AI 扩展计划 / Playbooks

AI Adoption / Change Management Playbook

AI adoption 不是“上线模型 + 发培训通知”，而是把目标行为、工作流、角色责任、AI literacy、支持模型、治理证据和收益兑现连接成可运行的组织系统。对金融零售企业来说，AI 采用失败往往不是模型单点失败，而是流程、责任、控制、激励和运营证据没有同步改变。

456 行AI_ADOPTION_CHANGE_MANAGEMENT_PLAYBOOK.md

AI Adoption / Change Management / AI Literacy / Role Redesign Playbook

1. Positioning and Adjacent Assets

本文件补齐 AI 转型中的 adoption and change management layer。它与组合治理、需求评估、运行模型和能力矩阵形成闭环。

连接资产	已解决的问题	本文如何承接
`docs/AI_TRANSFORMATION_VALUE_OFFICE_PLAYBOOK.md`	investment gate、benefits register、scale/stop decision	把 adoption 指标、workflow redesign、training、support、resistance signals 接入 value review
`docs/AI_REQUIREMENTS_TO_EVAL_COOKBOOK.md`	从需求到 eval 的可验证路径	把用户反馈、误用模式、工作流断点回灌到 EvalOps
`docs/AI_OPERATING_MODEL_RACI_RUNBOOK.md`	AI operating model 与 RACI	把 adoption owner、change champion、support tier、manager cadence 固化到 RACI
`docs/AI_GOVERNANCE_EVALOPS_RISK_90_PLAN.md`	AI 治理、评估、风险能力训练	把 AI literacy 和 role-based training 作为治理控制的一部分
`docs/AI_ROLE_COMPETENCY_MATRIX_2026.md`	AI 时代岗位能力矩阵	把岗位能力落到 role redesign、培训路径和绩效信号

AI adoption 的系统定义：

AI Adoption =
behavior change
+ workflow redesign
+ role redesign
+ AI literacy
+ support model
+ benefit proof
+ EvalOps feedback

2. Source Anchors

Source	与 adoption 的关系	在本文中的落点
EU AI Act Article 4 AI literacy	要求 AI 系统 providers/deployers 尽最大程度确保相关人员具备足够 AI literacy，并考虑知识、经验、培训、使用场景和受影响人群	AI literacy obligations、role-based curriculum、evidence
NIST AI RMF Govern / Manage	adoption 需要嵌入治理、责任、监控和风险处理	operating model、metrics、EvalOps loop
ISO/IEC 42001	AI management system 强调建立、实施、维护并持续改进 AI 管理体系	operating model、enablement assets、support model
OMB M-24-10	强调治理、创新、风险管理、AI inventory 和责任	governance forums、benefit realization、scenario controls
OMB M-25-21	强调 innovation、governance、public trust	使用公共部门治理语言时需核对最新政策

参考链接：

EU AI Act Regulation (EU) 2024/1689: https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng
NIST AI RMF Playbook: https://airc.nist.gov/airmf-resources/playbook/
ISO/IEC 42001:2023: https://www.iso.org/standard/81230
OMB M-24-10: https://www.whitehouse.gov/wp-content/uploads/2024/03/M-24-10-Advancing-Governance-Innovation-and-Risk-Management-for-Agency-Use-of-Artificial-Intelligence.pdf
OMB M-25-21: https://www.whitehouse.gov/wp-content/uploads/2025/02/M-25-21-Accelerating-Federal-Use-of-AI-through-Innovation-Governance-and-Public-Trust.pdf

3. 为什么 AI Adoption 经常死在试点之后

试点经常证明“模型在小样本上能演示”，不是“业务在真实约束下会改变行为”。金融零售流程长、控制多、岗位分工细、数据权限复杂、监管解释成本高，因此试点幻觉尤其明显。

