AI热潮下，组织如何不丢掉自己的方向？
<section style="text-align: right;"><section style="text-align: center;" nodeleaf=""></section><section><span leaf="" style="caret-color: red;text-decoration-style: solid;text-decoration-color: rgb(27, 26, 33);letter-spacing: 1px;font-size: 12px;color: rgb(127, 127, 127);">作者 | 金伯利·巴蒂·朗萨姆（Kimberly Bardy Langsam）</span></section><section><span leaf="" style="caret-color: red;text-decoration-style: solid;text-decoration-color: rgb(27, 26, 33);letter-spacing: 1px;font-size: 12px;color: rgb(127, 127, 127);">杰奎琳·沃茨（Jacqueline Watts）</span></section><section><span leaf="" style="caret-color: red;text-decoration-style: solid;text-decoration-color: rgb(27, 26, 33);letter-spacing: 1px;font-size: 12px;color: rgb(127, 127, 127);">艾琳·沃舍姆（Erin Worsham）</span></section></section><section><section style="text-align: right;"><span leaf="" style="caret-color: red;text-decoration-style: solid;text-decoration-color: rgb(27, 26, 33);letter-spacing: 1px;font-size: 12px;color: rgb(127, 127, 127);">编译 | </span><span leaf="" style="caret-color: red;text-decoration-style: solid;text-decoration-color: rgb(27, 26, 33);letter-spacing: 1px;font-size: 12px;color: rgb(127, 127, 127);">施桂娟</span></section></section><section style="text-align: right;"><section><span leaf=""><br></span></section><section data-tools="135编辑器" data-id="131861" data-pm-slice="0 0 []"><section style="text-align: left;margin: 10px auto;"><section style="display: inline-block;transform: rotate(0deg);-webkit-transform: rotate(0deg);-moz-transform: rotate(0deg);-o-transform: rotate(0deg);"><section style="background-color: #0c2587;padding: 6px 15px;margin-right: 10px;box-sizing: border-box;"><section style="font-size: 14px;letter-spacing: 1.5px;color: #ffffff;"><p style="margin-bottom: 5px;margin-top: 5px;display: block;"><span style="font-size:14px;"><strong><span leaf=""><span textstyle="" style="font-size: 16px;">导读</span></span></strong></span></p></section></section></section><section style="display: flex;margin-top: -15px;"><section style="display: flex;margin: 30px 10px -15px 10px;"><section style="width: 1px;height: 100%;background-color: #0c2587;overflow: hidden;box-sizing:border-box;"><span leaf=""><br></span></section></section><section style="width: 100%;max-width: 100% !important;box-sizing:border-box;" data-width="100%"><section style="background-color: rgba(52,54,64,0.04);padding: 15px 25px 35px 20px;box-sizing: border-box;"><section style="display: flex;justify-content: flex-start;align-items: flex-start;margin-top: 20px;"><section style="width: 9px;height: 9px;background-color: #0c2587;border-radius: 50%;flex-shrink: 0;margin: 8px -12px 0px 0px;overflow: hidden;box-sizing:border-box;"><span leaf=""><br></span></section><section style="text-align: justify;line-height: 1.75em;letter-spacing: 1.5px;font-size: 14px;color: #333;background: transparent;"><p style="margin-bottom: 5px;margin-top: 5px;display: block;"><span style="font-size: 14px;"><span leaf=""> </span><span leaf=""><span textstyle="" style="font-size: 16px;">面对 AI 浪潮，许多组织都在思考同一个问题：如果不行动，担心错过机会；如果贸然行动，又担心偏离使命。