如何更好地与生成式AI合作创新

人机交互模式的根本性变革

创造力曾被认为是人类所特有的、无法被替代的能力之一。2022年11月30日，以ChatGPT为代表的生成式AI的发布，标志着人工智能的重大范式转变，推动了其从弱人工智能（Artificial Narrow Intelligence，ANI）向通用人工智能（Artificial General Intelligence，AGI）的演进。传统AI依赖于结构化数据建构模型和处理信息，如神经网络、进化算法、决策树、随机森林等，已经被广泛应用于定价、库存管理、物流优化、内容推荐等任务中。然而，其功能相对有限，且难以与用户直接互动。生成式AI如ChatGPT等通用人工智能，不再局限于执行特定任务或适用有限场景，而展现出超越传统AI的自主学习与创新能力，在知识密集型活动中表现出色，甚至在某些领域展现出超越人类的潜力。例如，ChatGPT-4通过了图灵测试，并且在托伦斯创造性思维测试（TTCT）中获得了前1%的得分，在流畅性、独创性、灵活性等方面的创造力与人类相当甚至超过了人类。这意味着，人工智能的迅猛崛起，正在逐渐湮没曾被视为人类专属的“创造力高峰”。

更重要的是，生成式AI推动了人机交互与协作模式的根本性变革。如ChatGPT可以基于自然语言与人类进行沟通，并且可以在情绪识别任务中达到普通人的平均水平，能够理解和回应用户的情感需求。其最新版本ChatGPT-4o（o是“omni”的简写，意为“全能”）能够处理多模态输入（文本、音频、图像、视频）并在320毫秒的平均时间内做出响应，实现了更快速、自然的多模态交互，使得人机之间的对话更加流畅和贴近人类习惯。这种易用性和直接互动使得生成式AI具备成为工作场所“主体”或“合作伙伴”的潜力。

在过去，人们通常认为人工智能无法参与创意过程，也不具备相关能力。在传统的人机交互模式中，基于对任务的分解，人工智能和人类有着明确分工，人工智能取代人类完成大部分操作性、重复性等低价值的工作，人类劳动者则负责完成创造性、需要同理心的工作。然而，生成式AI已被广泛验证能够直接进行一些创造性任务，并且能够与人类知识工作者进行双向、频繁的信息交流。通过“Human in the Loop”（HITL）的新型交互模式，人类在关键环节中持续参与和调整AI的输出，实现基于人机合作的任务目标（见图1）。生成式AI的角色从单纯的工具或执行者转变为参与决策和创意过程的协作者，这种人机交互模式的演变如图1所示。

在此背景下，我们需要思考如何更好地与生成式AI合作，释放人机协作创新潜能。接下来，我们将探讨如何最大化人机合作的效能，推动企业在创新领域的突破和成长。

重塑创意过程：人机合作创新的现状与挑战

过去，AI主要在创新过程的分析环节中发挥辅助作用，如数据分析和信息处理。生成式AI通过其自主生成多种类型内容的能力，为创意的开发探索了一条独特的路径。这种能力与人类的创造性解决问题的策略相契合，生成式AI的概率性特征绕过了传统事实核查的限制，通过改变或跳出常规思维模式，生成创造性的解决方案。随着生成式AI在市场分析、产品设计、内容创作、科学研究等领域的深入应用，它显著提升了创新效率，并降低了创新成本。

在创意过程中，通常包括创意生成、创意发展和创意评估三个核心阶段。生成式AI在每个阶段都能够发挥重要作用。

重塑创意生成过程

在创意生成阶段，生成式AI可以作为员工的“创意伙伴”，基于过往的项目数据、市场趋势和用户反馈，生成新的创意建议，并识别可能被人类忽视的模式和趋势，加速头脑风暴和初期创意开发。同时，生成式AI通过提供独特视角和多样化信息源，识别跨领域的潜在联系，生成多样化创意内容，激发人类创造性思维。这种人机合作的创新模式已广泛应用于广告创意、视频制作和游戏设计等领域，大幅提升了创新效率和创意的广度。

