如今在崗學習面臨挑戰。復雜分析技術、人工智能和機器人突然闖入了職場的方方面面，從根本上顛覆了這一由來已久的有效學習方式。隨著技術讓工作越來越自動化，每年都有數以萬計的人離職或就業，數以億計的人必須學習新技能和新工作方式。但更廣泛的證據表明，公司部署智能機器會阻礙這一關鍵的學習渠道：我和我的同事發現，人工智能會讓新手失去學習機會，讓老手減少實踐機會，迫使兩者必須同時掌握新方法和舊方法，令他們不堪重負。

那么，員工能否學會和這些機器共事呢？此前的一些觀察來自參與挑戰常規實踐的學習者，這些實踐并非重點，而且人們對其結果的容忍度高。我將這一廣泛存在且非正式的流程稱為“暗中學習”。

學習的障礙

我發現了獲取所需技能的四大普遍障礙，這些障礙觸發了暗中學習。

1.新手正在失去“學習優勢”

在任何工作中，培訓員工都會產生成本并降低質量，因為新手行動緩慢且易犯錯。組織迎來智能機器，通常會讓受培訓者減少參與風險和復雜度高的部分，以此作為管理之策。因此，受培訓者將無法獲得擴充能力范圍邊界，并在有限幫助下從錯誤中成長的機會——而這些恰恰是學習新技能的必要條件。

投資銀行里也有同樣現象。紐約大學的卡倫·安東尼（CallenAnthony）在某投行中發現，合伙人用算法來協助公司并購并解讀估值，使得初級分析師與高級合伙人越離越遠。初級分析師的任務僅是從系統中提取原始報告（在網絡上對感興趣公司的財務數據進行收集），然后將其傳遞給高級合伙人進行分析。

這種分工的隱含邏輯是什么？首先，降低初級員工在面向客戶的復雜工作中犯錯的風險；第二，最大化高級合伙人的效率：向初級員工解釋工作的時間越少，他們就越能專注于更高級別的分析。這樣做短期內效率有所提高，但卻剝奪了初級分析師挑戰復雜工作的機會，使他們更難以了解整個估值過程，并削弱了公司未來的能力。

2.專家與工作疏遠了

有時，智能機器會夾在受培訓者和工作之間，有時則妨礙專家進行重要實踐工作。機器人操作的手術中，外科醫生在手術過程的大多數時間都看不到患者的身體或機器人，因此無法直接評估和管理關鍵環節。例如，在傳統手術中，外科醫生會敏銳地意識到裝置和器械如何碰觸患者的身體并進行相應調整。但是在機器人手術中，如果機器臂撞到病人的頭部，或者清潔臂即將替換器械，外科醫生必須依靠他人提醒才能知道。這對學習有兩重影響：外科醫生無法磨練全面了解自己工作所需的技能，以及必須通過他人才能獲得此類新技能。

3.學習者必須掌握新舊兩種方法

機器人手術用一套全新的技巧和技術來實現傳統手術試圖達到的效果。它保證更高的精確度和更優人體工程學，直接被納入了課程中，住院醫生被要求學習機器人知識和傳統方法。但課程沒有足夠的時間讓他們兩者兼通，這往往會導致最壞的結果：哪種都沒有掌握。我將這一難題稱為方法超載（methodological overload）。

4.標準學習方法被默認為有效

幾十年的研究和傳統讓實習醫生遵循“看一、做一、教一”的方法。但如我們所見，它不適應機器人手術。盡管如此，依賴老派學習方法的壓力非常大，“離經叛道”者寥寥：外科培訓研究、標準程序、政策和高級外科醫生都繼續強調傳統的學習方法，哪怕該方法顯然已不適用于機器人手術。

暗中學習

面臨上述阻礙，暗中學習者悄悄繞過或打破規則來獲得所需的指導和經驗，自然不足為奇。約100年前，社會學家羅伯特·莫頓（Robert Merton）就發現，當合法手段對達成有價值的目標不再奏效時，就會出現非常手段。對于專業知識（或許是職業的終極目標）也不例外。

鑒于我描述的障礙，我們應理解人們會采取其他方式學習關鍵技能。這些方式一般靈活有效，卻往往會讓個人和組織付出代價：暗中學習者可能會受到懲罰，例如失去實踐機會或地位或造成浪費甚至構成傷害。但人們依然一再鋌而走險，因為當合規的方式失敗時，他們的學習方法奏效。不加鑒別地效仿這些非常手段自然不對，但它們確實有組織值得學習之處。

1.持續學習

隨著智能技術變得更強大，暗中學習也在迅速發展。新形式將隨著時間的推移而出現，提供新的經驗。保持謹慎至關重要。暗中學習者經常意識到他們的做法不符合常規，并且他們可能因為自己的做法而受到懲罰。（試想如果一位外科住院醫生讓別人知道他/她想找最不熟練的主治醫師合作。）因為能產生效果，只要暗中學習者不公開承認，中層管理者經常對這些做法視而不見。當觀察者，特別是高級管理者宣布想研究員工如何靠違反規則來獲得技能時，學習者及其管理者可能不愿意分享經驗。比較好的解決方案是，引入中立的第三方，可以確保嚴格的匿名性，同時比較不同案例的做法。我的線人開始了解并信任我，他們意識到我在許多工作組和設施中觀察工作，因此他們確信自己的身份會受到保護。這對于讓他們說出真相至關重要。

2.調整你發現的暗中學習實踐來適應構建組織、工作和技術

組織對智能機器的處置往往停留在讓個別專家控制工作，減少對受訓者依賴的層面。機器人手術系統允許高級外科醫生在較少的幫助下操作，他們照做了。投資銀行系統允許高級合伙人將初級分析師從復雜的估值工作中排除，他們也照做了。所有利益相關者都應堅持讓組織，技術和工作設計提高生產力和加強OJL。例如，在洛杉磯警察局中，這將意味著改變對巡警的激勵措施，重新設計PredPol用戶界面，創建新角色來連接警察和軟件工程師，以及由警察發起建立帶注釋的最佳實踐案例庫。

3.使智能機器成為解決方案的一部分

人工智能可以在學習者遇到難題時提供幫助，為作為導師的專家提供培訓，并巧妙地連接這兩個群體。例如，金柱赫（Juho Kim）在麻省理工學院讀博時建立了ToolScape和Lecture-Scape，可以眾包方式為教學視頻加注釋，并為之前暫停尋找注釋的用戶提供澄清解釋和機會。他將之稱為學習者采購。在硬件方面，增強現實系統開始將專家指導和注釋帶入工作流中。

現有應用程序使用平板電腦或智能眼鏡，將指導實時添加到工作上。預計很快就會有更復雜的智能系統。例如，這樣的系統可以在學徒焊工的視野中疊加工廠中模范焊工的錄像，顯示工作如何完成，記錄學徒的嘗試與之對比，并根據需要將學徒與模范焊工聯系起來。這些領域不斷增長的工程師社區大多專注于正式培訓，更深層次的危機是OJL。我們需要重新分配在OJL上的精力。

幾千年來，技術的進步推動了工作流程的重新設計，學徒們從導師那里獲得了必要的新技能。但正如我們所見，現在智能機器正以生產率為名，迫使我們讓學徒與導師脫離，讓導師與工作脫離。組織通常在不經意間選擇生產率而非員工參與，因此在工作中學習變得越來越困難。然而，暗中學習者正在尋找有風險、打破常規的學習方法。想在智能機器世界中競爭的組織應該密切關注這些“不按常理出牌的人”。他們的行動可以讓你深入了解，當未來專家、學徒和智能機器共同工作和學習時，如何以最佳方式完成工作。