与人工智能协同，共创雇主与员工可持续未来
Meta创始人兼首席执行官马克·扎克伯格近期透露，公司将于年内开启中级软件工程师编程工作的自动化进程，这被业界视为裁员的前奏。
他预测：“预计到2025年，我们在Meta及其他深耕该领域的科技企业，都会配备一套能力相当于公司中级工程师的AI，可自主完成代码编写工作。”对企业来说，这意味着运营成本的降低，但对从业人员而言，可能会导致岗位流失。
AI的快速普及引发了职场群体的普遍担忧，大家都在思考未来职业形态会如何演变。目前，AI的发展速度远超企业在再培训与技能提升方面的应对效率。虽然把计算推演、流程优化、智能推荐等机器更擅长的任务交给AI处理有经济合理性，但机器无法替代人类特有的情感交互、共情能力、活动策划与体验营造等优势。这一点上，AI可能是ESG（环境、社会与治理）框架的机遇，也可能是隐患。尽管AI训练与运行的高能耗问题及环保成本控制是行业焦点，但本文更关注如何通过社会协同效应提升环境治理成效。
对于工业企业而言，共享数据有助于应对人才与能源转型挑战。
AI对个人与组织的影响
谈到就业，AI不一定是“敌人”。西门子最新发布的《A New Pace of Change: Industrial AI x Sustainability》报告指出：“全球工业企业面临着相似的挑战，如人口老龄化、技术人才短缺等。”AI的价值在于帮助企业用数据驱动更高的资源效率、生产力和可持续性。特别是在工业AI领域，有重塑产业格局、大规模推进可持续发展的巨大潜力。
该报告强调，AI将成为工业转型的“涡轮增压器”，加速企业在可再生能源、节能制造、电动汽车等清洁技术领域的布局。
但报告也警示，企业必须平衡环境责任、社会诉求和盈利需求之间的辩证关系。未来数年，协调碳预算与财务盈亏将是核心挑战，这不仅是环境与经济的博弈，更是AI社会影响的平衡艺术。
用数据协同，推动节能与可持续转型
鉴于AI对ESG中环境(E)与社会(S)维度的复杂影响，建立协同治理机制很有必要。对于工业企业来说，共享数据可应对人才与能源转型挑战，而且这种共享并非泄露机密。借助联邦学习（在无需共享原始数据的前提下聚合多方数据训练模型）等隐私计算技术和先进的数据加密方案，企业能在保障数据安全的前提下实现协同创新。
协作提升数据质量，优化能源管理
通过整合大数据与AI技术，企业能构建更智能的能源管理体系，在提高资源利用效率的同时，大幅降低碳排放。建立安全可靠的数据协作平台是实现这一目标的方式之一，企业可通过该平台实时共享能源消耗数据、生产工艺参数和供应链运行信息。例如，制造企业与电力公司共享用能模式，可让电力公司更精准地预测用电需求，优化电力调配方案，这既能提升运营效率，又能支持可再生能源的接入。
跨行业合作也能促进能源创新。比如，钢铁企业与可再生能源公司合作，制定智能调度策略，在用电低谷时充分利用富余绿电，减少对传统化石能源的依赖。
数据协作还能助力开发预测能源消耗趋势的AI模型，使各行业能根据可持续发展目标调整运营策略。通过这种“系统中的系统”式合作，将分散的数据孤岛转化为有决策价值的行业洞察，既推动企业可持续发展实践，也为实现更宏大的气候目标提供数据支撑。最终，这类协作将加速能源结构转型，提升工业体系的适应性与抗风险能力。
数据协作：开创互利共赢新格局
AI系统的效能取决于数据质量。随着AI在工业领域的应用不断深入，具有完整上下文的高质量数据成为稀缺的战略资源。在数据资产化趋势下，企业需重点考虑：
- 如何建立合理的数据贡献回报机制？
- 如何将这些数据进行组织与整合，以便为整个行业提供洞见？
数据合作社（Data Collectives）提供了解决方案，它通过聚合个人数据形成集体议价能力，在为数据提供者创造收益的同时，也为企业输送持续更新、高价值的数据资源。当这些经过场景验证的数据在行业内安全流通时，所产生的洞察将使所有参与者受益。
此外，合理的数据回报机制会激励员工优化数据采集流程，进而提高企业AI系统的准确性。要实现这种良性循环，企业需要提升管理层与员工的“数据素养”，让他们具备与AI协作并产出最佳洞见的能力。这不仅会改变我们的工作方式，也会改变我们在数字时代对“员工价值”的定义：过去，员工的贡献是劳动；而在AI驱动的职场中，员工最宝贵的贡献或许将是数据。
数据素养能让员工深入理解技术系统，精准判断哪些任务应交由AI处理，哪些仍需人力主导。
跨组织提升数据素养：AI时代的核心竞争力
为应对数字化转型挑战，企业要双管齐下：一方面让员工掌握人机协作技能，另一方面明确划分人机职责边界。
过渡阶段：赋能
在这一阶段，数据素养能让员工深入理解技术系统，精准判断哪些任务应交由AI处理，哪些仍需人力主导。
成熟阶段：分工优化
进入成熟阶段，企业将实现人机任务的清晰界定：
机器负责繁重、重复、可量化的工作；
人类专注于情感驱动、体验导向和创造性的任务。
也就是说，重体力活由机器人承担，竞争性筛选与创意构思由软件完成，人类则释放精力，去打造更有温度的价值。
在这种模式下，质量更高的数据将训练出更智能的AI系统。数据合作社（Data Collectives）有望成为重构数字经济时代生产关系的重要载体，为我们共同描绘更具包容性的发展蓝图。
本文翻译自I by IMD，中文版本仅供参考。
关于作者
关于瑞士IMD国际管理发展学院
瑞士IMD国际管理发展学院（International Institute for Management Development，IMD）有75年以上历史，一直致力于培养能推动世界更繁荣、可持续与包容的领导者与组织。IMD由专业且多元化的教师队伍领导，在瑞士洛桑和新加坡设有校区，在中国深圳设有管理发展中心，致力于成为全球有志个人和组织最值得信赖的学习伙伴。IMD的高管教育和学位项目长期位居全球领先地位，这得益于其独特的“真实学习，真实影响（Real Learning, Real Impact）”教育理念。通过高管教育课程、工商管理硕士（MBA）、高级管理人员工商管理硕士（EMBA）项目及专业咨询服务，我们助力商业领袖找到更好的解决方案，挑战现状，启迪未来。
本文来自微信公众号“瑞士IMD国际管理发展学院深圳”，作者：IbyIMD，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com