以常见的创意任务为例，如开发一款“新型健康饮食应用”，员工可以直接利用ChatGPT-4生成创意，并通过指定背景、用户群体或用户需求以明确创意的具体要求（见表1）。通过人机持续交互，发散形成多样化的创意点或收敛形成完整的创意方案。此外，根据管理学领域顶级期刊《市场科学》（Marketing Science）的最新研究，大语言模型（Large Language Model，LLM）在市场研究中展现出替代人类参与者的潜力，尤其在品牌感知和产品属性评价方面，LLM的生成结果与人类田野调查的匹配率超过75%，这意味着企业能够利用生成式AI模拟消费者进行访谈和需求分析，从而加深市场洞察并降低市场研究成本。

重塑创意发展过程

在创意发展阶段，生成式AI作为创意迭代和测评者的角色，能够显著加快初步创意向成熟方案的转化。生成式AI凭借快速分析大量数据并提供创意改进的建议，已在多个领域展露出色的价值。例如，在医疗领域，生成式AI用于改进诊断流程、制定个性化治疗方案；在药物研发中，生成式AI通过生成和测试大量化合物模型，优化筛选和测试流程，大幅缩短新药的研发周期。此外，生成式AI还可以通过虚拟测试和自主分析减少物理原型制作的成本和时间，推动创意从概念转化为实际应用，促进各行业突破性发展。

在“新型健康饮食应用”的开发案例中，人类可以在创意发展阶段与生成式AI合作，对“健康积分系统”等具体创意方案进行完善。通过提出问题，如“如何构建高效的健康积分系统”，生成式AI能够提供系统性建议，包括设计、功能模块以及如何提升用户参与度等。在此过程中，生成式AI的交互通常包括发散和收敛两种模式。前者可广泛收集各类创意建议，提出多个创新方向或解决方案，如“除了积分系统外，还有哪些创新方式可以提升用户参与度”；后者的交互侧重于细化、优化和选择最有潜力的方案，如“在积分系统中，可以设计哪些积分获取、使用途径”，这种交互可以聚焦于将最具价值的创意转化为可行的具体方案。

创意工作者还可以进一步借助AI的技术优势实现设计与开发。在此过程中，生成式AI能够提供实时的设计建议，帮助完善界面元素布局、颜色搭配和用户交互设计等细节。例如，Uizard是一款专门为非设计师和开发者设计的工具，我们将ChatGPT-4生成的Prompt输入Uizard，就能将创意方案快速转化为UI设计，从而快速迭代和验证设计想法。这种方式大大缩短了从概念到产品的开发周期，使创意工作者能够更专注于创意本身，而非技术细节。

重塑创意评估过程

在创意评估阶段，生成式AI能够直接作为创意评估者，对创意方案（如文稿、设计、代码）进行初步评估，判断其新颖性和实用性，为创意团队节省时间并提供即时反馈，实现快速迭代。更重要的是，生成式AI通过采用标准化的算法和规则，显著减少了人为偏见，确保了评估过程的客观性和科学性。此外，生成式AI可以生成关于创意方案的市场潜力、可行性和风险评估报告，并通过模拟不同决策情境，帮助决策者更清晰地理解各方案的优劣，为决策者提供有力的决策支持。

近期研究展现了生成式AI在评估任务中的显著潜力。尤其是大语言模型，如ChatGPT-4，在组织任务绩效评估方面，其评分不仅展现出高度的客观性和一致性，且与众多人类评估者的结果显示出显著的正相关性。在应对主观和复杂的评估任务时，生成式AI的可靠性和稳定性有时甚至超越了单个人类评估者。这种高度一致性和稳定性证明了ChatGPT能够作为评估创新成果的可信工具。此外，生成式AI被认为具有较弱的意图，既缺乏自私意图，也缺乏善意意图，这种特征使其在提供负面反馈时具有显著优势，有助于提高人们对于负面反馈的接受度。“好消息由人来讲，坏消息让AI传达”的策略，进一步凸显了AI作为评估者角色时相较于人类的独特优势。

