浅谈数字员工的实现路径问题

现在已经有不少打工人和公司在使用AI来帮助自己的工作，那我们更进一步，如果是一个AI组成的数字员工，效果会怎样？这篇文章，和作者一起分析一下数字员工的实现路径问题。

浅谈数字员工的实现路径问题

服务于企业的B端系统的终极目标都可以总结为“增长盈利，降本增效”。围绕这个目的，B端系统的发展路径通常分为以下几个阶段：

目前，大部分成熟企业的B端系统都已经发展到精细化阶段。随着近几年的AI浪潮，智能化成为了大多数B端系统的必经之路。而“智能化”的最终目的，就是“用AI替代员工”。这与“数字员工”的定义相吻合。

那么，什么是“数字员工”呢？

根据麦肯锡《数字化劳动力白皮书》，“数字员工”又称数字化劳动力，是打破人与机器边界，以数字化技术赋予“活力”的第四种企业用工模式。我们可以理解为，B端系统在AI浪潮下的下一阶段，就是要实现“数字员工”。

一、数字员工落地的瓶颈

要想数字员工落地，目前阶段还是存在不少瓶颈的。

1.通用大模型垂直领域能力不足

虽然通用大模型在广泛的任务中表现出色，但在特定的垂直领域往往表现出能力不足的问题。数字员工通常需要完成高度专业化和细致的任务，而通用大模型并不能提供所需的精确度和专业性，从而在这些领域的应用效果并不理想。

此外，推动垂直领域的大模型落地难度较大。收集特定领域的行为数据进行AI训练，这并非中小厂商能够承担的训练成本，需要有大厂牵头进行特定领域大模型的训练。然而，该领域的大模型训练出来后，是否能够实现“填平成本”的收益仍是一个未知数。

展开全文

2.数字员工是高度定制化项目，不同企业的同一岗位可能有千种要求

数字员工的应用需要高度定制化，因为不同企业即使在同一个岗位上也可能有着千差万别的要求。这种高度定制化需求源于企业的独特业务流程、文化、行业规范和具体工作内容。例如，一个公司的客户服务岗位可能需要处理特定类型的客户问题、使用特定的软件系统、遵循特定的服务流程，而另一家公司在同一岗位上可能有完全不同的要求。这种多样化和复杂性使得通用的AI解决方案难以满足所有企业的需求，需要大量的定制化开发和调试工作，增加了项目的复杂度和成本，进而限制了数字员工的广泛落地。

3.AI的本质缺陷——缺乏创新

AI擅长对“重复的、可标准化的”内容进行学习和预测，但缺乏真正的创新能力。

因此，当面对企业中需要“创造性解决方案”的全新问题时，基于AI的数字员工往往无法提供最优的解答。而在实际的企业业务中，并不是所有的工作都是机械且重复的，还有相当一部分工作内容需要高度的创新和灵活应变。如果AI不能应对这些问题，数字员工的落地就会面临较大的阻碍。

4.来自人的阻力

数字员工的落地不仅涉及技术问题，还涉及关于人的复杂问题。

首先，企业内部的员工可能会对数字员工产生抵触情绪，担心“AI会取代他们的工作”，这种抵触情绪会导致不配合的行为。例如，在数据采集时，员工可能故意产生脏数据以不配合；在推出相关工具时，员工可能故意不使用；在挖掘业务场景时，员工可能隐瞒信息。这些行为都阻碍了相关技术的落地和应用。此外，AI在实际应用中还涉及到数据隐私、伦理道德等问题，需要企业制定完善的政策和规范，这增加了落地的复杂性和难度。

所有这些因素共同构成了数字员工落地的巨大阻力，使其在实际应用中面临诸多挑战。

二、基于实际问题的解决思路

基于上面提到的问题点，个人觉得AI数字员工的落地需要基于以下思路：

1. 从“实习生”到“核心成员”

在现阶段，AI数字员工应被视为“实习生”，而不是“核心成员”，并且需要通过不断的学习和积累，逐渐升级为“核心成员”。

由于基于AI的数字员工存在“垂直领域能力不足”、“定制化问题解决能力低”、“缺乏创新”等问题，当前的AI数字员工只能解决“通用的”、“可标准化的”、“重复的”任务。这不正如企业中的“实习生”吗？我们通常会将这些“通用的”、“可标准化的”、“重复的”工作交给实习生，而自己则专注于那些“有专业知识要求的”、“基于业务定制的”、“创新的”工作。

因此，与其设想如何让AI数字员工完全替代普通员工，不如先考虑AI数字员工与普通员工的合作形式。期望AI立即提升100%的效率是不现实的。我们应该首先落实AI与实际员工的合作模式，让AI从“实习生”逐步成长。在与正式员工的合作过程中，AI可以积累数据和技能，从而逐渐成长为“正式员工”，然后是“中级员工”和“高级员工”。最终，AI将能够在“有专业知识要求的”、“基于业务定制的”、“创新的”工作中发挥一定的辅助作用，从而实现效率的显著提升。

