> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/shrm-ai-implementation-challenges.md).

# 2027 年 SHRM 视角下的 AI 落地挑战：团队为何停滞

本文探讨企业 AI 落地为何常在试点后停滞，并说明如何在 Duaer 文档站中把这些人才与组织问题整理成可执行的 90 天行动计划。

## 技能缺口比培训预算更大

真正在 AI 上挣扎的企业，问题通常不在技术本身。它们购买许可证，在一个部门做试点，然后发现组织其他部分不知道如何使用这些工具，不清楚结果由谁负责，也没有人因改变工作方式而获得奖励。演示可以运行，但日常实践跟不上，这道鸿沟正是 HR 负责人所描述的人才挑战出现的地方，也是 AI 项目悄然停止增长的最常见原因。

通用的 AI 研讨会很少能改变行为。员工需要知道自己岗位上哪些任务值得交给 AI、如何检查输出结果，以及何时应当升级处理。建议先为三到四个岗位做一次任务盘点：列出重复性工作，标出 AI 可能提供帮助的任务，并明确每项任务需要的技能。围绕这些具体任务设计的培训可以衡量效果；而围绕“AI 素养”设计的培训通常无法衡量。

## 责任不在任何人的职责描述中

当 AI 工具给出错误建议时，谁来修复流程？常见的答案是“也许是 IT，或者供应商”。一个常见错误是把责任交给创新团队，而该团队在试点结束后就解散了。更好的做法是为每个应用场景指定一名负责任的业务负责人，并由 HR 和 IT 担任明确的协作方。这一职责应写入岗位说明和绩效目标，而不只是停留在一页幻灯片里。如需更全面地了解组织结构应如何调整，可参阅我们的[企业 AI 转型指南](https://doc.duaer.com/zh/guides/enterprise-ai-transformation-guide/)。

## 管理者决定采用能否真正发生

一线管理者掌控工作流程、排班和绩效评估。如果他们担心 AI 会减少编制，或者让团队显得效率低下，他们会悄悄绕开这个工具。应尽早检验这一点：询问管理者，团队工作中哪些部分他们愿意改变，以及他们需要什么保障才会安心做出改变。在推广之前而不是之后，就公开承诺岗位会如何变化、节省下来的时间会用于什么。

## 政策与信任必须先行

员工不会使用他们不信任的工具。关于可用工具、机密数据以及 AI 辅助工作披露方式的明确规则，能同时降低法律风险和员工的犹豫。规则应当简短到人人都记得住，并在有员工代表的地方与其共同审议。

## 衡量人的结果，而不只是使用量

登录次数是一个很弱的信号。应关注团队完成目标工作流程是否更快、错误率是否发生变化，以及员工是否觉得工作更有意义。许多试点在使用量仪表盘上看起来很成功，但它原本要改善的业务指标却没有任何变化。理解[试点为何无法规模化](https://doc.duaer.com/zh/guides/enterprise-ai-adoption-pitfalls/)有助于解释这种模式，并提供一份避免陷阱的检查清单。

## 90 天行动计划

第 1-2 周：选定两个工作流程，并为每个流程指定一名业务负责人。

第 3-6 周：访谈管理者，梳理每个工作流程所需的技能，并发布一份简短的使用政策。

第 7-10 周：围绕这些具体任务开展培训，试点小组中要包含持怀疑态度的成员。

第 11-13 周：审视三项指标：周期时间、输出质量和员工信心。决定哪些值得推广，哪些应当停止。

AI 落地挑战主要是组织层面的。应把人的设计视为项目核心，而非事后补充，这样技术才有公平的机会发挥作用。

## 常见问题

### 为什么企业的 AI 试点在推广前就停滞了？

常见原因不是技术故障，而是组织问题：员工缺乏针对具体工作任务的技能，没有明确的业务负责人，一线管理者担心被替代或绩效受影响，而且缺少清晰的使用规则。这些因素会让工具在某个部门可以运行，却无法融入日常工作。

### 企业推进 AI 落地时，应由谁负责？

建议为每个应用场景指定一名业务负责人，由其对流程结果承担责任，HR 和 IT 作为明确的协作方参与。这一职责应写入岗位说明和绩效目标中，而不是交给在试点结束后就解散的临时创新团队。

### 除了登录次数，如何衡量 AI 落地的效果？

可以关注目标工作流程的完成周期是否缩短、输出质量和错误率是否变化，以及员工是否认为工作更有价值、对工具更有信心。这些指标更能反映 AI 是否真正改善了业务，而不只是被频繁使用。