参与远程办公的员工们,敬业度与幸福感究竟如何?您的远程团队是否具备推动业务成功的基本驱动力?我们自己对于企业文化的理解,是否与现实情况一致?人工智能(AI)技术正帮助我们找出这些问题的答案。
2019年,《MIT斯隆管理评论》与Glassdoor网站联合推出Culture 500。通过这款在线交互工具,用户可以使用AI与Glassdoor数据根据九大核心文化要素(例如协作、多样性、创新等)对知名企业做出排序。
技术人员还创建了各类支持AI的办公场所智能工具,可帮助各类企业挖掘当前可用的海量员工数据。RSquared AI公司联合创始人兼CEO Dan Udoutch表示,“AI技术将帮助领导者们在全新推广的远程工作环境中探索出路,引导员工们关注新的办公文化。”RSquared AI是一套云平台,可对员工敬业度及其他人力资本指标做出实时分析。
Udoutch指出,行业在基于AI的人力资本指标改革方面一直行动迟缓,大多数企业无法借助AI技术进行年度调查。他提到,“人永远是企业最大的财富,但从公平性、科学性以及大数据的角度来看,企业对人其实并不了解。AI技术培训的普及,有望扭转这一颓势。”
企业文化——应对远程办公挑战的关键
对企业文化的强调早已不是什么新鲜话题。事实证明,文化在改善员工留存率、协作水平、创造力、包容性等方面发挥着重要作用,并有望提升运营收益。谷歌公司就在最高绩效团队构成方面做出开创性研究,结果发现具备信任感、自由表达空间以及异议容纳能力的团队往往最为成功。
美国证券交易委员会(SEC)近期公布了文化与人员的重要性,要求各上市企业后续必须披露人力资本指标,包括员工体验与工作环境等。同样的,纳斯达克也向美国证交会提交一项提案,呼吁各上市企业公布董事会成员中的多样性统计数据。
文化还有助于解决远程办公场景下的种种常见陷阱,例如远程工作人员的孤独感、归属感缺失以及得不到经验及同事的支持等。
AI驱动新征程:伟大的远程办公文化
文化本身往往难以定义、执行与改进,同时也在不断发展。正因为如此,企业可能很难单凭年度调查就确保员工们在思想认知层面始终保持正轨。通过部署AI劳动力智能工具,领导者可以准确判断文化普及中值得肯定的部分、仍有欠缺的部分,并随时间推移掌握文化动态的变化情况。
例如,RSquared开发出的“文化MRI”就将员工体验整理为实时生动的图景。其通过数十种复杂算法分析无数员工的数字通信(例如电子邮件与聊天)内容,借此发现不同人员在协作、沟通、包容性、敬业度及其他关键文化指标之间的细微差异。另外,这种工具还能及时发现文化与沟通层面的障碍,帮助领导者抢在问题发生之前加以纠正。
在远程办公的新时代下,这种能力相当于为工作体系带来了“雷达监控”,必将带来价值无穷的可见性能力。
AI为善
但这一切又带来了新的核心问题:如果员工意识到自己的聊天内容需要接受分析,他们的行为是否会发生变化?他们的信任度还在吗?这种“监听”是否会在无意之间,侵蚀领导者努力在员工中培养的文化氛围?Udoutch认为不必担心,因为作为一家声誉卓著的劳动力情报工具供应商,他们的方案向来以企业级安全性与隐私性闻名。更重要的是,这类解决方案主要关注整体趋势,而非特定员工的具体行为。“我们重视的并不是谁在偷偷吸烟;在理想情况下,我们会收集到成千上万封邮件,并据此提供透明且可解释的示例。相信这一切都将让AI迸发出积极且善意的新力量。”
以RSquared的一家客户为例,这家制造商最初发现每笔交易都存在亏损。他们也着手调查过自己的定价模型、供应链以及其他可能的原因,但一无所获。事实证明,问题就出在企业文化上。Udoutch提到,“我们的分析结果表明,制造与估价团队之间几乎没有任何交流,问题就这样的被动当中酝酿恶化。这里的工作成本计算问题,在本质上可以算是文化与沟通问题。因此,即使是翻看再多电子表格,也意识不到其真实根源。”
可以想见,将AI引入人力指标必将为企业领导者绘制出一幅清晰明确的远程办公文化构建与维护路线图,确保每一位员工都能保持敬业、获得良好工作体验并与同事们随时顺畅联络。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。