在“新型健康饮食应用”开发的案例中，对于团队提出的多个创意方案，我们利用ChatGPT-4o对其进行评估，并提供反馈。例如，“你将作为资深的市场研究专家，对以下3个‘新型健康饮食应用’开发方案进行评估，并从市场潜力、用户需求契合度、创新性、技术可行性和商业模式的可持续性五个方面给予详细分析，指出每个方案的优缺点，并提出改进建议。”同时，我们还可以借助生成式AI促进评估结果的可视化，提示ChatGPT-4o“通过仔细对比，给出3个方案在这5个维度的评分，每个维度满分20分，并给出综合评分，满分为100分，请将结果输出为3个颜色的柱状图并提供具体的评分依据”（见图2）。进一步地，在对多个方案的优缺点评估的基础上，我们还可以结合一些具体的市场数据，让AI将当前多个方案进行优化与整合。

人机合作创新的挑战

虽然生成式AI在创意过程的各个阶段显著提升了效率和效果，但在企业实践中，人机合作的创新模式仍面临一系列重大挑战。

首先，人机合作创新模式中的角色和任务分配是一个难题。如何在创造性任务中合理确定生成式AI和人类的角色与分工，使双方充分发挥各自优势？为此，企业可能需要建立更有效的沟通机制，或为团队成员提供专门的培训和支持，帮助其理解和应用生成式AI的输出，以保障合作的顺畅进行。

其次，随着生成式AI承担越来越多的创意任务，一方面，如何确保员工的创造力和批判性思维不被削弱，是企业必须正视的问题。企业需要在利用生成式AI提升效率的同时，避免员工对生成式AI的过度依赖。如何监控和评估生成式AI对员工技能和创造力的长期影响，并采取有效措施减轻这些影响，是企业必须面对的挑战。另一方面，当生成式AI逐渐承担更多创意任务，如何确保人类不感到被取代或边缘化？团队成员需要调整工作方式，与生成式AI更高效地协作，实现自身的成长。企业如何有效管理这些变化，确保每个成员能够适应新的角色，并通过生成式AI实现个性化学习，是未来成功的关键所在。

此外，人机合作创新中的责任划分和成果评估也充满了复杂性。企业应该如何制定新的指标和标准以评估生成式AI和人类协作成果的质量，并明确生成式AI在创新过程中的具体贡献？在生成式AI参与决策和创意生成时，如何确保对人机合作创意成果评估结果的客观性和公正性？当基于生成式AI的建议或决策导致错误或失败时，企业又应如何明确生成式AI系统开发者、操作人员和管理层的责任界限？这些问题不仅涉及技术的应用，还涉及到管理和伦理层面的深层思考。解决这些挑战对于实现人机合作创新的价值最大化，确保生成式AI与人类在创新过程中和谐共存、共同进步至关重要。

如何确定最佳人机合作模式：Fitts Lists原则

1951年，心理学家保罗·菲茨提出了Fitts Lists方法，该方法指出：人类和机器在任务执行中各有不同的强项和弱项，通过合理分配任务，可以让各方都在自己擅长的领域中发挥作用，以最大化合作效益。这一方法最初广泛应用于制造业的自动化任务分配，随着AI技术的快速发展，Fitts Lists的基本理念已被扩展到更复杂的应用场景，如手术机器人与医生的协作、医学影像分析以及自动驾驶等——得益于AI的精准度、强大性能和不知疲倦的工作能力，这些技术在例行和复杂任务中表现出色。然而，我们仍需认识到，尽管生成式AI已经证明了其作为“创意合作伙伴”的巨大潜力，人与AI的合作互补性依旧建立在它们各自的不足与优势之上。为实现最佳人机合作模式，企业必须深入理解并平衡生成式AI和人类的各自优势与局限。