2. 将数字员工拆解成“技能”，把复杂问题简单化

如果我们试图一下子实现“数字员工”的概念，可能会让人不知从何入手，导致项目无法落地。然而，如果我们换个思路去考虑，员工是通过出卖自己的技能和劳动力与企业进行价值交换的，那么员工实际上是“技能”的集合。员工通过消耗劳动力来运作这些“技能”，从而为企业创造价值。

同样地，AI数字员工也可以被拆解成“技能”的集合。我们可以逐步开发所需的技能，从而使AI数字员工的落地成为一个“可实现”的目标。在这个过程中，AI技能还可以与正式员工合作，共同输出价值。

构建技能集合有几个要点：

1）用AI Agent思路构建“员工技能”：

我们可以使用AI Agent来构建业务所需的“员工技能”。所谓AI Agent，即人工智能代理，是指能够理解、学习和执行任务的自动化程序。AI Agent的核心是大型模型，同时在此基础上扩展了感知模块、计划模块和行动模块。

浅谈数字员工的实现路径问题

i）感知模块：感知模块通过与业务数据源和外部数据源的连接，辅助计划模块进行行动的调用。

ii）计划模块：计划模块是AI Agent的核心。除了利用大型模型的能力外，还需要根据业务需求结合代码逻辑进行设计。计划模块的目的是结合感知的数据，进行合理的行动调用。

iii）行动模块：行动模块通过与业务能力接口的连接，根据感知和规划的结果执行相应的业务操作。内部系统可以通过开放API接口供大模型调用，如果是第三方工具，则需要考虑实现RPA技术，使得业务上常用的工具能被大模型调用，从而实现某个“员工技能”。

通过决策的数据感知、结合需求的计划、达成目的的行动能力，这三个元素构成了“满足业务需求的员工技能”。

2）优先拆解高价值“员工技能”：

一个员工由多个技能构成，这些技能会时常更新，否则员工就容易被替代。而每个“员工技能”的开发成本不一，如果我们在前期投入大量人力成本去开发低价值的“员工技能”，项目的投产比将会很低，可能导致“数字员工”项目流产。

如何拆解“员工技能”的价值呢？可以从以下两方面入手：

i）技能耗时：技能耗时指员工在指定时间范围内，使用该技能的总时长。例如，员工一周有多少时间是在处理某项任务。

ii）技能效果：技能效果指员工在指定时间范围内，使用该技能能够产出的具体成果。例如，营收多少、客户投诉解决多少、文本生成多少等。

3. 业务流程数字化、线上化，并贴合业务流程聚合“员工技能”

当我们积累了一定的“员工技能”后，可以考虑将业务流程进行数据化和线上化。数据化是指将企业在业务流程中产生的各种数据进行收集、整理、存储和分析的过程。线上化则是指将传统的线下业务流程迁移到线上，其目标是提高业务效率、降低成本和提升客户体验。

具体来说，我们可以使用一个系统将业务流程整合，并将AI“员工技能”嵌入到业务流程中，提供基于业务的“All In One”工具辅助，以提高功能的赋能效果。假设我们有N个“员工技能”工具，在实际操作中，业务需要在这N个“员工技能”工具之间频繁切换。这涉及多个平台之间的跳转、文件传输等操作，导致效率大打折扣。因此，将这些技能工具整合到一个系统中，可以显著提高操作效率。

4. 行为数据采集，用于进一步训练AI模型，实现AI数字员工

员工不仅是“技能”的集合，还拥有对环境的感知和对能力的计划。AI数字员工同样适用于“AI Agent”框架，我们实现的“员工技能”属于“行动”模块的构建。

为了构建AI数字员工，我们还需要构建“感知”和“计划”模块。“感知”模块由业务流程数字化、线上化过程中构建的业务系统提供。“计划”模块则可以通过采集业务系统的员工行为数据、业务的上下游数据、技能调度情况数据来进行模型训练，从而实现结合业务环境进行合理的“行动”。

通过这种方式，我们便能实现所谓的AI数字员工。

三、小结

虽然数字员工的目标可能还很遥远，但我认为这是一个可实现的目标，并且有明确的实现路径。通过将员工拆解成“技能”，逐个实现相关的技能能力，并利用这些工具对业务进行提效辅助。同时，将工具汇总到内部业务系统上，实现对工具能力的聚合，采集用于训练数字员工“计划”模块的数据，并结合业务数据（感知模块）和工具能力（行动模块）构成数字员工的“感知”、“计划”、“行动”环节。

基于这个数字员工的框架，随着“技能”的积累，我们可以逐渐将AI从“实习生”升级为“核心成员”，最终实现AI数字员工。

浅谈数字员工的实现路径问题