核心结论： 新研究认为，人工智能在工作场所的失败很少是由于缺乏 “智能” ，而是缺乏 “认知对齐”。研究指出，将AI视为 “即插即用” 的工具会带来摩擦，因为人类和机器使用根本不同的逻辑处理信息。为了成功，团队必须走向 “混合认知对齐”——人类和AI通过经验逐渐建立共同期望的过程。研究强调，AI的价值不在于其独立的力量，而在于其作为理解自身局限性的协作伙伴的能力。该研究将发表于 《管理学会期刊》。
认知对齐的核心问题
| 主题 | 关键观点 |
|---|---|
| 逻辑差距 | AI依赖来自数据的统计模式；人类依赖判断、社会线索和经验。这种自然的不匹配导致任务执行的摩擦 |
| 混合认知对齐 | 一种涌现过程（非预设）：人类在使用AI的过程中逐渐调整信任度、适应互动风格，形成关于AI用途和何时优先采用人类判断的共享期望 |
| 任务划分的困难 | 预先划分“人类做X，AI做Y”仅在任务稳定、可预测时有效。真实场景中的意外事件（市场崩溃、政策变化）要求角色和责任的灵活转移 |
| 失败的两大误区 | 企业常将AI失败归咎于：①AI能力不够强大；②AI能力太强以至于不被信任。研究指出真正原因：人-机对齐不足 |
应用实例与含义
-
医疗AI：AI可分析数百万张X光/CT图像，识别人类医生可能忽略的癌症，但不了解患者病史、用药反应。人机对齐要求AI明确“我有高灵敏度但缺乏临床上下文，请人类医生结合病史做出最终判断”。
-
高频交易算法：AI在稳定市场中有效，但面对突发市场暴跌、通胀数据等 “黑天鹅”事件，算法无法理解其含义，需要人类干预——预定义的固定分工无法应对。
-
客户服务AI：AI能快速搜索内部政策文档，但可能无法理解特定客户的独特问题。“对齐”需要为客服人员提供培训，使其理解AI的盲区，并能选择何时覆盖AI的推荐。
实际应用建议
| 行动方 | 建议 |
|---|---|
| 企业（推行AI） | 关注人类与AI之间的任务和角色如何划分，并随时调整；提供关于“如何使用AI”的培训；为团队留出适应时间；将AI视为新的协作者而不是即插即用的解决方案 |
| AI开发人员 | 设计系统时明确传达其能力和局限性；支持用户的学习过程（而非静态提示）；最终目标不仅是原始性能，而是为协作而设计 |
关键信息速览
| 项目 | 内容 | |
|---|---|---|
| 研究主题 | 人-AI协作中的协调机制：对齐（alignment）而非单纯的技术性能 | |
| 核心概念 | 混合认知对齐：人类与AI通过经验积累形成的关于任务、角色、责任和信任程度的共享框架（涌现过程） | |
| 当前痛点（为什么经常无效） | 人类和AI使用不同的认知逻辑（统计模式 vs. 判断/经验/社会线索），且预先分配角色的方法无法处理动态、不可预测的任务环境 | |
| 失败归因的传统误判 | 能力不足 > 信任问题 | 真正的障碍是人机对齐不足 |
| 对AI开发者的要求 | 设计 “可沟通的系统”：向用户表达自身的不确定性/局限；促进长期学习和建立伙伴关系 | |
| 对管理者的含义 | 将AI部署视为协作整合（培训，角色共同演化），而非工具替换；将价值从“AI性能”转向“协作质量” |
关键术语
| 术语 | 解释 |
|---|---|
| 认知对齐（Cognitive Alignment） | 人类和AI在任务的目标、过程、可能出现的意外以及双方的能力/局限上，形成共享的心理表征（共享心智模型）的程度 |
| 混合认知对齐（Hybrid Cognitive Alignment） | 人-AI配对动态地（在共同工作中随时间推移）协商和调整角色、期望和信任的过程；不是预先指定的静态分工 |
| 涌现协调机制（Emergent Coordination Mechanism） | 通过群体的互动和适应（而非由中心或外部设计者指定）自然产生的一种合作模式 |
| 即插即用（Plug-and-Play） | 将AI系统视为独立模块，接入后无需培训或对现有工作流程/职责进行重大调整即可运行——本文认为这在动态环境中经常失败 |
——本文基于史蒂文斯理工学院 Academy of Management Journal 论文报道编译，为组织行为学、人工智能产品设计及人机交互专业读者提供人-AI协作动态的新理论框架。