一家估值超过100亿美元的企业，规模会有多大？硅谷的人工智能搜索初创企业Perplexity会告诉你，只有247人，而这家企业的估值已经达到140亿美元。另一家硅谷的初创企业Cursor AI更为极端，大约30人便足以维持这家估值约90亿美元的企业的运转。
仅从企业规模上就可以看出，AI时代成长出来的企业与传统企业有着明显的差别。一个如此大体量的公司，只需要这么少的人数就可以维持运转，可见它背后的管理逻辑已经发生了巨大的改变。
上述两家企业是“AI原生组织”（AI native organization）的典型案例，但它们只是一个极端。时至今日，无论是在日常生活、学术研究还是企业经营中，AI的影响不断涌现。根据麦肯锡最新的全球调查，使用AI的企业占比已升至78%，有71%的企业已在至少一个业务职能中“经常”使用生成式AI。麦肯锡估算，生成式AI每年可新增2.6万亿——4.4万亿美元经济价值，高度集中在客户运营、市场与销售、软件工程与研发等职能。
但根据我们的观察，企业端对AI的实践呈现出明显的两极分化：一方面，与AI深度融合的成功企业，它们的内在逻辑随着AI发生了根本性改变；另一方面，在绝大多数企业中，虽然AI已然是热门话题，但真正的应用深度有限。更关键的是，高采用率并未转化为相应的价值回报，这种“采用率高、价值兑现参差”的现象值得深思。
当我们把目光从年轻的“AI原生组织”转向那些更成熟的企业，看到的是另一幅图景。
我和团队在调研中遇见了一家程序员“含量”达90% 的公司。为了探寻AI对生产力的影响，公司在内部做了对照测试。按照公司原本的设想，有了AI的辅助，写一个代码的时间可以从1天缩短至1小时，效率理应飞升。但内部测算发现，AI对效率的提升效果仅有10%—15%，与公司的期待值相距甚远。
这背后的原因在于，公司的软件开发流程并未发生根本改变。即便为每位程序员配备AI助手，但生产方式仍然沿用过去的逻辑，流程中固有的效率瓶颈并未被消除。换句话说，如果不彻底改造企业逻辑，AI仅仅作为生产力工具，对生产力的实际影响相当有限。
在个体层面，受控实验与真实使用数据已反复显示类似的提效效应。波士顿咨询公司与学术团队合作进行的现场实验发现，在被视作所谓“AI前沿”的任务中，使用GPT-4的咨询顾问完成速度提升25%以上、质量评分提升40%以上。在软件开发领域，GitHub与学界的随机对照实验同样发现，使用Copilot的开发者在JavaScript任务上用时缩短55.8%。
然而，组织层面的“兑现难”同样在大量研究与调查中得到佐证。麻省理工学院与波士顿咨询公司的多年跟踪报告显示，只有约一成企业从AI中获得显著财务收益，主要瓶颈不是算法，而是组织学习、流程重构与人机协作能力的不足。这种“个体显著提效、组织难以兑现”的现象，我们称之为生产力悖论。
说白了，问题的症结在“组织化能力”而非“工具缺位”。对于大部分成熟企业，单纯在运营过程中引入AI工具而不改变工作流程，只能带来碎片式的优化。这就好比一个员工原本需要工作8小时，有了AI辅助可能只需6小时就可完成相同工作量，但节省的2小时并未转化为企业效益。关键在于，只有当我们把任务拆解进入AI的能力边界，设计出可评测的基线，将人机分工纳入流程，个体层面的提效才能汇聚为组织层面的价值。
因此，企业下一步需要考虑的是如何让AI改变现有的工作流程，使得它不再只是专属于个人的工具，而是变成一个在组织内部流转的工具。
过去的组织结构是基于劳动力分工形成的：企业内部分割出很多不同的任务，再根据任务内容和人的技能设计出一个个岗位，每一个岗位匹配一个人。我们现在最常听到的一个问题是：AI会替代哪些岗位？实际上，AI很难替代某一个岗位，AI替代的是一个任务。有些任务能够完全被AI替代，有些只能被AI增强。任务层面发生的替代必然会导致组织变革，比如一个岗位可能有50%的任务实现了自动化，人只需要集中精力做剩余的部分。
