汤森路透CEO的AI工作日常：领导者以身作则推动企业转型

企业AI转型的真实性密码：汤森路透CEO的周一晨间工作流

在企业AI转型的浪潮中，最大的挑战往往不是技术本身，而是组织内部的采纳与文化重塑。汤森路透（Thomson Reuters）CEO史蒂夫·哈斯克（Steve Hasker）近期分享了他个人的AI使用日常，为企业领导者如何真正推动AI落地提供了一个值得深思的参考样本。

关于汤森路透的AI战略背景： 汤森路透是全球领先的信息服务与媒体集团，旗下涵盖法律、税务、合规、新闻等核心业务线。作为一家年营收超过60亿美元的企业，其AI转型并非从零起步——公司早在2023年便宣布将在未来两年内投入超过1亿美元用于生成式AI开发，并推出了面向法律专业人士的AI助手产品CoCounsel（基于GPT-4构建）。这一背景赋予了哈斯克言论特殊的分量：他所谈论的"真实性"，是建立在实际产品落地和大规模组织变革之上的，而非停留在概念层面。

值得补充的是，CoCounsel并非汤森路透自研，而是通过2023年以约6.5亿美元收购其原始开发公司Casetext而来。Casetext成立于2013年，最初以法律研究数据库起家，在GPT-4发布后迅速将其能力整合进产品，成为首批将大语言模型商业化落地于法律专业场景的公司之一。汤森路透完成收购时，Casetext已拥有超过1万家律所客户，这意味着汤森路透购买的不仅是技术，更是经过市场验证的产品-市场契合度（product-market fit）与客户信任资产。

这一收购决策体现了大型信息服务商在AI时代普遍采用的"买而非建"战略——其底层逻辑在于：生成式AI能力的竞争窗口极短，从头培育内部研发体系往往需要3-5年，而市场格局可能在18个月内完成重塑。与此同时，法律AI产品的核心壁垒并非模型本身（基础模型可通过API调用），而是围绕特定专业场景构建的数据飞轮、工作流集成与用户信任——这些资产通过并购可以直接获取，而非从头培育内部研发体系。

法律AI赛道的竞争格局： 法律科技（Legal Tech）领域是当前生成式AI落地最为激烈的专业垂直市场之一。Harvey AI、Lexis+AI（LexisNexis旗下）、Ironclad等新兴玩家正以独立产品形态挑战传统巨头，而微软也通过Copilot for Microsoft 365的法律行业定制版加速渗透。法律AI的核心挑战在于"高可信度"需求——法律文书中任何事实性错误都可能产生严重的法律后果，这使得该赛道对AI准确性的要求远高于一般企业场景。这一背景使得汤森路透的AI转型兼具内部变革与市场防御的双重压力：既要在内部推动数千名员工改变工作方式，又要在外部阻击估值快速攀升的AI原生竞争者。

转型成败的关键：真实性

哈斯克认为，像汤森路透当前正在进行的这种大规模AI转型，其成败的关键在于"真实性"（authenticity）。这意味着领导者不能仅停留在口头倡导，而是要真正把工具用起来。

"我们在汤森路透最大的学习是——我们都在学习，我们都在这段共同的学习旅程之中。"哈斯克如此描述这场变革。这种表态本身颇具意味：即便是内容与信息服务领域的巨头，其CEO也坦承整个组织仍处于摸索阶段。这种自上而下的坦诚，恰恰是打消员工顾虑、鼓励尝试的重要前提。

为什么"真实性"如此关键？ 在组织行为学与变革管理领域，领导者的"示范效应"（role modeling）是驱动文化变革最有力的机制之一。麦肯锡的研究表明，在数字化转型项目中，超过70%的失败案例可归因于组织和文化阻力，而非技术障碍本身。当领导者仅停留于发布战略声明而不亲身实践时，员工往往会产生"这只是另一场风波"的心理，从而采取观望或被动应付的态度。哈斯克将"真实性"作为AI转型的核心，实质上是在回应这一深层的组织动力学问题——领导者的行为一致性（behavioral consistency）才是打破组织惰性的关键杠杆。

这一逻辑在变革管理研究中有深厚的理论根基。社会学习理论（Social Learning Theory）的奠基人阿尔伯特·班杜拉（Albert Bandura）早在20世纪70年代便指出，组织成员倾向于通过观察权威人物的行为来校准自身行动——当CEO在会议上展示AI生成的摘要或亲自演示工具用法时，其传递的采纳信号远比任何政策文件都更具说服力。