试点阶段看起来成功	规模化阶段真实问题	结果
Demo 能回答产品知识	一线人员不知道何时信任、何时升级	用得谨慎，采用率低
Pilot 准确率不错	真实客户问题长尾复杂，exception handling 不完整	投诉、返工、合规风险上升
节省时间估算很高	用户仍要复制粘贴、核对、留痕、补录	净节省不成立
Sponsor 支持	中层经理担心团队指标、排班和责任变化	软抵抗
技术团队能上线	业务 owner 没有 adoption target 和 benefit ownership	上线后无人推动
用户培训完成	培训只讲功能，不讲判断标准、禁止用法和责任边界	误用、弃用并存
风险评审通过	没有持续 monitoring、incident route、model drift response	运行风险积累

常见根因和修复：

根因	典型表现	深层原因	修复动作
问题定义停留在“能不能用 AI”	用例名称是“客服 agent”而不是具体流程瓶颈	技术方案替代业务问题	用 job-to-be-done、baseline、target behavior 重写 use case
没有流程再造	AI 输出仍要人工在多个系统间搬运	只改工具，不改 workflow	画 AS-IS / TO-BE / exception path / audit path
角色边界未重设	一线问“出错算谁的”	human oversight 没有工作化	定义 maker、checker、approver、escalation owner
缺少 AI literacy	员工把 AI 当搜索引擎或权威裁判	不理解概率性、上下文、数据边界	role-based literacy training + scenario drills
管理者不改节奏	经理仍按旧指标管理	incentive 与新行为冲突	修改 team huddle、QA sample、coaching、绩效信号
支持模型薄弱	用户遇到错误只会截图发群	没有 support tier 和知识库	建 L1/L2/L3 support、issue taxonomy、SLA
没有反馈回路	用户反馈进聊天群，没进 backlog/eval set	adoption 与 EvalOps 脱节	反馈分类为 UX、workflow、data、prompt、model、policy
收益无法确认	节省工时被质疑	没有 baseline、control group、finance sign-off	建 benefits register 与 adoption-adjusted ROI
风险控制过重或过轻	要么没人敢用，要么随便用	风险分层不清	按 risk tier 设置权限、审批、监控
组织叙事错误	员工理解为“AI 要替代我”	没有 role redesign 和职业路径	明确人类判断价值、技能升级和岗位转型

4. Adoption 是产品、系统和组织问题

Layer	核心问题	关键产物	失败信号
Product	用户为什么要在当前任务中用它	persona、job-to-be-done、UX flow、trust cue、permission design	用户说“挺好，但我还是用旧办法”
System	AI 如何嵌入流程、数据、权限、审计、运营	TO-BE workflow、integration map、control map、runbook	AI 输出无法进入核心系统或无法留痕
Organization	谁负责、谁学习、谁被激励、谁承担风险	RACI、training path、manager cadence、incentive plan	sponsor 支持但中层不推动，一线观望

Adoption product canvas:

Canvas item	Question	Example: complaint classification assistant
Target behavior	期待用户改变什么行为	客服主管先使用 AI 分类建议并确认，而不是手工读完后分派
Moment of use	用户在何时使用	新投诉进入队列后的最初几分钟
Trust requirement	用户需要什么才敢用	分类理由、引用原文、置信度、相似案例、升级建议
Friction removed	去掉什么阻力	自动读取投诉文本，写入工单分类草稿，保留人工 override
Human decision	人保留什么判断	是否涉及监管投诉、敏感客户、最终分类确认
Prohibited use	不能做什么	不自动关闭投诉，不生成未核实客户承诺
Manager routine	经理如何推动	每日看 adoption dashboard，抽样复核 override case
Benefit proof	如何证明价值	首次分派时间、返工率、误分类率、SLA breach、人工处理时长

Adoption backlog 必须包含模型功能以外的条目：

Backlog type	Example	Owner
Workflow	把 AI 分类结果写入工单系统并支持人工修改原因	workflow + architecture
Trust	输出理由必须引用客户原文和政策段落	product + EvalOps
Training	建投诉分类情景演练题	workflow + ops QA
Support	建立“错误分类”一键反馈入口	product + support
Governance	高风险投诉自动提示二线复核	risk + architecture
Metrics	Dashboard 区分 adoption、quality、benefit、risk	product + data
Incentive	团队指标加入正确使用率和返工率	business owner + HR