表2详细列举了人类与生成式AI的优势和短板。企业在实施人机合作策略时，应认真考察这些因素，以推进AI和人类在各自的优势领域协同工作，努力实现生产力的最优模式。

当AI在认知能力、理性推理等方面与人类相当甚至超越人类时，我们面临的现实是：过去定义“人类独特性”的标准正受到严峻挑战。这不仅仅是技术革新问题，更是对“何以为人”的重新思考。通用人工智能的出现迫使我们重新审视人类身份的核心要素：如果AI能发展出匹敌人类的认知和决策能力，那么什么是AI无法企及的真正的人类特质？人类是否存在某种独特而不可替代的属性？在推进人机合作的同时，我们不仅要优化协作效益，更要思考如何维护人类的独特价值。未来的挑战在于，我们不仅要通过技术手段增强效率和创新，更要通过审视人类特质，为人机合作奠定更具人性化和可持续的基础。

例如，创造力通常需要对情境和文化有深刻理解，这对生成式AI来说尚难以完全掌握。生成式AI的能力受限于其训练数据的质量，可能延续历史偏见、简化解决方案，忽视对创新至关重要的细微的人类行为洞察，导致创意的同质化、平均化。人类专家擅长捕捉细微线索，进行创新性联想，并运用实践积累的隐性知识，这对于形成与消费者和其他利益相关者共鸣的创意方案至关重要。因此工业设计师和工程师必须持续监督创意设计结果，确保考虑到产品使用的各个方面，包括美学、人体工程学、可用性等等。这意味着虽然生成式AI能够提供有价值的数据驱动见解，但人类的参与对于将这些见解转化为文化、情境和伦理上适宜的设计极为关键。

此外，创造性思维还涉及识别看似不相关概念之间的联系，并创造出新颖的解决方案。这一过程不仅需要系统性探索，还需要重新定义基本假设的能力。人类专家能够从广泛的经验和情境知识中汲取灵感，进行生成式AI难以模拟的直觉性跃迁。企业应充分利用生成式AI在数据处理和模式识别上的优势，同时以人类专家为主体，做出战略决策。由此，确保由生成式AI增强的决策不仅高效、信息充分，还能够适应复杂的现实世界场景，进而实现最佳的业务创新成果。

如何更好地与生成式AI协同创新

AI增强系统1与系统2的协同效应

在探索如何更有效地与生成式AI合作以推动创新的过程中，我们必须首先理解人类思维的两个核心系统：系统1和系统2。这两个系统在决策和创新过程中扮演着互补的角色。丹尼尔·卡尼曼在《思考，快与慢》一书中提出了双过程决策理论，区分了这两种截然不同但相互关联的推理系统：系统1是自动化、快速且无意识的思考模式，依赖模式识别和启发式捷径快速产生反应，但易受到情感和固有认知的影响。系统2是深思熟虑、缓慢且有意识的推理方式，以逻辑分析和抽象思维为特征，需要更多的认知资源支持，在决策过程中更精准全面。

在需要快速响应的现实场景中，系统1的速度优势往往以牺牲系统2的广度和深度为代价。DJUQvkPIgWHlF1kzWer4mhQwjDsjyCfPOnYumnDk7m0=生成式AI的出现为我们提供了一个独特的机会，以增强这两种思维方式的协同效应。前述新型的人机交互模式（HITL）在此起到了关键作用。该模式通过让人类在创意生成的关键节点介入和监督，使生成式AI与人类形成一个持续的反馈、交互、调整、迭代的循环，以使AI生成的创意与人类的洞察和价值观保持动态一致。这一过程一方面有助于降低人类基于系统1的直觉判断的不稳定性和不可靠性，另一方面也激发人类专家进行更深入的思考和反思，从而提升系统2的思维广度和深度。生成式AI作为创新的协作者，增强人类认知能力，推动创新过程更加全面系统且富有洞察力，实现了创新效率与新颖性、可行性的平衡。

