无论是流程自动化、团队重组,还是适应不断变化的客户需求,高管们都明白,要实现增长,每个人都必须接受变革。如果你发现团队推动的变革比预期更难实施,或者领导者说大家都在抵制变革,你并不孤单。但有一个事实你需要了解。
普遍的观点认为人们天生就抵制变革 - 员工固守己见、适应缓慢,不愿接受新事物。你可能在项目停滞或遇到新增长计划阻力时经历过这种情况,即使你确信这些变革对所有相关人员都有利。
一些专家声称,对变革的抵制是正常且可预期的,他们提供了许多克服阻力的策略,这让你感觉自己像个销售员,试图说服人们做你认为对组织发展必要的事情。不要接受这种落后的观念。
如果你的组织面临阻力,这不是他们的问题 - 而是你的问题。真正的问题不在于变革本身,而在于实施方式,因为人们并非天生抵制变革,他们只是抵制被动接受变革。
以下是消除阻力并带领组织实现可持续变革的四个步骤:
理解真正引发阻力的原因
你的团队之所以反对或拖延变革,并非因为他们讨厌变革。他们只是不理解为什么要变革或为什么要关心。如果我突然抓住你的手臂将你拉向另一个方向,你的第一反应会是躲开,而不是跟随我,即使我是在救你脱离危险。你会抵制是因为你不知道发生了什么以及为什么。组织变革也是如此。当人们缺乏清晰认识时,他们的本能反应就是后退。
根据《哈佛商业评论》的研究,高达 95% 的普通员工不了解公司的战略。所以你的大多数团队成员不知道你要去向何方,更不用说理解你推动的变革为何重要。消除阻力的第一步是确保每个人都理解愿景。但仅靠一次会议是无法激发他们行动的,要让它成为日常对话的一部分。
将变革与员工最关心的事物联系起来
一旦你的团队从组织角度理解了原因,就要解决他们个人的原因。如果员工看不到变革如何直接影响他们,最初的热情很快就会消退。领导者应该始终回答 WIIFM (对我有什么好处?) 这个问题,确保变革对每个团队成员都具有相关性和意义。
想想你认识的人。他们经常在个人生活中做出重大改变 - 搬到新城市、换工作、组建家庭。为什么?因为他们的 WIIFM 很清晰,而且他们能控制这些决定。人们需要自主权、自由以及塑造自己未来的能力,所以要制定信息传达策略,将变革与如何帮助每个人个人发展结合起来。
让员工掌控方向
当你在闭门造车制定变革计划时,你的团队会注意到,谣言开始蔓延,阻力也在积累。沉默造成的不确定性可能比变革本身带来更多焦虑。当员工得知事态发展时,关于他们未来的决定已经做出,这种被排除在外的感觉会引发更多阻力。
相反,让你的团队掌控方向,而你负责引导。在变革规划阶段,通过举办研讨会或焦点小组来收集员工对你正在考虑的变革的意见和担忧。你可能会了解到一些影响决策甚至方向的信息。然后,在沟通变革时,你可以将他们的担忧纳入信息传达中,让他们感受到被倾听和重视。
人们会支持他们参与创造的东西。即使最终决定对他们来说并不理想,如果他们参与了过程,他们更有可能支持。如果你无法从一开始就让他们参与进来,你仍可以通过征求他们对如何最好地沟通和实施变革的意见来让他们参与。最接近工作的人通常对如何使其生效有最好的见解,所以利用这一点将阻力转化为主人翁意识。
当领导者采取这种方式时,变革就不再感觉像自上而下的命令,而更像是一个共同的目标。
认识到变革领导是每个人的责任
谁来推动组织的变革?每个人。许多高管错误地将变革管理委托给单个部门,如人力资源、项目管理办公室或专门的变革团队。这样做可能导致变革步伐比需要的更慢,或变革无法持续。变革太关键了,不能仅依赖单个部门。变革管理不是一个部门,而是一项领导力技能。
每个领导者都需要能够在这个过程中指导他们的团队。你仍可以依靠人力资源或培训部门来教授组织变革管理技巧,为员工配备成功实施所需的技能。但最终,每个领导者都必须确保他们的团队能够应对变革的人性化一面,帮助员工感到被包容、被赋能,并准备好向前迈进。
在带领组织进行变革时,这些步骤将帮助你找到阻力最小的路径。付诸行动时,变革就会由透明度、协作和强有力的领导力推动,消除阻力并加速转型。毕竟,与人一起而不是对人实施的变革,才能释放组织的全部潜力并加快战略的实现。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。