公司的AI蓝图很美，但成败要看这五类中层管理者

中层管理者可以阻碍生成式AI落地、弱化效果、扭曲方向；也能将生成式AI转化为可衡量的业务价值。想要获取负责任的AI落地实操指引的高层，应当把中层管理者看作转型的操作系统，而不是战略之下不起眼的配套管道。下一阶段的AI竞争优势，不属于那些口号喊得最响亮的企业，而属于读懂自己的管理者、并给予每个人推进变革所需资源的企业。

生成式AI落地最常见的失败点，不在董事会会议室、供应商候选名单，也不在线上培训平台。问题出在中层管理者这一层——他们需要把高管的战略愿景，转化为员工日常的工作行为。这就是为什么，即便高层已经获批预算、选定平台、下达推行指令，生成式AI的落地依然屡屡停滞。中层管理者决定了生成式AI最终会成为常态化工作流程，还是一次浅尝辄止的试验、一桩合规难题，或是在组织中悄无声息被搁置的项目。

中层管理者不只是执行高层决策，他们还要解读这些决策对员工意味着什么。一线团队会观察直属管理者，以此判断生成式AI究竟是实用工具、一阵风的潮流、监控手段，还是未来裁员的预警。高管或许承诺生成式AI可以减少重复性苦差事，但只有当管理者随之调整工作量、审核方式、绩效标准与决策权限时，员工才会相信这番承诺。这意味着，生成式AI落地本质上是运营模式变革，而非一次普通软件上线。中层管理者，正处在战略愿景、员工焦虑、模糊政策、现有工作流程，以及生成式AI产出失误追责的交汇点。

高层领导者常常误判问题根源。他们以为落地只需要三件事：清晰阐述战略、选定技术、培训员工。这几步必不可少，但远远不够。生成式AI转型的推进速度，已经远超多数企业运营模式的迭代速度。麦肯锡《2025年AI现状报告》指出，AI的使用已经十分普遍，但很多企业仍未能将其深度嵌入业务流程，从而获取实实在在的企业价值。此外，微软与领英《2024职场趋势指数》显示，员工已经开始在工作中使用AI，而不少管理者仍没找到从个人生产力提升，转化为业务价值的清晰路径——这正是热情与落地执行之间的鸿沟。

而缺失的关键环节，正是管理者的转化工作：由谁来确定哪些工作流程需要改造、质量如何核验、员工可以尝试哪些场景，以及生成式AI辅助工作出错后该如何处置。

试想高管团队宣布各部门全面启用生成式AI之后，会发生什么：有的管理者允许员工试验，制定审核标准，并选定一套可以重构的工作流程；另一些管理者则选择静观其变，等待更明确的指导，继续沿用旧的标准评估员工。短短数月之内，前者带领的团队沉淀出一套可复用的实操方法；后者团队则分化成两类人，一类完全避开生成式AI，另一类在无人监管的情况下私下使用。

这种差异带来的后果，不只是生成式AI落地程度参差不齐，还会造成产出质量不稳定、隐性数据风险、重复试验、员工士气受挫，最终技术投入无法产生实质回报。随着生成式AI从可选试点，进入核心业务流程，企业再也不能把相关决策完全交给管理者自行摸索。

影响生成式AI落地的五种管理者心态

我的研究提供了更精准的诊断。为撰写《职场AI落地的心理逻辑》一书，我开展了35场焦点小组调研，访谈250余名中层管理者，还在保险、制造、法律服务、零售、教育、科技等行业完成22次深度访谈。研究发现，中层管理者并非铁板一块的“变革抵制群体”，可划分为五类心理画像。每一类人群面对压力、风险、实证信息、激励机制和治理规则的反应各不相同。如果用同一套方式对待所有人，或许能产出几个亮眼试点项目，但很难在全部门实现稳定落地。

1、AI怀疑者

第一类是生成式AI怀疑者，最容易被简单标签化，也最容易被错误应对。怀疑者并非单纯固执，他们的顾虑往往合情合理：责任归属、岗位缩减、数据隐私、输出质量，以及自动化带来的人力代价。他们见过太多转型项目，开场口号震天，最后留下一堆残破的流程。一旦生成式AI生成的合规摘要出现错误，他们知道背责的很可能是自己。高管谈论提效，在他们听来就是裁员风险。

日常工作里，持怀疑态度的管理者会推迟工具审批，将生成式AI限定为员工个人自愿尝试，或是要求员工对每一次使用场景做出说明。我曾在一场领导力培训中遇到一名怀疑者，尽管公司IT部门已经审核并批准了这套软件的服务条款，明确不会利用签约用户的数据进行模型训练，他仍反复强调，不敢让团队数据接触生成式AI工具。在教育机构与非营利组织中，这类抵触还源于一种顾虑：AI会耗费巨量水电资源。

