大多数博物馆员工无需被说服相信AI正在改变一切。他们需要的是一个安全的地方,去弄清楚这对自己的工作究竟意味着什么——以及一种可以坦诚表达自身感受的许可。辛辛那提博物馆中心决定亲手打造这样一个空间。
这家博物馆——集自然史与科学博物馆、历史博物馆和儿童博物馆于一体,坐落在一座被列为国家历史地标的装饰艺术风格火车站内——拥有约180名员工。当首席学习官惠特尼·欧文斯(Whitney Owens)和同事们开始思考如何应对AI时,他们并没有从制定政策或培训项目入手,而是从一个问题开始:如何把对某件事感受截然不同的人聚到同一个房间里,让他们一起学习?
在2026年博物馆AI峰会上,欧文斯与技术副总裁杰森·珀金斯(Jason Perkins)以及数字资产管理高级总监凯蒂·韦布(Katie Webb)一同分享了他们的尝试与发现。
先从政策入手,而非工具
在任何实验开始之前,辛辛那提博物馆中心就制定了团队所称的”快速响应AI政策”——一套旨在为员工提供足够框架以获得安全感,但又不会严苛到让真正的学习变得不可能的准则。
该政策列明了组织认为可接受的工具:微软Copilot(已在其Microsoft 365环境中推广使用);以及ChatGPT、谷歌Gemini和Anthropic公司Claude的免费版本,每款工具都附有关于哪些内容可以上传、哪些不能上传的明确指引。付费版工具也被允许使用,但需逐案审批,尤其是涉及数据安全问题时。
采用免费版是一个深思熟虑的选择。正如珀金斯解释的那样,免费模型内置的使用限制既控制了使用量和成本,又足够强大,能够进行有意义的实验。
把合适的人聚到一起
工作组本身汇集了来自11个部门的14人——市场营销、信息技术、展览开发、宾客服务、财务、人力资源、教育以及藏品与研究。其用意是获得足够广泛的视角,同时又不至于让小组难以管理。
根据他们的经验,建议规模为5至15人。这个规模大到足以产生真正多元的思想,又小到足以进行真正的交流。
从感受开始,而非事实
或许最能体现辛辛那提博物馆中心做法的决定,在于他们选择从何处入手。他们的第一次会议并没有以一场关于大语言模型的演示或AI平台的比较开场,而是向在场每个人抛出了一个简单的问题:有哪一件关于AI的事让你感到兴奋,又有哪一件让你感到恐惧?
回答十分坦率。一名员工谈到,AI有潜力以电子表格根本无法实现的方式分析庞大的访客数据集——同时也担心人们会不再去核实事实,任由AI成为他们唯一的真理来源。另一人提出可以利用光学字符识别技术来转录手写的田野笔记,但同时真切地担忧数据中心对生物多样性造成的环境影响。第三人描述说,终于有了一个无需申请预算审批的、感觉像行政助理的帮手,这让他如释重负——但也担心这项技术发展得太快,以及训练数据中根深蒂固的种族和性别偏见。
“机器人霸主”不止一次被提及。
这个环节不仅仅是热身,而是基础。通过在一开始就把各种假设、焦虑和热情摆到台面上,小组为坦诚的学习——而非表演式的热情——创造了条件。
在要求开展项目之前,先建立共同理解
在摸清了会议室里的”温度”之后,珀金斯和韦布分享了基础知识:AI是什么、不是什么,各种大语言模型之间有何不同,使用AI实际造成的环境成本是怎样的。他们梳理了术语,分享了来自博物馆及其他行业的案例,并讲解了IT和数字开发团队当时已经在做的工作。
他们还请参与者阅读《博物馆杂志》2025年7-8月刊中关于AI的文章并分享感想。目的是在进入实验阶段之前,让每个人都有一个共同的参照点。
在第一次会议结束时,小组成员被要求用一个词来描述自己的感受。回答包括好奇、谨慎乐观、戒备。一位参与者形容自己忐忑不安——但她也提到,自己很期待看看AI能为她做些什么。
开展真实项目,然后汇报反馈
第二次和第三次会议聚焦于实际的实验。员工被要求找出自己工作领域中AI或许能帮上忙的一个难题,然后亲自尝试一番,再回到小组中讲述结果如何。