5. Adoption Operating Model

Lifecycle:

Stage	目标	Adoption 工作	出口证据
Discovery	判断是否值得改变流程	stakeholder map、baseline、persona、resistance scan、AI literacy needs	adoption hypothesis
Pilot design	设计可学习的小范围试点	pilot cohort、training、support tier、usage policy、manager cadence	pilot adoption plan
Pilot run	验证真实行为改变	monitoring、office hour、feedback triage、QA sampling	pilot adoption report
Release	控制上线并减少误用	role-based authorization、go-live support、incident path、knowledge base	release readiness pack
Scale	扩大范围并标准化	train-the-trainer、champion network、incentive alignment、benefit tracking	scale readiness memo
Continuous improvement	把采用反馈变成系统改进	EvalOps loop、workflow backlog、policy refresh、recertification	monthly adoption review

RACI:

Activity	Business owner	Product owner	Workflow owner	Architecture owner	Change lead	Risk / Compliance	Ops manager	HR / L&D	EvalOps
Adoption objective	A	R	C	I	C	C	C	I	I
Stakeholder segmentation	A	R	R	I	R	C	C	C	I
Workflow redesign	A	C	R	C	C	C	R	I	I
Role redesign	A	C	R	C	R	C	R	C	I
AI literacy curriculum	C	R	R	C	R	C	C	A/R	C
Training delivery	C	C	C	I	R	C	R	A/R	I
Usage policy	A	R	C	C	C	A/R	C	I	C
Support model	A	R	C	R	R	C	R	I	C
Adoption dashboard	A	R	C	C	C	C	C	I	R
Benefit realization	A	R	R	I	C	C	C	I	C
Feedback to eval	C	R	R	C	C	C	C	I	A/R

Governance forums:

Forum	Cadence	Topic	Output
Adoption design clinic	before pilot	target behavior、workflow breakpoints、stakeholder map	adoption canvas
Pilot daily huddle	first weeks	resistance、error cases、training gaps	daily issue log
Weekly adoption review	first 8 weeks	usage、quality、feedback、rework、benefit	action list
Monthly value review	monthly	adoption-adjusted benefit、scale/stop	recommendation
Quarterly literacy review	quarterly	training coverage、certification、incidents、policy change	curriculum refresh

6. AI Literacy

AI literacy 不是 prompt training。在企业金融零售中，它至少包括：

Capability	Meaning	Why it matters
Conceptual understanding	知道 AI 输出是概率性建议，不是事实或审批结论	防止自动化偏见和过度信任
Scenario boundary	知道系统适用任务、禁止任务、升级条件	防止越权使用
Data awareness	知道哪些客户数据、敏感信息、商业秘密不能输入或外传	防止隐私、保密和监管风险
Output judgment	能检查引用、理由、异常、置信度、缺失信息	提高 human oversight 质量
Accountability boundary	知道 AI、人、经理、审批人的责任分工	防止“系统说的”成为责任逃避
Feedback capability	能把错误输出转化为可分析反馈	支撑 EvalOps 改进
Customer impact awareness	知道 AI 可能影响客户权益、价格、授信、投诉、公平性	金融零售中直接关系合规和信任

Role-based literacy:

Role	Required literacy	Evidence	Recertification
frontline service	适用场景、禁止输入、输出核查、升级路径、客户沟通边界	scenario test + manager sampling	semiannual
credit / risk analyst	模型限制、敏感变量、解释要求、人工复核、偏差识别	case analysis + override review	semiannual
marketing / CRM operations	个性化推荐边界、同意管理、敏感客群、误导内容风险	campaign review drill	semiannual
product owner	adoption metrics、风险分层、eval、feedback loop、benefits	use case review	quarterly
workflow analyst	流程重构、规则/例外抽取、role redesign、培训场景	workflow pack + scenario pack	quarterly
architect	reference architecture、logging、access control、fallback、auditability	architecture review	quarterly
manager	team adoption、coaching、激励、质量抽检	adoption review	semiannual
risk / compliance	AI risk taxonomy、control evidence、monitoring、incident response	control evidence review	quarterly
executive	value/risk trade-off、scale/stop、accountability	decision memo review	annual