本文并不讨论具体工具，而是提出四个更基础的问题：AI 是为了什么？组织准备好了吗？如何带领团队面对分歧与不确定性？什么样的推进节奏才是合适的？通过多个案例，作者指出，AI 战略的核心并非追赶技术，而是在使命、伦理与影响力之间找到平衡，并形成组织内部的共同理解。</span></span></span></p></section></section></section></section></section></section></section></section><section data-role="paragraph"><p><span leaf=""><br></span></p></section><section data-id="139451" data-width="88%" style="width: 88%;flex: 0 0 88%;margin-left: auto;margin-right: auto;box-sizing:border-box;max-width:88% !important;"><section style="margin: 10px 0px 0px;box-sizing: border-box;"><section style="margin: 10px auto;"><section style="width: 40px;height: 5px;background-color: #0c2587;overflow: hidden;box-sizing:border-box;"><span leaf=""><br></span></section><section style="width: 100%;display: flex;max-width: 100% !important;box-sizing:border-box;" data-width="100%"><section style="flex-shrink: 0;"><section style="width: 5px;height: 40px;background-color: #0c2587;overflow: hidden;box-sizing:border-box;"><span leaf=""><br></span></section></section><section style="width: 100%;max-width: 100% !important;box-sizing:border-box;" data-width="100%"><section style="border: 1px solid #1b1a21;padding: 5px;box-sizing: border-box;"><section style="width: 100%;box-sizing: border-box;max-width: 100% !important;text-align: center;" data-width="100%" nodeleaf=""></section></section></section><section style="flex-shrink: 0;display: flex;align-items: flex-end;"><section style="width: 5px;height: 40px;background-color: #1b1a21;overflow: hidden;box-sizing:border-box;"><span leaf=""><br></span></section></section></section><section style="width: 40px;height: 5px;background-color: #1b1a21;margin-left: auto;overflow: hidden;box-sizing:border-box;"><span leaf=""><br></span></section></section></section></section><section data-width="88%" style="width: 88%;flex: 0 0 88%;margin-left: auto;margin-right: auto;box-sizing:border-box;max-width:88% !important;"><section style="line-height: 2em;text-align: justify;color: #1b1a21;font-size: 12px;letter-spacing: 1px;" data-autoskip="1"><p style="text-align:right;"><span style="font-weight: 400;letter-spacing: 1px;line-height: 28px;font-style: normal;text-decoration: none solid #1b1a21;font-size: 12px;color: #7f7f7f;font-family:mp-quote, -apple-system-font, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Hiragino Sans GB, Microsoft YaHei UI, Microsoft YaHei, Arial, sans-serif;"><span leaf="">插图：iStock/erhui1979</span></span></p></section></section><section data-role="paragraph"><p><span leaf=""><br></span></p></section><section data-width="88%" style="width: 88%;flex: 0 0 88%;margin-left: auto;margin-right: auto;box-sizing:border-box;max-width:88% !important;"><section style="line-height: 2em;text-align: justify;color: #1b1a21;font-size: 14px;letter-spacing: 1px;" data-autoskip="1"><p><span style="caret-color: red;"><span leaf=""><span textstyle="" style="font-size: 16px;">“我们只是在艰难地维持，”最近，一位社会企业的负责人告诉我们， “我们偶尔会用AI做一些事情，但始终没想清楚怎么在整个组织层面落地。