后COVID-19時代之下，大部分B2B企業已經意識到自己難以抵御流行病的突然爆發，開始著手為隨時可能出現的下一場危機做好準備。

根據Penn博士與Parolari博士對過往疫情爆發整理的研究報告，任何一年發生類似COVID-19式疾病大流行的概率約為2%。也就是說，2000年出生的人們到現在，已經有約38%的幾率遭遇疫情。研究人員斷言，未來這種疫情爆發可能性只會越來越大，因此企業必須調查疫情風險認知、積極做好準備。運營者要意識到疾病流行并不罕見，及時提高后續防控工作的優先級。

截至2022年9月，全球因COVID-19感染而死亡的正式記錄病例超過690萬，而更現實的間接死亡數字已逾1720萬。相比之下，西班牙流感在1918年至1920年期間共導致超3000萬人死亡。

其中，加拿大死于COVID感謝的人數近46000，甚至超過加拿大在第二次世界大戰中死去的44000人。

研究還進一步估計，未來幾十年內新疾病爆發的可能性將增長3倍。而且就在接下來的5年內，盡管幾率很低，但類似COVID的重大流行病爆發仍有再次發生的統計學可能性。

說起“百年一遇的洪水”，很多人可能會理解成每一百年才會發生一次的洪水。但事實并非如此，“百年一遇”很可能明年就到來。

隨著全球人口增長、氣候變化、環境污染、食物短缺以及人與動物間接觸的增加，SARS和COVID-19這類傳染病的爆發風險還將持續攀升。

企業董事會與CEO該如何制定疫情防范策略？

首先也是最重要的問題，當然是保證企業董事會和CEO愿意制定一份疫情防范策略。

接下來的問題，才是如何在主觀與客觀兩方面制定解決方案，保障員工的健康和安全。

對員工福祉的關注與保障，是企業表達善意關懷的重要依托。哈佛、埃森哲、Gartner等多家企業的專家紛紛強調，這種以人類幸福為使命的經營理念是成就強大組織體系的必要前提。

面對嚴苛的疫情防范要求，能幫助我們推動方案創新，在組織中建立良好關懷與人性呵護的一股重要力量正是AI。

疾病控制中心（CDC）已經發布全面的指導框架與工具包，幫助企業有效規劃疫情應對策略。其中的具體實踐圍繞以下三大支柱展開：

• 準備與溝通：需要在疫情前開展的活動，確保做好準備，并與各級政府、社會各階層及個人溝通相應角色與責任。
• 監控與檢測：國內外體制應提供持續“態勢感知”，確保盡早發布警報以保護民眾。
• 應對與遏制：采取行動，限制疫情蔓延并緩解大流行對健康、社會和經濟產生的影響。

AI技術如何在這些方面發揮作用？

1）AI可用于增強對人群內疾病傳播模式的識別能力，針對不同地理位置做出疫情爆發預測。基于AI的預判與預測方案，能夠幫助公共衛生官員選擇更好的流行病應對也準備措施，有效補充傳統抗疫方法。據估計，如果在本輪疫情中采用不同的管理方法，有望將美國的COVID-19致死人數降低59%至92%，達到與挪威或加拿大等國家相近的水平。

2）利用AI搜索方法分析大規模數據源，借此揭示病毒的來歷、傳播與診斷、管理措施及以往抗疫經驗，幫助決策者和醫學界尋求解決辦法。例如，白宮與多支領先研究小組整理出的COVID-19開放研究數據集（CORD-19）就囊括了超100萬篇學術文獻，其中包括超40萬篇關于COVID-19、SARS-CoV-2及相關冠狀病毒的完整論文。這套免費數據集將供全球各研究社區使用，借助自然語言處理及其他AI技術快速生成洞見，支持各項抗疫工作。

3）深度學習模型有助于預測新舊藥物對COVID-19的療效。鑒于大流行帶來的高健康風險，AI識別治療方法與原型疫苗開發方案將大大加快研究速度。

4）挖掘社交媒體與主流新聞中的早期預警，及早發現病毒傳播模式。BlueDot的生物線程智能系統就將機器與人類智能相結合以識別新興威脅信號，并對具體威脅進行分類和優先級排序，提供豐富的數據洞見以輔助專家決策。世界衛生組織（WHO）在COVID-19的信息整理方面也表現出色。約翰霍普金斯大學與經合組織（oecd.ai）等機構也發布了交互式儀表板，通過實時新聞、已確認的冠狀病毒病例、康復及死亡等實時數據來跟蹤病毒傳播。

5）人口監測，即像韓國和中國那樣利用算法通過地理位置數據、監控攝像頭畫面、信用卡記錄等追蹤冠狀病毒患者。中國使用手機軟件為每位民眾分配風險等級（紅碼、黃碼、綠碼），指示傳染風險。同時，機器學習模型還能利用出行、支付和通信數據預測下一波疫情的爆發位置，搜索引擎和社交媒體則有助于實時追蹤疾病傳播動向。

6）部署半自主機器人和無人機以響應醫護需求，例如：運送食品和藥品、清潔與消毒、整理、幫助醫生護士和交付設備等。無人機的其他應用場景還包括安保與監視、人群監控、在社交隔離下傳遞消息等。AI收集到的所有數據，都可用于組織見解、為決策者提供指導。

7）虛擬助手與聊天機器人可根據癥狀對病患進行分類。美國疾控與預防中心聯手微軟開發了一項冠狀病毒自查服務，幫助用戶自我評估是否感染了COVID-19并提供行動建議。

