导读
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。
插图：iStock/erhui1979
“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。”
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，更不知该如何开启一场具有战略意义的全局对话。
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。
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。
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：我们希望借助AI解决哪些问题、抓住哪些机遇？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。
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：一端是更偏增量式、以提升生产力为目标的需求（如改善内部效率、减轻行政负担）；另一端是更具转型性、以使命为核心的长远目标（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 FastForward 的“AI驱动型的非营利组织用例分类”、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”。
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。
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。
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。
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。
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：它与技术的关系、它的学习文化，以及它所在的领域。
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？
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：
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。
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。
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。
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。
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。
所在领域：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。
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。
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。
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。
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。”
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。
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。Jacaranda Health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。
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以“信任的速度”前行。对包容性、安全保障和合规性的承诺，往往具化为负责任的AI原则，而这些原则也应当决定AI应用的范围与推进节奏。
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。
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“节奏本身是一项战略选择”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。
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。
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。
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。
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。
来源：《斯坦福社会创新评论》英文网站2026年5月20日
原标题：A Path Through AI Overwhelm。
| 欢迎光临 广州公益网 (https://www.gongyi020.com/) | Powered by Discuz! X3.4 |