Control evidence:

Evidence	内容	审计价值
Training roster	谁完成了什么课程，对应哪个系统权限	证明部署方已进行角色化培训
Scenario test result	高风险任务的情景判断题成绩	证明不是只看视频打卡
Usage policy acknowledgement	用户确认理解禁止用法和升级条件	支撑责任边界
Manager coaching log	经理如何复盘错误使用和优秀案例	证明采用不是一次性培训
Exception review log	用户 override、升级、误用案例	连接 human oversight 与 EvalOps
Recertification record	高风险岗位周期复训	应对模型、政策、流程变化

7. Stakeholder Segmentation

不要把“用户”当成一个群体。一个 AI 用例会影响流程 owner、风险 owner、IT owner、模型 owner、一线员工、客户、审计、员工代表和外包供应商。

Segment	关心什么	可能阻力	Adoption strategy
Executive sponsor	价值、风险、速度、声誉	看不到真实收益	benefit register + risk dashboard
Business owner	KPI、流程稳定、资源	担心上线影响运营	让其拥有 target behavior 和 benefit
Middle manager	排班、质量、绩效、团队士气	担心指标失控或岗位被削	设计 manager cadence 和团队激励
Power user	效率、专业判断、话语权	担心 AI 降低专业价值	让其参与场景训练和边界样本
Skeptical expert	准确性、边界、专业尊严	抓住错误证明系统不可信	邀请参与 eval set 和红队测试
Casual user	简单、省事、少出错	不愿改变习惯	嵌入工作流，减少额外点击
Risk / compliance	控制、证据、客户权益	担心黑箱和误用	提供 control map、日志、升级路径
IT / architecture	安全、集成、可维护	担心 shadow AI 和工具泛滥	走 reference architecture 与平台能力
HR / L&D	能力建设、岗位变化	课程泛化、难以评估	采用 role-based curriculum
Customer	公平、隐私、解释、体验	不信任机器决策	明确人工复核、解释和申诉机制

Adoption personas:

Persona	典型角色	成功定义	设计重点
Decision confirmer	信贷审批复核、投诉分类主管	更快做出更一致的判断	evidence、confidence、override
Work drafter	客服、理财经理、运营文案	更快生成初稿但保留人工把关	policy grounding、tone guardrail
Exception handler	二线支持、合规复核	快速识别复杂或高风险案例	escalation、audit trail
Workflow orchestrator	运营经理、网点主管	看见瓶颈和资源分配建议	dashboard、queue integration
Control owner	风险、合规、审计	证明 AI 使用受控	logs、control evidence、incident

8. Workflow and Role Redesign

AI adoption 必须明确目标行为如何嵌入流程。

Workflow redesign pack:

Section	Content
AS-IS flow	当前步骤、系统、角色、控制、痛点、非正式绕行
TO-BE flow	AI 触发点、输入、输出、人类确认、写回系统
Exception path	低置信度、缺证据、高风险、系统失败、客户投诉
Audit path	trace、source、decision、override、review、approval
Manual fallback	AI 不可用或不适用时如何完成工作
Monitoring	采用、质量、风险、成本、收益信号

Role redesign:

Dimension	Questions
Tasks removed	哪些重复检索、摘录、搬运、格式化被减少
Tasks augmented	哪些判断、分析、沟通由 AI 辅助
Tasks added	哪些复核、反馈、异常处理和样本贡献新增
Decision rights	哪些决定归人、AI、经理、审批人
Accountability	出错时谁负责什么
Skill gap	新角色需要哪些 literacy、流程和工具能力
Metrics	旧指标是否会阻碍新行为

9. Support Model and Feedback Loop

Support model:

Tier	Scope	Example
L1	使用问题、功能入口、已知限制、基本故障	“为什么看不到 AI 建议”
L2	业务流程、政策边界、错误分类、训练缺口	“这个投诉是否应升级”
L3	模型、检索、权限、工具、日志、incident	“模型引用了过期政策”

Feedback taxonomy:

Category	Route
Model quality	eval set and model/prompt backlog
Knowledge gap	source owner and RAG update
Policy ambiguity	policy owner and usage policy
Workflow friction	workflow backlog
Training gap	scenario library and manager coaching
Unsafe output	incident or release gate
Data permission	access control review
Tool failure	engineering and runbook

EvalOps feedback loop:

capture
  -> triage
  -> classify
  -> convert to eval / backlog / policy / training
  -> fix
  -> validate
  -> communicate
  -> monitor

10. Metrics and Benefit Realization

Adoption metrics must connect usage, behavior, quality, risk and value.