怀疑者带领的团队通常会走向两种结果：要么完全弃用生成式AI，要么悄悄使用，不分享提示词、结果，也不上报失误。前者阻碍组织积累经验；后者形成“影子AI使用”，缺少统一的质量与安全规范。

应对怀疑者，不能一味宣讲生成式AI的美好。他们需要实证案例，以及清晰的权责划分。领导者可以为他们划定范围、低风险的试点项目，设定明确指标，保留人工复核，并且明文规定生成式AI辅助内容出错后的责任归属。真正有价值的生成式AI试点，不是花哨的演示Demo，而是精心挑选的流程测试：对比新旧流程的周期、质量、返工量、员工体验与风险事件。怀疑者需要确信，企业不会让他们独自承担未知风险，只为成全别人口中的生产力故事。

2、观望保守派

第二类管理者会造成更隐蔽的落地卡点。他们不会直接叫停生成式AI，只是选择延后推进。总要等更多佐证、其他部门的经验、新的政策备忘录，再多观察一个季度。他们的抗拒听起来十分合理，处处透着审慎。可如果所有团队都等着别人先行试水，这种被动等待就会拖累整体战略。这就要求AI变革管理跳出通用培训，依托可信的内部成功案例，形成同伴之间的正向推动力。

说服观望保守派，适合用案例对比，而非强制施压。可以把他们和相邻业务部门中，已经跑通试点、受人认可的管理者结对交流。向他们展示市场团队如何缩短初稿撰写时间，同时保留人工编审；或是财务团队借助生成式AI解读差异原因，最终判断仍由人把控。给他们制定匹配自身业务流程的轻量化落地指标，而非宏大的集团整体目标。他们核心疑问不是“生成式AI好不好？”，而是“我为什么要在当下，把有限的管理精力投入这件事？”领导者的回答，必须贴合本部门的现实约束。

3、审慎落地者

审慎落地者，往往是整个体系里最宝贵的一类管理者。他们接纳生成式AI，但对管控机制要求严格。会主动思考场景筛选、复核流程、上报机制与可衡量成果。正是这类人，有能力把热情转化为可规模化的实践。但企业常常让他们受挫：只笼统许可使用，却不提供配套落地支撑。审慎落地者不需要再参加一场鼓舞人心的全员大会；他们需要提示词库、获批的数据使用规则、试点模板、质量核验标准，以及一个可以无惩罚上报缺陷的渠道。

如果高层没有明确这些配套规则，审慎落地者就会把试点控制在极小范围、推迟全面推广，或是每一个新场景都反复走审核流程。他们的团队虽然能负责任地使用生成式AI，但只能局限在零散小范围，无法形成标准做法。在高管眼中看似过度谨慎，本质上是缺少一套负责任落地的运营体系。

AI战略，正是在这一环落到实操。波士顿咨询集团《2026职场AI研究》提出：战略清晰度比工具开放权限更重要，因为岗位变化速度已经超过企业运营重构速度。审慎落地者，正是连接二者的桥梁。高管提出“借助AI提升客户响应速度”这类目标，由他们转化成经过验证的流程：哪些客户咨询适用、允许调用哪些数据源、AI负责生成什么内容、人工复核哪些环节、上线后追踪哪些指标。

领导者应当授予审慎落地者权限，针对限定场景设计复核流程，并让他们可以及时对接法务、信息安全、人力或合规团队。之后要求他们把流程、质检项、缺陷与成果整理成文档，供其他团队复用。这样一来，他们的审慎就会变成组织基础设施，而不是永久阻碍落地的刹车。

4、积极试验者

第四类管理者，是项目推进的动力源。积极试验者乐于尝试新工具、分享提示词、组织非正式演示，让生成式AI从抽象概念变成可上手的实操工具。他们能把员工的顾虑转化为好奇心，拿出真实产出，而非只有PPT方案。很多企业中，正是他们率先证明生成式AI可以从个人提效，升级为团队级实践。沃顿商学院《2025AI落地报告》强调，想要把普及使用转化为可持续投资回报，人和流程杠杆至关重要，而积极试验者往往就是这套杠杆的起点。