避免AI依赖导致的认知退化

我们已在前文指出，应警惕在利用AI便利性的同时，陷入“AI依赖陷阱”。研究显示，随着生成式AI的广泛应用，人们在某些认知技能上可能会逐渐退化，特别是需要动用高阶认知功能的技能，如解决问题、规划和抽象推理方面。这部分源自人类的“最小认知努力原则”和“认知吝啬”倾向，即人们天然倾向于依赖快速、直观的思维模式（系统1），而非主动深化认知投入。在与生成式AI的协作中，人们可能越来越依赖AI来主导创意过程，将复杂思考的任务外包给AI，以此提高效率。然而，这种外包减少了对自身认知能力的锻炼，人类认知能力存在退化的风险。

在人机合作创新的征途上，确保人类的主体和主导地位对于创新的质量和深度至关重要。为此，我们必须对生成式AI的使用进行细致的管理和引导。首要的是，员工在使用生成式AI时应当被激励去积极参与关键环节，如问题的理解、方案的构思和计划的制定，而非单纯依赖生成式AI输出。此外，实时的认知评估和反馈机制也是关键，以帮助用户意识到自己在与生成式AI互动时的认知投入，并据此调整自己的行为模式。例如，生成式AI可以监测和记录用户的互动行为，包括输入提示的频率、对生成式AI生成内容的修改次数以及完成任务所花费的时间，以此作为衡量用户参与度和投入度的指标。通过这些策略，可以有效减少对生成式AI的过度依赖，避免认知能力退化，从而在受益于生成式AI带来的便利性的同时，保持“人”的认知优势。

提升人机合作创新质量

在当前企业的实际应用中，提升人机合作创新质量是一项系统性工程，不仅涉及到引入先进的AI工具，更需要系统性的策略和措施以激励团队成员与AI协同创新、提升人机合作创新能力，从而推动创新质量的持续提升。

激发人机合作创新动力

在推动人机合作创新时，仅仅确保团队成员能够获取生成式AI资源是远远不够的。领导者在此过程中扮演着至关重要的角色，他们应当亲自示范如何将生成式AI融入创意工作，通过实际案例展示生成式AI的有效性，以此激励团队成员积极采用和探索新技术。领导者的公开认可和奖励对于鼓励员工有效利用生成式AI至关重要，这可以通过定期的培训、创意工作坊或专家讲座来实现，以使团队成员在创新过程中得到持续支持和指导。需要注意的是，团队如何看待AI也将影响人机合作的动力与质量。如果领导能够引导团队将生成式AI视为“创意伙伴”而非简单的工具，双方的互动与协作就会更加流畅，激发出更多的创造性火花。

此外，企业应创建一个允许试错的环境，鼓励团队成员大胆尝试和创新。引入如AI挑战赛和AI使用积分排名等游戏化机制，可以让创意过程变得更加有趣，并为团队带来适度的竞争和激励，提升整体参与度和创新动力。在这一过程中，需要明确生成式AI的角色是作为创意的助力者而非替代者，让团队成员感受到他们在创意过程中的不可替代性，从而借助生成式AI产出更高水平的创意成果。将生成式AI引入创意共创的文化中，赋予每个员工与AI合作的空间和自由，鼓励员工大胆使用AI生成创意、探索不同的解决方案，而不仅仅是完成特定任务。此外，企业应促进跨职能团队合作，整合不同领域的专业知识与生成式AI的创意能力，以提升整体的创新效果，这将为企业发展创新能力奠定坚实基础。

生成式AI在企业任务中的深度介入，使员工的角色和职责也随之发生变化。因此，绩效考核体系必须反映这些变化，使评估标准与员工的新角色相匹配。这意味着，评估标准应从单纯的任务执行转向更多地考虑创意指导、AI监督和决策优化等方面的贡献。此外，需要考虑采用新的评估标准更全面地衡量人机合作创新的质量，这些标准既要考虑AI在创新过程中的贡献，也要反映人类对创意的深度再加工和整合。