8）AI與機器人也能以多種形式發揮作用，例如負責處理高傳染性標本、處理化學品泄漏、處理核事故、提供運輸與服務交付（復查、物流處理及清潔/消毒等），這一切都有助于提高我們應對流行病爆發的能力。

9）抱持以人為本和關懷生命的心態，引導員工理解保障健康安全、造福社會的重要意義。

如果沒有健康安全作為保障，員工不可能專注處理工作和業務。因此，應當建立起運營實踐，通過日常溝通體系幫助員工分享自身感受，借助雙向通道準確捕捉員工情緒。只有這樣，才能真正建立起良好的健康與安全運營氛圍。

很多企業之所以抗疫失敗，一大核心原因就是未能實時捕捉員工的感受/情緒，無法傳達各種相互依賴關系（例如人員、流程、技術、數據、設施、第三方等）及關聯影響，進而導致緩解策略無法落地、運營效率持續降低。所以，必須通過閉環實踐建立起強大的傾聽文化，借此提升員工敬業度、改善多層次運營效能。

幾個事實：

根據加拿大會議局的調查，約60%的缺勤狀況源自工作壓力過大。職業倦怠每年給加拿大企業造成約120億美元損失，具體表現為健康索賠、生產力下降以及曠工行為。在美國，倦怠產生的成本甚至更高。根據哈佛商學院的數據，組織機構每年承擔的醫療保健費用在1250億到1900億美元之間，整體工作幸福感也因此大受影響。

埃森哲、安永、Gartner Group、蓋洛普、哈佛等主要研究機構紛紛證實，企業越來越關注員工的健康指標，并將其視為保障生產力的核心因素。

如今，企業紛紛用滿意度調查、敬業度調查、健康和保健調查等方式把握員工的心理健康、身體健康與財務健康狀態。但現實問題在于，大多數方法的靈活性與實時性較差，不足以真正融入日常管理。

Gartner在2020年采訪了52位人力資源高管，調查發現：94%的企業在大幅強化員工福利計劃，85%上調了心理健康福利，50%增加了身體健康福利，38%增加了員工財務福利。

Gartner報告稱，享受到這些福利的員工當中，有23%表示心理健康水平有所提高，17%表示身體健康好轉，23%睡眠質量開始改善。這些個人指標也轉化成了更高的工作績效與留存率。

另有研究發現，心懷悲傷或氣憤情緒的員工在工作、駕車或居家時，引發事故的幾率會猛增10倍。而令人擔憂的是，全球20%到30%的民眾會帶著悲傷或憤怒的情緒開始新的一天。因此企業領導者必須重視這個現實問題，用多種方式提升員工幸福感。

所以也許在不久的將來，企業高管團隊會迎來首席幸福官或者首席健康官之類的新成員。

員工為什么會開心、悲傷或者憤怒？

原因多種多樣，但里面總有共性：工作、個人、精力、客戶等等。根據具體工作職能，影響因素也會有所變化。例如，銷售的情緒可能跟著提成走，司機跟著車輛/天氣/交通走，客服中心跟著客戶的態度走。這一切都與員工的情緒和幸福感緊密相連。對于企業高管來說，網絡安全風險已成為影響其幸福感的五大核心要素之一。

AI如何助力以人為本與呵護氛圍？

AI可以通過多種方式建立這種充滿關懷與呵護的氛圍，包括實現日常情緒/健康檢查、關注對員工影響最大的工作狀況、提供做出改進的建議、通過語氣模式分析群體感受，甚至將視頻中的肢體語言映射至開心、憤怒、悲傷等情緒。

其中的關鍵，在于確保AI解決方案始終尊重隱私與匿名性，也就是讓洞察結論始終立足于統計學意義上的大規模數據。這樣既能讓每位員工感到安心，也可反映出真正有意義的整體性模式。AI技術應用的目標不是監視，而是充分營造溫馨舒暢的工作氛圍。

每位CEO及企業高管都應該關心員工對于工作環境的感受，盡可能創造出一種能夠激發更高績效的文化氛圍。如果做不到這一點，董事會就會選擇其他更合適的人選。

此外，員工幸福感還有另一大重要影響因素，即他們的直接主管。企業一般會每年組織一次員工調查，平時也會盡量聽取他們的意見，指導主管改善與員工之間的溝通效果和協作關系。總之，一味施加壓力并不是優秀管理者的應有表現。

根據哈佛報告，組織正通過更多福利措施衡量員工的財務健康、心理健康與身體健康狀況，借此準確預測員工績效與留存率。另外，也有研究證實，糟糕的健康水平已經成為運輸/設備處理、產品制造、石油與天然氣、建筑和采礦等行業中的頭號事故根源。

埃森哲在近期發布的未來趨勢報告中認定：

“關懷已經成為核心因素，時刻提醒我們保持善良與同理心的重要性。關懷體現在諸多方面，關懷面臨的挑戰以及關懷產生的成本/作用已經得到組織機構的廣泛重視與討論。對于企業雇主及其品牌，這場變革既帶來了挑戰、也蘊藏著機遇。”

所以問題來到了企業一邊：如何設計出與眾不同的關懷機制。

AI能夠提供強大的數據分析層，借此預測健康風險、為重大風險做好準備，突破以往每年一次的僵化滿意度調查。

總結

最后，我們再來回顧AI改善疫情防范策略、關注員工身心健康與敬業度的9種重要方法：

• 識別疾病傳播模式
• 通過搜索方法分析大規模數據源
• 使用深度學習方法預測新舊藥物或治療方法
• 挖掘社交媒體與主流新聞內容，實現早期預警檢測
• 人口監測
• 半自主機器人與無人機
• 虛擬助手與聊天機器人
• 機器人
• 身心健康與員工敬業度