近日，在“AI未來2025閱讀新風向”發佈會上，清華大學領導力與組織管理系主任李寧教授發表《資料和人工智慧如何賦能組織管理》的演講。

他認為，資料驅動的管理決策已經很有效地應用在了精準行銷、庫存管理、質量管理等領域，但是在涉及組織、員工管理方面卻仍有很大的提升空間。人工智慧將如何賦能企業解決傳統資料分析的困境，挖掘資料背後更深層次的規律，改變“996”、“加班”之類的管理模式？

李寧：清華大學領導力與組織管理系系主任、Flextronics講席教授、《智能組織》作者

以下為李寧演講精編（有刪減，未經本人審閱）：

我今天主要圍繞兩個方面來展開。資料驅動的管理決策，比如說精準行銷、庫存管理，在業務端的方方面面，我們其實都完成了這種數位化的轉型，積累了大量的資料，然後用資料來做更好的決策。

但是，在組織端，在人的決策方面，其實資料驅動決策還是非常滯後的。在管人的時候，更多時候還是依靠領導的直覺、感覺、經驗，來做這樣的判斷。

比如絕大多數企業和老闆不喜歡遠端辦公，希望你能夠來辦公室。

這個背後反映出，你如果不在我眼前，我不知道你的產出，我不知道你的貢獻。所以，這就涉及到我沒有資料來衡量一個人他在組織當中的貢獻，特別是我有很多員工，這些員工合起來，他對於組織的貢獻是什麼？或者這個組織時時刻刻的健康度，或者它的創新度是什麼？這是一個問題。

所以，就造成了很多社會上面的一個現象，比如“996”、加班、打卡。為什麼很多企業嚴格打卡，要看員工的工作時長，很多時候把這個當成一個奮鬥者指數。因為它沒有其他的一個指標。

但其實這裡面就很矛盾，因為我們在組織端，特別是現在，比如說，有釘釘、飛書、企業微信，我們已經積累了大量的資料，但絕大程度上，這些資料並沒有使用起來。

我們做一個判斷，就是在業務端，我們的數位化的程度是非常高的，我們已經實現了資料驅動的決策。但是，在組織端，涉及到人的時候，可能還是用到Excel，然後領導看一下Excel報表，然後就開始決策。特別是比如在績效評估的時候，在招聘的時候都會存在這樣的問題。所以，這存在一個不平衡的問題。

這背後的原因是什麼？現在關於人的資料，實際上是一個成本，而不是一個資產。我們知道資料現在越來越重要，變成一個企業重要的資產，甚至是資料的一個入表，但這個更多是集中在業務端，因為有業務端，我就可以用這些業務的資料進行庫存管理、精準行銷、質量管理等等一系列。

但是，比如一家企業用了飛書、釘釘，每天積累了多少人與人之間協作的資料，每天所有會議的記錄，線上文件，這些所有跟人和組織相關的一個資料就變成一個成本，佔用了很多伺服器的空間。這些資料拿來真正做組織管理的決策，這是非常有限的。

我覺得有三個主要的方面的原因：

第一，觀念。有多少人覺得人，比如我們涉及到管人，人的複雜度可以被資料所抓取出來。其實這是一個根深蒂固的，就覺得人就是千人千面的，人就是依賴於過去的經驗和直覺，針對不同的人要制定不同的方法方式來管理，可能跟每個人說的話都不一樣。既然強調了它後面沒有規律性，就自然談不到資料驅動的管理。但另外一種，如果你相信人背後有很強的規律性，我們就可以從資料中提煉出相應的x（因素）跟y（目標），並找到與之相對應的關係。

第二，假設我們有這樣一個連接，如何找到建構x跟y之間的一個關係。

第三，其實跟第二個關係相當密切，人才缺口，就是在做資料驅動的時候，因為人是複雜的，所以我們需要建構一些高維的指標。比如現在的很多企業關注的點是淺層的，你是不是985的，你是不是211的，潛台詞就是你的學歷是不是跟你的績效相關，你每天加班的時長是不是跟績效相關，但這是一個淺層的指標。我們需要挖掘出更深層次的指標，這就涉及到比如心理學、管理學，甚至是統計學的很多相關的知識，很多企業並沒有這樣的人才儲備。