值得注意的是，这种示范效应在AI工具推广中尤为重要：与以往的企业软件不同，生成式AI工具的效果很大程度上取决于用户"提示词工程"（prompt engineering）的水平，而这种能力只能在实际使用中积累，无法通过培训手册传授。提示词工程是指通过精心设计输入文本的结构、措辞和上下文信息，来引导大语言模型产出更准确、更有用的输出——同样的任务，由经验丰富的用户与初学者给出的提示词，往往能带来天壤之别的结果。这意味着领导者的公开实践不仅是文化信号的传递，更是组织内部"AI使用水位线"的实际示范——领导者的当众练习，因此成为降低员工学习门槛的最有效路径。

真实性的落脚点非常具体：每周一早晨，哈斯克做的第一件事就是亲自使用这些AI工具。当领导者本人成为工具的深度用户，他所传递的信号远比任何内部邮件或全员大会更有说服力。

CEO的周一AI晨间工作流

哈斯克的AI使用方式并不神秘，反而相当接地气，主要围绕三个日常工作场景展开。

关于AI工具在高管工作流中的落地逻辑： 哈斯克所描述的三类AI使用场景——文档分析、日程洞察和新闻摘要——对应的是当前企业级AI助手最成熟的应用方向。以微软Copilot、谷歌Gemini for Workspace为代表的生成式AI工具，已深度集成于邮件、日历、文档系统之中。研究机构Gartner预测，到2026年，超过50%的知识工作者将每日使用AI助手处理信息密集型任务。

这一趋势的深层驱动力，来自知识工作者长期面临的"信息过载"（information overload）困境。认知科学研究显示，现代高管平均每天花费约2.5小时处理电子邮件，另有大量注意力消耗在文件阅读和会议准备上。信息过载这一概念最早由社会学家阿尔文·托夫勒（Alvin Toffler）在1970年的著作《未来的冲击》中提出，但直到移动互联网和实时通讯工具普及之后，其对高管决策效率的损耗才真正被量化研究所证实。AI助手在此场景下的核心价值，并非替代人类判断，而是充当"信息预处理层"——将非结构化的海量输入压缩为结构化的决策摘要，将高管稀缺的注意力解放到真正需要人类判断的环节。对于需要在短时间内处理大量结构化与非结构化信息的高管而言，AI最直接的价值在于"压缩信息到决策的时间链路"——这正是哈斯克周一晨间工作流所示范的核心逻辑。

文档分析与信息提取

他会用AI工具分析当天乃至整周需要处理的文档，快速提炼关键信息。对于每天面对海量报告、法律与新闻内容的信息公司高管而言，这类文档处理能力直接关系到决策效率。

从技术实现角度看，这类文档分析能力依赖大语言模型（LLM）在"长上下文窗口"（long context window）上的突破。Token是大语言模型处理文本的基本单位，大致对应0.75个英文单词或1.5个汉字——可以将其理解为模型"阅读记忆"的基本颗粒，Token上限决定了模型在单次处理中能"看到"多少内容。从GPT-3的4,096 Token上限，到GPT-4-turbo的128,000 Token，再到Google Gemini 1.5 Pro突破性地支持100万Token——约等于750本普通小说的篇幅——这一技术指标的跃升直接决定了AI文档分析的实用价值上限。一份复杂的跨国并购协议、完整的诉讼档案或季度财务报告，如今可以被整体送入模型进行分析，而无需人工切割或分段处理，这彻底改变了AI文档工具从"概念演示"走向"日常实用"的关键转折点。

日程管理与会议准备

哈斯克会让AI梳理自己的日历，从中获取洞察并为一周的工作做好准备。"浏览我的日历、提取洞察、做好准备，不管是什么任务，这就是我开启周一早晨的方式。"这种将AI嵌入个人工作流的做法，展示了通用型AI助手在管理层日常中的实用价值。

日历智能化是当前企业AI助手竞争的核心战场之一。微软Copilot可以在会议前自动生成议程摘要和参会者背景，谷歌Gemini则能识别日历中的冲突并提出优先级建议。更进一步的应用是"会议后行动项提取"——AI自动从会议录音或转写文本中识别待办事项，并推送给相应责任人。这些功能背后依赖的核心技术是自然语言理解（NLU）与实体识别（Named Entity Recognition）的组合：模型需要从非结构化的对话文本中识别出人名、时间节点、任务描述和责任归属，并将其结构化为可执行的待办条目。这些功能的本质，是将原本需要高管秘书或助理完成的信息整合工作，转化为人人可得的AI原生能力，在组织扁平化趋势下尤具现实意义。

借助播客获取全球视野

值得一提的是，哈斯克还会收听路透社的Reuters News World播客。由于该节目主要在英国录制，当他周一早晨醒来时，节目已经准备就绪，为他提供了一份跨越全球的新闻概览。这种对"时区差"的巧妙利用，体现了他对信息获取节奏的精细安排。

