在全世界，聰明而又已可半自主的機器人和機器正在各種工作場所取代人類。它們學(xué)習(xí)快、工作勤勞，而且肯定比較少抱怨。智能科技正在以愈來愈少的成本、帶來愈來愈多的價值。
然而，這種「比人類更優(yōu)秀」卻也會帶來管理上的挑戰(zhàn)。如果這些演算法作業(yè)的績效不如預(yù)期，情況會如何？如果機器的「機器學(xué)習(xí)」成績不好，有誰能重新訓(xùn)練它們？如果先進機器人（像是富達投顧的機器人理財顧問、Uber的自動車、IBM超級電腦Watson的醫(yī)療診斷）的行為模式會讓顧客感到不舒服，該怎樣讓它們得到意見回饋、從而加以改善？究竟該由誰或是什么來負責(zé)這件事？最近微軟聊天機器人Tay的慘劇，正是沒把機器學(xué)習(xí)「訓(xùn)練」看得夠認真的下場。
就算是聰明而又努力的機器，也像某些懶惰而有害的人類，需要對它們進行工作檢討。好的管理者都知道，想在未來擁有生產(chǎn)力和顧客忠誠度，除了得激勵員工，也得激勵機器、并加以管理。
說白一點，管理者如果無法讓機器人把工作做得更好，到頭來可能連自己的工作也難保。在21世紀，一項新的必備領(lǐng)導(dǎo)能力可能就在于能否讓智能型的機器充分發(fā)揮潛力。
《人工智能時代》（Humans Need not Apply）的作者杰瑞?卡普蘭（Jerry Kaplan）認為：「這是智能型系統(tǒng)設(shè)計的核心。就長期的歷史進程看來，自然的發(fā)展是走向『自動化』，而不是要重新創(chuàng)造人類的心靈和情境」。
卡普蘭自己曾在硅谷多次創(chuàng)業(yè)投資，他斷然表示，要把智能型機器人性化或是「管理化」，都是「過度而無用的擬人化」。
他還說：「你可沒辦法叫那些機器坐下聽訓(xùn)，讓它們感覺自己做了壞事。」
然而卡普蘭也承認，要面對顧客的機器學(xué)習(xí)系統(tǒng)已經(jīng)在行為中整合愈來愈多的情緒因子，而不再只做演算上的最佳化。舉例來說，搭Uber自動車的時候，乘客也可能像搭一般車一樣，希望車可以開快一點、猛一些。如果有別的車硬切，他們也會希望可以「教訓(xùn)」對方一下。
這時，如果自動車不能對乘客的要求做出適當(dāng)回應(yīng)（就像一般司機如果沒有回應(yīng)），得到的評分就會較低。究竟，自動車如果要替乘客趕飛機，該能開得多猛？就顧客服務(wù)而言，自動車能否回應(yīng)需求而開得「猛」一點，就像是一般司機能不能開猛一點同樣重要。只要顧客的需求還在合法、合情、安全的范圍內(nèi)，智能型的機器就該像有智能的人類一樣回應(yīng)需求。
卡內(nèi)基美隆大學(xué)（Carnegie Mellon University）E. Fredkin講座教授暨機器學(xué)習(xí)主席湯姆?米契爾（Tom Mitchell）就問：「為什么對待機器的方式要不同？」米契爾的系所已有幾位重要成員遭到Uber挖角，而他認為「監(jiān)管」對于機器學(xué)習(xí)系統(tǒng)的重要性并不下于對人類的重要性。他相信，企業(yè)設(shè)計機器人的工作模式時，也必須考量持續(xù)的績效考核及改進。
他補充道：「當(dāng)然，該怎么做現(xiàn)在還不明朗。但我們都知道勢在必行，才能提升這些科技的接受度及采用率……必須有適當(dāng)介面，讓監(jiān)管及改進更簡單、更安全?！?/p>
人類員工的當(dāng)責(zé)和效率有關(guān)鍵績效指標(biāo)（KPI）加以評估，而慢慢地，機器人和機器學(xué)習(xí)系統(tǒng)也必須面對同樣的KPI。如果自動化的聊天機器人并未提升客服中心的顧客滿意度，就該重新設(shè)計/重新訓(xùn)練?？头行牡慕?jīng)理，究竟該找最棒的客服代表、還是該找科技好手來處理這個問題？在快速成長的「剛退休」市場區(qū)隔中，機器人理財顧問所提的建議還無法讓人怦然心動。究竟在「創(chuàng)造興奮」和經(jīng)過風(fēng)險調(diào)整的投報率之間，最佳的權(quán)衡為何？機器人理財顧問是否該和真人理財顧問合作得更密切？
過去人類企業(yè)遇過的領(lǐng)導(dǎo)、管理、激勵問題，現(xiàn)在也落到了全球連線成網(wǎng)的機器企業(yè)上：360度績效評估是否能帶來新的見解及效率？智能型機器該如何設(shè)計或訓(xùn)練，才能提供新的見解或改善？這些機器是否也該使用新的網(wǎng)絡(luò)（像是物聯(lián)網(wǎng)？）或是新的資料集，以確保績效能持續(xù)提升？
正如員工滿意度與顧客滿意度高度相關(guān)，企業(yè)如果使用智能型機器人及高績效機器學(xué)習(xí)設(shè)備，就必須密切觀察演算效率及顧客價值之間的相關(guān)性。
再接下來的挑戰(zhàn)，將在于這些相關(guān)性的定義和判斷，有多少是由人類主管決定，又有多少是由高AIQ（Artificial Intelligence Quotient，人工智商）支援系統(tǒng)來決定。
卡普蘭觀察道：「對于社會規(guī)范及行為，現(xiàn)在尚無完善的運算理論」，因此，想讓聰明的人類與更聰明的機器共存而合作，起步并非易事。但無疑，企業(yè)未來必然會運用機器產(chǎn)生的資料及預(yù)測分析，讓產(chǎn)生這些資訊的機器更為改善、日益聰明。
問個對未來企業(yè)最挑釁的問題，也就是未來企業(yè)要得到更佳成果、更高價值的時候，究竟該做績效評估的對象會是最佳的員工、或是最佳的機器了。