Metric layer	Examples
Exposure	eligible users exposed, eligible cases surfaced
Qualified adoption	target workflow use, artifact influence, repeated use
Trust behavior	accept, edit, reject, override, escalate, reason code
Quality	QA pass, citation correctness, rework, defect severity
Risk	unsafe output, complaint linkage, control override, under-escalation
Workflow	cycle time, handling time, queue age, handoff delay
Value	net time released, backlog reduction, cost-to-serve, risk reduction
Durability	4/8/12-week retention, manager variance, post-release stability

Adoption-adjusted benefit:

realized benefit =
  eligible volume
* qualified adoption rate
* quality-adjusted improvement
- AI run cost
- human review cost
- rework and support cost
- risk / customer harm adjustment

Scale gate should require adoption evidence, quality evidence, workflow evidence, literacy evidence, risk evidence and benefit evidence.

11. Financial Retail Scenarios

Scenario	Target behavior	Controls	Metrics	Role redesign
客服知识助手	坐席用 AI 查找政策和生成回复初稿，客户可见内容人工确认	高风险关键词升级，输出引用知识库段落	handling time、first contact resolution、QA pass、complaint	坐席从知识检索转向问题解决和情绪处理
投诉分类与敏感识别	投诉进入队列后 AI 给出分类、严重性、SLA 和升级理由	低置信度和敏感词强制二线复核	首次分派时间、误分类率、SLA breach	主管从手工分派转向例外判断和质量管理
信贷材料预审	分析师使用 AI 摘要材料、提示缺失文件、列出风险点	不得做批准/拒绝结论，记录 override reason	材料完整率、补件轮次、审批周期、QA finding	分析师从资料整理转为风险解释和例外判断
理财销售辅助	理财经理用 AI 准备客户沟通提纲，适当性和风险揭示人工确认	禁止收益承诺、合规话术检查、风险揭示 checklist	合规抽检、客户投诉、转化率、适当性缺陷	从产品推介转向需求诊断、风险沟通和关系经营
反欺诈运营	运营人员用 AI 汇总警报上下文、建议调查步骤	不得仅凭 AI 关闭或冻结账户，高金额强制升级	true positive、false positive、investigation time、appeal	调查员从信息收集转为证据判断和客户影响权衡
内部知识工作	用 AI 生成访谈摘要、需求初稿、架构选项，正式文档人工核查	引用来源、版本、review log	需求返工率、评审缺陷、cycle time	知识工作者从文档生产转向问题定义和证据管理

12. Evidence Artifact Structures

12.1 Adoption Plan Structure

Section	Evidence expectation
Use case identity	name、business owner、target workflow、target users、risk tier
Target behavior	current behavior、desired behavior、moment of use、human decision retained、prohibited use
Stakeholders	stakeholder pain、desired behavior、resistance、engagement path
Workflow	AS-IS summary、TO-BE summary、AI input/output、human confirmation、exception path、audit trail
Role redesign	tasks removed、tasks augmented、tasks added、new skills、metrics
AI literacy	required training level、scenario exam、authorization rule、recertification
Enablement	quick guide、scenario library、manager huddle、feedback channel、support model
Metrics	baseline、target、owner、review cadence for adoption, quality, risk and value
Feedback to EvalOps	taxonomy、severity route、eval update cadence
Benefit realization	baseline、adoption-adjusted benefit formula、finance sign-off owner、scale/stop criteria