關於第一個問題，人的複雜性是不是可以被資料所抓取出來，我們是不是可以通過設計一系列的實驗，或者通過資料來探究背後的一個秘密。我這裡舉了一個例子，在某些國家，人在換領駕照的時候它有一個選項，詢問你器官捐贈的一個意願。這個就是反映了兩類國家它的捐贈意願的比例。

如果默認選項，你願意參加器官捐贈項目請打鉤，比例就非常低。如果說你不願意參加這個項目，請打鉤，打鉤的比例也很低，這就反映了人們打鉤的比例都很低。因為你在做這個事情的時候會有人反覆地提醒你，但你不知道怎麼打鉤。比如大家去面臨這樣一個情況，你會怎麼選？你也很難選。很難選的時候你就會遵循一個默認的選項。

所以，這就是心理學上的默認選項偏差。這個也反映了很多時候我們做決策的時候，我們就會選擇那個默認的。這個背後其實反映了人是有很強的規律性的，那種規律性是跨越了國家和地區的。所以，這為我們資料驅動的組織管理決策提供了依據。

比如說，有些國家養老金的儲蓄，它的設計就是是把儲蓄當成一個默認選項還是一個主動選項。比如有些國家說，每個人都是會強制儲蓄10%，但是你可以選擇把這個勾掉，這時候一個默認的選項就會極大地提升養老儲蓄的比例。這個在政策上面就會引發很積極的一個效果。所以，這個就是人背後有規律性可循，我們就可以依賴於這樣一個規律，用資料探勘出它背後的規律。

我們再看回來最開始的那個問題——混合辦公。關於混合辦公這個事情，它對於績效有什麼樣的一個影響，其實這是很現實的一個現象。比如說，你如果說允許混合辦公，你有可能會降低一些成本，甚至可能會留下一些員工，如果他通勤時間比較長，你可以允許他混合辦公，你可以擴大招聘範圍。但很多的企業家就會說，他是不是會影響到我的績效。這是發表在《Nature》，在攜程做的一個實地的實驗，也就是在組織決策端做了一個A/B的測試。它的結論是什麼？混合辦公不會降低績效，反而會降低員工的離職率。

所以，資料驅動的價值在於，其實對於提高我們決策的精準度和精度，我們知道有兩個，就是做對的事，還是把事做對。做對的事，其實就是要找到一個方向感，很多時候我們會發現我們很卷，但如果我們決策的方向錯了，其實你的效率再高，也是浪費一些資源的。

所以，資料驅動其實就是保證我們在做重要的決策，特別是在組織端中跟人的決策，保證我的決策的精準度。

首先是驗證認知，其實絕大多數資料反映出來的跟我們常識的認知是相符的。但是，它的價值在於拓展認知，有些時候資料呈現出來的一些結論可能跟我們的認知是不相符的，把我們的認知進一步地發展。它甚至可能會挑戰我們的認知，比如在招聘的過程當中，其實如果單看工作經驗，它沒有那麼重要，反而是比如說在矽谷的很多大廠，它招聘一個程式設計師不會看你的工作經驗，它會讓你直接現場寫code，這就是一個工作知識樣本測試的結果。這是在個體層面。

如果是在組織層面，我們如何度量一個組織的創新度也好，健康度也好，或者組織的效能？這個長久以來都是一個問題。

如果一個企業裡面有了優秀的員工，他不見得組織一定很優秀。我們有沒有一個合適的工具來度量組織的健康度呢？我們就提出了這樣的概念，叫組織網路分析。但是，組織網路分析其實也有一段歷史了。它是把人與人之間的協作、連接具體化出來，通過一種分析的方式。

我們能夠看得到的組織是組織層級的分佈，就是那些人在一個部門，他們之間匯報的關係。但實際上會發現在組織當中很多的合作它是跨部門的、跨層級的，它是自發產生出來的，它並不是按照組織的設計而發生的。所以，這個就是一個組織網路。

我們之前做過的一個創業團隊的研究。可以看到，不同的顏色就代表不同的部門，可以在這樣一個創業的環境當中有大量的跨部門的人的協作。這樣的跨部門的協作，它會對於組織的效能，甚至是績效產生極大的影響。

