2026 年 10 月 28 日
如何在释放自动化潜力的同时维持有效的人类监督？这一议题在近期发表于《生产与运营管理》（Production and Operations Management）的一项研究中得到了深入探讨。来自库恩物流大学（Kühne Logistics University, KLU）、埃因霍温技术大学（Eindhoven University of Technology）以及埃默里大学（Emory University）的研究团队提出了一种“针对性自动化”框架，旨在平衡短期效率与长期人工智能改进。
选择性自动化：保留高价值人类干预
由 KLU 供应链和运营战略教授 Kai Hoberg、埃因霍温技术大学运营管理机器学习教授 Christina Imdahl 以及埃默里大学教授 William Schmidt 共同撰写的论文指出，企业不应盲目追求全量决策自动化，而应采取选择性策略。核心逻辑在于：仅自动化那些人类干预几乎无法增加额外价值的决策，而将那些能够借助人类专业知识优化算法的决策保留给人工处理。
Hoberg 强调：“与此同时，必须保持足够的人类决策参与度，以确保算法能够适应不断变化的条件。”这种方法论试图在即时效率与持续的人工智能迭代之间找到平衡点，从而保障企业的长期竞争力。
四步实施路径
为实现上述目标，研究人员开发了一套包含四个步骤的针对性决策自动化方法：
- 识别增值环节：首先分析人类对算法建议进行纠正时，何时能产生更优的决策结果。
- 预测专家价值：基于前期洞察，构建模型以预测人类专业知识在何种情境下能改善决策效果。
- 执行选择性自动化：将预计人类干预收益微乎其微的决策交由系统自动处理，而将人类专业知识能显著增值的任务保留给人工操作。
- 闭环反馈改进：将人类的纠正措施输入系统，利用这些反馈数据随时间推移不断优化算法性能。
实证数据：约 84% 的决策实现自动化
该研究基于一家年营收超过 40 亿欧元的大型商用车制造商提供的庞大数据集，分析了历时四年处理的超过 475,000 个订单相关决策。研究团队的目标并非简单比较“人类与 AI 谁更强”，而是探索如何将二者视为动态系统中的合作伙伴。
Christina Imdahl 指出：“关键在于不仅仅是让人类做出艰难的决策，还要预测哪些决策实际上能让人类有助于改善系统。”她在 KLU 获得博士学位，现任教于埃因霍温技术大学。通过这种机制，宝贵的人类专业知识得以持续注入算法开发流程，同时实现了高水平的自动化。
根据实证应用结果，该方法成功自动化了约 84% 的决策。Imdahl 表示，这确保了员工从重复且低附加值的任务中解脱出来，同时保证人工智能能够通过持续的人类反馈得到发展和改进。
管理建议
Hoberg 建议企业领导者采取渐进式的自动化策略，首要任务是确定如何量化人类干预的附加值。这一基础数据将支持有针对性的决策制定，明确哪些任务适合完全自动化，哪些仍需依赖人类的专业判断。
参考文献：
Christina Imdahl et al., Targeted automation and sustaining human-AI learning, Production and Operations Management (2025). DOI: 10.1177/10591478251381899
