在全世界，聪明而又已可半自主的机器人和机器正在各种工作场所取代人类。它们学习快、工作勤劳，而且肯定比较少抱怨。智能科技正在以愈来愈少的成本、带来愈来愈多的价值。
然而，这种「比人类更优秀」却也会带来管理上的挑战。如果这些演算法作业的绩效不如预期，情况会如何？如果机器的「机器学习」成绩不好，有谁能重新训练它们？如果先进机器人（像是富达投顾的机器人理财顾问、Uber的自动车、IBM超级电脑Watson的医疗诊断）的行为模式会让顾客感到不舒服，该怎样让它们得到意见回馈、从而加以改善？究竟该由谁或是什么来负责这件事？最近微软聊天机器人Tay的惨剧，正是没把机器学习「训练」看得够认真的下场。
就算是聪明而又努力的机器，也像某些懒惰而有害的人类，需要对它们进行工作检讨。好的管理者都知道，想在未来拥有生产力和顾客忠诚度，除了得激励员工，也得激励机器、并加以管理。
说白一点，管理者如果无法让机器人把工作做得更好，到头来可能连自己的工作也难保。在21世纪，一项新的必备领导能力可能就在于能否让智能型的机器充分发挥潜力。
《人工智能时代》（Humans Need not Apply）的作者杰瑞•卡普兰（Jerry Kaplan）认为：「这是智能型系统设计的核心。就长期的历史进程看来，自然的发展是走向『自动化』，而不是要重新创造人类的心灵和情境」。
卡普兰自己曾在硅谷多次创业投资，他断然表示，要把智能型机器人性化或是「管理化」，都是「过度而无用的拟人化」。
他还说：「你可没办法叫那些机器坐下听训，让它们感觉自己做了坏事。」
然而卡普兰也承认，要面对顾客的机器学习系统已经在行为中整合愈来愈多的情绪因子，而不再只做演算上的最佳化。举例来说，搭Uber自动车的时候，乘客也可能像搭一般车一样，希望车可以开快一点、猛一些。如果有别的车硬切，他们也会希望可以「教训」对方一下。
这时，如果自动车不能对乘客的要求做出适当回应（就像一般司机如果没有回应），得到的评分就会较低。究竟，自动车如果要替乘客赶飞机，该能开得多猛？就顾客服务而言，自动车能否回应需求而开得「猛」一点，就像是一般司机能不能开猛一点同样重要。只要顾客的需求还在合法、合情、安全的范围内，智能型的机器就该像有智能的人类一样回应需求。
卡内基美隆大学（Carnegie Mellon University）E. Fredkin讲座教授暨机器学习主席汤姆•米契尔（Tom Mitchell）就问：「为什么对待机器的方式要不同？」米契尔的系所已有几位重要成员遭到Uber挖角，而他认为「监管」对于机器学习系统的重要性并不下于对人类的重要性。他相信，企业设计机器人的工作模式时，也必须考量持续的绩效考核及改进。
他补充道：「当然，该怎么做现在还不明朗。但我们都知道势在必行，才能提升这些科技的接受度及采用率……必须有适当介面，让监管及改进更简单、更安全。」
人类员工的当责和效率有关键绩效指标（KPI）加以评估，而慢慢地，机器人和机器学习系统也必须面对同样的KPI。如果自动化的聊天机器人并未提升客服中心的顾客满意度，就该重新设计/重新训练。客服中心的经理，究竟该找最棒的客服代表、还是该找科技好手来处理这个问题？在快速成长的「刚退休」市场区隔中，机器人理财顾问所提的建议还无法让人怦然心动。究竟在「创造兴奋」和经过风险调整的投报率之间，最佳的权衡为何？机器人理财顾问是否该和真人理财顾问合作得更密切？
过去人类企业遇过的领导、管理、激励问题，现在也落到了全球连线成网的机器企业上：360度绩效评估是否能带来新的见解及效率？智能型机器该如何设计或训练，才能提供新的见解或改善？这些机器是否也该使用新的网络（像是物联网？）或是新的资料集，以确保绩效能持续提升？
正如员工满意度与顾客满意度高度相关，企业如果使用智能型机器人及高绩效机器学习设备，就必须密切观察演算效率及顾客价值之间的相关性。
再接下来的挑战，将在于这些相关性的定义和判断，有多少是由人类主管决定，又有多少是由高AIQ（Artificial Intelligence Quotient，人工智商）支援系统来决定。
卡普兰观察道：「对于社会规范及行为，现在尚无完善的运算理论」，因此，想让聪明的人类与更聪明的机器共存而合作，起步并非易事。但无疑，企业未来必然会运用机器产生的资料及预测分析，让产生这些资讯的机器更为改善、日益聪明。
问个对未来企业最挑衅的问题，也就是未来企业要得到更佳成果、更高价值的时候，究竟该做绩效评估的对象会是最佳的员工、或是最佳的机器了。