知识工作管理 – AI 可以在哪些方面提供帮助？
快速阅读: 据《福布斯》称，本文探讨了知识工作者面临的任务管理和时间分配挑战，尽管代理型人工智能可能提高生产力，但仍需解决如何高效利用节省下来的时间。知识工作杂乱无序，涉及多种不确定因素。虽然AI能帮助优化任务定义、时间估计和调度，但需要克服隐私和信任问题，让知识工作者放心参与。未来，AI模型若能在个人设备上运行，或许能促进工作场所生产力的进一步提升。
知识工作者每天都要执行多项任务。MSettle或许山姆·阿尔特曼说的没错。也许代理型人工智能算法最终可能会承担现代企业大部分所需的知识工作。然而，在可预见的未来，人类将继续做出战略、产品、预算和人员配置等决定，这些决定决定了每个商业企业的命运。而做出这些决策的人类将继续依靠其他人的技能、经验和直觉，以确保他们的决策得以正确实施。代理型人工智能无疑会通过自动化许多传统活动来提高知识工作者的生产力。但自动化只解决了工作表现的一个方面。另一个主要挑战是高效和有效的时间管理。简而言之：如何最有效地集中高技能/高薪知识工作者的时间和精力在其预期要完成的任务上？
企业在优化制造设施、供应链库存、运输与物流、零售网点等方面的回报时方法科学严谨，而在管理对人力资本投资的回报时则主要采用临时性方法。大多数知识工作者是豁免员工，他们被赋予了宽泛的工作任务，并且在很大程度上自行决定如何分配工作日或工作周的时间。代理型人工智能可能通过自动化带来显著的工作时间节省，但迄今为止，它在帮助知识工作者明智地利用这些节省方面做得很少。
知识工作的本质知识工作是杂乱无序的。工作任务通常被描述为期望的业务成果或交付物。一些任务可能是工作的一部分，比如财务团队每九十天进行一次的季度结算。其他任务可能不常执行，或者完全是临时性的。许多任务可能有名义上的时间线或资源限制，这些限制在任务生命周期中可能会被重新协商。过去类似的任务可能仅作为参考点，无法提供关于任务规划和执行的具体模板。实际上，知识工作者可能会被明确指示在任务中带来一些创新的‘新思维’，而不是简单地重复过去的实践。最后，许多任务需要同事的帮助或协调，而个人对此几乎没有控制力。简而言之，知识工作是杂乱无序的。
个人工作任务是通过瀑布流程建立的，其中公司的战略和计划被细化为可以分配给职能部门的活动或项目。这些部门再将其职责细化为可以分配给内部专业团队的工作包。最后，这些团队将工作包转化为可以分配给个别团队成员的任务。知识工作者是如何传统上优化其工作效率的？
知识工作者通常会将任务分解成一系列子任务，这些子任务共同产生期望的结果。任务规划和执行的关键步骤如图1所示，对于任何知识工作者来说都是显而易见的。
图1. 知识工作管理实践的示意图
马克·塞特尔
任务定义 – 需要做什么？任务被分解成一个或多个独立的工作任务。每个任务应有明确的完成标准，并可设定明确的截止日期。有些任务可能按顺序执行，有些则可以并行处理。有些任务可能取决于他人的可用性或工作成果。
任务定义 – 需要做什么？实际上，知识工作者通常很擅长将工作任务分解成独立的任务。在许多情况下，定义完成任务所需的独立活动具有内在的明显逻辑。在其他情况下，可能存在关键同事或专业设施可用性的限制，这会影响任务定义。
任务时间估计 – 需要多长时间？时间估计主要基于以往的经验。如果一项任务与过去执行的类似任务高度相似，则完成时间可以相当准确地估计。如果任务不熟悉或不常执行，对时间长度的直观估计最多也只能大致估算。
任务调度 – 应该何时进行？原则上，调度应基于通过上述瀑布流程明确界定的业务和组织优先级。实际上，任务调度要复杂得多。准确的调度需要对实际可用于工作的时间进行现实评估，而不是分配给其他活动的时间，例如定期会议、培训、假期等。调度还可能取决于同事的可用性或他们所承担任务的完成情况。任务调度中的一个普遍最佳实践是尽量减少一个人同时处理的任务数量（即最小化‘在制品’）。多项研究表明，过度多任务处理很容易削弱人的生产力。
任务执行/完成。当任务的退出标准达成时，任务执行即告完成。
任务执行/完成。
知识工作管理实践中常见的问题是什么？
上述知识工作实践的描述过于理论化。实际上，图1中描绘的过程的每一个步骤都可能出错。每个步骤都强烈依赖于前一步骤。错误会沿着这一系列事件传播，导致初始工作任务的目标可能需要调整。基于任务最初定义时预期要完成的内容来宣布成功并不常见，更多的是根据到目前为止已经完成的内容来判断。
知识工作实践中常见的问题如下：
过于乐观的时间估计。如果工人对完成任务所需的工作缺乏了解或经验，这种情况尤为严重。
额外工作发现。在执行任务过程中，工人可能会遇到必须在任务完成标准满足之前完成的新工作要求。
他人依赖引入意外的时间延误。当同事未能在所需时间出现或未能交付完成任务所需的工作成果时，计划可能会被打乱。任务也可能因专用设施或基础设施的可用性受限而延迟。
过度超额调度。个人经常在没有充分考虑其工作时间、先前工作承诺或个人工作习惯的情况下做出时间承诺。
持续的工作场所干扰。电子邮件、短信、应用程序通知、基础设施警报等对知识工作者注意力的持续需求很容易分散个人的注意力，从而影响其专注能力。未计划的外部中断也可能扰乱工作中的生产力。
公司优先级可能根据竞争压力或财务问题重新定义。收购新的业务线或出售现有资产也可能打乱工作计划。然而，由于这些类型的决策导致的生产率损失显然不是个别工人的过错。
AI能否帮助改进知识工作管理？
原则上，除了能够消除某些类型的知识工作外，AI技术还可以为知识工作管理带来重大好处。机器人过程自动化平台常用的任务挖掘工具收集了大量关于个人使用业务应用、桌面应用、协作工具、社交媒体渠道等方面的信息。理论上，训练有素的AI算法应该能够确定或至少建议知识工作者如何最好地定义、估计和安排具体的工作任务。
AI能否帮助改进知识工作管理？
借助AI，可以根据个人在过去执行类似任务时的效率；一天中最有利于完成某些类型工作的时段和工作地点；个人可以合理预期同时处理的任务数量；以及基于个人过去历史和同事过去经验的额外工作发现的风险，更个性化地管理工作。相比之下，目前使用AI总结会议讨论、生成电子邮件和协调日程安排显得非常原始！
AI能否帮助改进知识工作管理？
这里设想的知识工作管理的进步是有代价的。如果个人要实现上述提到的生产率提升，就需要向AI系统暴露他们最亲密的工作习惯。许多人自然会认为这是对隐私的不可容忍的侵犯。AI能否帮助改进知识工作管理？
在代理型自动化浪潮达到顶峰之后，下一代生产率提升可能只有在AI模型可以在个人设备上托管并且所需个人数据也保留在这些设备上时才能实现。如果知识工作者能够确信雇主不会微观监控他们的工作行为，他们可能会愿意参与这场工作场所生产力的第二次革命。
(以上内容均由Ai生成)