路透社作为汤森路透旗下核心新闻品牌，拥有全球200余个新闻机构，日均产出约350万字的新闻内容。利用欧洲与美国之间5-8小时的时区差，在美国东海岸清晨即可获取前一天的全球事件综述，这一"时区套利"在媒体消费层面并非偶然——彭博、FT等财经媒体早已将早间简报（morning briefing）打造为核心订阅产品，针对的正是高管群体在决策开始前建立全局信息框架的需求。

从更宏观的信息生态视角看，播客作为信息载体具有独特的优势：它适合"碎片化场景"下的被动消费（如通勤、晨练），且比文字内容更能传递语气、情绪和深度分析。从媒体经济学角度看，播客还代表着一种"注意力捕获"的高效策略——在听众执行低认知负荷任务时占据其时间，而这段时间是文字内容难以触达的。Spotify和Apple Podcasts的数据均显示，新闻类播客的高管听众占比远高于普通人群均值——这与哈斯克的使用习惯高度吻合。哈斯克将路透社自家播客纳入个人工作流，既是对产品的真实背书，也折射出信息服务商如何将内容产品与高管受众行为习惯深度绑定的媒体战略逻辑。

向组织内外持续学习

除了个人实践，哈斯克还强调了一种"向外看"的学习机制。他会不断向团队追问几个关键问题：

• 谁是最早行动的人（early movers）？
• 谁的推进速度最快（fastest movers）？
• 谁犯了最多的错误，因而积累了最多的经验教训？

这个视角尤其耐人寻味。哈斯克并没有把"犯错"视为负面信号，反而将其看作学习的最佳来源。

"快速犯错"作为组织学习策略： 哈斯克对"犯错者"的特别关注，呼应了创新管理领域长期倡导的"快速失败"（fail fast）理念。这一概念起源于敏捷开发和精益创业方法论——埃里克·莱斯在《精益创业》中将其系统化为"构建-测量-学习"（Build-Measure-Learn）循环——其核心逻辑是：在高度不确定性的环境中，小规模、低成本的试错能够比大规模规划更快速地积累有效知识。

然而，将这一方法论迁移至大型企业的AI转型时存在现实约束：企业级AI部署涉及数据治理、合规审查和系统集成等前置成本，使得"低成本试错"的假设并不总是成立；在法律、金融等监管敏感行业，某些"错误"可能直接触发合规风险。更深层的约束来自"AI失误的非对称性"——在汤森路透的法律AI场景中，一次模型幻觉（hallucination）导致的错误法律引用，可能引发的后果远超软件Bug修复的代价。正因如此，哈斯克强调"向外部犯错者学习"，实质上是一种更为精明的替代策略——通过观察他人付出的试错成本来获取经验，以更低的代价建立组织的"AI使用直觉"，同时规避高风险场景下"亲身试错"的潜在代价。

在AI应用这样一个高度不确定的领域，快速试错、快速迭代往往比谨慎观望更能积累真实的组织能力。

他还要求团队持续收集来自同行、竞争对手、客户和合作伙伴的反馈，把外部经验带回内部，加速整个公司的转型进程。值得注意的是，在AI转型语境下，竞争情报的对象已从传统的产品定价、市场份额扩展至"AI能力成熟度对标"：追踪竞争对手的AI工具部署深度、员工采纳率、客户产品功能迭代节奏，以及公开分享的失败案例。对于汤森路透而言，Harvey AI和LexisNexis的产品路线图与客户反馈，构成了其外部扫描体系中最具战略价值的信号输入。

这种做法构建了一个双向学习闭环：一方面通过CEO和团队的亲身实践积累内部经验，另一方面通过广泛的外部信息扫描吸收行业最佳实践。

双向学习闭环的理论根基： 哈斯克所描述的内部实践与外部扫描相结合的学习机制，在知识管理领域被称为"双环学习"（double-loop learning）的组织变体——这一概念由管理学家克里斯·阿吉里斯（Chris Argyris）提出，强调组织不仅要从结果中学习（单环），还要不断反思和修正底层假设（双环）。在AI转型语境下，内部实践积累的是"如何用AI"的操作性知识（know-how），而外部扫描带回的则是"AI能做什么、边界在哪里"的战略性认知（know-what）。

这一框架还与情报学中的"竞争情报"（competitive intelligence）实践高度契合：系统性地追踪竞争对手的AI采纳路径和失败案例，本质上是将市场上分散发生的试错转化为组织的结构化知识资产。麦肯锡全球研究院的数据显示，在数字化转型中，积极进行外部基准对标（benchmarking）的企业，其转型成功率比仅关注内部改进的企业高出约40%。两者协同，才能避免企业在AI转型中陷入"只知埋头执行，不知抬头校准方向"的误区。