对知识工作者时间分配的研究发现，职业写作者把65%—75%的时间用在编辑和重写上，学术研究者也有85%的时间在写作或编辑，还有部分知识工作者有88%的时间用于沟通。换句话说，知识工作者们花了超过80%的时间在个性化的“支线任务”上，而不是基础的生产任务。按照工资和投入的资源计算，这个成本高得惊人。
到底是技术适应组织，还是组织适应技术，是人类长期思考的问题。至少在我们当下所处的阶段，更多需要组织适应技术。
这样的逻辑在历史上已经上演过。第一次工业革命与第二次工业革命交接期间，生产力飞跃也花了30—50年时间才真正实现。其中的一个原因在于，蒸汽机时代工厂厂房和我们今天熟悉的厂房有很大的差异。由于蒸汽会上升，为了在工厂的整个流程中最大限度地利用蒸汽的动能，当时的厂房是立体式纵向建设，并通过很多管道连接。到了电力驱动时代，工厂布局变得更加灵活。电动机可以分散安装在各个工作站，不再需要集中的动力源和复杂的传动系统，这为流水线的设计和实施创造了条件。一直到流水线诞生，生产力才得到大规模释放。
当我们开始思考价值创造的整个过程，问题就从简单的如何提高效率转为工作流的系统性重构。
客服是当下AI应用最广泛的场景之一。传统做法是让每个客服人员使用AI辅助回答问题,但流程本身不变——接电话、理解问题、查找答案、回复客户。这种碎片化应用确实能提升个人效率，但组织整体收益有限。
站在全局的角度，组织需要回答的是以下问题：哪些任务可以完全由AI自动处理？哪些需要人工介入但AI可以准备好所有背景信息？人工处理的复杂案例如何沉淀为AI的学习样本？这种重构的核心是建立“人机分工”的清晰界面。AI负责规模化、标准化、快速迭代；人类负责创意探索、价值判断、伦理决策与例外处置，把“何时不依赖模型、何时升级人工判断”写进工作手册与控制面板。
人的分工发生变化后，人才发展自然需要全新的思路。我们早期做的一项研究显示，在独立任务中表现出色的人未必能够胜任有AI辅助的任务，反之亦然。因此，在AI时代的职场，我们需要重新定义对人才和岗位的技能需求。
AI时代的人才需要的第一个基本能力是会定义，这意味着他/她能够将模糊的业务需求转化为清晰的任务规范和质量标准。一位产品经理不再需要亲自画每一幅原型图，但需要清晰定义产品应该解决什么问题、满足哪些约束条件、达到什么样的用户体验标准。
定义完成后的下一步是验证。人需要具备识别AI输出质量的专业判断力，这要求人对自己所在的领域有深度理解——不仅知道“什么是对的”，更知道“为什么对”和“在什么情况下对”。在这个基础上，人还要会编排，即把多模型、多工具、多角色串成端到端流程，用统一度量驱动持续优化，让不同的AI能力在恰当的环节发挥作用，并与人类的创造性工作有机结合。
最后，“教机”将成为未来人才的另一项关键能力。教机就是将自己的知识“教”给机器，转化为AI可以学习的形式，例如案例库、评价标准、决策规则等。这种知识外化不仅让AI变得更有用，也让组织能力得以积累和传承。
这四组能力的共同底座，是避免“能力退化”。关于自动化导致技能衰退与自动化偏误的实证研究早已存在，尤其是在医疗、航空等高敏环境中，时刻提醒着我们在AI面前保持警惕，把例外处置、边界判断与因果解释保留在人类的闭环里，并通过制度化演练对抗退化。
即便有了新的工作流和合适的人才，组织还必须跨过最后一关——文化维度的转变。技术门槛的降低意味着创新不再是IT部门或专家团队的专属领域，而可以由最了解业务的一线员工主导，这就需要组织建立相应的文化土壤。
首先，面对充满不确定性的未来，组织要让员工获得心理安全感，不至于成日陷于被替代的恐慌中。透明的沟通、明确的转型路径、持续的技能培训都是建立信任的基础。
