近日，在“AI未来2025阅读新风向”发布会上，清华大学领导力与组织管理系主任李宁教授发表《数据和人工智能如何赋能组织管理》的演讲。

他认为，数据驱动的管理决策已经很有效地应用在了精准营销、库存管理、质量管理等领域，但是在涉及组织、员工管理方面却仍有很大的提升空间。人工智能将如何赋能企业解决传统数据分析的困境，挖掘数据背后更深层次的规律，改变“996”、“加班”之类的管理模式？

李宁：清华大学领导力与组织管理系系主任、Flextronics讲席教授、《智能组织》作者

以下为李宁演讲精编（有删减）：

我今天主要围绕两个方面来展开。数据驱动的管理决策，比如说精准营销、库存管理，在业务端的方方面面，我们其实都完成了这种数字化的转型，积累了大量的数据，然后用数据来做更好的决策。

但是，在组织端，在人的决策方面，其实数据驱动决策还是非常滞后的。在管人的时候，更多时候还是依靠领导的直觉、感觉、经验，来做这样的判断。

比如绝大多数企业和老板不喜欢远程办公，希望你能够来办公室。

这个背后反映出，你如果不在我眼前，我不知道你的产出，我不知道你的贡献。所以，这就涉及到我没有数据来衡量一个人他在组织当中的贡献，特别是我有很多员工，这些员工合起来，他对于组织的贡献是什么？或者这个组织时时刻刻的健康度，或者它的创新度是什么？这是一个问题。

所以，就造成了很多社会上面的一个现象，比如“996”、加班、打卡。为什么很多企业严格打卡，要看员工的工作时长，很多时候把这个当成一个奋斗者指数。因为它没有其他的一个指标。

但其实这里面就很矛盾，因为我们在组织端，特别是现在，比如说，有钉钉、飞书、企业微信，我们已经积累了大量的数据，但绝大程度上，这些数据并没有使用起来。

我们做一个判断，就是在业务端，我们的数字化的程度是非常高的，我们已经实现了数据驱动的决策。但是，在组织端，涉及到人的时候，可能还是用到Excel，然后领导看一下Excel报表，然后就开始决策。特别是比如在绩效评估的时候，在招聘的时候都会存在这样的问题。所以，这存在一个不平衡的问题。

这背后的原因是什么？现在关于人的数据，实际上是一个成本，而不是一个资产。我们知道数据现在越来越重要，变成一个企业重要的资产，甚至是数据的一个入表，但这个更多是集中在业务端，因为有业务端，我就可以用这些业务的数据进行库存管理、精准营销、质量管理等等一系列。

但是，比如一家企业用了飞书、钉钉，每天积累了多少人与人之间协作的数据，每天所有会议的记录，在线文档，这些所有跟人和组织相关的一个数据就变成一个成本，占用了很多服务器的空间。这些数据拿来真正做组织管理的决策，这是非常有限的。

我觉得有三个主要的方面的原因：

第一，观念。有多少人觉得人，比如我们涉及到管人，人的复杂度可以被数据所抓取出来。其实这是一个根深蒂固的，就觉得人就是千人千面的，人就是依赖于过去的经验和直觉，针对不同的人要制定不同的方法方式来管理，可能跟每个人说的话都不一样。既然强调了它后面没有规律性，就自然谈不到数据驱动的管理。但另外一种，如果你相信人背后有很强的规律性，我们就可以从数据中提炼出相应的x（因素）跟y（目标），并找到与之相对应的关系。

第二，假设我们有这样一个连接，如何找到构建x跟y之间的一个关系。

第三，其实跟第二个关系相当密切，人才缺口，就是在做数据驱动的时候，因为人是复杂的，所以我们需要构建一些高维的指标。比如现在的很多企业关注的点是浅层的，你是不是985的，你是不是211的，潜台词就是你的学历是不是跟你的绩效相关，你每天加班的时长是不是跟绩效相关，但这是一个浅层的指标。我们需要挖掘出更深层次的指标，这就涉及到比如心理学、管理学，甚至是统计学的很多相关的知识，很多企业并没有这样的人才储备。

关于第一个问题，人的复杂性是不是可以被数据所抓取出来，我们是不是可以通过设计一系列的实验，或者通过数据来探究背后的一个秘密。我这里举了一个例子，在某些国家，人在换领驾照的时候它有一个选项，询问你器官捐赠的一个意愿。这个就是反映了两类国家它的捐赠意愿的比例。

如果默认选项，你愿意参加器官捐赠项目请打钩，比例就非常低。如果说你不愿意参加这个项目，请打钩，打钩的比例也很低，这就反映了人们打钩的比例都很低。因为你在做这个事情的时候会有人反复地提醒你，但你不知道怎么打钩。比如大家去面临这样一个情况，你会怎么选？你也很难选。很难选的时候你就会遵循一个默认的选项。

所以，这就是心理学上的默认选项偏差。这个也反映了很多时候我们做决策的时候，我们就会选择那个默认的。这个背后其实反映了人是有很强的规律性的，那种规律性是跨越了国家和地区的。所以，这为我们数据驱动的组织管理决策提供了依据。

比如说，有些国家养老金的储蓄，它的设计就是是把储蓄当成一个默认选项还是一个主动选项。比如有些国家说，每个人都是会强制储蓄10%，但是你可以选择把这个勾掉，这时候一个默认的选项就会极大地提升养老储蓄的比例。这个在政策上面就会引发很积极的一个效果。所以，这个就是人背后有规律性可循，我们就可以依赖于这样一个规律，用数据挖掘出它背后的规律。

我们再看回来最开始的那个问题——混合办公。关于混合办公这个事情，它对于绩效有什么样的一个影响，其实这是很现实的一个现象。比如说，你如果说允许混合办公，你有可能会降低一些成本，甚至可能会留下一些员工，如果他通勤时间比较长，你可以允许他混合办公，你可以扩大招聘范围。但很多的企业家就会说，他是不是会影响到我的绩效。这是发表在《Nature》，在携程做的一个实地的实验，也就是在组织决策端做了一个A/B的测试。它的结论是什么？混合办公不会降低绩效，反而会降低员工的离职率。

所以，数据驱动的价值在于，其实对于提高我们决策的准确度和精度，我们知道有两个，就是做对的事，还是把事做对。做对的事，其实就是要找到一个方向感，很多时候我们会发现我们很卷，但如果我们决策的方向错了，其实你的效率再高，也是浪费一些资源的。

所以，数据驱动其实就是保证我们在做重要的决策，特别是在组织端中跟人的决策，保证我的决策的准确度。

首先是验证认知，其实绝大多数数据反映出来的跟我们常识的认知是相符的。但是，它的价值在于拓展认知，有些时候数据呈现出来的一些结论可能跟我们的认知是不相符的，把我们的认知进一步地发展。它甚至可能会挑战我们的认知，比如在招聘的过程当中，其实如果单看工作经验，它没有那么重要，反而是比如说在硅谷的很多大厂，它招聘一个程序员不会看你的工作经验，它会让你直接现场写code，这就是一个工作知识样本测试的结果。这是在个体层面。

广告：桂湖防水

广告：顺美新材

广告：豫宏集团