在被称为"AI原生工作场所元年"的今天,随着AI智能体在企业中大量涌现,人机协同成为企业最重要的资产。在周一于圣地亚哥举行的Gartner数字化工作场所峰会上,分析师Max Goss和Erin Pierre解释说,虽然员工将把任务交给AI智能体,但人类必须保持控制权。
"我们在数字化工作场所需要的是一个将人类作为北极星的指南针——这个指南针提醒我们,成功的AI部署是那些专注于赋能员工的部署,"Gartner高级总监分析师Goss说。
为了实现成为AI原生组织的最终目标,企业需要专注于三个关键领域——信任、治理和赋权。
AI原生之路始于信任
在信任方面,组织在建立员工对AI部署的认同方面还有很长的路要走。
不出所料,当Goss问"你们中有多少人认为他们的组织在传达AI策略方面是有效的?"时,观众中只有少数人举手。
如果对组织的AI方向缺乏信任,员工不太可能愿意投入时间学习新的AI技术。"侵蚀员工信任的最大因素之一是对AI取代他们工作的恐惧,"Goss说。"在Gartner,我们坚信最终AI将改变的工作岗位会比它消除的更多,从今年就开始将创造新的角色。"
根据Gartner研究,从2028年到2029年开始,AI创造的工作岗位将超过它消除的岗位。
尽管如此,虽然Gartner调查的70%的组织表示他们有中央AI策略,但清楚地传达该策略是另一回事,Goss说。人力资源和沟通团队需要与员工清楚地沟通AI在组织中的作用,它将如何让员工受益,以及他们如何适应整体策略,他说。
但不仅员工信任很重要——组织需要与利益相关者建立信任,并对其供应商有信任。组织可以通过建立AI指导或治理小组以及在不同利益相关者之间建立清晰的沟通渠道来与利益相关者建立信任。
除了与利益相关者建立信任外,组织还需要能够信任其供应商。"当我们看我们最近的调查时,只有34%的IT领导者高度信任他们的供应商能够兑现AI路线图承诺。此外,只有21%高度信任他们将提供公平和可预测的定价,"Gartner高级首席分析师Pierre说。
建立这种信任意味着组织需要做好功课,识别具有AI成功案例真实世界例子的供应商,这可能还需要多供应商方法。
AI治理取决于政策和护栏
AI治理是成为AI原生组织的另一个关键步骤。"根据我们最新的数据,70%的组织表示安全、治理和合规是大规模AI部署的第一大障碍,超过了变更管理和证明投资回报率等常见挑战,"Goss说。
AI智能体的增加、AI垃圾内容的出现和影子AI的使用是组织在治理AI使用方面面临的挑战。新的AI挑战出现的速度比IT团队修复旧挑战的速度更快,这导致这些团队经常阻止或限制AI使用作为补救措施。Gartner调查显示,超过50%的360名IT领导者表示阻止或限制AI是他们的首要风险缓解策略。
但良好的治理是促进而不是限制AI部署,Goss说。良好的治理需要政策、护栏和教育。组织可以通过创建AI工具清单、评估与这些技术相关的风险并建立适当的控制措施来实现良好的治理。企业还应该专注于教育员工如何安全使用AI以及在使用AI时如何处理敏感数据。
"我们希望将治理从不使用AI的第一大理由转变为AI的关键推动者,"Goss说。
AI赋权更多的是激励而不是惩罚
在为AI建立信任和治理之后,组织可以在朝着成为AI原生公司努力时专注于赋权部分。组织需要发展一种鼓励员工在自己的AI教育中有利益关系并激励学习而不是惩罚员工的文化。领导力建模、创造一个安全失败的环境以及奖励AI创新对于发展一种赋权员工使用AI的文化都至关重要。
"我们需要创造一种接受甚至鼓励安全实验和失败的文化——如果它能建立对AI能做什么以及重要的是它不能做什么的素养和认识,"Goss说。
Q&A
Q1:什么是AI原生工作场所?
A:AI原生工作场所是指AI智能体在企业中大量涌现,员工与AI协同工作的新型工作环境。在这种工作场所中,员工会将任务交给AI智能体处理,但人类仍需保持控制权,成为企业最重要的资产。
Q2:企业要成为AI原生组织需要关注哪些方面?
A:企业需要专注于三个关键领域:信任、治理和赋权。首先要建立员工对AI的信任,清楚传达AI策略;其次要建立良好的AI治理体系,包括政策、护栏和教育;最后要赋权员工,创造鼓励AI学习和创新的文化环境。
Q3:AI会取代人类工作吗?
A:根据Gartner研究,AI将改变的工作岗位比它消除的更多。从2028年到2029年开始,AI创造的工作岗位将超过它消除的岗位。AI更多的是改变工作性质,创造新的角色,而不是完全取代人类。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。