其次，组织需要建立实验文化，鼓励员工尝试AI应用，即使失败也能从中学习。组织可以通过建立“AI大使”网络，让早期采用者分享经验，在技术可能性和实际业务应用之间架起桥梁。当员工看到同事通过AI提升工作质量、节省时间时，会自然产生学习和应用的动力。这种自下而上的扩散往往比自上而下的推广更有效。
再次，更重要的是，不要试图一次性改造整个组织。选择那些AI能力成熟、业务价值明确、失败风险可控的场景作为突破口，比如文档自动分类、会议纪要生成、标准化报告撰写等，这些场景技术成熟度高、效果容易衡量，能够快速建立信心。
最后，组织也需要逐步构建起能力沉淀机制，把有效的提示、数据集、评测脚本与标准操作程序打包成可复用资产，降低人员流动对质量的冲击，让能力随时间复利，进入持续改进的正向循环。这种“组织记忆”的形成正是从个体效率走向组织能力的关键。
新的流程和结构背后，AI在组织中有了自己的角色，而不再只是一个工具。AI agent或许就是这一思路在未来的呈现模式。
我们可以大致将AI的使用分为几个阶段：第一个阶段是基础大模型的使用，以对话机器人为主要形式，这也是大部分人现在所处的阶段；到了第二个阶段，单一AI agent开始投入使用，这些专业的AI助手具备针对特定领域优化的能力，能够自主完成特定任务，例如专门进行学术写作的AI agent；随着AI agent能力逐步增强，就能够成为多元AI agent，也就是第三阶段。企业有了多元AI agent就相当于有了一个成熟的数字员工，这将彻底颠覆我们现有的工作流。
AI agent的出现将使AI和人脱离一对一的关系，成为一个能够为组织所共享的产品。因此，AI agent的产生不仅仅需要技术的发展，还需要将人脑中巨大的知识库编码，与巨大的算力结合，使其成为一种公共资产。
本质上，AI agent的核心是工作设计，需要组织分解清楚工作流上每个节点的技术和知识需求，才有可能真正嵌入组织内部。这又回到了上文讨论的任务分解能力——只有当我们清楚地理解一项工作包含哪些子任务、每个子任务需要什么能力、哪些可以自动化、哪些需要人工判断时，才能设计出真正有效的AI agent。
可以预见，未来组织的形式也会发生变化，从电力时代以任务为导向的专业化分工转化为AI agent包围下的工作“集群”，大多数工作可能会集中在少数人手里。这种工作模式成为一种普遍现象可能需要很长的时间，但我们在少数企业中已经可以看到：一整条工作流只需要配备一两个人，他们具备端到端所需的所有技能——更准确地说，是具备编排AI完成端到端工作流的能力。
科研场景中也存在类似的现象。过去，所有智力产出都要依靠人。在这个过程中，我们可能有20%的时间用于思考，剩余的80%执行思考的结果。也就是说，我们可能只需要两三天就能找到研究方向，却要花一整年证实最初的构想，并写出论文。而AI可以承担大部分执行的工作，甚至到了最终的场景中，人只需要完成最初1%的关键思考，剩余99%都交给AI。
最终，我们或许能看见与今天截然不同的组织的模样，而变化的发生会是一个自下往上的过程——由每一个岗位的变化汇聚成组织的变革，催生出新的岗位和决策机制。这恰恰与高层制定战略、IT部门主导实施、员工被动适应的传统数字化转型路径完全相反。因为AI时代的特点是技术门槛降低、应用场景分散、创新来源多元，使得自下而上的模式更加有效。
AI的意义，不在于把人挤出系统，而在于把人放回价值中心。当例行性劳动被压缩，人可以把时间投入提出更好的问题、建立更深的理解、做出更有担当的选择之中。
现在的关键，不是AI能替代什么，而是我们如何重构目标、流程与人机分工，让能力累积而非流失；不是回到旧台阶，而是搭起新的学徒制与成长路径；不是把员工当“成本项”，而是把他们变成系统的共同设计者。这正是组织在AI时代持续创新的根基。MI·专题
粤ICP备14082021号
免费POC，
零成本试错
