Lokdeep Singh，Unily 首席执行官 – 访谈系列

Lokdeep Singh拥有超过20年的高增长企业软件公司领导经验。最近，他在Providence Equity Partners担任高级顾问，为投资组合公司提供AI战略、运营卓越和市场推广加速方面的支持。在此之前，他曾担任Talkwalker的首席执行官，Talkwalker是企业消费者情报的全球领袖，他领导了实现可持续、盈利增长的转型；以及在Synchronoss Technologies担任总经理。

Unily是一款企业员工体验平台，旨在帮助大型组织连接员工、简化内部沟通，并将工作场所工具、知识和服务整合到统一的数字环境中。公司成立于2006年，为拥有分布式、桌面和前线员工的全球企业提供服务，融合了企业内联网功能、员工沟通、搜索、分析、集成和个性化于单一平台。Unily日益将其技术定位为AI原生，利用受治理的人工智能自动化内容管理、呈现相关信息、个性化员工体验，并通过对话界面让员工与连接的企业应用交互。该平台与Microsoft 365和Teams等广泛使用的工作场所系统集成，专为拥有复杂技术环境、监管要求和大型多语言员工队伍的组织而构建。

您最初的职业生涯深耕于电信工程和网络基础设施，随后转向CTO、产品、综合管理以及首席执行官角色，最终带领Talkwalker成功退出，并现任Unily的领袖。这个历程如何塑造了您对员工信任并采纳像AI这样变革性技术的实际需求的看法？

我的职业生涯让我拥有了介于技术与使用者之间的视角。早期，我专注于基础设施，确保系统可靠、安全且具备规模化能力。随着我转向产品、综合管理，最终担任首席执行官，我认识到技术能力只是技术成功的一个方面。

只有当员工了解新兴技术如何影响其工作、相信它会带来帮助而非伤害，并且对其行为的可预测性充满信心时，才会采纳该技术。

领导者可能犯的最大错误是把AI采纳当作软件部署来对待。即使部署了全球最优秀的模型，如果员工不信任其提供的信息、不了解其被允许的操作范围，或不知道界限所在，采纳也只能停留在表面。信任必须从一开始就嵌入员工体验之中。

AI能力正以惊人的速度提升，但组织内部的信任似乎发展得更为缓慢。是什么导致了AI技术潜能与员工实际愿意授权其执行之间的差距日益扩大？

信任差距的出现是因为组织在提升AI能力上投入巨大，却没有同步推进其可理解性、可问责性以及基于可信信息的落地。

AI现在能够推理、生成内容并执行操作，但许多组织仍缺乏权威的知识和内容记录系统。当员工不知道AI的答案来源、信息是否最新或归属谁时，信任会迅速下降。

弥合这一差距不仅需要更好的模型，还需要强有力的内容治理和可信的知识基础，确保AI基于准确、安全、最新的信息工作。成功的组织将是那些将信任融入AI体验本身，而非事后才考虑的企业。

企业通常将企业AI视为围绕模型、集成、安全和基础设施的技术部署问题。您为何认为更艰巨的挑战最终是人与组织层面的？

AI改变了人与技术之间的关系。以往的企业技术主要等待员工指示该做什么。AI能够解读意图、提供建议，并日益能够自行采取行动。

这使得AI采纳成为未来工作方式的挑战，而不仅是技术挑战。它改变了工作方式、决策过程以及团队协作方式。组织不能仅仅部署AI就指望随之产生转型。员工需要了解AI在其工作流程中的定位，并感受到使用它的赋能。

最成功的AI项目源于自下而上的采纳，而非自上而下的指令。当员工在日常工作中看到明确价值时，采纳会自然加速。

这就是AI投资回报率框架仅围绕信任、赋能和治理的原因。通过透明度和可信知识建立信任，借助提升工作方式的工具赋能员工，并建立确保AI负责任使用的治理。技术推动变革，但最终决定成功的是人、流程和文化。

组织需要治理，但过于严格的政策可能会促使员工转向未经授权的工具，或完全阻止实验。若目标是提升信任和采纳，而非单纯控制使用，何种有效的 AI 治理框架才是理想的？

良好的治理应像护栏，让员工能够安全地更快前进。

这意味着必须非常明确员工可以将 AI 用于哪些场景、可以向 AI 系统提供哪些信息，以及 AI 被允许执行哪些操作。这些规则应当让员工易于理解，而不是埋藏在冗长的政策文件中。