我們一直談論，為什麼很多大廠並沒有出現DeepSeek，很多真正初創的企業，真正很有創新活力，有些企業卻創新比較差。

有研究表明，一個組織內部網路的結構跟它是否能夠產生大量創新性的想法相關，其中一個指標我們就叫小世界網路。比如同樣的一個組織構架，它可能會出現兩種不同的一個呈現形式。也有一些研究把矽谷認定是世界創新的中心，它就是特別符合小世界網路的特徵，這裡面不同的節點代表當時一些科技巨頭的分佈。

這個網路不像是一個區域的網路，它反而像是一個公司的網路。就相當於在矽谷公司之間是你中有我，我中有你，所以導致了它的想法的自由地流動。比如以這次生成式AI，從2017年Transformer這個構架文章，從Google出來之後，這個技術很快就會擴散在矽谷很多的地方，然後來適用這樣一個技術。

最後，簡單說一下人工智慧對資料驅動有什麼樣的幫助？我們知道過去其實有兩個缺陷一直沒有解決，一個就是我們沒有x跟y，很好地來衡量，比如創新度，比如人的價值。第二個就是人才缺口，我們企業裡面，特別對於很多中小企業、傳統企業，我沒有合適的人來做這樣的資料分析，從中找到一些組織管理的洞見。

人工智慧為什麼能夠解決這個問題呢？它可以把很多傳統上非結構化的資料變得結構化，能夠讓我們更精準地衡量出人的一個貢獻。比如舉個例子，在財務分析方面，最早有一篇研究，就是用GPT，或者現在用DeepSeek，你問它買股票的建議，你能夠掙錢嗎？然後這篇研究發現，它能夠獲得4.5倍的回報。怎麼做的呢？它就是讓AI去讀新聞標題，然後根據新聞標題做判斷，是正面的消息還是負面的消息，如果正面的消息買進，負面的消息賣出。所以，它可以分析大量的媒體關於某些公司的報導。

我們知道過去量化分析是基於一些結構化的量化的資料，但現在有了AI，有了生成式AI，它就可以把這些非結構化的資料納入到你的決策體系當中。如果我們放到這個組織當中，其實很多非結構化的資料就能夠更精準地衡量人的貢獻、人的價值。

比如說，舉個例子，這是一家物業公司，物業公司就很難管理，它並沒有很好的結構化的資料，特別是它很分散，這家公司就把每個物業盤子的晨會錄音交給AI去分析，從中提取出來說有那些問題，這個會議開得好還是不好？這就可以把一個非常隱性的資料結構化了，這就可以提前進行預警，說那些物業盤子可能出現了一些問題。

接下來就有一個問題，如果我們讓AI來基於文字做一些判斷，它判斷得靠譜不靠譜？這個是我們目前在做的一個研究。我們就會發現，AI的打分跟人的打分呈現出驚人的一致性。

比如說，我們讓六個人對同樣的文字和AI讓它同樣打六次，它們兩個之間的相關度已經達到了0.7以上，最高是1。這就說明比如在組織當中我們已經可以用AI來分析會議，分析員工討論的想法，包括想法的創新度，這樣的話，我們就能夠解決在組織當中創新如何評價的這個問題了。

所以，生成式人工智慧從分析的角度，它其實降低了人的門檻，我們過去有HR，但他們沒有資料分析的能力。AI使得人更加賦能，使得傳統的資料分析的困境逐步地解決掉，它形成一種普惠化。即使是現在的從業者，他並沒有資料分析的能力，比如借助於DeepSeek，或者借助一些其他的工具，他就可以來有效地分析企業內部產生的資料，甚至更進一步，你可以搭建智能體，來即時地分析發現背後的一些複雜的變化。

資料驅動能夠幫我們實現從人智到數智。現在很多的問題，比如加班，包括“996”，工作時長，這些因素完全可以納入到決策目標當中，取決於你的目標是怎麼定義的。如果我們在組織當中可以有更加平衡的目標，比如說我們既關心創新，也關心績效，也關心員工的福祉。我們通過不斷地完善、挖掘資料背後的規律，就能夠實現更和諧的組織發展，以及更和諧的員工跟組織的關係。 (財經ThinkTank)