我认为，我们需要花更多时间思考。”</span></span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">作为社会影响力组织的资助方、顾问和理事会成员，我们经常听到类似的感慨。资助方开始追问AI战略，理事会敦促开展试点，员工则在没有明确方向的情况下各自摸索。许多领导者自然会感到无从下手，</span></span><span leaf=""><span textstyle="" style="font-size: 16px;">更不知该如何开启一场具有战略意义的全局对话</span></span><span leaf=""><span textstyle="" style="font-size: 16px;">。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">想要理清思路，不妨先回答四个基础问题。借助这些问题，组织能梳理自身的AI发展机遇、评估落地筹备程度，划定行动边界并规划推进节奏。这样做虽不能覆盖全部细节，但提供了一份可供理事会讨论的实用议程，既有助于建立内部共识，也能成为前期战略规划的重要参照。</span></span></p><p><span leaf=""><br></span></p><section style="text-align: center;" nodeleaf=""></section><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">理事会谈及AI时，最先抛出的问题通常是：我们现在怎么用AI？应该采用哪些工具？然而，这几乎是错误的起点。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">在讨论工具、风险或投入之前，领导者需要先帮助理事会和管理团队想清楚AI与本组织的关联：</span><span textstyle="" style="font-size: 16px;font-weight: bold;">我们希望借助AI解决哪些问题、抓住哪些机遇？</span><span textstyle="" style="font-size: 16px;">这样一来，AI才成为一个战略议题，而不仅仅局限于技术本身。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">为了让关于AI的讨论更具实操性，组织可以先梳理日常面对的挑战与长远目标，并根据规模将它们分类。一种简洁的结构化方式，是把组织应用AI的机遇排在一个光谱上：一端是更偏</span><span textstyle="" style="font-size: 16px;font-weight: bold;">增量式、以提升生产力为目标的需求</span><span textstyle="" style="font-size: 16px;">（如改善内部效率、减轻行政负担）；另一端是更具</span><span textstyle="" style="font-size: 16px;font-weight: bold;">转型性、以使命为核心的长远目标</span><span textstyle="" style="font-size: 16px;">（如扩大服务覆盖面或在规模层面改善成果）。其他可参考的分类框架还包括</span><a class="normal_text_link" target="_blank" style="" href="https://mp.weixin.qq.com/s?__biz=MzU2NTExMjQ4Nw==&mid=2247536506&idx=1&sn=7c472245384a70bd2627791face7820a&scene=21#wechat_redirect" textvalue="AI在非营利组织中的具体应用场景" data-itemshowtype="0" linktype="text" data-linktype="2"><span textstyle="" style="font-size: 16px;"> FastForward 的“AI驱动型的非营利组织用例分类”</span></a><span textstyle="" style="font-size: 16px;">、Tech Matters 的“非营利组织 AI 宝藏地图”，以及 NIST 的“以人为中心的AI应用分类体系”。 </span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">在明确需求与愿景之后，不妨进一步参考一些真实的AI应用案例，将这些目标与具体实践联系起来。无论是渐进式改进，还是更具突破性的探索，这些案例都能帮助组织更直观地理解不同方案的可能性，而无需立即投入实施。帕特里克·J·麦戈文基金会（Patrick J. McGovern Foundation，PJMF）的AI用例库，以及 AI for Good 的影响力报告，都是值得参考的资源。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">开展这些探讨的目的，并非急于决定是否引入AI，而是要先在内部建立一套共同的语言和评估框架，帮助组织判断：AI究竟能在哪些方面，切实推动目标的实现。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">举一个增量端的例子：如果目标是提升组织的内部能力，那么需要思考的问题就是“如何减少行政事务负担，为更高价值的工作腾出时间”。职业培训与就业服务机构 Generation.org 就基于自身数据开发了一款定制 GPT，用于辅助课程设计与内容审核，大幅缩短了两项工作的耗时，让团队能够将更多精力投入到核心业务中。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">再来看转型端的应用： 如果目标是提高服务或资源的可及性，核心问题便在于：“如何触达目前无法获得服务的人群？”Apollo Agriculture 就是一个很好的例子，该机构利用预测性AI信用风险评估工具，为没有信用记录的小农户提供可持续的贷款支持。这是AI将“不可能”化为“可能”的典型案例。</span></span></p><p><span leaf=""><br></span></p><section style="text-align: center;" nodeleaf=""></section><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">如果说第一个问题厘清了AI的目的，那么第二个问题则是把它落回现实：为了把这件事做好，我们需要具备哪些条件？ AI的应用，尤其是更具转型性的应用，首先取决于组织的“准备程度”。而搭建这类核心基础能力，通常需要数年时间和大量资源投入。根据我们的研究，影响组织应用AI的速度与难度的核心维度主要有三个：</span><span textstyle="" style="font-size: 16px;font-weight: bold;">它与技术的关系、它的学习文化，以及它所在的领域。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">技术基础：有效的AI项目需要高质量的数据、坚实的数据基础设施以及技术人才。对于那些尚未将技术作为战略与业务核心的组织而言，需要认真评估：建设这些能力究竟是当前阶段的优先事项、中长期愿景，还是并不在战略路径之内？</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">尽管“AI 原生型”组织（“AI-native” organizations）正在涌现，并面临着信任建立、实际落地等新的挑战，但从整体来看，大多数组织可以分为以下三类：</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;color: rgb(2, 30, 170);"></span></span><span leaf=""><span textstyle="" style="font-size: 16px;color: rgb(2, 30, 170);">轻技术型（Tech-lite）：技术在运营和项目中的应用较少，数据系统往往较为零散，或尚未建立完善体系。</span></span></p><p><span leaf=""><br></span></p><span textstyle="" style="font-size: 16px;color: rgb(2, 30, 170);">技术使用型（Tech-using）：能够熟练使用客户关系管理（CRM）系统、数字化办公工具等通用技术来支持工作，但技术本身并非组织模式的核心组成部分。</span></span><p><span leaf=""><br></span></p><p><span textstyle="" style="font-size: 16px;color: rgb(2, 30, 170);">技术驱动型（Tech-forward）：技术是组织战略或业务模式的核心支柱，通常配备专门技术团队、结构化数据系统以及数据分析能力。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">诚实地评估自身所处的位置，有助于组织识别哪些能力建设会面临更大挑战，并将战略讨论建立在数据、系统和人才投入的现实基础之上。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">关于技术人才招聘，还需要特别提醒一点。理事会往往容易将“招聘技术人才”视为 AI 转型的第一步，但这通常并非最佳选择。更可行的做法是采取分阶段的“剂量策略”：先在组织内部建立广泛的AI素养，再根据实际需求逐步引入针对性的专业能力，无论这些能力来自内部团队还是外部支持。外部支持不仅包括顾问，也可以来自具有相关经验的理事会成员，或 Mapbox、Tech to the Rescue、Moving Worlds 等技术志愿者项目。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><spa textstyle="" style="font-size: 16px;font-weight: bold;">学习文化：</spa></span><span textstyle="" style="font-size: 16px;">AI的应用路径很少是线性的；它需要试验、迭代，以及在原有假设被事实推翻时及时调整方向的能力。拥有成熟学习文化的组织善于用数据来审视、优化和改进自身实践，因此也能够以更负责任的方式探索AI。领导者不妨问自己：我们主要把数据视为汇报成果和问责的工具，还是鼓励团队借助数据发现问题、坦然面对不尽如人意的现状，并据此调整行动？</span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">在与理事会或管理团队讨论这一问题时，目标并不是批评现状，而是形成更清晰的认识。如果组织的试验和经验共享只是零零散散、时断时续的状态，那么推动文化建设和内部机制转型的重要性，可能并不亚于投资一项新技术。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;font-weight: bold;">所在领域：</span><span textstyle="" style="font-size: 16px;">组织所处的领域，同样会影响应用AI的准备程度。气候和农业领域通常数据资源丰富，较少涉及个人隐私限制，并且有着长期积累的实践经验；而健康、土地权益或性别暴力等领域，则往往处于高度监管且极为敏感的环境之中，对非优势群体造成潜在伤害的风险也更高。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">这些差异并非停留在理论层面。在实践中，不同领域往往会因为组织对风险的判断和管理方式不同，而形成完全不同的AI应用路径。在农业领域，Digital Green 发现，面向农户的农艺咨询聊天机器人等工具既具有实际效果，也属于风险相对可控的应用。这得益于当地丰富的数据积累，以及较为明确的使用场景。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">但在更加敏感的领域，同样的方法未必适用。专注于性别暴力议题的非营利技术机构 Chayn，曾试点开发面向幸存者的 AI 聊天机器人，但在评估后决定终止项目。原因在于，在这一情境下，AI一旦遭到滥用或出现预料之外的偏差，将带来难以控制的风险。这并非全盘否定AI在该领域的价值，而是意味着它可能更适合担任间接的支持类角色。例如，DataGénero 利用AI协助刑事司法系统收集、整理并公开性别暴力相关的法律数据，从而提升信息的透明度与可及性。</span></span></p><p><span leaf=""><br></span></p><section style="text-align: center;" nodeleaf=""></section><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">在不同组织中，人们对AI的期待与担忧往往并存，而且程度差异很大。