混合型工作方式还将继续下去,员工体验从未如此重要
作者:思杰战略执行副总裁Tim Minahan
过去的一年可谓是漫长又黑暗,而现在人们开始看到曙光。展望未来,人们需要接受这样一个事实:他们无法回到以前的工作模式了。波及全球的疫情已经永久性地改变了企业及其员工对工作方式和工作地点的看法。一切都再也回不到从前了。
如果说这次危机教会了我们什么的话,那就是我们可以在任何地方开展工作。的确如此。
思杰和OnePoll最近进行了一项调查,在被问及后疫情时代人们更愿意怎样开展工作时,7,000多名受访者中有52%的人表示他们想要一种混合工作模式,即可以选择每天远程工作或者在办公室工作。而16%的受访者表示,他们对重返办公室工作没有兴趣,更愿意选择长期远程工作。
开弓没有回头箭…
企业对此心知肚明。Teleperformance公司基础设施执行副总裁兼首席信息官Jose Guereque认为:“随时随地的办公模式并非因疫情而起,我们将把混合工作方式作为企业的长久之计。”
其他企业也会效仿。为什么? 因为远程工作模式的确很有效。
疫情期间,企业和员工都看到了灵活办公模式在工作效率、员工参与感及身心健康等方面带来的好处。思杰的研究表明,77%的员工在家工作的时长不变甚至更长,69%的员工表示在家工作的效率更高。
企业对员工们展现出的应变和创新能力颇为赞赏。
Kreston Reeves公司的高级合伙人Andrew Griggs说:“疫情让我们看到,财务顾问和会计师能够轻松地迅速适应新的工作模式。这些富有创造力的员工运用新方法解决了传统问题,这将有助于我们调整并加快落实相关战略举措,从而在未来更好地为客户服务。”
…然而只有改变才能发展
要想把远程办公的优势保持下去,完成工作的方式也需要做出改变。为了让各部门能够远程工作,企业已经克服了面临的各种困难。企业为员工提供了完善的办公工具,无论在哪里工作,都能让他们获取到完成工作所需的资源。
虽然疫情之初员工的工作效率有了大幅提高,但现在的效率却日渐下滑。一方面,员工们所使用的工具确实能够使他们更高效地在家工作,同时这些工具却也越来越分散他们对核心工作的注意力,造成群体性的疲劳,并增加了挫败感。
员工们的工作时间可能更长,但他们完成的工作量却越来越少,因为他们有太多的工具,这些工具会经常性的打断工作,导致他们在不同的应用程序和界面之间切换工作情景,进而无法高效的参与、协作和执行工作。
根据思杰-OnePoll的调查:
体验感很重要
企业战略集团高级分析师Mark Bowker表示:“当前,最重要的是为员工提供简单、易操作的工作体验。为了让员工在当下的混合工作模式中仍保持积极高效的工作状态,企业不仅要为他们提供可安全访问的办公资源,还要提供能够使他们在不同工作渠道、设备和地点都能更高效且更有效工作的办公工具。”
要做到这一点,不能简单通过把个人聊天和协作工具拼凑在一起去实现。这会迫使员工采用别的工作方式,而不是他们习惯的工作方式。企业需要的是一个可以一举三得的平台:
实际上,企业应该在人与技术之间建立一个体验层,消除员工日常生活上的干扰,让他们能够以自己想要的方式工作。
遂心工作
今天,大多数IT部门是根据系统的运行方式来调整工作的。未来,如果他们想让员工们快乐而又高效地工作,就需要调整系统以适应员工的工作方式。
正如很多企业从这场疫情中学到的,数字工作空间是应对此环境的有效方法,因为它提供的平台使员工能够:
IT部门能够:
未来仍然扑朔迷离。但有一点是肯定的:混合工作方式还将一直存在。企业为了使自己在疫情中脱颖而出,处于更强、更有利的地位,就必须找到一种简化工作的方法,并为员工提供所需的空间,助其走向成功。
好文章,需要你的鼓励
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。