12.2 AI Literacy Policy Structure

Section	Evidence expectation
Purpose	说明 literacy 与角色、经验、任务风险和使用场景相匹配
Role-based requirement	为每类角色定义 minimum level、training、exam、authorization
Covered topics	system purpose and limits、data handling、output verification、human oversight、customer impact、incident process
Evidence	training roster、scenario test result、policy acknowledgement、recertification、exception and incident learning

12.3 Scale Readiness Checklist

Gate	通过标准
Adoption	目标任务合格采用率达到阈值，普通用户 cohort 不低于 champion cohort 太多
Quality	QA pass、override reason、返工率达标
Risk	无未关闭高风险事件，升级路径有效
Literacy	目标用户完成角色化培训和情景认证
Support	L1/L2/L3 支持运行稳定，FAQ 和 known limitations 更新
Benefit	财务认可 adoption-adjusted benefit 或明确下一阶段验证方式
Architecture	日志、权限、监控、成本、回滚、容量准备完成
Change	manager cadence、激励、role redesign 已落地

13. Thirty-Day Adoption Lab

30 天内不追求大规模上线，而是完成一个金融零售 AI 用例的 adoption design、pilot、反馈闭环和 scale/stop 证据包。

Day range	Work	Artifact
1-3	选择用例、业务 owner、baseline、target behavior、stakeholders	use case charter、baseline note、stakeholder map
4-7	用户观察、AS-IS / TO-BE、role impact	pain log、workflow pack、role redesign draft
8-11	risk tier、usage policy、AI literacy needs、scenario library、metrics	usage policy、training matrix、dashboard spec
12-16	support model、feedback taxonomy、pilot cohort、training、launch checklist	support routing、feedback form、pilot plan
17-24	pilot huddles、QA sampling、feedback triage、manager coaching、workflow fixes	issue log、FAQ、EvalOps tickets
25-30	metrics review、benefit calculation、risk review、scale checklist、decision memo	adoption dashboard、benefit memo、scale/stop memo

Lab deliverables:

Deliverable	Quality bar
Use case charter	business owner、target workflow、risk tier、success metrics
Adoption canvas	target behavior、moment of use、trust requirement
Workflow pack	AS-IS、TO-BE、exception、audit trail
Role redesign	task changes、responsibility boundary、new skills、new metrics
Training pack	role-based curriculum and scenario tests
Support pack	tiers、FAQ、issue taxonomy、SLA
EvalOps feedback	feedback converted into eval, training or product tickets
Benefit memo	adoption-adjusted benefit
Scale/stop memo	evidence-based next step

14. Diagnostic Reference

Symptom	优先检查
培训完成但不用	target behavior、workflow fit、manager cadence
用了但收益不明显	net saved time、rework、copy-paste、quality adjustment
用户不敢用	AI literacy、responsibility boundary、trust cue
用户乱用	policy、permissions、prohibited use、QA
风险团队卡住	risk tier、control evidence、limited release
Sponsor 失去兴趣	benefits register、adoption dashboard、scale/stop memo
专家持续反对	eval boundary cases、expert involvement

Adoption 前必须说清：

这个 AI 用例服务哪个具体业务任务。
哪些人可以用，哪些人不能用。
哪些数据可以输入，哪些数据禁止输入。
AI 输出是什么性质：初稿、建议、分类、警报还是决定。
哪些场景必须人工复核。
哪些场景必须升级。
出错时如何反馈和处理。
谁看 adoption、quality、risk、benefit 指标。
这个岗位因为 AI 增加和减少了哪些任务。
收益如何被财务确认，达不到标准何时停止或调整。

15. Operating Principle

企业 AI adoption 的核心不是让更多人“使用 AI”，而是让组织在可控风险下形成新的高质量工作方式。

Condition	Meaning
Useful	解决真实高频或高价值问题
Usable	嵌入工作流，降低净摩擦
Trustworthy	用户知道何时信、何时查、何时升级
Governed	权限、日志、风险、培训、支持和事件处理可审计
Valuable	收益被 adoption、quality、risk 调整后仍成立

An AI use case becomes an enterprise capability only when behavior, workflow,
control, literacy, support and value evidence reinforce one another.