提升人机合作创新质量

人机合作创新的质量受到多种因素的影响，如任务特征、技术能力、专家/新手的创新能力以及人机交互能力等多个方面，其中，人机交互能力至为重要。最新的研究揭示了人机合作过程中的一个关键概念——人工智能商数（Artificial Intelligence Quotient，AIQ），是指个体在利用AI技术处理多样化任务时所展现的稳定能力差异。AIQ作为一个独立且关键的指标，不仅与个人的智力商数（IQ）和情绪商数（EQ）相区别，还超越了单纯的计算机使用能力。这种能力包括识别AI的优势和劣势，适时调整交互策略，以最大化合作效益。高AIQ的员工能够有效识别和应用AI的优势，同时弥补AI的不足，这种能力在未来的职场中将成为一种新型的竞争优势。因此，企业应重视员工的AIQ，并通过系统性的方法培养员工的人机合作能力，以获得更好的创新成果。

首先，员工与AI的交互技巧是人机合作能力的核心。通过系统培训，员工可以学习如何构建和优化提示词，使AI更准确地理解任务需求并生成高质量的输出。这不仅包括设计准确的提示词，还涉及明确任务目标和交互期望，避免使用模糊或不完整的指令。此外，培养员工的批判性评估能力至关重要，这使其在接受AI建议时能够保持审慎，识别输出中的潜在问题并提出改进建议，逐步优化与AI的交互效果。

其次，理解生成式AI的优势和局限性是开展有效的人机合作的基础。通过持续学习与实践，员工可以熟悉生成式AI工具的强项和弱点，了解生成式AI在哪些场景中表现最佳以及何时需要人类的判断力。例如，生成式AI有时会生成看似不合常规的创意或“错误”，但这些意外可能包含着新的机会。员工可以通过“逆向合作”，将AI生成的意外作为新的起点，利用这些非传统的创意进行再开发，挖掘潜在的创新方向。员工使用生成式AI的系统培训应包括对AI工具的实操演练、案例分析以及对生成式AI生成内容的应用策略。企业还应通过数据驱动的反馈机制，定期收集生成式AI交互的数据和员工的使用反馈，分析交互的有效性，及时调整和优化AI的使用策略，推动合作效果的持续提升。图3展示了某大模型公司内部研发团队对生成式AI辅助代码开发的定期评估，涵盖了对不同生成式AI在速度、准确性和易用性方面的评分，以及对其优势和劣势的分析，为进一步提升员工与生成式AI的协作质量提供了重要参考。

最后，在人机合作中，始终以人为中心至关重要。企业应注重员工的成长与发展，合理设定AI期望管理，避免对AI的过度依赖。特别是，AI被设计为辅助工具，通常会“迎合”员工的观点而非提出反驳，在创新合作过程中，提示AI扮演“建设性挑战者”的角色能够激发员工进行反思，帮助其突破思维局限。此外，生成式AI在教育领域展现了巨大潜力，能够促进教育的规模化、个性化和公平化发展。作为教育的一个应用场景，一个典型的例子是AI智能陪练系统——通过采用1V1智能对练模式，即时反馈用户的表现，并根据用户的具体需求和技能水平，提供针对性的训练内容和建议。通过分析历史数据和学习进度，该系统可以为不同的用户量身定制学习方案，帮助他们在最短的时间内掌握关键知识和技能。这一系统可以广泛应用于各类培训场景，如销售技巧强化、客户服务培训、新员工入职培训等。企业应充分挖掘生成式AI在个性化学习方面的应用，将生成式AI作为个性化学习的工具，为员工提供量身定制的学习和发展路径，帮助员工在与AI协作的过程中实现技能的快速迭代和提升。