对于那些致力于应对市场失灵和系统性问题的使命驱动型组织而言，对AI保持审慎甚至怀疑，并非阻力，而是合理且必要的态度。这些顾虑包括环境与劳动力成本、算法偏见、隐私侵犯，以及AI对就业、公共治理和可持续发展可能带来的广泛社会影响。与此同时，AI也确实蕴含着推动社会与环境进步的潜力，尤其是在组织面临日益复杂的问题和资源约束时。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">帕特里克·J·麦戈文基金会主席维拉斯·达尔（Vilas Dhar）曾这样说道：“关于AI最响亮的声音，要么在兜售炒作，要么在预言末日。但这两者都不是战略。此刻真正的领导力，在于同时看见挑战与可能性，并带着对AI的希望与团队共同前行。”</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">领导者的任务并不是立即消除这些张力，而是公开承认它们的存在，以建设性的方式与之共处，并为审慎、有原则的探索创造空间。一个务实的做法，是尽早建立组织的“护栏”。首先邀请理事会和团队成员参与，共同识别在自身情境下最值得关注的风险，再将这些讨论转化为一套负责任的AI应用原则，也就是指导AI评估、应用与治理的共同承诺。这些原则通常涵盖</span><span textstyle="" style="font-size: 16px;font-weight: bold;">公平性、透明度、以人为中心、数据隐私与安全、包容性以及可持续性等方面。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">这一过程能够让 AI 的探索建立在伦理基础之上，并与组织使命保持一致，从而帮助团队以更清晰、更稳健的方式推进实践。</span><a class="normal_text_link" target="_blank" style="" href="https://mp.weixin.qq.com/s?__biz=MzU2NTExMjQ4Nw==&mid=2247537137&idx=1&sn=d43cf57c4b7fd7209219717156fb0065&scene=21#wechat_redirect" textvalue="面对医疗AI，那些先行的非营利组织怎么做" data-itemshowtype="0" linktype="text" data-linktype="2"><span textstyle="" style="font-size: 16px;">Jacaranda Health</span></a><span textstyle="" style="font-size: 16px;">的经验便是一个例子。在将AI应用于母婴健康服务时，该组织明确将用户知情同意、面向非优势群体的设计、专业人员审核AI回复内容，以及确保服务可负担等原则置于优先位置。为了帮助更多机构确立这些规范，帕特里克·J·麦戈文基金会推出了“负责任的 AI”学习模块供大家参考；FastForward 的“非营利组织AI政策指南”也提供了一系列讨论题，协助组织理清内部的AI使用边界。</span></span></p><p><span leaf=""><br></span></p><section style="text-align: center;" nodeleaf=""></section><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">在私营部门中，AI往往被视为一场速度竞赛。更快部署、更多自动化，以及“快速试错”，被认为是降低成本和抢占市场份额的重要手段。但社会影响力组织遵循的是另一套逻辑，也承担着不同的风险。一个存在缺陷的聊天机器人，可能向孕妇提供错误甚至危险的建议；一个带有偏见的信用评分模型，则可能进一步加剧社会排斥。因此，社会影响力组织需要</span><span textstyle="" style="font-size: 16px;font-weight: bold;">以“信任的速度”前行。</span><span textstyle="" style="font-size: 16px;">对包容性、安全保障和合规性的承诺，往往具化为</span><span textstyle="" style="font-size: 16px;font-weight: bold;">负责任的AI原则，</span><span textstyle="" style="font-size: 16px;">而这些原则也应当决定AI应用的范围与推进节奏。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">领导者需要进一步明确，这些承诺在流程设计、资源投入和时间安排上意味着什么。以 Jacaranda Health 为例，在扩大其AI母婴健康聊天机器人 PROMPTS 服务范围的过程中，机构不仅需要与当地卫生系统和医疗服务提供方建立合作关系，还必须严格验证内容准确性、适应不同地区的监管要求，并持续获得一线工作者和服务对象的信任。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">这些工作都需要时间和资源。随着全球AI应用不断升温，资助方和合作伙伴可能会期待更快的推进速度。在这种情况下，清晰说明</span><span textstyle="" style="font-size: 16px;font-weight: bold;">“节奏本身是一项战略选择”</span><span textstyle="" style="font-size: 16px;">尤为重要。推动节奏的依据应当是影响力、伦理和信任，而非对趋势的盲目追赶，也不是出于保守或拖延。只有这样，组织才能与理事会、合作伙伴和资助方建立合理预期，确保创新服务于使命，而非偏离使命。</span></span></p><p><span leaf=""><br></span></p><section style="text-align: center;" nodeleaf=""></section><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 16px;">无论起点在哪里，也无论这条路有多崎岖，AI战略的发展都应当是一个持续迭代的过程。通过厘清“为什么使用 AI”，诚实评估组织在技术基础、学习文化和领域环境上的准备程度，在怀疑与希望之间保持建设性的张力，并让使命与影响力决定推进节奏时，领导者就能够为理事会和团队提供比“快速解答”更宝贵的东西：一种共同的理解。有了共识作为基石，组织才能有意识地开展行动——制定战略与阶段目标、识别合作伙伴、开展测试、投入资源，或者在必要时选择暂缓行动。这本身也是一种负责任的前进方式。