治理还需要具备动态性。AI 生成初稿的风险与 AI 批准付款、修改员工记录或与客户沟通的风险截然不同。人工监督的程度应当与潜在后果相匹配。

归根结底，目标不应是尽量减少 AI 的使用，而是最大化负责任的使用。

Unily 的研究发现，52% 的员工表示所在组织没有已知的 AI 政策，而部分员工承认将敏感信息输入未经批准的 AI 工具。所谓“影子 AI”的兴起，在多大程度上是沟通和治理的失效，而非员工行为问题？

我们应谨慎地将影子 AI 定性为员工不良行为的问题。影子 AI 使用的一个重要原因是需求未得到满足的表现。员工在寻找解决方案时，往往会采用组织尚未提供的批准工具，这是一种自然的人类行为。

与其期望员工忽视正在改变工作方式的技术，不如为他们提供一条安全、经批准的实验路径，并配以明确的界限和教育。

透明度和可解释性常被视为可信 AI 的关键，但员工并不一定需要了解大型语言模型的内部工作原理。AI 系统应提供哪些信息，才能让员工对其答案或建议的可信度作出明智判断？

企业 AI 系统应明确说明信息来源、最近更新时间、使用了哪些来源或企业系统，以及为何给出特定推荐。

它还应诚实地披露不确定性。最重要的信任信号之一是 AI 系统能够表述类似“我没有足够的信息来自信地回答”的意思。

信任并非来源于 AI 假装确定，而是源于为员工提供足够的上下文，使其能够自行判断。

Unily Glass 的设计旨在将企业 AI 从单纯回答问题提升至在 HR、IT 和客户关系管理平台等系统上执行操作。随着 AI 从提供信息转向实际行动，组织应如何决定哪些决策可以由代理自主完成，哪些仍需人工批准？

关键原则应是风险相称。若 AI 代理仅负责安排会议或查找信息，错误行动的负面影响相对有限，可以赋予其更高的自主权。然而，如果代理负责批准金融交易、修改员工薪酬、终止访问权限或做出重要的客户决策，则其门槛应大幅提升。

组织应依据财务影响、监管风险、可逆性以及对人的影响等因素，设定明确的自主级别。行动越具后果性或不可逆转，人工批准就越重要。

目标是在关键环节让人类保持实质性的控制。

企业正日益在技术栈中部署多个副驾驶、专用代理、大型语言模型以及 AI 驱动的应用。组织如何防止这导致新的碎片化层面？您是否预期集中式的信任或编排层将变得必不可少？

我们面临的风险是重现过去数十年企业软件所导致的碎片化，只是现在每个应用都可能拥有自己的 AI 接口和代理。

员工不必了解每个应用背后的模型或记住各组织的 AI 所在位置。他们应能在工作情境中与 AI 交互，并获得所需的信息和能力。

这正是编排与信任层日益重要的原因。它能够在不同 AI 系统之间提供统一的身份、权限、上下文、数据访问和操作管理方式。

可能不会出现统一的模型或 AI 平台来掌控所有事务，但组织将日益需要一个通用层，使所有这些系统能够负责任地协同工作。

许多组织可以衡量员工使用 AI 工具的频率，但仅凭使用率并不能证明投资正在创造价值。领导者应该跟踪哪些指标，以确定 AI 是否真正提升了生产力、决策、员工体验或业务成果？

使用率是一个有趣的起点，但它并非最终结果。领导者应询问 AI 是否在缩短完成关键工作流的时间、消除重复性工作、提升决策的质量或速度，以及降低员工的摩擦感。

我会关注诸如每个工作流节省的时间、任务完成率、错误率、员工满意度、解决时间，以及最终与部署 AI 的特定职能相关的业务指标等指标。

最强的组织会将 AI 指标直接关联到业务成果，而不是为了活动本身而庆祝。

随着企业 AI 从生成内容的助理演进为能够执行日益复杂工作流的代理，您认为业务领袖仍在低估 AI 能力、员工信任与成功采纳之间的关系的哪些方面？

许多领袖仍低估了信任在决定 AI 采纳上限方面的影响程度。

公司常常把 AI 能力描述得好像更高的能力会自动带来更大的价值。事实并非如此。一个功能极其强大的系统如果员工不信任，所创造的价值可能不如一个功能较为有限但被员工理解并自信使用的系统。

这要求公司将技术、治理、员工体验和组织变革视为一个整体系统。公司必须找出让 AI 获得足够信任，以真正改变人们工作方式的方法。

感谢这次精彩的采访，想了解更多的读者请访问 Unily。