这些结果之所以富有启发性,恰恰是因为它们并非全都成功。
人力资源部的阿比吉塔·德巴塔(Abijita Debata)用AI制作了定制化的管理培训材料,而这通常是一笔每年1万至2万美元的外部开支。她报告说,成果反而更好——更贴合博物馆的具体需求,所花时间大大缩短,而且不花一分钱。
藏品部的玛卡拉·迪恩(Makayla Dean)尝试用AI来转录手写的田野笔记和标本制备记录——这些记录是博物馆标本的原始数据。她试用了两款工具。专为手写识别设计的Transkribus擅长辨别文字出现在页面上的位置,但在准确转录缩写式田野记录方面表现糟糕。ChatGPT生成的纯文本转录准确得多,但在被要求将这些文本转化为可供编目的结构化数据时却力不从心——它缺乏专业领域知识,无法理解每个数据点代表什么,也无法领会空白字段与已填字段同样具有意义。
瓦莱丽·霍罗比克(Valerie Horobik)处理的是一个包含约5000条外展教育客户记录的数据集,这些记录是在八年间收集的,她想找出那些疫情前的常客中疫情后未再回来的人。挑战首先来自数据本身——同一位客户可能以多种拼写、标点和缩写形式出现。她在Excel中使用ChatGPT和Copilot构建了一个公式来规范化这些条目,然后用Copilot生成了一张按疫情前到访频次排序的未回访客户表格。这份输出给了她一份清晰的、有优先级的跟进名单。
负责夏令营材料的艾米莉·贝尔托洛(Emily Bertolo)选择的项目谨慎地避开了她最担心的两件事——敏感的参与者数据和AI图像生成。她用一组活动文档对谷歌Gemini和谷歌NotebookLM进行了测试,要求二者各自汇编一份整合的材料清单。她发现,NotebookLM总体上所需的来回沟通更少,处理缺失信息更为智能,并且在标注数据来源时会提供指向原始文档的直接链接。她指出,优化提示词和检查错误是整个过程中最耗时的部分——但她也认为,这恰恰是最必要的部分。
小组学到了什么
在各个项目以及随后的反思会议中,有几个主题反复出现:数据安全的重要性、关于AI环境影响的疑问,以及对人工监督和事实核查的持续需求。
参与者传递的信息并非”AI在各方面都具有变革性”。事情比这更微妙。德巴塔形容它是一个很棒的工具,前提是设有防护栏、政策明确,并且人始终参与其中。霍罗比克说她印象深刻——但也保持了适度的谨慎。贝尔托洛总结道,在不具备对风险的基本认知的情况下不应使用它,而且应始终有人参与来核验输出结果。
可以说,这种审慎、深思熟虑的反应,恰恰正是一个良好的学习过程所要培养的。
一个可供他人借鉴的模式
辛辛那提博物馆中心如今正计划于今年夏天组建第二个工作组,意在将相关知识进一步推广到整个组织,并帮助新员工经历同样的结构化实验过程。
对于想要做类似尝试的人,该团队提供了一个简明的框架:
组建一个由来自不同部门的5至15人构成的工作组。第一次会议从感受和看法入手,而非事实。借助一份可信的外部资源来锚定共同的反思。给大家提供一份通俗易懂的AI概览,并列明组织认为安全的工具。请员工集思广益,然后开展真实的项目——并营造空间,让他们能够坦诚地汇报哪些奏效、哪些不奏效。最后,赋能工作组成员,让他们成为各自团队内部的资源,将所学向外传播。
这套方法未必适用于每一家博物馆。但其底层原则——驾驭一项真正充满不确定性的技术,既需要情感上的坦诚,也需要亲身实践的学习——似乎具有广泛的适用性。
正如惠特尼·欧文斯在会议结束时所说:”通过召集一支内部团队,并同时关注情感反应与亲身学习,我们试图打造一个安全的’试验场’,让员工可以尝试、获得反馈,然后再次尝试。”
——
本文基于辛辛那提博物馆中心的惠特尼·欧文斯、杰森·珀金斯和凯蒂·韦布在2026年博物馆AI峰会上所作的演讲。