布式控制，实现风险的提前预控与合理控制。本文将这种风险控制称之为“分布式刹车”。风控AI助手解决了跨组织协同问题，实现与业务人员、风险管理人员的组织协同，形成混合智能组织。

3、智能协同风控平台理论框架

以知识驱动AI的持续成长是智能协同平台的核心，本文以智能协同风控平台理论框架，简要说明风控AI服务设计应用的基本逻辑。理论框架分为三层，如图3所示，底层是企业内外部信息系统、数据中心等；顶层是工作门户，包括各类业务场景，AI服务嵌入这些业务场景中，辅助为业务人员应对风险；中间层即服务中台包括AI服务平台和数据服务平台，以及支撑AI服务平台和数据服务平台构建的多层知识图谱。

图3 智能协同风控平台理论框架

中间层是该理论框架核心，其最终目标是通过AI服务平台构建AI，并实现不同业务人员设计的个性AI的场景化嵌入，承担AI服务的输出功能。

数据服务平台为AI的设计和实现提供数据支撑，包括数据服务地图和数据服务清单两部分内容，其中数据服务地图实现多源、异构数据在组织、业务、系统等多个层面的语义连接，数据服务清单提供适用于各类AI的数据服务。

事理知识图谱包括场景事理图谱、业务知识图谱、数据互操作图谱三个层次，目的在于实现场景化决策知识、业务知识、数据业务知识（业务元数据）的采集、显性化、形式化与互操作，构建决策者（人与AI）、业务知识、数据之间的连接与融合，并可以在持续运营中，不断丰富、优化。该部分有两方面的作用，其一是基于场景事理图谱及业务知识图谱为AI服务的实现，提供从场景决策事件到该事件背后业务处理的知识支撑；其次，支撑AI服务的数据服务平台中的基础数据来源于企业相关信息系统数据、数据中心数据等，这些数据可能存在语义、语用等层面的异构，基于场景化数据互操作方法[10,11]，设计数据互操作图谱，为数据服务平台的构建的提供支撑。

该理论框架初步阐释了数据知识驱动的数智化新范式，如图3两边的示意说明。基于技术视角，新范式的应用模式是场景化的轻应用，技术架构是以AI服务平台为核心的中台架构，技术上是以数据知识驱动的技术模式。基于组织管理视角，未来组织的工作模式是Human-AI协同，管理模式将从流程管控向协同决策转变，组织模式旨在构建Human-AI混合的敏捷组织。除组织协同风控外，该框架也适用于企业其他业务的AI服务设计和实现。

4、Human-AI协同成长的技术路线

在未来Human-AI混合的敏捷组织模式中，AI将成为企业中的“员工”，不仅能够辅助业务人员处理业务，也能够帮助业务人员应对企业外部环境中的不确定事件如风险事件，业务人员与AI需要不断的成长以应对愈加复杂的情形。基于此，本文提出‘师傅-AI-徒弟’的Human-AI协同成长模式，如图4所示。

图4  Human-AI协同成长模式

上图中“师傅”是具有丰富业务经验的人，熟知企业业务流程与规则及不确定事件的应对方法，是“AI”的知识来源与构建者；“徒弟”是新员工或应对新不确定事件的业务人员，“AI”能够帮助“徒弟”掌握企业业务流程与规则，并引导和辅助“徒弟”应对不确定性事件，“徒弟”能够在“AI”的帮助下不断学习成长，同时，在应对不确定事件的过程中，认识到AI的不足，成长为“师傅”并对“AI”进行进一步的优化。通过“师傅-AI-徒弟”之间的设计、引导、成长循环实现Human-AI协同成长。

“师傅-AI-徒弟”模式从组织视角说明了Human-AI的协同成长，图5从技术视角，解析设计数据知识驱动AI的技术路线，如图5所示。

图5 数据知识驱动的AI实现

首先基于企业业务文档、线下业务活动等对业务协同场景进行解析，明确业务活动中的场景及场景间关系，并基于协同场景元模型[12]，解析各业务场景，明确各场景要素及场景中的事件，进而构建各个场景的事理图谱，并通过图谱融合，构建场景事理图谱。其次，基于企业业务文档及业务人员的知识、经验，对事件应对的基础知识进行解析，明确基本处理流程、数据支撑及数据需求的业务术语，构建业务知识图谱，为AI助手的实现提供知识支撑。最后，基于数据的业务术语及数据语用情境，定义概念扩展的数据元模型，通过建立与企业数据库的映射，构建数据互操作图谱，形成数据服务地图，为AI助手的实现提供数据支撑。基于以上流程，明确AI背后知识与数据支撑，进而进行AI助手的设计实现，完成个性AI场景化应用。

5、结论与启示

本文基于人机协同的视角，通过探索智能组织协同模式，设计基于Human-AI的‘分布式刹车’协同风控，提出智能协同风控平台的理论框架与AI设计技术路线。通过探索风险管理人员、业务人员与AI（Human-AI）的协同风控模式，以及AI的设计架构，初步探讨了人机协同模式以及AI的设计方法，为AI融入管理软件、企业构建与人协同的机器智能，以及智能协同的组织模式提供了参考。

参考文献

[1]Next-Generation Digital Platforms: Toward Human–AI Hybrids - Google 学术搜索[EB/OL]. [2023-01-08]. https://xueshu.studiodahu.com/scholar?q=Next-Generation+Digital+Platforms%3A+Toward+Human%E2%80%93AI+Hybrids.

[2]Kleindorfer P R, Saad G H. Managing Disruption Risks in Supply Chains[J]. Production and Operations Management, 2005, 14(1): 53-68.

[3]Altay N, Green W G. OR/MS research in disaster operations management[J]. European Journal of Operational Research, 2006, 175(1): 475-493.

[4]Shen Z, Tan Z, Zhang F. Research on Safety Risk Pre-control Management System and Its Application in Coal Mines[J]. IOP Conference Series: Earth and Environmental Science, 2018, 170: 022181.

[5]Fang C, Marle F, Zio E, et al. Network theory-based analysis of risk interactions in large engineering projects[J]. Reliability Engineering & System Safety, 2012, 106: 1-10.

[6]Hu, Zhao, Hua, et al. Network-Based Modeling and Analysis of Systemic Risk in Banking Systems[J]. MIS Quarterly, 2012, 36(4): 1269.

[7]Ellinas C. The Domino Effect: An Empirical Exposition of Systemic Risk Across Project Networks[J]. Production and Operations Management, 2019, 28(1): 63-81.

[8]王昊奋, 漆桂林, 陈华钧. 《知识图谱：方法、实践与应用》[M]. 电子工业出版社, 2019.

[9]张钹, 朱军, 苏航. 迈向第三代人工智能[J]. 中国科学:信息科学, 2020, 50(09): 1281-1302.

[10]庞贝贝, 苟娟琼, 张雷, 等. 基于主题分析和语用情境融合的多义术语识别研究[J]. 情报理论与实践, 2022, 45(1): 177-186.

[11]Pang B, Gou J, Afsarmanesh H, 等. Methodology and mechanisms for federation of heterogeneous metadata sources and ontology development in emerging collaborative environment[J]. VINE Journal of Information and Knowledge Management Systems, 2021, ahead-of-print(ahead-of-print).

[12]Benaben F, Li J, Koura I, et al. A Tentative Framework for Risk and Opportunity Detection in A Collaborative Environment Based on Data Interpretation[C]//Hawaii International Conference on System Sciences. 2019.