给企业领导者的三点启示

哈斯克最后给出的建议朴实而有力："沉浸其中（get immersed），亲自使用工具。确保与团队围绕工具的收益、潜在陷阱以及相关经验，保持持续的对话。"

这段话浓缩了他推动AI转型的方法论，可以拆解为三个层面：

第一，领导者必须亲自下场。 只有真正用过工具，才能理解它的能力边界，也才能在推动变革时保持真实性。只会谈AI战略却不动手的领导者，很难真正带动组织跟上节奏。

第二，正视工具的局限。 哈斯克并没有一味鼓吹AI的好处，而是明确提到了"陷阱"（pitfalls）。这种平衡的态度，有助于避免组织盲目乐观，在后续落地中减少不必要的挫折。当前生成式AI的主要"陷阱"包括：

• 模型幻觉（hallucination） 导致的事实性错误——大语言模型可能生成看似合理但实际虚构的引用或数据。幻觉问题的根源在于LLM的自回归生成架构：模型在每一步预测下一个词时，依赖的是训练数据中的统计规律，而非对事实的显式存储与检索，这使得它在训练数据稀疏的领域容易"创造"而非"回忆"信息。这在法律场景中已有律师因提交含虚假案例引用的文书而被法院处罚的真实案例。当前业界主要通过检索增强生成（RAG，Retrieval-Augmented Generation）技术加以缓解——RAG的工作原理是在模型生成回答之前，先从外部知识库中检索相关文档片段，将其作为"参考资料"注入模型的输入上下文，使模型的输出有据可查，而非凭空生成。CoCounsel采用的正是这一架构，将Westlaw数据库的精确检索与GPT-4的推理能力结合，以降低法律引用错误的概率。
• 数据隐私与合规风险——将敏感业务数据输入第三方AI服务可能引发数据泄露或监管合规问题，尤其在GDPR（欧盟通用数据保护条例）和中国《个人信息保护法》等监管框架下，企业需要明确界定哪些数据可以上传至公共AI服务。
• 过度依赖AI导致的人类判断力退化——长期将文档分析、摘要生成等任务外包给AI，可能导致员工相关专业能力的萎缩，这在需要深度领域专业知识的法律和医疗场景中尤为值得警惕。
• 不同场景下ROI差异悬殊——AI在重复性、标准化任务中表现突出，但在需要高度创意或复杂人际判断的场景中，其效益往往远低于预期。

这些都需要在组织层面建立相应的使用规范和审核机制。

第三，建立持续对话机制。 AI转型不是一次性的工具部署，而是一个需要持续沟通、反馈和调整的动态过程。定期围绕实践经验展开团队对话，是让转型真正扎根的关键。在实操层面，这种对话机制可以采取多种形式：设立内部AI使用案例分享论坛、建立跨部门AI实践社区（community of practice）、在季度经营会议中固定设置AI转型进度环节等。实践社区（Community of Practice）这一概念由认知科学家让·莱夫（Jean Lave）和艾蒂安·温格（Etienne Wenger）于1991年提出，指由共同关注某一领域的人员自发形成的知识共享群体——在AI转型背景下，这类跨部门社区往往能够突破正式组织架构的壁垒，让不同业务线的AI实践者直接交换经验，从而加速整个组织的学习曲线。麻省理工学院数字经济研究中心的研究发现，在AI采纳领先的企业中，约85%建立了某种形式的内部知识共享机制，而这恰恰是将个别员工的AI探索转化为组织级能力积累的关键桥梁。

结语

汤森路透CEO的这套AI日常，本质上是一份"领导者如何以身作则推动技术变革"的行动指南。它的价值不在于使用了多么高深的AI技术，而在于展示了一种务实、真诚且系统化的转型态度——从自己用起，从错误中学，在对话中前进。

从更宏观的行业视角审视，哈斯克的实践也折射出这一代企业领导者所面临的独特历史处境：他们是第一批需要在任职期内完成"从前AI时代到AI原生时代"跨越的CEO，既没有成熟的管理教科书可以参考，又面临着来自董事会、投资者和竞争对手的多重时间压力。在这一背景下，"亲身实践、保持坦诚、持续学习"不仅是组织变革的方法论，更是一种在技术加速时代保持领导力相关性（leadership relevance）的生存智慧。对于正处于AI转型路口的企业和管理者而言，这套思路或许比任何宏大的技术蓝图都更具参考价值。

核心要点

核心要点