但他们的风险在于：重速度、缺框架。积极试验者可能在法务、合规、信息安全、人力划定边界之前就先行使用工具，早期成果极具说服力，无意间让不安全操作变成常态。领导者不必用繁琐流程拖慢他们，但要设立护栏加以引导：提供获批工具、共享提示词库、明确复核标准，建立政策疑问上报通道。奖励他们安全落地的成果，而不只是推进速度。

5、AI催化者

最后一类是生成式AI催化者，既是组织的宝贵资产，也对治理能力提出考验。催化者将生成式AI视作全面变革的引擎，希望跨团队重构流程、影响同行、建立协作网络，并推动高管加快步伐。环境适宜时，他们会成为内部创业者，带领企业走出试点泥潭——无数试点项目一直停留在试验阶段，无法推广。但如果配套环境不足，他们会超出信任边界，低估合规风险，引发被当作试验品的团队抵触。

对于催化者，生成式AI治理应当赋能，而非流于形式。美国国家标准与技术研究院《生成式AI配套AI风险管理框架》列出数据隐私、信息安全、AI幻觉、有害偏见、知识产权等风险。这些风险不是叫停催化者的理由，而是负责任加速落地的设计要求。可以要求催化者在高影响试点前开展事前预演复盘，设定上报阈值，记录人工复核节点，并整理经验供其他团队复用。

因人施策，匹配对应的推进方案

识别这五类画像仅仅是第一步。多数企业内部五类管理者并存，甚至集中在同一个业务部门或管理团队。高层需要一套标准化诊断方式，找到阻碍每位管理者行动的根源，并配套对应的支持、激励与问责机制。

一套实用诊断，从三个问题切入：

· 这位管理者害怕失去什么？

· 什么样的证据能改变他的看法？

· 需要哪些支持，才能让他负责任地推进？

怀疑者害怕承担责任与岗位被替代；观望保守派担心白费功夫、承担政治风险；审慎落地者惧怕不可控的风险；积极试验者怕错失机遇；催化者则反感组织的保守畏缩。这些差异至关重要，每一类画像，都需要不同的领导方式。

领导者还需要重新设计激励机制。太多企业公开表彰拥抱AI的热情，私下却因AI相关失误追责。这会让管理者采取防御姿态：一边要求试验，一边苛责所有瑕疵，理性选择便是观望；一味推崇速度，无视准确性、隐私与信任，又会催生冒进。更好的激励体系奖励严谨的探索：清晰预设目标、负责任的试点、可衡量的流程改善、透明的错误上报，以及基于实证的规模化推广。

对于持抵触态度的管理者，应对方案是拿出实证，并营造心理安全感。要坦诚沟通AI对岗位带来的影响。世界经济论坛《未来就业报告》指出，直至2030年，AI与信息处理技术都将是重塑工作形态与职业技能的主要力量。领导者不必假装变革毫无冲击，而要说明什么会变、什么不变、哪些技能更重要，以及学会用AI增强工作的管理者，会比回避AI的人更有优势。

对于支持型管理者，对策是赋能+划定边界。给审慎落地者所需的运营规范；给积极试验者安全试验场，以及推广有效实践的渠道；给催化者绑定风险管控的授权。经典的项目事前预演复盘在此尤为适用，它允许试点启动前就提出异议。提出假设：“如果这次生成式AI试点彻底失败，会是什么原因？”帮助团队提前发掘法务、质量、信任、流程与落地风险，仍有充足时间优化方案。

企业AI真正的考验：

管理者层面的信任

高管不要再问：“为什么员工不愿使用生成式AI？”转而思考：“各部门是哪一类中层管理者在主导生成式AI落地？我们有没有匹配对应的推进方案？”这个问题，能把模糊的文化难题，转化为可落地的管理议程。帮助领导者避免在重复试点上耗费数月，在焦虑固化为抗拒之前化解矛盾，同时吸纳早期使用者的活力，不让其突破治理底线。

这个卡点真实存在，但可以解决。中层管理者可以阻碍生成式AI落地、弱化效果、扭曲方向；也能将生成式AI转化为可衡量的业务价值。想要获取负责任AI落地实操指引的高层，应当把中层管理者看作转型的操作系统，而不是战略之下不起眼的配套管道。下一阶段的AI竞争优势，不属于那些口号喊得最响亮的企业，而属于读懂自己的管理者、并给予每个人推进变革所需资源的企业。

关键词：

格列布·茨皮尔斯基（Gleb Tsipursky）| 文

格列布·茨皮尔斯基是AI咨询机构Disaster Avoidance Experts的首席执行官，曾为财富500强企业提供咨询，在北卡罗来纳大学教堂山分校、俄亥俄州立大学从事行为科学学术研究超过15年。

周强 | 编校

联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org