</span></span></p><p><span style="caret-color: red;"><span leaf=""><br></span></span></p><p><span leaf=""><br></span></p></section><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 10px;color: rgb(178, 178, 178);font-style: italic;">金伯利·巴蒂·朗萨姆是杜克大学富卡商学院（Duke University’s Fuqua School of Business）社会创业咨询与分析项目的高级项目主任，主要负责面向实践者的研究和培训工作。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 10px;color: rgb(178, 178, 178);font-style: italic;">杰奎琳·沃茨是帕特里克·J·麦戈文基金会的学习与洞察部门负责人，拥有以人为中心的设计和软件工程背景。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 10px;color: rgb(178, 178, 178);font-style: italic;">艾琳·沃舍姆是杜克大学富卡商学院社会创业咨询与分析项目的执行主任，她为该学术研究中心带来了丰富的跨部门经验。</span></span></p><p><span leaf=""><br></span></p><p><span leaf=""><br></span></p><p><span leaf=""><span textstyle="" style="font-size: 10px;color: rgb(178, 178, 178);font-style: italic;">来源：《斯坦福社会创新评论》英文网站</span></span><span leaf=""><span textstyle="" style="font-size: 10px;color: rgb(178, 178, 178);font-style: italic;">2026年5月20日</span></span></p><p><span leaf=""><br></span></p><p><em mpa-font-style="m8s7lpyxc0h"><span leaf="" style="caret-color: red;line-height: 2em;text-decoration-style: solid;text-decoration-color: rgb(27, 26, 33);letter-spacing: 1px;font-size: 12px;color: rgb(127, 127, 127);"><span textstyle="" style="font-size: 10px;color: rgb(178, 178, 178);font-style: italic;">原标题：</span></span><span leaf=""><span textstyle="" style="font-size: 10px;color: rgb(178, 178, 178);font-style: italic;">A Path Through AI Overwhelm。</span></span></em></p><p><span leaf=""><br></span></p></section><section><br></section><section style="min-height: 40px;margin: 10px 0%;box-sizing: border-box;"><section style="width: 100%;margin: 0px auto -10px;box-sizing: border-box;"><section><section style="margin: 0.5em 0px;line-height: 0;box-sizing: border-box;"><section style="max-width: 100%;vertical-align: middle;display: inline-block;line-height: 0;box-sizing: border-box;" nodeleaf=""></section></section></section><section><span leaf=""><br></span></section></section></section></section><section><span leaf=""><br></span></section><section class="mp_profile_iframe_wrp" nodeleaf="" style="margin-bottom: 0px;" data-action-id="maww242x1r68"><mp-common-profile class="custom_select_card mp_profile_iframe js_wx_tap_highlight" data-pluginname="mpprofile" data-nickname="斯坦福社会创新评论" data-alias="SSIRCHINA" data-index="0" data-from="2" data-headimg="http://mmbiz.qpic.cn/mmbiz_png/9656713rlhyia769q8vmUWnkRl5joM99VQeBicTjkzKoOX8WpnFFGPKwvGFzf8xia7vlfojuzv0E73bGIuzvTqJAw/300?wx_fmt=png&wxfrom=19" data-signature="《Stanford Social Innovation Review》中文版" data-id="MzU2NTExMjQ4Nw==" data-is_biz_ban="0" data-origin_num="1117" data-biz_account_status="0" data-verify_status="0"></mp-common-profile></section><section><span leaf=""><br></span></section><p style="display: none;"><mp-style-type data-value="10000"></mp-style-type></p></div> 确实，AI不是赶时髦，关键得对齐组织使命。建议：1）先厘清核心目标，再评估AI能否助力；2）小范围试点，边试边调节奏；3）多听听一线员工顾虑，共识比速度更重要。
页:
[1]